Vers une efficacité opérationnelle optimale
Michelin ne se contente pas de fabriquer des pneus. C’est une entreprise qui pose les jalons de l’avenir, en lançant constamment des innovations qui non seulement font avancer les gens, mais orientent également l’industrie automobile vers de nouveaux horizons. Soucieuse de devenir une organisation data-driven, l’entreprise a cherché à démocratiser les données provenant de diverses sources, des systèmes de back-office aux sites de production, en libérant leur valeur. Le but est que leur communauté d’« utilisateurs citoyens » et les équipes IT distribuées puissent développer leurs propres cas d’usage. Par exemple, l’utilisation de l’IA pour prédire les ruptures de stock et réduire les émissions de CO₂ dans la chaîne d’approvisionnement. Cependant, leur plateforme de données centralisée rendait difficile l’accès aux outils et aux technologies dont avaient besoin les utilisateurs de plus en plus décentralisés. Grâce à la plateforme Lakehouse de Databricks, Michelin est désormais en mesure d’offrir à tous ses collaborateurs un accès à des données complètes et fiables à partir desquelles ils peuvent développer des cas d’usage créant de la valeur pour l’entreprise et ses clients.
Le manque d’ouverture et de flexibilité, un frein à la démocratisation des données
L’un des éléments clés de l’initiative de transformation du groupe Michelin est de permettre à chaque collaborateur d’avoir un accès illimité à des données exploitables. L'objectif est de générer de la valeur pour l’entreprise et ses clients dans toutes les facettes de l’activité. Cela concerne entre autres l’optimisation des chaînes d’approvisionnement, l'anticipation des ruptures de stock, les prévisions financières et l’information sur les marchés.
Pour y parvenir, Michelin a élaboré une stratégie de transformation des données reposant sur trois piliers. Le premier est la création d’une plateforme destinée à fournir à chaque salarié et aux équipes techniques un espace de travail sécurisé ainsi qu’un accès à des données largement décentralisées avec lesquelles ils peuvent créer leurs propres cas d’usage. Le deuxième pilier porte sur la gouvernance : il s’agit d’aider l’entreprise à comprendre comment rendre les données accessibles de manière sécurisée et de coordonner les différents efforts. Enfin, toutes les équipes chargées des solutions digitales sont invitées à considérer leurs données comme un produit à consommer et à veiller à ce qu’elles soient bien décrites, accessibles et fiables.
« Nous croyons à la démocratisation des données, une approche en libre-service où les utilisateurs peuvent construire, sur une plateforme, un nouveau produit de données et l’exploiter ensuite », déclare Joris Nurit, Responsable de la transformation des données chez Michelin. « Nous souhaitions que les données soient accessibles aux collaborateurs de Michelin afin qu'ils puissent, avec les bons outils, répondre eux-mêmes à leurs besoins. »
Cependant, l’ancienne plateforme de données on-premise de Michelin ne présentait pas l’ouverture et la flexibilité nécessaires. Le fait que les données soient stockées par département et que la plateforme soit centralisée rendait difficile la fourniture de services à grande échelle. De plus, les collaborateurs étaient souvent incapables d’accéder aux outils et aux technologies dont ils avaient besoin. Il fallait une plateforme évolutive, flexible et, surtout, ouverte. C’est pourquoi Michelin s’est tourné vers Databricks.
Le Lakehouse libère la valeur des données dans l’ensemble de l’organisation
En permettant aux collaborateurs d’accéder à Databricks directement via leurs notebooks pour effectuer leurs propres transformations et analyses, Michelin a pu concrétiser sa vision : créer une « plateforme de données citoyennes ». De plus, la mise en place d’un lakehouse central a permis à Michelin d’éliminer les silos de données qui existaient auparavant entre les différents départements, tout en garantissant une grande autonomie aux équipes chargées de créer des produits de données centralisés.
Nurit commente : « En combinant leurs propres données locales avec les données centrales, toutes les équipes peuvent acquérir une compr éhension à 360 degrés de leur propre marché. Cela leur permet de mieux anticiper les besoins de leurs parties prenantes et de concevoir leurs cas d’usage en conséquence. »
Un premier cas d’usage concernant l’emploi de l’IA pour prédire les ruptures de stock a fait appel à plusieurs des capacités de Databricks. À l’aide de modèles de machine learning entraînés sur des données antérieures de la chaîne d’approvisionnement, l’application a été conçue pour prédire les niveaux de stock à 15 jours et définir des actions prioritaires pour éviter que des ruptures ne se produisent à l’avenir. Michelin a utilisé le Lakehouse de Databricks pour l’unification des données d’entrée, la collaboration sur la façon d’appliquer les données pour entraîner des modèles de machine learning, ainsi que le déploiement et l’orchestration des modèles en production. Et avec des capacités de traitement en temps réel, les données elles-mêmes étaient continuellement diffusées et maintenues à jour dans Databricks Delta Lake. L’analyste métier utilisait, lui, Databricks SQL pour exécuter des requêtes et visualiser des insights.
Depuis lors, le nombre de cas d’usage a considérablement augmenté. « L’utilisation du Lakehouse nous a permis de faire évoluer la plateforme vers des centaines de cas d’usage, quel que soit leur domaine de prédilection. En fait, nous ignorons la nature de 80 % d’entre eux, et c’est tant mieux », déclare Karim Hsini, Enterprise Architect chez Michelin. « De cette façon, nous pouvons nous concentrer sur nos principaux cas d’usage, tout en ayant la flexibilité nécessaire pour soutenir les initiatives émergentes qui peuvent se présenter. »
En consommant des données stockées sur la plateforme Lakehouse de Databricks et en obtenant des insights à partir des résultats de leur analyse, les utilisateurs peuvent traiter des cas d’usage simples tels que les rapports commerciaux ou les prévisions. Cela permet également des cas d’usage plus spécialisés et industrialisés, répondant aux besoins de différents personas, qu’il s’agisse du data scientist ou du data analyst citoyen.
Autonomie et collaboration pour créer une communauté d’innovateurs
L’approche par plateforme est essentielle. Lorsqu’elle est flexible et évolutive, chaque utilisateur de l’entreprise peut créer son propre cas d’usage en toute autonomie. La migration vers le cloud a constitué une étape importante dans ce processus chez Michelin. Hsini explique : « La modularité du cloud permet de préconfigurer un environnement isolé pour chacun, ce qui signifie que tout utilisateur peut travailler sans perturber les activités de ses collègues. »
Cette autonomie a conduit à la large adoption d'une plateforme de données citoyennes, à une communauté croissante d’utilisateurs et à une plus grande collaboration au sein de l’entreprise. Nurit trouve que cette idée de communauté est un facteur clé de succès pour l’avenir de l’innovation chez Michelin.
Il conclut : « La notion de communauté est importante. Elle permet d’éviter de réinventer la roue à chaque fois qu’un problème se pose. Les gens partagent leurs données, leur code et leurs meilleures pratiques. Ils travaillent ensemble pour résoudre différents cas d’usage. Cela constitue une étape importante dans l’ambition qu’a Michelin de devenir une organisation data-driven. En démocratisant les données de cette manière, Databricks a fourni une plateforme qui permet à ses utilisateurs citoyens de se développer ensemble. »
-
En savoir plus sur le groupe Michelin
-
Suivez les équipes SI et digital de Michelin sur LinkedIn
