Dans l’inconscient collectif, les projets IoT sont souvent réduits à un enjeu matériel,à la fois dans l’approche méthodologique mais également dans leur dimensionnement. En réalité, l’objet est la partie émergée de l’iceberg car pour voir le jour, un projet IoT s’appuie également sur :
Le schéma ci-après illustre un exemple simplifié d’architecture de projet IoT utilisant les réseaux LPWAN (bas débit longue portée) avec ses différents modules :
Cette complexité technique nécessite d’avoir une approche plus holistique du projet, en intégrant les spécificités du cas d’usage, afin de choisir les briques technologiques les plus adaptées. Ces choix vont conditionner le business model et les perspectives de ROI.
L’approche prospective est également déterminante sur ce type de projet. Certaines entreprises iront naturellement vers des « solutions makers » pour mettre en place une verticale répondant strictement au besoin, adressant ainsi le sujet via un angle technique, pratique et cloisonné. Mais quelle sera leur réflexion lorsque le département adjacent voudra mettre en œuvre un autre cas d’usage ? :
Ces 2 scénarios présentent des inconvénients à court terme :
Les solutions construites sur mesure ou assemblées par intégrateur nécessitent certes un investissement plus conséquent, tant financier que dans la définition de la solution « métier », mais elles assurent une meilleure scalabilité et évolutivité. De plus, ce sont des socles techniques propices pour capitaliser sur le cas d’usage initial, trouver des gains indirects et assurer ainsi un ROI global sur le projet.
L’enjeu « économique » des projets, incarné par la notion de rentabilité, joue un rôle déterminant dans le lancement et les choix initiaux. Cette rentabilité est généralement soutenue par un business model établi en début de projet pour justifier l’investissement. Le ROI estimé prend en compte des perspectives de gains assez concrètes : création d’un nouveau produit ou service monétisable, gain de productivité, réduction des coûts logistiques …
Malheureusement, les calculs s’arrêtent souvent aux coûts matériels (CAPEX) et logiciels (OPEX) et omettent ainsi les coûts d’exploitation liés à l’intégration de ces nouveaux dispositifs connectés. En effet, si je dois faire intervenir un technicien une fois par trimestre pour réparer, remplacer ou décommissionner un capteur, quel est l’impact sur mon ROI initial ? Existe-t-il toujours ?
Pour pallier cela, il existe deux pistes de réflexion :
Cette deuxième piste peut être illustrée par un projet mené par Visian pour Machine Pagès, une PME française qui produit des machines-outils pour le secteur du packaging alimentaire.
Visian a accompagné initialement Machine Pagès dans la connexion de ses machines à une plateforme Cloud afin de pouvoir superviser en continu, prévenir les pannes et conseiller les clients. Une application mobile a ensuite été développée pour permettre aux clients finaux, les responsables d’usine, de consulter l’état des machines à tout moment.
Ce service a été valorisé dans une offre de support 2.0 vendue en complément des machines. On est donc parti d’un projet « technique » avec un ROI autour de l’optimisation des coûts d’exploitation (réduction des déplacements) pour atterrir sur un projet « marketing » à travers la monétisation d’un nouveau service.
Guillaume Giroult
Dans un monde où les données sont au cœur des décisions et de l’innovation en entreprise, la façon dont elles sont gérées pose de nombreuses questions. La centralisation, longtemps vue comme le modèle idéal de gestion des données, est-elle toujours pertinente ? Ou bien sommes-nous au début d’une nouvelle ère, celle de la décentralisation avec le modèle Datamesh
Dans le contexte évolutif l’IA générative, l’ANSSI met en avant l’importance cruciale d’intégrer des mesures de sécurité robustes à toutes les étapes du cycle de vie de ces systèmes, afin de protéger les informations sensibles et d’assurer le bon fonctionnement des activités métier. Les recommandations fournies visent à guider les développeurs, administrateurs, RSSI, DSI et utilisateurs sur la manière de sécuriser efficacement leurs systèmes
Parler de qualité des données, c’est toucher au cœur même des projets liés à la data. La donnée, pivot central des stratégies numériques, alimente les intelligences artificielles, facilite le reporting, prédit les comportements et révèle souvent des insights inattendus. Toutefois, garantir la qualité des données représente un défi majeur, souvent sous-estimé
Dans l’univers complexe du management data, le dilemme entre MDM et PIM persiste. Cette quête de la solution idéale révèle une réponse beaucoup plus nuancée qu’un simple choix binaire « ou ».
De nombreux utilisateurs se heurtent au défi de garantir la cohérence et la continuité dans les réponses fournies par l’Intelligence Artificielle Générative. Il arrive souvent que, dans un même fil de conversation, les réponses omettent de reprendre certains éléments pertinents de la réponse précédente. Comment assurer que les réponses générées par l’IA demeurent cohérentes et fluides? Cette préoccupation est essentielle pour une vaste gamme d’utilisateurs.
Si ChatGPT promet d’automatiser et d’améliorer de nombreuses tâches, boostant ainsi la productivité des PME et des ETI, il est crucial de reconnaître les risques liés à son utilisation sans cadre. L’établissement d’une charte d’utilisation de ChatGPT pour les PME et les ETI n’est pas une entrave, mais un cadre nécessaire pour exploiter cette technologie avec responsabilité et discernement.
Rejoindre Visan
contact@visian.fr
01 41 37 41 37
Suivre sur linkedin
Localisation
22 rue du président Wilson
92300 Levallois Perret