Pour les directeurs d'usine, responsables qualité et directeurs des opérations de PME industrielles qui perdent entre 2 % et 8 % de leur chiffre d'affaires annuel en rebut et rejets. Modèles de Machine Learning entraînés sur votre historique Business Central qui prédisent la probabilité de rebut par ordre de fabrication avant son lancement en atelier et proposent des ajustements paramétriques en cours d'équipe.
Une PME industrielle moyenne perd entre 2 % et 8 % de son chiffre d'affaires annuel en rebut et rejets qualité. Le chiffre exact dépend du secteur (l'injection plastique oscille entre 3 % et 6 %, l'usinage de précision entre 1 % et 3 %, la chimie de process peut atteindre 10 % en démarrage d'usine), mais le pattern est le même : une portion très significative de la marge industrielle part par l'évier du rebut et personne ne le voit en temps réel.
Le problème n'est pas le manque de données. Si vous avez BC avec dvscrap, dvquality et dvproduction actifs, les données sont là : historique d'ordres, lots matière, paramètres de gamme, rapports opérateur, enregistrements d'inspection et de non-conformité, motifs de rejet, OEE par machine et par équipe. Le problème est que cet historique n'est consulté qu'à la clôture mensuelle, une fois que le rebut s'est déjà produit et que le lot est livré ou jeté. L'information arrive systématiquement en retard.
Le responsable qualité le sait : il existe des corrélations qui expliquent une bonne partie du rebut récurrent (un lot fournisseur précis qui pose problème, une machine vieillissante qui combinée à une équipe précise ne donne pas son rendement, une référence qui se bloque quand un certain opérateur intervient un certain jour), mais les détecter à l'œil dans des feuilles de calcul est impossible. Ce sont des patterns multivariables avec des dizaines de combinaisons. Précisément ce qu'un modèle de Machine Learning fait bien et qu'un humain fait mal.
Le coût caché ajouté est le réactif. Chaque fois qu'un lot sort défectueux, l'atelier s'arrête, replanifie, réaffecte, retravaille ou rebute. L'OEE chute, les délais de livraison se mangent, le client est servi en retard. Selon le volume, le coût indirect du rebut est généralement entre 1,5 et 2 fois le coût direct de la matière rejetée. Le vrai compte n'apparaît jamais sur le tableau de bord.
Le cœur du cas est un modèle de Machine Learning supervisé entraîné sur Azure Machine Learning. La variable cible est la probabilité de rebut par ordre de fabrication (ou par lot, selon le secteur), exprimée en pourcentage attendu de pièce non conforme ou en catégorie de risque. Les variables prédictives sont extraites de l'historique BC et des extensions dv* : lot matière, fournisseur, machine, équipe, opérateur, référence, paramètres de gamme, conditions de démarrage, jour de la semaine, OEE récent, enregistrements qualité antérieurs sur la même combinaison.
Le modèle est entraîné avec des techniques standard de gradient boosting (XGBoost, LightGBM) ou des réseaux de neurones tabulaires, selon les résultats en validation croisée. L'essentiel n'est pas l'algorithme concret mais le pipeline de données : nous ingérons l'historique BC, nettoyons les enregistrements incohérents, équilibrons les classes (le rebut est généralement un événement minoritaire), validons sur une fenêtre temporelle récente et déployons le modèle comme service. Le réentraînement est périodique, mensuel ou trimestriel selon la dérive.
Au moment de l'inférence, quand le planificateur va lancer un ordre de fabrication, le système consulte le modèle avec les paramètres de cet ordre précis et renvoie un score de risque. Si le score dépasse le seuil configurable, le planificateur reçoit une alerte avec la cause la plus probable et la recommandation : changer le lot matière, déplacer le lancement d'équipe, ajuster le paramètre X, ou demander une validation qualité préalable. S'il y a des signaux IoT machine (température, pression, vibration), le modèle affine la recommandation pendant l'exécution.
Toute l'infrastructure tourne dans votre tenant Azure. Les données de production ne sortent pas vers des modèles publics. La traçabilité de chaque prédiction est enregistrée : quel ordre, quel score du modèle, quelle recommandation, quelle décision du responsable et quel résultat réel. Ce feedback alimente le réentraînement suivant.
Une note honnête importante. Ce cas requiert un volume d'historique significatif pour que le modèle apprenne des patterns solides : 12 mois au minimum, idéalement 24, avec dvproduction, dvquality et dvscrap bien paramétrés et des données propres. Si votre entreprise utilise BC depuis peu, ce cas n'est pas encore viable. Mieux vaut consolider la saisie d'abord et aborder l'IA quand la base statistique existera.
| Aspect | Avant (réactif) | Après (prédictif) |
|---|---|---|
| Détection du problème | Le rebut est découvert à la clôture de l'ordre de fabrication, quand il n'y a plus de retour possible. | Le modèle alerte d'une probabilité élevée de rebut avant le lancement ou pendant l'exécution. |
| Analyse des causes | Réunion qualité mensuelle avec historique déjà froid et attribution des causes à l'intuition. | Le modèle identifie le croisement matière + machine + équipe + paramètre qui déclenche le rejet. |
| Action corrective | Réaction après clôture de mois, avec le lot déjà livré et la perte déjà consommée. | Ajustement paramétrique ou changement de lot matière avant que la pièce ne sorte rejetée. |
| Visibilité en atelier | Le chef d'atelier découvre le rebut sur le tableau de bord du lundi suivant. | Alerte quasi temps réel sur le tableau atelier et notification push au responsable. |
| Coût de la non-qualité | Connu comme chiffre agrégé mensuel, sans ventilation par ordre ni par cause racine. | Coût de rebut évité par ordre, avec traçabilité de l'alerte qui l'a prévenu. |
| Apprentissage organisationnel | Le savoir reste chez l'opérateur expérimenté qui sait quand le lot va mal. | Le modèle capture ce savoir et le rend disponible pour tout l'atelier. |
| Reporting à la direction | Chiffre de rebut du mois précédent, avec explication qualitative. | KPI de rebut réel vs prédit, alertes traitées, économie cumulée de l'année. |
Audit de l'historique BC + dvscrap + dvquality + dvproduction. Validation de la qualité et du volume de données. Sélection de la famille de produits à plus fort potentiel. Définition du KPI cible (% de réduction du rebut) et de la ligne de base sur les 12 derniers mois. Identification des signaux IoT disponibles le cas échéant.
Construction du jeu de données, entraînement du modèle, validation sur fenêtre temporelle récente, déploiement comme service Azure ML, intégration avec l'écran de planification BC et avec le tableau atelier. Formation du responsable qualité et du chef d'atelier.
Extension à d'autres familles de produits, intégration de signaux IoT supplémentaires, réentraînement périodique du modèle, analyse de la dérive, ouverture aux cas connexes (prédiction de demande, maintenance prédictive, optimisation du séquencement).
Ici l'honnêteté pèse plus que la vente. Ce cas n'est pas pour tout le monde.
L'extension Davisa pour la saisie et le reporting des pertes et du rebut dans BC.
Extension BCSystème de management qualité intégré à BC : inspections, non-conformités, motifs.
Extension BCModule de production avancée dans BC : OEE, rapports opérateur, séquencement.
CalculateurCalculez en deux minutes ce que vous coûte le rebut actuel avec votre volumétrie.
SecteurLe panorama complet des cas IA applicables à la PME industrielle sur BC.
HubLe catalogue complet des cas, secteurs, méthode et Discovery de l'AI Studio.
En règle pratique, entre 12 et 24 mois d'historique propre dans Business Central, avec dvproduction, dvquality et dvscrap actifs et bien paramétrés. Il faut un volume suffisant pour que le modèle trouve des patterns statistiques sur les paramètres machine, les lots matière, les équipes, les opérateurs et les résultats qualité. Si vous êtes en production avec BC depuis moins de 12 mois, l'honnête est de ne pas démarrer ce cas tout de suite : le modèle n'aurait pas de base suffisante et les résultats seraient anecdotiques.
La fabrication avec répétition d'ordre (lots récurrents, références fréquentes) et des paramètres de process mesurables fonctionne très bien : injection, usinage, emboutissage, extrusion, soufflage, laminage, chimie de process. La fabrication pure par projet non répétable (chaudronnerie à plan unique) a moins de potentiel car chaque ordre est statistiquement unique. Nous l'évaluons lors du Discovery avec vos données réelles avant d'engager le pilote.
Le KPI principal est le taux de rebut en pourcentage du coût de fabrication. Une PME industrielle moyenne perd entre 2 % et 8 % de son chiffre d'affaires en rebut, selon le secteur. Une réduction de 15 % à 30 % de ce taux est atteignable la première année avec ce cas, une fois consolidé. KPI secondaires : OEE (qui augmente grâce à moins d'arrêts correctifs), temps moyen entre défauts qualité, coût de la non-qualité, lead time d'atelier. Tout est mesuré par rapport à la ligne de base établie lors du Discovery.
Pas obligatoirement, mais cela aide beaucoup. Avec seulement les données de BC (ordre de fabrication, compte rendu de production, gamme, lots matière, résultats qualité et enregistrements de rebut), on peut déjà entraîner des modèles utiles, notamment pour anticiper les problèmes de combinaison matière-fournisseur-équipe-machine. Si nous ajoutons des signaux IoT en temps réel (température, pression, vibration, vitesse), le modèle gagne en résolution et peut recommander un ajustement paramétrique pendant l'équipe, pas seulement un avertissement préventif.
Le pilote livre un modèle en production en huit semaines, avec une première prédiction sur le catalogue de produits ayant le plus d'historique. La courbe réelle de réduction du rebut devient visible entre le troisième et le sixième mois, une fois que l'atelier commence à agir systématiquement sur les alertes et que le modèle a été ré-entraîné avec des données postérieures au pilote. La patience industrielle compte : ce n'est pas un cas à résultat en deux semaines et nous ne le vendons pas comme tel.
Nous inscrivons le cas dans votre stack actuel de BC et d'extensions dv*. Votre conseiller habituel coordonne l'entrée de l'AI Studio sans nouvel onboarding.
Parler à l'équipe →Nous commençons par le Discovery de 5 jours. En une semaine, nous validons si votre historique offre une base pour le modèle et dimensionnons un pilote réaliste.
Demander un Discovery IA →