MAITENANCE PRÉDICTIVE DES ASCENSEURS

Marc — 00:00 :

 Aujourd’hui, je reçois Olivier Gabriel, ingénieur de l’école polytechnique après 10 ans de recherche académique, qu’il se reconvertit en data science et rejoint il y a 4 ans. Want tain en tant que responsable de la data Want Tain, c’est une société fondée en 2017 spécialisée dans la maintenance réglementée, en particulier les ascenseurs. Ils sont plus de 175 dans 3 pays différents et ont maintenant 4 verticales ascenseurs. Ce qu’elle a tort, porte et sécurité, Bonjour Olivier.  

– Olivier — 00:25 :

 Bonjour Marc. 

– Marc — 00:27 :

 Alors, Olivier, est-ce que tu peux nous parler un peu de web maintain? De façon plus générale? 

– Olivier — 00:31 :

 Alors oui donc bah tu l’as très bien dit oui, maintain. C’est une start-up qui est active dans la maintenance réglementée donc on va commencer par les ascenseurs et aujourd’hui on est actif sur les systèmes de sécurité incendie, les escalators et les portes automatiques. Et en fait, la particularité de Weinstein, c’est de réussir à associer. D’abord ce domaine technique, qui est la maintenance réglementée. Ensuite la tech parce qu’oui, maintain fournit également une infrastructure informatique qui apporte une grande transparence aux clients qui nous font confiance. Et ce qu’oui, Martin apporte également. C’est cet aspect humain de la collaboration étroite en fait entre les 3 parties de l’entreprise, la partie opérationnelle, la partie commerciale et la partie tech qui fait vraiment le développement informatique. 

– Marc — 01:22 :

 D’accord donc par rapport à ce métier qui est, je dirais pas forcément un métier très tech à la base, comment est-ce que vous vous différenciez? 

– Olivier — 01:30 :

 Eh bien, le simple fait de réussir à enregistrer les différentes sources de données dont on dispose, c’est déjà un gros avantage par rapport à ce qui existe dans le reste du marché. Ensuite, le fait que we maintain soit une entreprise multi verticale, ça veut dire que nous sommes en mesure de croiser des sources de données très variées, donc sur les différentes verticales. Pour commencer. Donc je disais ascenseur, escalator, porte automatique, système de sécurité incendie, donc 4 verticales mais également des sources de données très variées. Donc les sources de données qu’on peut attendre dans une autre entreprise et questions commerciales Salesforce ce ce genre de source mais également des données terrain récoltées directement sur le terrain par les les techniciens de maintenance qui utilisent une application développée par we maintain. Même voilà, et également les sources de données IOT Parce que Weinstein a tout un volet de développement IOT ce qui nous donne des sources de données supplémentaires. À croiser une fois de plus avec les autres sources qui existent. 

– Marc — 02:35 :

 D’accord, alors du coup, toutes ces sources de données, comment vous les utilisez? C’est quoi les différents usages de la data? 

– Olivier — 02:41 :

 Alors, la data chez Free maintain? C’est présent dans beaucoup de Dan. Beaucoup d’aspects de Weinstein, pour nous, c’est à la fois un enjeu produit, un enjeu d’organisation et un enjeu business. Donc en termes de produits. Grâce à la data grâce à ces différentes sources de données dont dont je parle, nous sommes capables d’offrir un produit qu’on ne retrouve pas ailleurs. Où on est capable d’être à la fois producteur de données, mais également agrégateur de données, capable d’utiliser d’analyser ces données pour en tirer une plus-value qui va être disponvible pour nos clients, les équipes opérationnelles ou les techniciens sur le terrain. 

– Marc — 03:23 :

 Et alors donc pour trouver des usages concrets de cette utilisation, qu’est-ce qu’on peut prendre? 

Olivier

Un exemple d’alors donc je peux parler de la partie produit ça, ça prend une forme très concrète aujourd’hui, c’est l’offre maximize de de Weinstein. Qui utilise donc des objets connectés à OT sur le terrain pour offrir de de nouveaux services à nos clients. Donc l’application phare aujourd’hui, c’est le système de réduction de la consommation énergétique et donc notre vertical de départ. C’est l’ascenseur et donc le premier endroit où on applique justement ces systèmes de de réduction de la consommation énergétique. C’est à travers l’ascenseur. 

– Marc — 04:04 :

 Sur quel levier vous jouez pour réduire cette consommation? 

– Olivier — 04:07 :

 Alors, c’est ça qui est fascinant. À partir du moment où on dispose des données qu’on recueille sur le terrain, on est en mesure de faire un diagnostic précis de, par exemple, les frottements qui existent sur l’ascenseur et à partir de là, ça nous permet d’avoir des actions différenciées qui nous permettent de réduire la facture énergétique pour nos clients. Donc ça, c’est une première. Un premier aspect, hein? Diagnostiquer le frottement et ensuite agir en conséquence. Il faut bien voir c’est qu’un ascenseur, surtout depuis la crise COVID, c’est un système qui circule souvent à vide. À partir du moment où on a cette connaissance là que l’on peut quantifier grâce à notre système Haïti et à nos différentes sources, on peut prendre un certain nombre d’actions pour réduire la facture énergétique de nos clients. Donc voilà, à partir du moment où on sait quantitativement comment cet ascenseur fonctionne, on peut optimiser son fonctionnement de plusieurs façons, peut être en maintenant en service uniquement un nombre d’ascenseurs adaptés à tout moment de la journée ou en définissant des étages de parking, c’est-à-dire des étages par défaut de l’ascenseur. Qui seront adaptés aux besoins. Donc ça permet donc d’avoir un certain nombre de gains énergétiques que l’on peut ensuite mettre bout à bout pour obtenir des réductions de frais qui correspondent aux prix de l’offre maximale ou même plus que ça. Donc voilà. 

– Marc — 05:31 :

 D’accord, donc, un levier va être d’envoyé, Ben enfin un technicien pour améliorer les frottements parce qu’on a fait ce diagnostic grâce à la data ou bien ça va être on va dire un peu d’optimisation de qu’est-ce qu’on fait avec l’ascenseur, lequel, on allume lequel, on envoie, où est-ce qu’on l’où est-ce? 

– Olivier — 05:47 :

 Qu’on le stationne, oui, c’est ça. Et le plus impressionnant dans cette histoire, c’est qu’on réussit à obtenir des gains de l’ordre de 10 à 20 % Alors bien sûr, c’est des gains qui dépendent de la configuration initiale de l’ascenseur. On imagine bien qu’un ascenseur tout 9 est beaucoup plus difficile d’obtenir des gains significatifs qu’un ascenseur sur lequel il y a beaucoup d’actions de modernisation qui sont disponibles. Mais même sur des ascenseurs tout 9 il y a il y a un vrai gisement. D’économie d’énergie, oui. 

– Marc — 06:15 :

 Et alors la maintenance prédictive un peu ce ce, on va dire ce fantasme de prédire la panne avant qu’elle arrive. Dans quelle mesure c’est déjà en place, dans quelle mesure c’est de la fiction, qu’est ce que vous faites par rapport à la panne et à l’aspect prévisionnel? 

– Olivier — 06:29 :

 Ce que je peux te dire, c’est que réussir à prévoir des pannes, c’est effectivement quelque chose que l’on a déjà fait. Maintenant, la question, c’est à quel point tu peux généraliser ce genre de système, à toute la variété des ascenseurs. Ce qu’il faut bien voir et bon. Moi je suis pas, je suis avant de rejoindre le maintenant j’étai s pas du tout un spécialiste de l’ascenseur, mais ce qu’il faut bien voir c’est que l’ascenseur, il y a une variété de cas de configuration qui est absolument invraisemblable. C’est fascinant de penser que l’ascenseur, c’est un système de transport à l’intérieur même du bâtiment, un système industriel à l’intérieur même de l’immobilier et du coup, la variété des configurations possibles est tout à fait fascinante. 

– Marc — 07:12 :

 D’accord donc, finalement vous êtes obligé quasiment de faire un algo pour chaque type d’ascenseur et ça pose peut-être des problèmes de de 

Olivier

c’est effectivement une des pistes en fait, nous, ce qu’on fait, c’est que notre notre boîtier io t enfin on a une gamme de boîtiers OT mais fondamentalement on aime faire des choses en Edge. Ce qui veut dire que le modèle que tu utilises sur un ascenseur donné? Et spécifique à cet ascenseur là, le modèle lui-même est personnalisé et du coup ça permet de faire le genre de choses dont tu parlais, d’individualiser le traitement des ascenseurs. 

– Marc — 07:47 :

 D’accord on Edge vous voulez faire directement le calcul algorithmique dans l’outil qui est sur l’ascenseur? 

– Olivier — 07:52 :

 Absolument un exemple d’application, c’est on fait un système de fusion de données où en fait on a à la fois un capteur télémétrique et un capteur accéléré métrique. 

– Marc — 08:03 :

 Un télémétrique, c’est la distance. 

– Olivier — 08:05 :

 Jusqu’au plafond, c’est ça exactement, ou jusqu’au jusqu’au fond, et voilà. Et donc fondamentalement d’un côté t’as le le capteur télémétrique qui te donne ta position avec une bonne précision à 2 hertz et de l’autre t’as ton 0 qui te donne l’accélération à 200 hertz, d’un côté t’as un signal précis facile à exploiter, à une faible fréquence et de l’autre t’as un système avec une donnée qui est plus difficile à exploiter mais qui est disponible à haute fréquence et donc grâce à cette fusion de données on est capable d’avoir un signal précis. À haute fréquence et ça, ça nous permet tout un tas de traitements de détection, d’anomalies qu’on est capable de faire en Edge. 

– Marc — 08:48 :

 D’accord donc, avec ces 2 signaux là, votre stratégie a été de fusionner on va dire la donnée en amont de tout type de calcul et non pas de travailler sur les données des 2 capteurs et de laisser, entre guillemets, les modèles se débrouiller avec absolument, 

– Olivier — 09:02 :

 Parce que ce qu’il faut bien voir, c’est que tes données accéléré, métriques à 200 hertz. Tu peux pas raisonnablement les envoyer sur le cloud, du coup t’es obligé de faire ton exploitation de la donnée accélérométrie qu’en Edge donc c’est ce qu’on choisit de faire donc pour ça nous on s’appuie beaucoup sur les les systèmes d’a WS et en particulier Queyras qui nous permet de déployer du code en Edge de façon rapide et efficace quoi ok d’accord, c’est quand même 1WS qui même si vous utilisez pas de serveur, c’est quand même 1WS qui vous permet de déployer. 

– Olivier — 09:33 :

 C’est ça, exactement greengrass nous permet de gérer notre flotte, de gérer la partie Software par opposition au firmware. De le gérer facilement pour toute la flotte. 

– Marc — 09:44 :

 D’accord, parce que ces capteurs ils sont quand même connectés à Internet. D’une façon 

– Olivier — 09:48 :

 absolument, c’est des capteurs io T et ensuite on est susceptible de se connecter à internet au Wifi, tout un tas d’on on supporte un tas de protocoles différents. Oui. 

– Marc — 09:59 :

 Ok, alors du côté de du du service rendu par le capteur lui même la la, la data a l’air assez central. Est-ce que vous avez d’autres cas d’usage? Peut être par exemple du côté du marché, connaître votre marché, savoir comment vous positionnez, est-ce qu’il y a d’autres usages de la data chez vous? 

– Olivier — 10:19 :

 Oui tout à fait. Alors, l’avantage d’une start-up comme Wyman tain, c’est que étant donné que c’est une entreprise qui est assez jeune, on n’est pas tributaire. De structures qui ont été mises en place auparavant. Et donc aujourd’hui, on dispose d’un data Lake qui nous permet de croiser les différentes sources de données dont on dispose afin de se former. Une vision globale de la situation de Wendy? Un exemple que j’aimerais développer, c’est la question des OKR Chez Weinstein, on utilise les OKR depuis longtemps. 

– Marc — 10:53 :

 Même d’objectif? 

– Olivier — 10:54 :

 Oui, absolument les OKR objective and key result, un système de direction de l’entreprise qui est utilisée en particulier par Google et par Intel, et donc qu’on implémente chez Weinstein. Je disais tout à l’heure, chez humain, on a 3 composantes, la partie commerciale, la partie opérationnelle et la partie tech et donc la question c’est à chaque trimestre parce que donc on fait ça de façon trimestrielle, définir quel est l’objectif qui va pousser l’entreprise dans la meilleure direction. Et il y a toujours quelque part ce jeu entre ces 3 directions et de savoir laquelle on privilégie grâce à notre data Lake grâce à nos sources de données, on est capable d’avoir des indicateurs objectifs sur les différents niveaux d’efficacité de ces 3 composantes et choisir par conséquent des OKR qui sont adaptés objectivement adaptés à la situation actuelle. 

– Marc — 11:49 :

 Et vous utilisez quoi pour, on va dire consommer la donnée de data Lake? 

– Olivier — 11:53 :

 Alors au-dessus? De ce data Lake, on utilise un système de data visualisation qui a cette particularité d’être accessible sensiblement à tout le monde dans l’entreprise, de façon à ce que chaque personne à l’intérieur de l’entreprise ait la possibilité de creuser les indicateurs qui lui importent. Alors, bien sûr, à côté de cette transparence, on a toutes les contraintes réglementaires, en particulier en termes de RGPD ce qui veut dire que l’accès aux différentes sources de données est bien contrôlé. Pour que les données personnelles ne soient accessibles uniquement à aux plus petit nombre de personnes nécessaires. Je vois ça. D’ailleurs, la question du RGPD C’est une question assez centrale, même lorsqu’on conçoit nos capteurs pour le système Haïti, on a travaillé sur une solution de décompte du nombre de personnes à l’intérieur de la cabine d’ascenseur. On a choisi de partir sur des solutions qui évitent de générer des données personnelles et en tout état de cause, le traitement qui, en effet, est en Edge ce qu’il a encore réduit l’espace dans lequel les données personnelles sont disséminées. Donc voilà, c’est vraiment. 

– Marc — 13:00 :

 Si le honage est vraiment une façon de ne pas être inquiété par le RGPD en fait, puisque la donnée personnelle n’existe pas. Au-delà du dispositif, le dispositif ne l’envoie à personne. 

– Olivier — 13:11 :

 Exactement. L’objectif, c’est vraiment de faire le traitement en Edge donc sur place comme ça. La donnée dont on parle en fait, elle n’est jamais agrégée. Elle n’existe au final pas la seule chose qu’on utilise, ce sont les caractéristiques que l’on a tirées de ce système là. 

– Marc — 13:27 :

 Parce que finalement, le RGPD donc c’est des données, ça concerne les données personnelles. Vous, dans votre cadre, les seules données personnelles finalement ça va être effectivement s’il y a une caméra, Ben le l’image des personnes et à l’intérieur mais tout le reste on va dire, vous êtes en dehors du champ du RGPD en règle générale, oui, et on fait tout notre possible pour rester en dehors de du RGPD Mais pour revenir à la question de ce qu’il y a une caméra ou pas justement, le choix technique qui a été fait, c’est de ne pas utiliser une caméra. 

– Marc — 13:54 :

 D’accord, c’est un outil qui, qui ne nécessite pas de caméra pour compter exactement. 

– Marc — 13:58 :

 Alors, est-ce que tu peux nous parler un petit peu? Des usages du machine learning que vous avez implémenté chez Wam Tain. 

– Olivier — 14:06 :

 Alors du coup fondamentalement pour moi y a y a 2 utilisations du machine learning chez Iman tain. Le premier, c’est l’utilisation de solutions de machine learning qui sont disponibles sur l’étagère hein. On passe par pense par exemple à des solutions d’Auxerre comme extract. Voilà donc ça c’est quelque chose que l’on peut utiliser sans nécessairement intégrer le machine learning jusqu’au bout. 

– Marc — 14:30 :

 Sur quel genre de tâche juste pour ce premier exemple, quel genre de tâche, par exemple, vous avez besoin? 

– Olivier — 14:34 :

 De CR alors une question sur les ascenseurs, c’est, est-ce que la pièce détachée qu’on est en train de commander, est-ce qu’on peut la facturer à notre client ou pas? Et alors ça en fait, c’est une question difficile parce qu’il y a donc les contrastes standards que qu’on utilise. Et pour nos grands clients, on a des contrats qui sont faits sur mesure et du coup, la liste des pièces qui sont facturables dépend d’un contrat de contrat à contrat et juste pour constituer la base de données pour savoir qu’est-ce qui est facturable, qu’est-ce qui ne l’est pas? Qui peut être intéressant d’avoir un système d’Auxerre et ensuite d’interprétation de ce qui ce qui en sort. 

– Marc — 15:11 :

 D’accord, donc travaillez sur les contrats, mais c’est des contrats que vous avez écrits à la base que vous avez écrit ou non, 

– Olivier — 15:17 :

 Justement ça, ce sont les contrats personnalisés pour les grands clients, donc écrits par les grands. 

– Marc — 15:22 :

 Clients d’accord OKOK donc une fois que vous avez transformé le contrat en texte, ce que vous en faites-vous continuez en machine learning avec du Natural language processing, ou vous le l’exploiter à la main après. 

– Olivier — 15:34 :

 Bah disons que c’est un système itératif. Où on commence par une exploitation manuelle. Qu’on peut ensuite généraliser, systématiser à travers l’utilisation de machine learning. Ouais, et donc l’utilisation de machine learning et de technique NLP ouais ouais d’accord ok et

Marc

 et alors du coup, le 2ème usage dont tu voulais nous parler? 

– Olivier — 15:54 :

 Alors le 2ème usage dont je voulais vous parler, c’était justement l’utilisation d’algorithmes en Edge sur les boîtiers. Donc je disais, à partir du moment où on a des boîtiers IT qui ont une capacité de calcul suffisante, on est capable de mettre en place des algorithmes individualisés pour chaque ascenseur qui nous permettent. Par exemple, de faire de la détection d’anomalie. 

– Marc — 16:14 :

 Individualiser c’est au au niveau de l’ascenseur, au niveau du type d’ascenseur. 

– Olivier — 16:18 :

 Non, non, c’est vraiment au niveau de l’ascenseur lui-même. D’accord, je parlais tout à l’heure de la variété des ascenseurs. On s’en rend pas compte. Mais oui, oui, il y a de vraies différences entre les différents ascenseurs et même dans une batterie de 4 ascenseurs qui sont côte à côte, il peut y avoir des différences significatives entre les uns et les autres. 

– Marc — 16:32 :

 Ouais d’accord, parce que c’est au niveau des vibrations, au niveau de ce genre de choses que Ben on doit s’adapter à la configuration physique de du bâtiment. 

– Olivier — 16:40 :

 Par exemple. On peut même être des ascenseurs qui je parlais d’une batterie tout à l’heure de de 4 ascenseurs qui sont côte à côte et il se peut que sur la batterie de 4 ascenseurs, il y en ait qu’un seul qui soit susceptible d’aller au sous-sol. Je veux dire qui est la possibilité physique d’aller au sous-sol. Donc voilà ça c’est déjà une individualisation qu’il faut prendre en compte. 

– Marc — 16:59 :

 Et alors qu’est ce que vous essayez de prédire avec ce machine learning? Donc on a parlé un petit peu de la détection d’anomalie. On a dit avec des fins de d’amélioration énergétique de quoi on peut parler d’autre. 

– Olivier — 17:12 :

 Bah fondamentalement, ce qu’on veut faire typiquement, c’est. Étudier la durée de vie des différentes pièces détachées dont on dispose et regarder après tant de mouvements de la porte. On va sans doute avoir besoin de changer l’égalité de porte ensuite, c’est quelque chose à voir avec le client. Est ce qu’on veut faire ça de façon anticipée, ce qui permet de réduire les risques de mal fonctionnement, c’est vrai, mais qui augmente les coûts. Ou est-ce qu’au contraire on veut être dans une maîtrise fine de l’usure de la pièce, de façon à changer juste? Au bon moment et donc ça c’est la question entre maintenance préventive, maintenance prédictive à proprement parler, et il faut s’adapter aux préférences de nos clients. J’ajoute que dans le cadre spécifique de l’ascenseur dans le cadre réglementaire français, de toute façon, un ascenseur a une visite d’ascenseur, liste toutes les 6 semaines d’accord donc souvent, rajouter du prédictif, ça veut dire rajouter des visites supplémentaires et ça c’est un coût donc il faut discuter avec le client s’il est prêt à le prendre. 

– Marc — 18:18 :

 Aujourd’hui, vous avez pas de marge de manœuvre là-dessus pour dire, par exemple nos algos nous disent qu’ici il y a pas de problème donc on peut allonger un peu ce délai de 6 semaines. 

– Olivier — 18:28 :

 Aujourd’hui en France d’un point de vue réglementaire, non, on n’a pas de marge de manœuvre mais par contre c’est pas le cas. À Singapour, à Singapour, il y a tout un programme justement. Qui consiste à adapter la périodicité des visites de maintenance à l’État constaté des appareils. Mais ça, c’est pas quelque chose qui est possible en France, d’accord avoir un grand nombre d’ascenseurs, donc un grand nombre de clients et donc la donner de tous ces ascenseurs. Et on pourrait parler des autres engins? Euh est-ce que c’est un avantage compétitif? Est-ce qu’il y a une barrière à l’entrée sur la data aujourd’hui pour faire ce que vous faites? 

– Olivier — 19:04 :

 Ce qui est sûr, c’est que donc je parlais de la grande diversité des ascenseurs. Il est nécessaire pour pouvoir voir les différents cas de figure qui se présentent, d’avoir un échantillon significativement large des ascenseurs existants. Donc oui, aujourd’hui il y a une barrière à l’entrée. Ce qu’il faut voir, c’est que le marché de l’ascenseur, aujourd’hui c’est un petit peu comme le marché de l’imprimante. Voilà à acheter une imprimante, ça coûte pas très très cher et ensuite là où on fait véritablement de la marge, c’est au niveau de l’achat des cartouches d’encre et Ben pour les ascenseurs, c’est un petit peu pareil. Le gros du chiffre d’affaires se fait sur la maintenance et donc il y a en Europe 4 grands constructeurs d’ascenseurs et ces constructeurs sont également les acteurs dominants de la maintenance. À côté de ces 4 grands, il y a également des PME de maintenance, ascenseur, qui ont des parcs relativement restreints. Et we maintain se positionnent en intermédiaire pour ainsi dire entre ces grands ascensoristes et ces PME de maintenance d’ascenseur. D’accord, ce qui veut dire que notre parc a justement la taille nécessaire pour nous permettre de voir les différentes configurations qui nous intéressent tout en n’ayant pas puisqu’en ayant une entreprise en croissance tout en n’ayant pas des millions et des millions de d’ascenseurs. Le contrat, oui. 

– Marc — 20:25 :

 Le fait d’avoir un algo par ascenseur le fait d’avoir, je dirais, une multiplication comme ça. Des algorithmes, d’un point de vue, on va dire de l’organisation en interne, dans l’équipe en éventuellement de l’architecture Software que vous utilisez, qu’est-ce que ça vous a obligé à faire? Comment on s’y retrouve quand on a un algo par ascenseur et qu’on déploie régulièrement des nouveaux algos? Des nouvelles versions. 

– Olivier — 20:47 :

 Alors là justement, je pense qu’il faut être très précis sur ce qu’on veut dire par algorithme, parce que pour moi c’est la magie du machine learning en action quoi, c’est à dire qu’on a? Un algorithme qui est le même pour tous les ascenseurs, mais dont les coefficients sont personnalisés, individualisés, adaptés à chaque ascenseur. Et donc voilà, on voit bien sûr cet exemple là comment la question d’en Edge versus cloud correspond également à donner à un degré de liberté à notre algorithme, grâce à une individualisation du machine learning. 

– Marc — 21:20 :

 Quoi d’accord, et alors les données d’entraînement dont a besoin l’algorithme, donc sur un ascenseur spécifique? C’est l’ordre de grandeur du temps qu’il vous faut pour avoir assez de données, c’est c’est quoi à peu près? 

– Olivier — 21:31 :

 En fait, c’est très variable au sens où ça a beaucoup varié au cours de l’histoire de Weinstein. Lorsqu’on a des améliorations techniques comme la fusion de capteurs dont je viens de parler, ça nous permet évidemment de réduire considérablement le temps d’entraînement pour adapter notre algorithme à l’ascenseur. 

– Marc — 21:48 :

 Ouais et donc là aujourd’hui maintenant, si vous prenez un nouveau client, dans combien de temps vous lui proposez les algos que vous proposez? 

– Olivier — 21:54 :

 En en ordre de grandeur, je dirais une semaine. D’accord, et c’est un ordre de grandeur quoi ouais. 

– Marc — 22:00 :

 C’est quoi les limites de la data chez vous, de vos utilisations de la data? 

– Olivier — 22:03 :

 Les limites de la data aujourd’hui chez humain bah en fait je voudrais un peu élargir la question aux limites de la data à l’intérieur du secteur de l’immobilier aujourd’hui et donc pour moi la première des limites c’est la question de l’interopérabilité. Là où dans le secteur de l’aviation, les acteurs utilisent des formats standards qui leur permettent de communiquer sans friction entre les différents acteurs. Au niveau de l’immobilier, il n’y a pas encore ce genre de standard alors figurez-vous qu’il se trouve que Weinstein participe à l’initiative à Proma pour définir ce genre de standard afin de permettre l’échange d’informations entre les différents acteurs de l’immobilier facilement. Pourquoi est-ce que c’est un enjeu particulièrement dans l’immobilier? C’est parce qu’il y a une multitude d’acteurs absolument invraisemblables dans l’immobilier, vous avez la personne à laquelle l’immeuble appartient donc à cette manager. La personne qui est en charge de trouver des locataires property manager et ensuite la personne qui est en charge de faire tourner les opérations au quotidien Facility Manager. Ce à quoi on rajoute les prestataires, donc par exemple emmental. Et toutes ces différents acteurs ne disposent pas d’infrastructures pour communiquer sans friction et donc c’est cette initiative de la Proma à l’Association des property managers vise à définir de telles standards d’échanges de données. Donc voilà, ça, c’est un exemple ce qu’il faut bien voir, c’est que là j’ai beaucoup parlé de standard, d’échange de données, mais il y a également une question d’uniformité des données parce qu’il est possible que ce qu’on appelle le temps entre 2 pannes, c’est en fait une notion qui mérite d’être construite. Et pour laquelle il faut définir le cadre, ce qu’on appelle une panne. Comment est-ce qu’on mesure l’intervalle entre les différentes interventions, et cetera et cetera? Donc y a tout un travail d’uniformisation des données, qui est encore à faire aujourd’hui dans le secteur de l’immobilier. Je rajoute un point supplémentaire là pour le coup, un intérieur à walhain. La grande chance que nous avons, c’est de disposer d’un installé qui nous permet de concentrer l’intégralité des sources de données en évitant la constitution de silos. Ça, c’est bien sûr un problème connu que lorsqu’on n’a pas ce genre de structure. Il y a des différents silos qui se mettent en en place et du coup, impossible de croiser les différentes sources pour en tirer un maximum de valeur. Et un point supplémentaire, c’est la question de la culture, de la data, parce qu’en fait, donc je parlais tout à l’heure de comment la data nous permet de définir des OKR qui sont objectivement adaptés à la situation de l’entreprise. Il faut bien voir que faire ce pas de passer de l’intuition personnelle. Voilà, je pense qu’il faut qu’on aille dans telle ou telle direction à je m’appuie sur des sources de données existantes et objectives pour prendre ces décisions. Ça, c’est un pas qui est non trivial. Et qui nécessite une véritable évolution culturelle en fait de l’entreprise. Donc là encore, l’avantage de Weinstein c’est étant une entreprise jeune, on n’a pas le le problème de l’habitude quelque part, et étant une entreprise qui favorise l’initiative personnelle, on a une culture qui est tout à fait compatible avec la prise de décision à travers la data. 

– Marc — 25:24 :

 Oui, c’est un peu votre ADN de base que de. De générer cette data et de pouvoir l’utiliser quoi ça fait presque partie de l’offre initiale d’antenne. 

– Olivier — 25:33 :

 Absolument, puisque will maintain apporte cette transparence grâce à son infrastructure tech. Qu’on retrouve pas chez d’autres acteurs, oui. 

– Marc — 25:43 :

 Alors si tu devais reprendre maintenant 4 ans en arrière et et refaire ce que t’as fait, qu’est ce que tu changerais ce que tu referais différemment? 

– Olivier — 25:51 :

 Si c’était à refaire aujourd’hui, je mettrai en place le data Lake bien plutôt dans le système. On est par ailleurs si j’avais un conseil à me donner à à moi-même il y a 4 ans, c’est que l’utilisation de d’use case et de prototypes c’est vraiment le moteur pour diffuser concrètement la culture de la data au sein de l’entreprise. 

– Marc — 26:09 :

 La démonstration. Capable de mettre des choses dans les mains des gens. 

– Olivier — 26:12 :

 Absolument ce qu’il faut bien voir, c’est qu’au niveau de la tech et web maintain, on est organisé en suivant team topologies, ce qui veut dire qu’on prend l’intégralité des choses à faire. Et on le subdivise en diverses domaines et chaque équipe est responsable d’un certain domaine. Et sur ce domaine, elle prend les tâches depuis le début, la conception même du système jusqu’à la fin là maintenance du système qui a été mis en place. Et même le support sur ce système, ce qui veut dire qu’on a une responsabilisation totale des équipes sur leur domaine de compétence et donc très concrètement, ça veut dire que la tech de Weinstein est constituée d’équipes qui sont largement indépendantes. Et ça, c’est important pour la définition des use case data. Parce que du coup on commence par choisir une équipe qui a un intérêt quelque part pour la data, on fait un case avec cette équipe là et à partir du succès de ce use case on peut ensuite généraliser cette approche à d’autres équipes. 

– Marc — 27:15 :

 Et dans le cadre du Data Lake, est-ce que t’as un exemple en tête de quelque chose qui aurait été possible si vous aviez eu le data leak plutôt et qui ne l’a pas été? 

– Olivier — 27:27 :

 À mes yeux. L’existence même de l’offre maximize, c’est. Un bon exemple en fait, parce que maximize nécessite de croiser beaucoup de sources différentes, étant que ces sources de données différentes ne sont pas rassemblées dans un endroit donné. Ben c’est impossible de les croiser, donc oui, avec un data Lake disponible plus tôt, on aurait pu lancer maximize plutôt probablement. 

– Marc — 27:53 :

 D’accord ouais, parce que les données c’est les données io T les techniciens, les équipes opérationnelles dont tu parlais, c’est vous utilisez. L’ensemble et l’ensemble est fusionné grâce aux data Lake. 

– Olivier — 28:06 :

 Exactement pour maximiser dans l’état actuel, je retiens 3 sources de données majeures, la source de données terrain recueillie par les techniciens grâce à leur APP. La source de données contractuelle, qui correspond à l’état de notre contrat avec notre client et la source de données IOT et donc en combinant ces différentes sources, on réussit à donc faire les économies d’énergie dont je parlais tout à l’heure. Fournir aux clients une vision des coûts de sa maintenance. Une vision qui n’a pas facilement en dehors de maximize. Et on peut lui faire des suggestions d’amélioration pour son parc. 

– Marc — 28:41 :

 Ok qu’est-ce que c’est le futur de walhain, les grands chantiers data? 

– Olivier — 28:45 :

 La première des choses, c’est qu’on a une approche itérative de sensiblement tout et ça s’applique tout particulièrement à maximize qui est en fait un système en cours de construction. Donc on a déjà des résultats encourageants, mais on souhaite aller beaucoup plus loin et de cette façon là, offrir de nouveaux services à nos clients. Un autre aspect pour reventin, c’est justement la définition de ces formats d’échange à l’intérieur de l’immobilier, de façon à ce que l’on puisse agréger sur la plateforme walhain des sources de données multiples. Et là encore les exploiter pour offrir de nouveaux services à nos clients. 

– Marc — 29:25 :

 Et Ben on vous souhaite bon courage, merci. 

– Olivier — 29:26 :

 Olivier, merci Marc. 

– Olivier — 29:28 :

 Vous venez d’entendre Olivier Gabriel, Head of Data Science chez Want Hein?