Carrefours Excellences

​ÉDITION 2022

34è CARREFOURS EXCELLENCES

"Performance Industrielle, Excellence Opérationnelle"

​

Usine durable et compétitive :

redonner du sens et développer le management 4.0

​

Avec les retours d'expériences de :

DANONE, OPEO, CONSTELLIUM, AVEVA, MICHELIN, BRAINCUBE, RENAULT MOTORES,
FORVIA FAURECIA, CLD CONSEIL, UTT, SAY PARTNERS, VALRHONA, ARCELORMITTAL

​

10 études de cas, 17 témoignages, des résultats concrets :

1è jour : Passer le 4.0 à l’échelle : une rupture managériale plus que technologique

2è jour : Exploiter la data : un levier terrain de performance et de décarbonation

Les problématiques traitées :                     

• Conjuguer Excellence et Industrie durable au mode 4.0

• Par le jumeau numérique, analyser les causes racines de non-qualité

• Fournir aux opérationnels un catalogue de cas d’usages génériques 

• Face aux multiples aléas, mettre en oeuvre un JAT apprenant et auto-adaptatif

• Préserver l’autonomie des opérateurs par une visibilité continue et prédictive

• Agir en temps-réel sur les évènements de non-OEE, vers un Agile Mindset

• Par l’IA, créer des alertes de dérives de consommation énergétique 

• Par l’IoT, capter les incohérences entre puissance consommée et activité industrielle

• Réduire les déchets en corrélant les données production, énergie, qualité

• Penser le remanufacturing comme une opportunité de diversification et de résilience

• Par la 5G, booster écoconception et continuité numérique au sein des écosystèmes

• Transformer les processus dans une logique d’économie circulaire

ÉDITION 2021

33è CARREFOURS EXCELLENCES

"Supply Chain"

Supply Chain de l’après : concilier résilience,
responsabilité et performance 

​

10 études de cas, 18 témoignages, avec les retours d'expériences de :

MARS, AERA TECHNOLOGY, ARAYMOND, SPINPART, MICHELIN, SAFECUBE, DANONE,   
METTLER-TOLEDO, MÖBIUS, ACOME, OPEO, NUTRISET, ARGON & CO, THALES AVS,
DEMAND DRIVEN TECHNOLOGIES, GROUPE SFPI, VAN DE VELDE

Les problématiques traitées :

• Répondre à la forte variabilité de la demande sans accroître la complexité des flux   

• Rendre l’incertitude explicite grâce aux best-case / worst-case pour les estimations S&OP

• Tirer profit du Machine Learning pour sortir des approches traditionnelles de Planification 

• Gagner en visibilité statique et dynamique afin d'identifier les défaillances et parer aux aléas

• Selon les enjeux business, définir les bons operating model par l'usage de datas pertinentes

• Orchestrer les Opérations end to end en accélérant le "remote everywhere"

• Évaluer le risque Fournisseurs en temps réel et ajuster les Appros

• Ajouter la durabilité au triptyque coût, stock, service, tout en restant agile

• Assurer le stock sans pouvoir stocker, dans un contexte de crises imprévisibles

• Structurer une chaîne d'Appro Interconnectée et Responsable, adaptée au Consommateur

• Soutenir la production en local, repenser les stratégies de Sourcing, raccourcir les circuits

• Rendre le packaging intelligent et utile, dans une logique d’économie durable

• Réorienter le modèle industriel linéaire et pivoter vers le circulaire

ÉDITION 2022

34è CARREFOURS EXCELLENCES

"Intelligence Augmentée"

​

Data Transformation :

construire la confiance, développer un business responsable 

​

Avec les retours d'expériences de :

FAURECIA, MAIF, QUANTMETRY, UTT, MICHELIN, IRIS ARGON&CO, GROUPE MARS,
VEOLIA EAU, FRAMATOME, ASK FOR THE MOON, THALES ALENIA SPACE...

​​

10 études de cas, 17 témoignages, des résultats concrets :

1è jour : Réussir le passage à l’échelle : explicabilité des outils et autonomie augmentée

2è jour : Déployer une stratégie data driven : culture analytique et gouvernance partagée

Les problématiques traitées :

• Intégrer l’éthique dans la stratégie IA afin d’identifier toute déviation

• Rendre les modèles de scores explicables, facteur de "User Acceptance"

• Identifier les "enablers" pour stimuler l’adoption des outils IA et data 

• Déployer une organisation Data Factory basée sur les principes DataOps

• Bâtir une équipe hybride, à l’interface entre data science, IT et opérationnels

• Fiabiliser un modèle de machine learning en exploitant les data d’influence

• Standardiser les données des différentes sources à travers un data layer

• Mettre à disposition un use case catalogue pour démocratiser l’IA

• Donner le contrôle aux individus en décentralisant les processus

• Ajuster la stratégie de passage à l’échelle selon la maturité des métiers

• Étendre l’approche data driven à l’écosystème digital

• Appréhender l’impact de la data science sur l’empreinte environnementale