Pensez aux données que génèrent les systèmes de manutention des bagages. Toutes les données essentielles à l'information opérationnelle. Combien cela pourrait être utile et précieux si elles étaient analysées pour révéler les tendances et mieux comprendre le processus de manutention des bagages dans un aéroport.
Avertissement: Ce texte a été initialement rédigé en anglais et traduit à l’aide d’une IA.
Par Per Engelbrechtsen
L’analyse des données est devenue un élément essentiel de toutes les opérations commerciales et les systèmes de manutention des bagages ne font pas exception. Une approche axée sur les données pour les systèmes de manutention des bagages offre un potentiel énorme d’économies de dépenses opérationnelles (OPEX) en offrant une plus grande visibilité sur les opérations.
La collecte et le stockage de grandes quantités d’informations – souvent appelées Big Data – à des fins d’analyse peuvent se faire à tout moment dans le système de manutention des bagages. L’analyse en temps réel de ces données permet ensuite de soutenir la prise de décision dans toutes les unités organisationnelles :
Grâce à l’analyse des données, les aéroports peuvent obtenir des informations significatives sur leurs opérations de manutention des bagages, ce qui leur permettra d’optimiser leurs performances et leurs processus.
Mais comment l’analyse des données permet-elle d’optimiser le processus du système de manutention des bagages ? Eh bien, il existe plusieurs façons dont les analyses de données peuvent aider à réduire les dépenses d’exploitation (OPEX) de la manutention des bagages.
Voici trois exemples de la façon d’utiliser l’analyse des données pour réduire les dépenses d’exploitation (OPEX) :
L’analyse des données peut également fournir une maintenance prédictive pour les réparations imprévues qui sont nécessaires lorsqu’une défaillance du système déclenche une alarme. Il est possible de minimiser ces réparations réactives grâce à l’utilisation de l’analyse des données, ce qui peut améliorer la planification de la maintenance. Par exemple, les opérateurs de maintenance peuvent pratiquer la maintenance prédictive basée sur les données et les performances en temps réel, au lieu de la maintenance basée sur des routines ou des calendriers. Certaines parties d’un système de manutention des bagages peuvent subir une baisse de performance de cinq pour cent que personne ne serait en mesure d’identifier en observant simplement l’équipement ou la production. Grâce à l’analyse prédictive des données, personne n’aura à le faire : les données les tiennent informés.
La maintenance axée sur les données peut optimiser les efforts de maintenance, car le système ne nécessitera une inspection que lorsque les données l’indiqueront précisément. En effet, l’analyse des données a permis au personnel de maintenance de l’aéroport de passer d’une approche calendaire – ou basée sur le compteur – à l’identification des éléments et des composants devant faire l’objet d’une inspection grâce à l’utilisation de la maintenance prédictive. L’analyse des données permet donc aux équipes d’exploitation des bagages de l’aéroport de prévoir, de réagir et de prévenir les besoins de maintenance avant qu’une unité ne tombe en panne. Les données fournissent un aperçu facile des problèmes actifs au sein de différents éléments et types d’unités et indiquent de manière prédictive les parties spécifiques du BHS qui doivent être inspectées.
L’analyse des données peut révéler des tendances qui peuvent être utiles et précieuses pour affiner les opérations. Elles peuvent fournir des informations, par exemple, sur les raisons pour lesquelles les sacs sont mal triés. Elles peuvent également informer les opérateurs afin de prévoir et de prévenir les goulots d’étranglement. Grâce à l’analyse des données, les mauvaises habitudes opérationnelles ou de planification peuvent devenir transparentes. Ainsi, bien que les opérateurs ne voient pas nécessairement les schémas dans leurs opérations quotidiennes, l’analyse des données peut identifier les tendances sur une année. Même de légères améliorations de performance feront une différence significative dans les coûts.
L’analyse des données peut aider à la prévision opérationnelle, comme la préparation aux pics et la fourniture d’un aperçu de la maintenance. Elle permet à la direction de structurer l’ensemble de l’opération BHS autour d’informations basées sur les données qui ne seraient pas reconnues autrement. En comparant les données des « jours de production » de manutention des bagages précédents et en prévoyant les productions futures, la direction peut tirer des leçons de l’expérience passée pour améliorer les opérations futures et s’installer sur la meilleure utilisation des ressources. La direction sera en mesure de prévoir tous les aspects de ses opérations, tels que les volumes de bagages, les volumes de la saison de pointe et les besoins de maintenance. L’analyse des données offre à la direction une occasion unique de planifier l’avenir et d’optimiser ses opérations et ses ressources de maintenance sur la base de ces informations transparentes et en temps réel.
À l’avenir, la direction du BHS aéroportuaire devra s’améliorer dans l’apprentissage de l’expérience et la planification de la future production de manutention des bagages. Mais pour ce faire, il faut une évaluation détaillée et précise de la production passée et future.
Heureusement, c’est exactement ce que fournit l’analyse des données.
Les entreprises utilisent de plus en plus les technologies d’apprentissage automatique pour faire passer l’analyse des données à un autre niveau. Dans les systèmes de manutention des bagages également, l’apprentissage automatique a le potentiel de jouer un rôle important dans la réduction des coûts d’exploitation (OPEX). Souvent, l’analyse traditionnelle des données peut être statique et limitée lorsqu’il s’agit de traiter des données non structurées et en évolution rapide. Il peut être nécessaire, par exemple, d’identifier les corrélations entre des dizaines d’entrées de capteurs et des facteurs externes qui produisent rapidement des millions de données.
En apprenant des données et en identifiant les schémas, l’apprentissage automatique permet au système de prendre des décisions avec une intervention humaine minimale. Il peut être utilisé pour aider les opérateurs à prendre des décisions plus rapides et meilleures. L’apprentissage automatique nécessite toujours une intervention humaine et les capacités cognitives qu’elle fournit. Mais l’apprentissage automatique, qui est une catégorie basée sur l’IA, peut conduire à la science de la décision et à des suggestions basées sur la machine – au lieu de suggestions basées sur l’humain – pour résoudre les problèmes (avant qu’ils ne surviennent). Le système a l’expérience (apprentissage automatique) qui le rend suffisamment « sage » pour être le « régulateur de vitesse adaptatif » de l’équipe de contrôle et de la direction du BHS, pour établir un parallèle avec le monde automobile.
Seule une fraction des vastes quantités de données collectées dans les aéroports est actuellement utilisée pour contribuer au processus global de prise de décision stratégique et opérationnelle. Pourtant, les données collectées à partir d’un système de manutention des bagages ont beaucoup à révéler sur la performance, l’état et l’efficacité d’un système. L’analyse des données peut fournir des informations utiles qui peuvent transférer les données en un atout précieux que les aéroports peuvent ensuite utiliser pour optimiser leurs systèmes de manutention des bagages.
