Le monde de la Supply Chain se transforme voire connait un vrai changement de paradigme : pression de la demande, changement de modèles organisationnels, évolutions réglementaires…
Les opérateurs doivent absolument s’adapter pour survivre. Dans ce contexte, un mot revient souvent : la data. Perçue comme un vrai levier de valeur, elle n’est pourtant pas simple à exploiter. D’autant plus que le volume de données générées double tous les ans…
De nombreux outils de BI sont souvent annoncés comme moteur d’optimisation, alors qu’ils ne fournissent que des tableaux de bord intelligents et rapides à utiliser. D’où le sentiment commun que la révolution du Big Data n’a pas réussi à apporter la valeur promise et espérée. Chez DCbrain, nous pensons que nous pouvons passer d’une ère de visualisation des données à une ère de recommandation par les données, ce qui signifie qu’une optimisation basée sur les données est possible, même pour des problèmes complexes.
Nous parlons de Big Data depuis 1980, mais l’utilisation opérationnelle du Big Data est apparue vers 2010. En mettant en œuvre des lacs de données, l’utilisation première était de conserver toutes les données originales afin d’affiner l’analyse à l’aide de data scientists et d’algorithmes. Et en 2020, où en sommes nous ?
Découvrez comment DCbrain optimise la gestion des réseaux de chaleur. Les problématiques d’un réseau de chaleur sont complexes mais passionantes, nous allons vous montrer notre manière de vous faciliter sa gestion en temps réel. Inclut des cas d’usage Engie et Dalkia.
Les réseaux de transport et de distribution de gaz font face depuis quelques années à de nouvelles régulations et à de nouvelles demandes de la part des consommateurs. Parmi les mieux équipés en capteurs, les réseaux de gaz sont aisément optimisables. Inclut le cas d’usage GRDF.
Les Systèmes de Management d’Energie sont devenus indispensables dans le monde industriel. A ceux pour lesquels la norme ISO 50001 et l’efficacité énergétique sont des concepts familiers, et qui cherchent des moyens pour aller encore plus loin dans l’optimisation de leur réseau, du temps réel par exemple, nous conseillons ce livre blanc. Inclut les cas d’usages Total et Orano.
Etude pilotée par ThinkSmartGrids : Réussir le pari de l’intégration de la donnée au service des réseaux et de ses clients.
Toute usine doit monitorer ses flux d’énergie au plus près de sa consommation réelle. Mais comment faire quand on dispose des données mais pas d’un outil capable de les exploiter en temps réel ? L’exemple d’une usine Total et de son réseau de vapeur illustre bien cette problématique courante.
Le principal objectif du projet de maintenance prédictive est d’optimiser les réseaux et de réduire les coûts de maintenance des actifs physiques du secteur. Voici le livre blanc avec un exemple en temps réel d’Enedis, une filiale d’EDF qui illustre ce problème commun.
Cette étude a été pilotée par Think Smartgrids : le principal objectif du projet est d’abaisser la complexité des systèmes énergétiques de manière à l’adapter aux nouvelles technologies. Cela aide à obtenir des informations plus profondes et améliore la planification, l’efficacité et la durabilité du système. Ce livre blanc décrit clairement quatre technologies principales : Machine Learning, Digital Twins, Reinforcement Learning and Blockchain dans le secteur des Utilities.
