Dans une usine, la donnée comptable existe en masse. Le problème n’est jamais sa quantité : c’est qu’une même référence y porte trois noms, deux unités et quatre dates. Nettoyer précède prédire — dans cet ordre, sans exception.
Un directeur industriel nous a résumé le problème d’une phrase, l’an dernier, lors d’un diagnostic à Kénitra : « On a quatre ans d’historique et on n’arrive pas à dire combien coûte une pièce. » L’entreprise disposait pourtant de tout : un ERP, une comptabilité analytique, des relevés de production. Ce qui manquait, c’était la capacité de faire tenir ces trois sources dans une même phrase — parce qu’aucune ne nommait les choses de la même façon.
C’est la situation la plus courante en milieu industriel marocain, et elle n’a rien d’honteux. Les systèmes se sont empilés au rythme de la croissance : un logiciel de paie choisi en 2014, un ERP déployé en 2019 sur deux sites puis étendu sans reprise de l’historique, des fichiers de suivi tenus par les chefs d’atelier. Chacun est cohérent avec lui-même. Aucun ne l’est avec les autres.
La bonne nouvelle est que ce travail de réconciliation est aujourd’hui à la portée d’une équipe interne, sans projet informatique lourd. La mauvaise est qu’il se fait dans l’ordre : d’abord la qualité, ensuite le modèle, seulement après la prédiction. Inverser cet ordre produit des prévisions élégantes et fausses — la pire des situations, car elles emportent la décision.
Partie 1Les cinq anomalies qui ruinent une analyse industrielle
Sur une masse comptable et logistique de plusieurs centaines de milliers de lignes, l’expérience montre que l’essentiel des erreurs se concentre sur cinq familles. Les connaître permet de construire ses contrôles avant même d’ouvrir les données.
L’œil de l’Expert
Ne supprimez jamais une valeur aberrante. Marquez-la. Créez une colonne StatutLigne avec les valeurs « validée », « régularisation », « à instruire ». Vos indicateurs filtrent sur « validée », mais la ligne reste dans le modèle.
Cette discipline a deux effets. Elle rend votre analyse réversible : si le chef d’atelier confirme que la consommation était réelle, vous rebasculez la ligne sans refaire le travail. Et elle la rend défendable : vous pouvez répondre à la question « qu’avez-vous exclu, et pourquoi ? », qui arrive toujours.
Partie 2La chaîne de nettoyage dans Power Query
Le nettoyage ne s’improvise pas ligne à ligne : il se construit comme une chaîne d’étapes nommées, appliquée à chaque rafraîchissement. Voici la séquence que nous installons en mission, dans cet ordre précis.
Dédoublonner sans perdre l’information d’origine
La normalisation des libellés est l’étape fondatrice. La méthode robuste consiste à créer une clé technique à partir du libellé — en majuscules, sans espaces ni ponctuation — puis à regrouper sur cette clé tout en conservant le libellé original dans une colonne de contrôle.
// Clé de dédoublonnage robuste, libellé d'origine conservé let Source = Excel.Workbook(File.Contents("Mouvements.xlsx")){[Item="Stock"]}[Data], Types = Table.TransformColumnTypes(Source, {{"Reference", type text}, {"Quantite", type number}, {"Unite", type text}}), Cle = Table.AddColumn(Types, "CleArticle", each Text.Upper( Text.Remove([Reference], {" ", "-", "_", ".", "/"}) ), type text), // conversion des unités vers une base unique (kg) Base = Table.AddColumn(Cle, "QuantiteKg", each if Text.Lower([Unite]) = "t" then [Quantite] * 1000 else if Text.Lower([Unite]) = "g" then [Quantite] / 1000 else if Text.Lower([Unite]) = "kg" then [Quantite] else null, type number), // les unités inconnues ressortent en null : elles seront instruites, pas ignorées Controle = Table.AddColumn(Base, "StatutLigne", each if [QuantiteKg] = null then "a_instruire" else "validee", type text) in Controle
Notez le choix délibéré de renvoyer null pour une unité inconnue plutôt qu’une valeur par défaut. Une valeur par défaut masque le problème ; un null le fait remonter. En analyse de données industrielles, préférer toujours l’erreur bruyante à l’erreur silencieuse.
Mesurer la qualité comme un indicateur à part entière
Une fois la chaîne en place, la qualité se pilote. Trois mesures suffisent, et elles doivent figurer sur le tableau de bord lui-même, pas dans un document séparé : le taux de lignes validées, le nombre de références sans rattachement de famille, et le nombre de lignes marquées « à instruire ». Une direction qui voit ces trois chiffres accorde bien plus de crédit aux indicateurs qui les accompagnent.
Partie 3De la donnée propre à la prédiction défendable
Sur une base assainie, la prévision devient possible. Mais une prévision utile n’est jamais un chiffre unique : c’est un intervalle assorti d’hypothèses explicites. Annoncer « la consommation de la famille C sera de 82 tonnes en novembre » est une promesse intenable. Annoncer « entre 74 et 90 tonnes, en supposant le maintien de la cadence actuelle et sans arrêt technique » est une information sur laquelle on peut décider.
Vérifier le modèle avant de le publier
Un modèle prédictif ne se juge pas sur sa sophistication mais sur sa performance en aveugle. La méthode est simple et devrait être systématique : masquer les six derniers mois connus, faire produire une prévision au modèle, puis comparer au réel. Si l’erreur moyenne dépasse la marge de décision, le modèle n’est pas utilisable — quelle que soit la qualité de sa présentation.
| Question à se poser | Réponse acceptable | Signal d’alerte |
|---|---|---|
| Sur quelle population ? | « Famille C, site de Kénitra, lignes validées » | « Toutes les données disponibles » |
| Quelle erreur constatée ? | « 6,8 % sur les 6 derniers mois en aveugle » | « Le modèle est très fiable » |
| Quelles hypothèses ? | « Cadence constante, aucun arrêt planifié » | Hypothèses non formulées |
| Qu’a-t-on exclu ? | « 1 920 lignes marquées, liste disponible » | « On a nettoyé les aberrations » |
L’œil de l’Expert
En milieu industriel, la prévision la plus rentable n’est presque jamais celle du chiffre d’affaires. C’est celle de la consommation matière par famille, parce qu’elle commande directement le niveau de stock — donc la trésorerie immobilisée.
Un conseil de méthode qui évite beaucoup de déceptions : ne cherchez pas à prédire les références, prédisez les familles. Le signal d’une référence individuelle est presque toujours noyé dans le bruit, alors qu’une famille homogène présente une saisonnalité lisible. On descend au niveau de la référence pour répartir la prévision, pas pour la produire.
Une prédiction sans intervalle de confiance n’est pas une analyse : c’est une opinion présentée en graphique.
ConclusionL’incertitude ne disparaît pas, elle se chiffre
Le but de l’intelligence des données en milieu industriel n’est pas de supprimer l’incertitude — aucune méthode ne le permet. Il est de la ramener à une fourchette connue, assortie d’hypothèses que l’on peut discuter en comité. C’est un déplacement modeste en apparence, considérable en pratique : on cesse de débattre de la fiabilité des chiffres pour débattre des décisions.
Le chemin passe par un travail peu spectaculaire — dédoublonner, normaliser des unités, choisir une date de référence, marquer les lignes douteuses. Ce travail ne se délègue pas à un outil : il se conçoit. C’est exactement ce que nous construisons en salle, sur les exports réels des participants, jusqu’à obtenir une base dont ils peuvent défendre chaque chiffre.