Projets

Safran Aircraft Engines fiabilise ses prévisions de pièces détachées

L’assemblage d’un moteur CFM56 dans les ateliers de Safran Aircraft Engines. Une machine composée de 5500 pièces, dont le constructeur assure le remplacement en cas de panne. (Crédit : Cyril Abad/CAPA Pictures/Safran)

En migrant sur un studio de Data Science, l'activité propulsion du groupe aéronautique a pu automatiser certains traitements de données et améliorer ses prévisions de vente de pièces détachées. Bilan des gains : de l'ordre de 100 M€ par an.

PublicitéLa division Aircraft Engines, née de la fusion du groupe avec Snecma, fait figure de réacteur n°1 du groupe Safran. Avec un chiffre d'affaires de plus de 12 Md€ et 17 400 personnes, elle représente près de la moitié de l'activité du groupe, via des livraisons de moteurs civils et militaires évidemment, mais aussi via une activité support et services. 14 millions de pièces de rechange sont ainsi livrées chaque année sur un catalogue de 12 000 références, pour réparer les plus de 28 000 moteurs actuellement en usage dans les compagnies aériennes du monde entier. Selon les chiffres du groupe, cette activité seule était en progression de 16,5% en 2024.

Dans ce métier, la prévision est évidemment essentielle. Or, celle-ci est fortement impactée par des événements extérieurs, comme la crise du Covid évidemment, mais aussi par des événements comme l'interdiction de survol de la Russie, qui oblige les avions à voler plus longtemps, générant davantage de besoins de pièces de rechange. « Nous fonctionnions avec un logiciel de prévision statistique un peu ancien. Déjà, avant la crise du Covid, nous cherchions à moderniser cet outillage », souligne Sylvie Devaux, responsable prévision des ventes de pièces de rechange sur les moteurs CFM56, le best-seller du constructeur sur les moyens courriers.

Temps improductif divisé par deux

C'est précisément la crise du Covid qui a servi d'accélérateur sur ce terrain, poussant Safran Aircraft Engines à réagir rapidement, en investissant dans la solution de l'éditeur d'origine française Dataiku. « Nous avons voulu avancer avec cette solution selon la technique des petits pas, indique Sylvie Devaux. Nous avons travaillé, brique après brique, sur ce qui nous embêtait le plus, à commencer par le formatage de la donnée et la récupération de fichiers. » Fin 2020, l'équipe de huit prévisionnistes qui entourent Sylvie Devaux - des profils divers ayant des expertises variées, mais sans spécialiste en Data Science - passe en mode projet sur le nouvel outil, y consacrant 20% de leur temps.

« Au cours des deux premières années d'utilisation, nous avons divisé par deux ce que j'appelle le temps de non-valeur ajoutée, par exemple lié au retravail des données, indique la responsable. Ce qui nous permet d'accentuer nos rencontres avec les compagnies aériennes, de chercher plus d'information auprès des services techniques ou encore de mener des analyses plus complexes. » Au sein de Safran Aircraft Engines, les prévisions de pièces de rechange, pour les moteurs CFM56 mais aussi Leap, sont mensuelles. Elles reposent largement sur la récupération de fichiers Excel, même si l'équipe de prévisionnistes est en train de brancher Dataiku sur SAP, en cours de déploiement au sein du groupe en remplacement du vieillissant Baan. « Mais nous ne sommes pas obligés d'avoir une qualité de données de 100% pour avancer dans le cadre de notre démarche progressive », remarque Sylvie Devaux. En sortie, les prévisionnistes construisent un fichier Excel utilisé pour commander les pièces auprès des fournisseurs du groupe.

PublicitéPlus exigeant sur la qualité des données d'entrée

Le déploiement du studio de Data Science a aussi permis d'améliorer la fiabilité des prévisions, du fait de la souplesse gagnée dans l'utilisation de différents algorithmes. « Par rapport à la solution précédente, nous sommes en mesure de choisir le modèle le plus adapté au profil de nos pièces, indique la responsable. Et, comme nous avons accru notre capacité de traitement de la donnée, nous devenons plus exigeants sur le format et la régularité des envois des fournisseurs de données. » Un cercle vertueux, selon Sylvie Devaux : des analyses de meilleure qualité permettant d'exiger davantage.

Combinés, l'automatisation des traitements et mises en qualité et les gains de fiabilité ont abouti à des gains significatifs. En effectuant une comparaison des prévisions dans le nouvel outil et dans l'ancien, sur la dernière génération de moteurs CFM56, Sylvie Devaux estime le gain à environ 100 M€ sur la seule année 2021. Le tout avec un outillage qu'elle estime simple d'utilisation, après une formation assurée par l'éditeur au sein de sa Dataiku Academy. « Après une semaine de prise en main de l'outil, je menais mon premier projet portant sur l'import de la demande, soit l'ensemble des commandes clients », illustre Sylvie Devaux. La plateforme des prévisionnistes de Safran Aircraft Engines renferme aujourd'hui 50 projets, en limitant le plus possible l'usage de Python pour se cantonner à une approche No Code.

Même si l'absence de réelles compétences en Data Science peut se révéler bloquante à un certain stade. L'équipe de prévisionnistes a ainsi effectué des tests pour tenter d'agir sur les moteurs bloqués en ateliers faute de pièces de rechange, « la hantise du secteur », comme le dit Sylvie Devaux. Sauf que le CFM56 renferme 5500 pièces environ et que le nombre d'arrêts se chiffre à une centaine de cas par an seulement, et encore « dans les pires années ». « Soit un volume trop faible pour construire un modèle », souligne la responsable. Safran n'en a pas moins mené un projet de réduction de ces pannes entraînant l'immobilisation d'un avion, après la reprise du trafic post-Covid. Un projet comportant de multiples facettes, au sein duquel la solution de Dataiku a tout de même apporté sa contribution en identifiant les pièces les plus souvent responsables de ces événements.