Technologie
IoT : le secret des dieux | Le blog de l'IoT Valley
8 minutes
S’il est vrai que l’emballement médiatique autour du terme “Internet des Objets” a été bénéfique pour la visibilité des acteurs utilisant ces technologies, ce terme reste encore galvaudé car incompris dans sa finalité.
Il est à la fois maladroitement employé car fantasmé pour des usages qu’on lui prête à tord (usages grands publics dérisoires) et inutilement décrié et manipulé par ses détracteurs (nous assistons encore aux débats sempiternels sur les protocoles de communication, alors que le focus devrait être sur le coût d’extraction et de collection de la donnée). Il est donc dépossédé de sa valeur business.
L’objectif de cet article est de remettre au centre de la réflexion une approche pragmatique de l’IoT (ou “Internet des Objets”, en français) afin de saisir les vrais enjeux économiques qui lui sont liés. Enfin, parce qu’il s’agit avant tout d’une démarche industrielle, nous révélons un des secrets des dieux : l’équation économique d’un projet IoT.
Commençons avec une définition simple et efficace : l'IoT désigne la remontée de données issues du monde physique (notre environnement, un process industriel, etc.) pour mieux le comprendre et pour l'optimiser. Dès lors, l'IoT réfère directement à la capture des données de l'environnement, créées ou non par l'Homme (le bruit, la chaleur, l'humidité, les vibrations, etc.), dans l'objectif de les exploiter.
Il est communément admis de séparer les cas d'usages B2B (Business to business) des usages B2C (Business to consumers). Les cas d'usage industriels sont généralement destinés à améliorer les process des entreprises avec des calculs de rentabilité associés, tandis que l'approche B2C (Business to Consumer) reste aujourd'hui encore "gadjetisée", notamment avec les technologies portables "grand public", comme par exemple les montres ou pèse-personnes connectés.
Continuons avec un exemple trivial, mais concret, pour illustrer ce que peut être un cas d'usage IoT BtoB.
Pour optimiser la performance énergétique de salles de réunions, nous pourrions récolter les données émises par des thermomètres et des détecteurs de mouvement connectés, tous physiquement disposés dans les bureaux. Il est alors facile d'imaginer les bénéfices du croisement de ces données remontées : l'interprétation de leur co-évolution permet de rationaliser les coûts énergétiques des bâtiments concernés. Si la température des salles de réunion s'élève alors qu'il n'y a personne à l'intérieur, le chauffage s'étendrait pour économiser l'énergie grâce au thermomètre qui remonterait cette information sur le cloud, et les salles de réunion vides seraient mises à la disposition d'autres collaborateurs qui seraient notifiés de leurs disponibilités. Dans cet exemple, les factures d'électricité et la fluidité des bâtiments seraient optimisées grâce à l'IoT.
L’IoT renvoie à des aspirations fondamentales et à un imaginaire collectif. Que l’on parle de domotique, de Smart Home (habitat intelligent), de Machine to Machine (M2M) ou d’IoT, on retrouve le vieux fantasme de l’être humain d’étendre son emprise sur le monde physique. En nous rendant « maître et possesseurs de la nature » ainsi que l’avait pressenti Descartes.
Aujourd'hui, il semble que nous ayons atteint un nouveau cycle dans le développement de l'IoT. Après avoir vécu l'inflation des attentes en 2013-2015 et sa désillusion en 2017-2018, la période de maturité de l'IoT industriel est en train de prendre place si l'on en croit les tendances sémantiques de Google et les études de Gartner.
Les raisons de cette maturation de l'IoT industriel résident dans une approche purement ROIste (ROI = basé sur les retours sur investissements) contrairement aux approches "grand public" gadgétisées.
D'une part, l'IoT, parce qu'il nécessite des déploiements vastes avec de nombreux objets connectés pour être rentable, est souvent associé à des économies d'échelle. Pour les industriels, les effets d'échelle désignent la baisse du coût unitaire d'un produit obtenu en accroissant la quantité de sa production. En d'autres termes, plus les objets connectés sont produits et déployés en grand nombre (des trackers, des boutons etc.), moins ils coûtent cher à produire et à être déployés. Leurs déploiements massifs peut être corrélé à une croissance exponentielle des données récoltées, et donc de la valeur à exploiter.
D'autre part, si un projet d'investissement IoT de grande envergure veut voir le jour, il est évident que celui-ci doit être évalué à l'aune d'une évaluation du rapport coût/bénéfice de l'acquisition de la donnée, en fonction du cas d'usage considéré. Ce principe économique fondamental est connu et maîtrisé par les industriels car derrière chaque donnée récoltée, il y a un business modèle à affiner et à comprendre intimement.
L'IoT est donc avant tout une approche rationnelle que nous pouvons poser grâce à une équation simple.
Prenons l'exemple de la collecte des déchets : on peut estimer la valeur de la donnée "taux de remplissage" (Tx) avec des paramètres (a, b, c, d...) par une équation de la forme suivante :
Tx = a * Pc + b * TxH + c * PCO2 + d * PeV + ...
Pc = prix du carburant
ThX : taux horaire du personnel
PCO2 = prix de la tonne de CO2 générée
PeV = prix d'entretien du véhicule au kilomètre
Par définition, cette équation nous donne une assez bonne approximation du coût de la donnée collectée en fonction d'une somme de paramètres influant sur la valeur minimale de la data (ces paramètres sont ici : le prix du carburant, le taux horaire du personnel, etc.). A terme, cela permet de savoir si la collecter est économiquement viable ou non.
Evidemment, cette approche a le mérite de maximiser la valeur de la donnée et tendre vers un coût marginal de 0 pour chaque donnée collectée (Cf. Jeremy Rifkin - Economiste et auteur du livre "La nouvelle société du coût marginal zéro" 2016).
Cependant, cette équation pourrait être affinée et complétée par des experts et spécialistes du domaine de la collecte des déchets, des experts des politiques publiques, des transports, mais aussi et surtout des spécialistes data qui permettraient de contribuer à l'approximation du bénéfice espéré.
En conclusion, nous vous avons présenté ce qu'est le Graal de l'IoT. Connaître le coût d'acquisition de la donnée passe par une équation multi-factorielle que chacun se doit de connaître pour maîtriser un projet de bout en bout. C'est cet exercice fondamental qu'il s'agit d'apprendre ou de ré-apprendre pour tirer bénéfice de ce qu'est vraiment l'IoT.
A la fin de la journée, l'unique question à laquelle un client doit répondre est quel est le coût d'extraction et de collection de la donnée, à quelle échelle et quel cycle de vie du projet, et avec quel niveau de service attendu ?
L'IoT répond à une logique similaire à celle de l'industrie du pétrole : que l'on récolte des milliards de données ou des milliards de gouttes de pétrole, la question du coût de l'extraction reste capitale car elle conditionne le prix auquel ces dernières peuvent être vendues.
A l'instar de l'industrie du pétrole, où le "brut" est extrait des sous-terrains, puis transporté par pipelines ou camions, puis raffiné en huile où gazole et finalement consommé dans nos voitures ou transformé en polymères, c'est uniquement la valeur ajoutée qui paye dans l'IoT : cette économie vaut des milliards.
En d'autres termes, connecter un objet au cloud est un mal nécessaire pour obtenir de la donnée mais n'est en aucun cas une finalité. La finalité réside dans l'utilisation de la donnée.
Si l'on souhaite connaître la température qu'il fait dehors, il faut un thermomètre. Mais in fine, ce qui nous intéresse, c'est l'obtention de cette donnée au meilleur coût sur une période déterminée, pas le thermomètre (à moins qu'il soit décoratif et embellisse votre maison). L'objet est donc un mal nécessaire pour l'obtention de la donnée.
Si l'on souhaite transférer les données de vibration d'une machine industrielle vers le cloud via un protocole de communication pour anticiper des dysfonctionnements potentiels, il nous faut l'infrastructure nécessaire. Mais in fine, ce qui nous intéresse, c'est l'obtention de cette donnée au meilleur coût sur une période déterminée, pas le protocole de communication. Encore une fois, le protocole est donc un mal nécessaire pour l'obtention de la donnée.
En toute logique, les approches centrées sur les capteurs ou les protocoles sont donc erronées et doivent se recentrer sur le coût de l'acquisition de la donnée par rapport au cas d'usage déterminé.
Le coût d'acquisition de la donnée est dépendant à la fois du coût de fabrication des objets en volumes et de l'autonomie de l'objet produit (plus un objet communique, plus sa batterie se videra rapidement, et plus des coûts d'interventions sur ces objets seront élevés). Dès lors, les calcul d'amortissements et d'exploitations doivent prendre en compte les frais d'interventions sur les objets pondérés par le nombre d'années.
En d'autres termes, dans l'équation-coût de la donnée, l'autonomie de l'objet est généralement l'un des facteurs les plus importants avec le taux de service désiré et la sécurité de l'objet.
On peut alors exprimer l'équation de la donnée par : le coût d'extraction (prix de l'objet en volumes) le coût de transfert de la donnée vers le cloud (protocoles) et l'autonomie de l'objet (amortissement et frais d'interventions).
