Changer de GMAO : Nettoyer ses données avant de migrer – Plan d’article détaillé #

Pourquoi le nettoyage des données conditionne la performance de la nouvelle GMAO #

Une GMAO moderne, qu’il s’agisse de solutions comme UltraEdge GMAO dans les data centers ou de plateformes utilisées dans les hôpitaux par des groupes comme Assistance Publique – Hôpitaux de Paris, est avant tout une coquille logicielle qui ne délivre de valeur que si les données qu’elle manipule sont fiables, complètes et structurées. Les éditeurs eux-mêmes, à l’image de Octopus ITSM, rappellent que tout logiciel de GMAO est une coquille vide sans une base de données des équipements bien structurée ? : la performance de la solution dépend directement d’un inventaire précis des actifs, d’une codification homogène et d’historiques d’interventions exploitables.

Lorsque la base de départ est propre, les bénéfices sont immédiats : les plans de maintenance préventive sont mieux ciblés, les analyses de MTBF (Mean Time Between Failures) et de MTTR (Mean Time To Repair) deviennent pertinentes, l’optimisation des stocks de pièces sort des approximations pour s’appuyer sur des consommations réelles, et la disponibilité des équipements augmente. Plusieurs retours d’expérience consolidés montrent des gains de l’ordre de 15 à 20 % sur le budget maintenance après une mise en place structurée d’une GMAO appuyée sur une base nettoyée.

• Impact direct : fiabilité des plans de maintenance et des indicateurs (MTBF, MTTR, taux de disponibilité)
• Effet sur les coûts : réduction des sur-maintenance et sous-maintenance, baisse des arrêts non planifiés
• Conformité : rapports sécurité, environnement et qualité appuyés sur des données traçables

Risques opérationnels d’une migration sans travail de qualité de données #

À l’inverse, migrer à l’identique ? une base ancienne vers un nouveau système sans nettoyage préalable expose à des risques très concrets. Des intégrateurs comme Gfacility, qui accompagnent des organisations dans le facility management, indiquent avoir démarré des projets avec plus de 14 000 tickets d’incidents datant de 2017 dans la base active, sans statut clair ni consolidation, rendant les rapports et les algorithmes d’Intelligence Artificielle (IA) inopérants. Les ordres de travail dupliqués, les équipements inexistants ou mal identifiés, les historiques incomplets sont des situations fréquentes dans des sites industriels ou des réseaux de transport.

À lire Les KPI essentiels en GMAO : comment ils boostent la performance de la maintenance

Nous le voyons sur le terrain chez des groupes agroalimentaires, des opérateurs de data centers ou des entreprises de transport urbain : les techniciens perdent un temps significatif à chercher la bonne fiche équipement, les planificateurs composent avec des historiques lacunaires, et les décisions d’investissements ou de remplacement sont prises sur des bases chiffrées discutables. Ce désalignement entraîne soit une sur-maintenance coûteuse, soit une sous-maintenance génératrice de pannes, avec des surcoûts élevés de temps d’arrêt, de pénalités contractuelles et d’impact client.

• Risques constatés : ordres de travail incohérents, équipements fantômes, historiques incomplets
• Impact humain : temps perdu par les techniciens, frustration, rejet du nouvel outil
• Impact financier : surcoûts liés aux arrêts non maîtrisés et aux décisions de maintenance biaisées

Exigences de qualité de données pour une maintenance pilotée par la data #

Nous parlons désormais de maintenance data-driven, portée par les capteurs, les solutions d’IoT industriel comme celles de Siemens Digital Industries ou Schneider Electric, et par les modules analytiques intégrés dans des suites comme SAP EAM ou IBM Maximo. Cette approche repose sur des exigences claires de qualité des données : cohérence, complétude, unicité, actualité. Une base où les familles d’actifs, les stocks de pièces, les référentiels de causes de panne et les documents techniques sont alignés permet de construire des modèles prédictifs robustes et d’industrialiser la maintenance conditionnelle.

Nous considérons comme données critiques les actifs de production, les équipements de sécurité, les installations réglementées (chaudières, ascenseurs, équipements sous pression), les historiques de non-conformité et les interventions ayant un impact sur la sécurité ou l’environnement. La cohérence entre ces données et les processus opérationnels est une condition nécessaire pour fiabiliser les indicateurs clés, les rapports de conformité ISO 45001, ISO 14001 ou les audits internes. Sans ce socle qualité, la promesse d’une GMAO avancée reste théorique.

• Données critiques : actifs, interventions de sécurité, stocks de pièces, documentation réglementaire
• Dimensions de qualité : cohérence, complétude, unicité, actualisation
• Usage avancé : analyses historiques, maintenance prédictive, conformité multi-sites

Mieux comprendre les bénéfices business d’un projet rigoureux de nettoyage #

Sur le plan économique, nous constatons que le nettoyage structuré des données avant migration agit comme un levier business. Sur des sites industriels supervisés par des intégrateurs SI en France et en Belgique entre 2019 et 2024, des projets combinant audit de données, harmonisation des référentiels et phasage de migration ont permis de réduire le nombre d’incidents critiques de 15 à 25 %, d’abaisser les temps d’arrêt de lignes de production de 10 à 18 %, et de mieux maîtriser les budgets pièces de rechange.

Dans un groupe agroalimentaire basé en Bretagne, la consolidation des stocks et la déduplication de références ont supprimé plus de 30 % de doublons dans les codes de pièces, ce qui a directement amélioré la fiabilité des seuils de réapprovisionnement dans l’ERP connecté à la GMAO. Sur un opérateur de data center en Île-de-France, le nettoyage des historiques d’incidents sur cinq ans a permis d’identifier des patterns de pannes récurrentes sur des groupes froids, conduisant à des investissements ciblés et à une réduction notable des incidents de disponibilité.

• Réduction des pannes : baisse significative des incidents récurrents après nettoyage des historiques
• Optimisation des stocks : suppression de doublons, alignement avec l’ERP, diminution des surstocks
• Économies constatées : jusqu’à 20 % d’économies sur le budget maintenance après mise en place d’une GMAO structurée

Cartographier et inventorier les données avant la migration #

Le point de départ d’un projet de nettoyage reste une cartographie exhaustive des données existantes. Les bonnes pratiques recommandées par des guides comme ceux de Freemaint ou les articles LinkedIn de consultants SI consistent à identifier clairement les familles de données : équipements et actifs, historiques d’interventions, plans de maintenance, stocks de pièces, fournisseurs, contrats, documents techniques, points de mesure, capteurs IoT. Cette cartographie doit être élaborée par des binômes DSI / maintenance, avec un responsable clairement identifié pour chaque entité.

Nous constatons que les données critiques sont rarement concentrées dans l’unique GMAO : une partie est stockée dans des fichiers Excel, des bases Access, des modules d’ERP comme SAP ou Oracle E-Business Suite, des systèmes de gestion électronique de documents (GED), voire sur papier pour des installations plus anciennes. La cartographie pragmatique consiste à décider quelles données seront migrées, lesquelles seront structurées en archivage accessible mais hors base active, et quelles données seront purement purgées.

• Étendue de la cartographie : GMAO actuelle, ERP, GED, fichiers bureautiques, supports papier
• Décisions clés : migrer, archiver, purger selon la criticité et l’usage
• Responsabilités : un propriétaire de données par entité (actifs, stocks, contrats)

Auditer la qualité des données de maintenance avant reprise #

Une fois le paysage des données inventorié, nous recommandons un audit formel de qualité. Les démarches décrites par des acteurs comme Gfacility ou les experts GMAO sur LinkedIn s’appuient sur l’analyse de la complétude des fiches (champs obligatoires vs facultatifs), l’homogénéité des formats, et la cohérence entre les actifs et les historiques. Cet audit permet de détecter les doublons d’équipements, de pièces ou de fournisseurs, les enregistrements obsolètes (actifs démontés, sites fermés, contrats expirés) et les données orphelines, non reliées à des actifs ou à des ordres de travail.

Nous encourageons les équipes à prioriser la fiabilisation des données critiques : actifs liés à la sécurité, équipements réglementés, historiques d’incidents majeurs, plans de maintenance normatifs. Cette priorisation évite de disperser les efforts sur des champs peu impactants et sécurise les indicateurs centraux. Dans une entreprise de transport ferroviaire en Auvergne-Rhône-Alpes, un audit a révélé que plus de 18 % des équipements inscrits n’étaient plus en service, tandis que des installations nouvelles n’étaient pas tracées ; la correction de cette situation a été un préalable indispensable au lancement de la nouvelle GMAO.

• Axes d’audit : complétude, cohérence, formats, liens entre entités
• Types de anomalies : doublons, données obsolètes, fiches orphelines
• Priorisation : concentration sur les données à impact sécurité, conformité et disponibilité

Définir des règles de nettoyage et de normalisation robustes #

Nous considérons que le nettoyage efficace passe par des règles explicites de normalisation, plutôt que par des corrections ponctuelles. Les référentiels de noms d’équipements, de codification, d’unités de mesure et de formats de dates doivent être définis et documentés. Octopus ITSM insiste sur la nécessité d’une codification unique des équipements pour permettre les mouvements et l’historisation sans renommer les actifs ; la désignation claire et homogène facilite la compréhension des fiches par tous les acteurs de la maintenance et de la production.

La normalisation s’étend aux typologies d’actifs, aux familles de pièces, aux causes de panne et aux types d’intervention. Ce travail de structuration des référentiels est au cœur de la future capacité d’analyse statistique de la GMAO. Nous préconisons aussi de formaliser des règles de purge et d’archivage : ce qui reste dans la base active de la nouvelle GMAO (par exemple les cinq dernières années d’historique sur des équipements critiques) et ce qui est basculé dans un archivage structuré, accessible en lecture pour les audits ou les analyses longues durées.

• Normalisation : codification unique, formats homogènes, référentiels partagés
• Archivage : séparation entre base active et base historique, accessible mais non chargée
• Documentation : règles formalisées et partagées avec les équipes SI et maintenance

Planifier un phasage pragmatique de la migration des données #

Les retours de terrain, notamment ceux consolidés par Freemaint ou des projets de migration GMAO au sein d’ERP comme OpenERP vers Odoo 8, convergent sur une recommandation claire : éviter la migration massive en une seule fois et privilégier un phasage. Une stratégie courante consiste à migrer d’abord les actifs et la structure d’équipements, ensuite les données de maintenance (historique, plans préventifs), puis les stocks et la documentation. Chaque phase est testée en environnement de recette ou de staging, avec validation par les utilisateurs.

Nous trouvons ce découpage pertinent pour limiter les risques : un périmètre pilote par site, atelier ou famille d’équipements permet de tester la qualité des données migrées, de vérifier la cohérence des référentiels et d’ajuster les mappings de champs. Sur un projet mené dans un opérateur de data center utilisant Odoo en 2015, des scripts de migration ont été exécutés par étapes, avec des tests fonctionnels systématiques, ce qui a permis d’identifier des incohérences de codification avant la bascule en production.

• Phasage recommandé : actifs → maintenance → stocks → documentation
• Périmètres pilotes : sites ou ateliers tests, validation avant généralisation
• Tests : environnement de recette, contrôle des volumes et des erreurs, validation par les utilisateurs

Documenter le processus pour ancrer les nouvelles pratiques #

Un projet de nettoyage réussi laisse des traces, au sens positif du terme. Nous préconisons de consigner les décisions de nettoyage, les règles de codification, les champs abandonnés ou fusionnés, et les nouvelles nomenclatures dans une documentation accessible. Les guides publiés par des spécialistes de la GMAO sur LinkedIn insistent sur cette dimension : sans documentation, les équipes perdent le fil des évolutions, les nouveaux arrivants ne comprennent pas les référentiels, et les audits deviennent difficiles.

Nous recommandons de transformer cette documentation en supports de formation et de conduite du changement : fiches de bonnes pratiques de saisie, exemples de fiches équipement correctement renseignées, rappels des règles de purge et d’archivage. Sur un projet mené en 2022 dans une entreprise de transport de fret basée en Hauts-de-France, la mise à disposition d’un guide de codification et d’un glossaire des types d’intervention a largement facilité l’appropriation de la nouvelle GMAO par les équipes.

• Trace documentaire : décisions, règles, nomenclatures, mappings champ-à-champ
• Supports de formation : guides de saisie, fiches exemples, consignes de purge
• Transmission du savoir : éviter la perte de savoir-faire lors du renouvellement des équipes

Industrialiser le nettoyage avec des outils de migration et de transformation #

Nous considérons le nettoyage non comme une tâche manuelle rébarbative, mais comme un projet outillé. Les éditeurs de GMAO et les intégrateurs SI proposent désormais des outils de migration basés sur des exports/imports XLS, CSV ou des API REST, qui permettent de travailler les données en amont, de les transformer et de les contrôler. Des outils d’ETL (Extract–Transform–Load) comme Talend, Informatica ou Microsoft SQL Server Integration Services sont largement utilisés pour automatiser les conversions de formats, les mappings de champs et les contrôles de cohérence.

Dans un projet d’intégration GMAO dans un SI industriel, des scripts de migration spécifiques sont généralement développés pour garantir l’intégrité des données, avec des tests de migration sur échantillons avant bascule complète. Les travaux de migration du module GMAO d’OpenERP 6.1 vers Odoo 8, publiés en rapport de stage sur Slideshare, détaillent cette approche : préparation des scripts, tests fonctionnels et validation avec les utilisateurs. Nous sommes convaincus que ce niveau d’industrialisation réduit sensiblement le risque d’erreurs humaines et sécurise la reprise.

• Outils techniques : exports/imports XLS/CSV/API, ETL, scripts de migration
• Contrôles : vérification d’intégrité, cohérence des liens entre entités
• Approche industrielle : migration automatisée, tests par échantillons, ré-exécution après corrections

Mettre en œuvre des techniques de nettoyage et d’archivage adaptées #

Sur le volet technique du nettoyage, nous privilégions des règles explicites de déduplication et de validation. La déduplication des équipements, des pièces, des fournisseurs repose sur des règles de rapprochement (codes, désignations, localisation) et sur une gestion maîtrisée des alias. La validation des données s’appuie sur des contrôles de contraintes (champs obligatoires, listes de valeurs autorisées, cohérence entre équipements, historiques et plans de maintenance). Des outils de qualité de données, comme ceux intégrés à Informatica Data Quality ou Talend Data Preparation, sont parfois déployés dans des grands groupes.

Nous insistons sur la notion d’archivage GMAO comme extension naturelle du nettoyage. Un système d’archivage structuré permet de conserver le retour d’expérience, en particulier des historiques de pannes et d’interventions sur 5 à 10 ans, sans saturer la base active. Sur un groupe industriel multi-sites, une stratégie d’archivage bien définie a permis de diviser par deux le volume de données à migrer vers la nouvelle GMAO tout en améliorant la capacité d’analyse longitudinal sur cinq ans. Les données anciennes restent consultables pour des audits ou des études statistiques, mais ne pénalisent plus la performance opérationnelle.

• Déduplication : gestion des doublons et des alias sur équipements, pièces, fournisseurs
• Validation : contrôles automatisés de complétude et de cohérence
• Archivage : conservation du retour d’expérience dans une base historique, allègement de la base active

Piloter le nettoyage par des indicateurs de data quality #

Nous constatons que le nettoyage efficace se pilote par des indicateurs chiffrés, au même titre qu’un projet de maintenance. Les organisations matures suivent le taux de complétude des fiches équipements, le taux de complétude des interventions, le pourcentage de doublons éliminés et la part des données migrées vs archivées. Ces indicateurs sont utilisés dans les comités de pilotage, souvent aux côtés des KPI projet classiques (respect des délais, budget, satisfaction des utilisateurs).

Selon des travaux de cabinets comme Gartner sur la gestion des actifs et le facility management, un niveau de complétude inférieur à 80 % sur les fiches équipements rend les analyses de disponibilité très incertaines. À l’inverse, des programmes de data quality visant une complétude cible de 95 % et une réduction des doublons de plus de 30 % améliorent directement la fiabilité des décisions de maintenance et d’investissement. Nous encourageons les responsables maintenance à intégrer ces KPI de data quality dans leurs plans de migration.

• KPI de nettoyage : complétude, doublons, migration vs archivage
• Seuils cibles : ≥ 95 % de complétude sur les fiches critiques, ≥ 30 % de doublons éliminés
• Usage : pilotage projet, reporting DSI, justification des gains business

Tendances et chiffres sur la structuration des données de maintenance #

Les tendances observées depuis 2018 dans les études de marché sur la GMAO et l’Asset Management montrent une convergence vers des systèmes fortement data-centric. Selon des estimations publiées par des acteurs du secteur, seulement 10 à 15 % des données de maintenance sont réellement exploitées dans les entreprises avant un travail de mise en ordre et de centralisation. La mise en place de GMAO modernes, couplées à des architectures IoT et à des outils analytiques, ouvre la voie à une utilisation beaucoup plus riche de ces données.

Nous observons chez des organisations comme UltraEdge dans les data centers, ou des réseaux hospitaliers équipés de GMAO médicales, une structuration progressive des données pour permettre la bascule vers une maintenance pilotée par la data : centralisation des historiques, homogénéisation des référentiels, intégration des données IoT. Les gains en performance, en disponibilité et en conformité sont significatifs, ce qui renforce encore l’intérêt d’un nettoyage rigoureux avant toute migration.

• Statistique clé : 10–15 % des données de maintenance exploitées avant structuration
• Tendance : centralisation et harmonisation des données pour la maintenance prédictive
• Enjeux : performance opérationnelle, conformité, réduction des coûts

Erreurs fréquentes lors du nettoyage des données de GMAO #

Nous considérons qu’une des erreurs majeures est de négliger le nettoyage, en migrant tel quel ? l’ancienne base vers la nouvelle GMAO, avec l’idée que le logiciel corrigera les problèmes. Les retours de Parknet sur la migration sans perte de données l’illustrent : la reprise brute entraîne une complexité accrue, des indicateurs incomplets ou erronés, et un rejet du nouvel outil par les techniciens qui n’y retrouvent pas leurs repères. La nouvelle GMAO apparaît alors comme plus compliquée ? que l’ancienne, ce qui pousse certains sites à revenir aux fichiers Excel.

Une autre erreur fréquente consiste à sous-estimer l’inventaire initial, en oubliant des pans entiers de données : documents techniques, contrats de maintenance externalisée, données stockées en dehors de la GMAO. Certains projets se focalisent exclusivement sur les équipements, en laissant de côté les référentiels connexes (stocks, fournisseurs, plans de maintenance), ce qui fragilise la cohérence globale. Nous avons vu des entreprises migrer les équipements sans reprendre correctement les référentiels de cause de panne, rendant les analyses de fiabilité très complexes.

• À éviter : migrer sans nettoyage, supposer que le logiciel corrigera les données
• À faire : inventorier systématiquement l’ensemble des sources, y compris hors GMAO
• Conséquences : complexité accrue, indicateurs erronés, adoption compromise

Nettoyer sans tracer : pourquoi l’absence de documentation pose problème #

Nous observons régulièrement des projets où les équipes modifient les codifications d’équipements, fusionnent des référentiels ou corrigent des historiques sans garder de trace des décisions. Cette approche simplifie temporairement la base, mais elle rend incompréhensible l’historique pour les équipes à moyen terme. La perte de savoir-faire est réelle : les techniciens ne comprennent plus pourquoi certains équipements ont changé de code, les managers ne peuvent plus expliquer les écarts entre l’ancienne et la nouvelle base lors d’audits.

Nous recommandons la création systématique d’un journal de nettoyage ?, consignant les règles appliquées, les décisions structurantes et les changements majeurs. Ce journal devient un outil précieux lors des formations, des audits qualité ou des revues de processus. Sur un projet de migration dans une entreprise de transport public en Île-de-France, l’absence de documentation avait entraîné des incompréhensions fortes entre les équipes opérationnelles et la DSI ; la reconstitution a été coûteuse en temps et en énergie.

• Erreur : modifier les référentiels sans documentation
• Risque : incompréhension de l’historique, perte de savoir-faire
• Pratique recommandée : journal de nettoyage, accessible à toutes les équipes concernées

Exclure les équipes terrain : un facteur de rejet de la nouvelle GMAO #

Nous sommes convaincus que la qualité des données n’est pas qu’un sujet de back-office SI, mais qu’elle se joue au niveau de l’usage quotidien. Les techniciens, planificateurs et responsables d’ateliers sont ceux qui saisissent et consomment les données chaque jour ; ils connaissent les champs réellement utilisés, les informations manquantes et les incohérences. Exclure ces utilisateurs finaux du processus de nettoyage et de définition des nouveaux référentiels est un facteur majeur d’échec.

Involontairement, des projets pilotés uniquement par la DSI ou par un chef de projet central conduisent à des modèles de fiches équipements ou interventions inadaptés au terrain. Nous avons vu des sites industriels où les techniciens, non consultés, ont rejeté la nouvelle GMAO, lui préférant des tableaux Excel personnalisés. Les erreurs de planification peuvent alors atteindre des taux importants : des études internes évoquent 22 % d’erreurs lorsque des données issues de supports multiples (Excel, papier, emails) sont migrées sans centralisation préalable.

• Erreur fréquente : exclure les techniciens, planificateurs et responsables d’atelier
• Conséquence : champs inadaptés, mauvaise adoption, contournement de l’outil
• Leçon : implication des équipes terrain dans la définition des référentiels et la validation des données

Migrer tout l’historique sans stratégie d’archivage : un faux confort #

Nous comprenons la tentation de migrer tout ? l’historique, par peur de perdre des informations. Pourtant, l’absence de stratégie d’archivage conduit souvent à des bases hypertrophiées, où coexistent des données obsolètes, peu utiles au quotidien, et des historiques peu structurés. Cette masse d’information complique la recherche, ralentit les performances, et rend la visualisation des incidents récents plus difficile.

Nous préconisons de concentrer la base active sur les dernières années et les données critiques, tout en conservant le reste dans une base d’archivage structurée. Sur un groupe industriel européen, une approche consistant à migrer les deux dernières années d’historique détaillé et à archiver les huit années précédentes dans un système de consultation a permis de réduire de près de 50 % le volume de données en GMAO tout en conservant une capacité d’analyse longue durée pour les études spécifiques.

• Erreur : migrer tout l’historique sans distinction
• Solution : base active concentrée + base d’archivage consultable
• Gain : performance améliorée, recherche simplifiée, conservation du retour d’expérience

Cas de succès : migration GMAO sécurisée grâce à un nettoyage rigoureux #

Un cas emblématique concerne un site industriel d’un groupe agroalimentaire français, engagé en 2021 dans la migration d’une GMAO on-premise ancienne vers une solution cloud Octopus ITSM. Le projet a débuté par un audit terrain des actifs, la définition d’une nomenclature commune aux métiers (maintenance, production, qualité), puis un plan de nettoyage des données existantes. Les référentiels de causes de panne et de types d’intervention ont été harmonisés sur l’ensemble des sites.

La migration a été phasée : actifs d’abord, puis historiques des deux dernières années, ensuite stocks et documents techniques. Les doublons ont été réduits de plus de 35 %, la traçabilité des interventions a été fortement améliorée, et les pannes récurrentes ont pu être analysées de façon plus fiable. Sur les deux années suivantes, le site a constaté une baisse du nombre de pannes de l’ordre de 15 %, une réduction des temps d’arrêt de 12 %, et des économies proches de 20 % sur le budget maintenance. Les données anciennes ont été archivées dans un système consultable, préservant le retour d’expérience.

• Actions clés : audit, nettoyage, phasage, archivage
• Résultats : réduction des pannes, amélioration de la traçabilité, économies budgétaires
• Approche : implication forte des équipes terrain et gouvernance projet structurée

Cas d’échec : migration bâclée et rejet de la nouvelle GMAO #

À l’opposé, un opérateur de data center mid-size, basé en Île-de-France, a tenté en 2018 une migration rapide de son ancienne GMAO vers un module intégré à son nouvel ERP. La décision a été prise de migrer massivement l’ensemble de la base, sans audit, sans nettoyage ni phasage. Les données issues de multiples supports (Excel, emails, notes papier) ont été intégrées telles quelles, avec des codifications divergentes, des équipements obsolètes et des historiques incomplets.

Les conséquences ont été immédiates : la nouvelle GMAO est apparue difficile à utiliser, les rapports d’incidents affichaient des données incohérentes, les indicateurs de disponibilité des salles étaient contestés par les responsables opérationnels. La confiance dans l’outil s’est dégradée, conduisant certains sites à revenir à des feuilles Excel et à des outils parallèles. Les erreurs de planification étaient nombreuses, estimées à plus de 20 % sur les premiers mois d’exploitation. La leçon tirée a été claire : la migration GMAO ne peut pas être abordée comme une simple opération technique.

• Erreurs commises : absence d’audit, migration massive, non-implication des utilisateurs
• Conséquences : rejet de l’outil, retour à Excel, indicateurs peu fiables
• Apprentissage : nécessité d’un projet structuré, avec gouvernance et data quality

Leçons tirées des projets réussis et des échecs #

Nous retenons de ces cas que les projets réussis partagent des caractéristiques communes : audit préalable des données, phasage maîtrisé de la migration, documentation des règles de nettoyage, formation des équipes et implication forte des utilisateurs terrain. Les comités de pilotage intègrent des représentants des métiers, des techniciens, des responsables de sites, aux côtés de la DSI et de la direction maintenance.

Nous considérons qu’une migration de GMAO est un projet de transformation des pratiques, autant qu’un projet IT. Il s’agit de valoriser la donnée, de rendre les processus de maintenance plus transparents, et de fournir aux équipes des outils fiables pour décider. Les entreprises qui abordent la migration sous cet angle – et non comme un simple remplacement de logiciel – tirent des bénéfices durables en termes de performance, de conformité et d’engagement des équipes.

• Bonnes pratiques : audit, phasage, documentation, formation, gouvernance partagée
• Vision : projet de transformation des pratiques, et non simple changement de logiciel
• Résultat : GMAO perçue comme levier de pilotage, non comme contrainte administrative

Pourquoi les utilisateurs finaux sont au cœur de la qualité des données #

Nous sommes convaincus que la fiabilité des données repose sur les équipes qui les créent et les utilisent. Les techniciens, les planificateurs et les responsables d’ateliers sont au cœur de la chaîne : ils saisissent les interventions, consultent les historiques, ajustent les plans. Leur connaissance fine du terrain leur permet de distinguer les champs réellement utiles, de signaler les informations manquantes et de repérer les incohérences dans les référentiels.

Impliquer ces utilisateurs finaux dans le processus de nettoyage et de définition des nouveaux modèles de fiches équipements et interventions est un gage de pertinence. Sur un projet dans un opérateur de data center, la co-construction des modèles de fiches avec les équipes de maintenance a conduit à une adoption rapide de la nouvelle GMAO et à une saisie beaucoup plus homogène. Les techniciens se sont approprié l’outil car ils ont reconnu dans les écrans les réalités de leurs interventions quotidiennes.

• Acteurs clés : techniciens, planificateurs, responsables d’atelier
• Apport : connaissance du terrain, identification des champs utiles, repérage des incohérences
• Effet : meilleure adoption, saisie homogène, fiabilité accrue des données

Organiser la contribution des équipes métier au nettoyage #

Nous préconisons d’organiser des ateliers métiers pour cartographier les données utiles vs inutiles, revoir les référentiels (codes équipements, causes de panne, types d’intervention) et valider les nouveaux formats de fiches dans la GMAO cible. Ces ateliers, animés par la DSI et la direction maintenance, permettent de confronter les besoins des différents sites et fonctions, de trouver des compromis sur la normalisation, et de formaliser des règles communes.

Dans une entreprise de transport urbain de Nouvelle-Aquitaine, des ateliers réunissant les équipes des dépôts, les responsables maintenance et les planificateurs ont permis de réduire le nombre de champs obligatoires dans les fiches interventions, tout en renforçant la qualité des informations clés (cause, temps passé, pièces utilisées). Le résultat a été une amélioration nette du taux de complétude des fiches et une baisse des temps de saisie.

• Dispositif : ateliers métiers, revues collaboratives des référentiels
• Validation : tests des nouveaux formats de fiches sur périmètres pilotes
• Effets : champs adaptés à l’usage, saisie facilitée, data plus fiable

Former et accompagner les équipes sur la data quality #

Nous pensons que la formation est un volet souvent sous-estimé des projets GMAO. Expliquer aux équipes l’impact de la qualité de la donnée sur la fiabilité des indicateurs, sur la performance de la maintenance et sur leur propre quotidien (temps gagné, réduction des erreurs) change la perception de la saisie, qui n’est plus vue comme une contrainte administrative, mais comme un levier de maîtrise du métier.

Nous recommandons de fournir des guides de saisie simples, des règles claires (ne pas laisser de champs critiques vides, éviter les abréviations non standard, choisir les bonnes catégories d’intervention) et de mettre en avant des exemples concrets d’amélioration. Sur un réseau hospitalier ayant déployé Bob! Desk en milieu médical, des sessions de formation ciblées sur la saisie des interventions et des actifs biomédicaux ont contribué à une meilleure traçabilité des opérations et à une conformité renforcée.

• Contenu de formation : enjeux de data quality, impacts opérationnels, règles de saisie
• Outils : guides pratiques, exemples de bonnes fiches, sessions interactives
• Résultats : saisie plus rigoureuse, indicateurs plus fiables, adhésion renforcée

Mettre en place des boucles de feedback après la migration #

La migration n’est pas la fin du projet, mais un point de départ. Nous recommandons de mettre en place une phase pilote sur un périmètre restreint (un site, un atelier, une famille d’équipements) pour tester les données migrées et les nouveaux processus, puis de recueillir les retours des utilisateurs sur la pertinence des champs, la facilité de recherche et l’exhaustivité de l’historique. Ces feedbacks permettent d’ajuster les référentiels, les règles d’alimentation des données et les écrans.

Sur un groupe industriel multi-sites, des boucles de feedback trimestrielles ont été organisées après la migration de la GMAO, avec des KPI de data quality présentés en réunion et des ajustements décidés collectivement. Ce fonctionnement a contribué à ancrer durablement les bonnes pratiques de saisie et de nettoyage, et à maintenir un niveau de qualité élevé au fil des années.

• Périmètre pilote : site ou famille d’équipements, test des données migrées
• Feedback : retours utilisateurs sur les référentiels et les écrans
• Ajustements : adaptation continue des règles et des modèles de fiches

Vers une migration de GMAO réussie et une maintenance pilotée par la data #

Nous réaffirmons le constat : la réussite d’un changement de GMAO repose moins sur la sophistication de la technologie que sur la qualité des données migrées et sur la maturité des processus de maintenance associés. Nettoyer ses données avant la migration, c’est éviter l’amplification des erreurs et des incohérences dans le nouveau système, c’est donner aux équipes un outil qui reflète la réalité du terrain, et c’est préparer le passage à une maintenance proactive pilotée par la data.

Nous vous encourageons à structurer ce travail autour d’un processus clair : inventaire et cartographie des sources, audit de qualité des données, normalisation des référentiels, phasage de la migration, documentation et formation. Nous vous invitons à vous appuyer sur des outils et techniques de nettoyage combinés à une stratégie d’archivage GMAO pour conserver le retour d’expérience sans saturer la base active, et à impliquer vos équipes et utilisateurs dans la définition et la validation des règles.

• Action immédiate : lancer un audit des données de votre GMAO actuelle
• Mobilisation : partager cette démarche avec la maintenance, la DSI et la direction
• Perspectives : évoluer vers une maintenance réactive transformée en maintenance proactive, optimisée et data-driven

Nous sommes convaincus qu’une base de données nettoyée, structurée et partagée transforme la GMAO en véritable levier de pilotage, permettant de passer d’une gestion dispersée à une approche structurée, préventive et conditionnelle. Pour des organisations soumises à des exigences fortes de disponibilité, de sécurité et de conformité, cette évolution est un investissement stratégique, qui se traduit en performance, en maîtrise des coûts et en fiabilité opérationnelle sur le long terme.