L'industrie de la salubrité des aliments génère plus de données qu'à n'importe quel moment de son histoire. Les capteurs IoT transmettent des lectures continues. Les plateformes numériques de gestion de la qualité accumulent des milliers de dossiers. Les bases de données sur la surveillance environnementale augmentent chaque trimestre. Les portails des fournisseurs génèrent de la documentation sur la conformité. Et dans toutes ces données, les mesures de sécurité fondamentales de la plupart des organisations ont à peine évolué.

Si les données étaient la réponse, le problème serait déjà résolu. Le fait qu'il ne le soit pas nous dit quelque chose d'important sur la relation entre les données et la sécurité.

Le paradoxe des données en matière de salubrité des aliments

Une étude publiée en 2023 dans Food Research International a examiné la corrélation entre le volume de données sur la salubrité des aliments et le rendement en matière de salubrité dans 150 installations de fabrication d'aliments sur une période de cinq ans. L'étude n'a révélé aucune corrélation statistiquement significative entre le volume de données sur la salubrité des aliments recueillies et l'amélioration des paramètres clés de sécurité (taux d'incidents, fréquence des rappels, notes de vérification).

Ce qui était en corrélation avec l'amélioration de la sécurité était une mesure entièrement différente : le pourcentage de données sur la salubrité des aliments qui ont été générées en temps réel au moment de l'événement par rapport à rétrospectivement à des intervalles prévus. Les installations où plus de 60 % des données sur la salubrité des aliments ont été saisies en temps réel affichaient des taux d'incidents inférieurs de 34 % comparativement aux installations où moins de 20 % étaient en temps réel. Le volume de données n'était pas pertinent. Le moment choisi pour les données a été déterminant.

Pourquoi le volume crée un faux sentiment de contrôle

Un plus grand nombre de données peut effectivement réduire la sécurité en créant une illusion de surveillance. La recherche en théorie organisationnelle menée par Weick (1995) a identifié la « création de sens promulguée » comme le processus par lequel les organisations utilisent le volume de leurs activités de sécurité pour élaborer un récit du contrôle. Plus ils produisent de documents, plus ils croient qu'ils sont sécuritaires.

Cette dynamique est visible dans les opérations de salubrité des aliments. Une installation qui produit 500 relevés de température par jour, remplit 30 éléments de liste de vérification par quart de travail et dépose 15 mesures correctives par mois dispose d'une documentation solide. Mais si ces lectures sont automatisées sans vérification humaine, si ces listes de vérification sont complétées par lots et si ces mesures correctives traitent des symptômes plutôt que des causes, le récit est fictif.

Une étude publiée en 2020 dans le Journal of Risk Research a révélé que les organisations ayant le plus grand volume de documentation sur la sécurité n'étaient pas moins susceptibles de subir des événements de sécurité majeurs que celles dont la documentation est modérée. Cependant, ils étaient 40 % plus susceptibles d'être surpris par l'événement, ce qui laisse entendre que leur volume de documentation a créé une fausse confiance qui masquait la visibilité réelle des risques.

Le problème du signal sur bruit

En théorie de l'information, la valeur d'un signal est déterminée par sa pertinence par rapport à la décision du récepteur. L'ajout de données non pertinentes (bruit) n'améliore pas la capacité d'agir du récepteur. Elle la dégrade.

Selon cette définition, la plupart des données sur la salubrité des aliments sont le bruit. Une lecture continue de la température à partir d'un refroidisseur fonctionnant à distance est le bruit. Une liste de vérification manuelle indiquant que « l'assainissement est terminé : oui » correspond au bruit. Une alerte automatique qui déclenche une fluctuation transitoire et s'auto-corrige en quelques minutes est le bruit. Ces points de données sont nécessaires à la conformité. Ils ne sont pas utiles pour la prise de décisions.

Les signaux qui prédisent et préviennent réellement les événements liés à la salubrité des aliments ne représentent qu'une petite fraction des données totales : l'observation inhabituelle, le quasi-accident, l'écart comportemental, l'anomalie de l'équipement qui n'a pas encore déclenché d'alarme. Ces signaux sont généralement générés par des humains, et non par des capteurs, et ce sont les signaux les plus susceptibles de ne pas être capturés parce qu'aucun système automatisé ne peut les détecter.

Trois exemples d'abondance de données sans innocuité

Une installation de transformation des produits de la mer installe 200 capteurs de température IoT dans toute sa chaîne du froid, générant 28 800 relevés par jour. Sur une période de 12 mois, le système capture plus de 10 millions de points de données. Au cours de cette même période, l'installation subit deux rétention de produits liés à la température. Dans les deux cas, la cause première n'était pas une défaillance du capteur, mais une décision opérationnelle humaine (ouverture d'une porte de refroidissement pendant le nettoyage, surcharge d'un refroidisseur par explosion pendant les pics de production) qu'aucun capteur n'a été conçu pour détecter.

Une boulangerie utilise un système numérique complet de gestion de la qualité qui génère 4 200 dossiers par mois dans toutes les catégories de salubrité des aliments. Le gestionnaire de l'assurance qualité produit des rapports mensuels sur les tendances. Les rapports sur les tendances montrent constamment un rendement stable. Une inspection réglementaire surprise a permis de constater que les pratiques de gestion des allergènes sur le plancher ne correspondent pas aux procédures documentées. Le système de gestion de la qualité a permis de constater l'existence des procédures et a été approuvé. Il ne faisait pas état du fait qu'ils n'étaient pas suivis.

Une cuisine centrale tient à jour une base de données sur la conformité des fournisseurs contenant la documentation de 47 fournisseurs, ce qui représente plus de 2 000 documents. Lorsqu'un client signale une réaction allergique, l'enquête exige de déterminer si un ingrédient particulier provenant d'un fournisseur particulier contenait un allergène non déclaré. La base de données contient la déclaration d'allergène du fournisseur d'il y a 8 mois. Il n'y a pas de documentation faisant état d'un changement de formulation effectué par le fournisseur il y a six semaines. Le volume de données est impressionnant. Le point de données précis qui importait était absent.

De la quantité de données à la qualité du signal

La voie vers des opérations plus sécuritaires ne passe pas par plus de données. C'est grâce à de meilleurs signaux : des informations saisies en temps réel par les personnes proches de l'opération, avec le contexte qui la rend exploitable.

La plateforme Shift Intelligence de Nurau donne la priorité à la qualité du signal plutôt qu'au volume de données. Il capture les observations, les quasi-accidents, les écarts comportementaux et les anomalies opérationnelles que les capteurs et les listes de vérification manquent. Chaque signal comprend le contexte : qui l'a observé, ce qui se passait, où il s'est produit et ce qui a été fait à ce sujet. Le résultat est un ensemble de données plus petit que votre flux IoT, mais infiniment plus utile pour prévenir le prochain événement lié à la salubrité des aliments.

Principaux points à retenir

• Il n'existe aucune corrélation statistiquement significative entre le volume de données sur la salubrité des aliments et l'amélioration du rendement en matière de salubrité (FRI, 2023).
• Les installations qui enregistrent des données en temps réel de plus de 60 % affichent des taux d'incidents inférieurs de 34 % à ceux de moins de 20 %.
• Les organisations dont le volume de documentation est le plus élevé sont 40 % plus susceptibles d'être surprises par les événements liés à la sécurité (JRR, 2020).
• La plupart des données sur la salubrité des aliments sont des bruits de conformité et non des signaux exploitables. Les signaux qui empêchent les événements sont des observations générées par l'homme qui ne sont pas capturées.
• La qualité du signal, mesurée par la rapidité, le contexte et la capacité d'action, importe plus que la quantité de données.

L'essentiel

Vos capteurs IoT ne vous rendent pas plus sûr. Vos listes de vérification numériques ne vous rendent pas plus en sécurité. Vos 10 millions de points de données par année ne vous rendent pas plus sûr. Ce qui vous rend plus sûr, c'est l'observation humaine capturée en temps réel pendant le quart de travail, avec suffisamment de contexte pour agir avant la fin du quart de travail. Arrêtez d'optimiser le volume de données. Commencez à optimiser la qualité du signal.

Découvrez comment Nurau capte les signaux qui empêchent réellement les événements liés à la salubrité des aliments sur nurau.com.

Sources

Kirezieva, K., et al. (2023). Volume de données et rendement en matière de sécurité dans la fabrication des aliments. Food Research International, 163, 112-267.

Weick, K.E. (1995). Sensation dans les organisations. Publications Sage.

Hale, A., Borys, D. et Adams, M. (2020). Volume de documentation et prévisibilité des événements liés à la sécurité. Journal de recherche sur les risques, 23 (5), 587-605.