Les opérations de salubrité des aliments n'ont jamais eu autant de données. Les capteurs de température produisent des relevés continus. Les systèmes de gestion de la qualité produisent des milliers de dossiers par mois. Les constatations de la vérification remplissent les bases de données. Les résultats de la surveillance environnementale s'accumulent chaque trimestre. Et pourtant, les résultats en matière de salubrité des aliments dans la plupart des organisations ne se sont pas améliorés de façon significative proportionnellement à l'investissement dans les données.

Le problème n'est pas l'insuffisance des données. Le problème est que la plupart des données sur la salubrité des aliments répondent à la mauvaise question au mauvais moment.

Excédent de données, déficit de renseignement

Une étude réalisée en 2021 par l'Institute of Food Technologists a interrogé 200 installations de fabrication d'aliments et a révélé que le site moyen génère plus de 15 000 points de données sur la salubrité des aliments par mois dans les systèmes de surveillance, d'analyse et de documentation. Cependant, seulement 8 % de ces points de données ont été utilisés activement pour la prise de décisions en temps réel. Les 92 % restants ont été archivés à des fins de conformité et de vérification.

Cela crée ce que les chercheurs appellent un « excédent de données, un déficit de renseignement » : les organisations recueillent de grandes quantités d'informations, mais en extraient une valeur opérationnelle minimale. Les données existent pour prouver ce qui s'est passé. Il est rarement utilisé pour changer ce qui se passe.

Pourquoi le volume n'est pas égal à la visibilité

Un plus grand nombre de données ne produit pas automatiquement de meilleurs résultats. La recherche en sciences de l'information montre constamment qu'au-delà d'un seuil, des données supplémentaires sans capacité analytique correspondante dégradent en fait la qualité de la décision. Une étude publiée en 2018 dans Management Science a révélé que les décideurs qui recevaient de grands volumes de données prenaient des décisions plus lentes, étaient moins confiants dans leurs choix et étaient plus susceptibles de passer à côté de signaux critiques que ceux qui avaient reçu de l'information pertinente et organisée.

En matière de salubrité des aliments, cela se manifeste par une fatigue d'alerte. Les systèmes de surveillance automatisés qui génèrent des centaines de relevés par jour peuvent produire des dizaines d'alertes. Lorsque la plupart des alertes se situent dans les limites de la variation normale, les opérateurs apprennent à les rejeter. Une étude publiée en 2019 dans le Journal of Patient Safety (examinant la dynamique parallèle de la surveillance des soins de santé) a révélé que lorsque les taux d'alerte dépassent 30 % par quart de travail, les taux de réponse aux alertes critiques chutent en dessous de 50 %.

L'équipe de salubrité des aliments qui reçoit 47 alertes de température par jour, dont 45 sont des fluctuations transitoires, finira par manquer les deux qui comptent.

Les bonnes données au bon moment

La distinction entre les données et le renseignement est le moment et le contexte. Une valeur de température de 42 °F est donnée. Cette même lecture, capturée 15 minutes après qu'une porte de la glacière a été ouverte pendant une livraison de réception, avec une note du superviseur selon laquelle la livraison a pris plus de temps que prévu, constitue un renseignement. Elle est contextuelle. Elle a raison. Et on peut y donner suite immédiatement.

La plupart des systèmes de salubrité des aliments prennent en compte le premier type. Ils enregistrent le numéro. Ils l'horodatent. Ils le stockent. Mais ils ne saisissent pas le contexte opérationnel qui rend le nombre significatif. Le résultat est une base de données pleine de points de données qui nécessitent des heures d'analyse rétrospective pour interpréter, date à laquelle la possibilité d'agir est passée.

Exemples de données sans renseignement

Une usine de fabrication d'aliments installe des capteurs de température IoT dans toutes les unités d'entreposage frigorifique. Le système génère 2 400 relevés de température par jour. Sur une période de six mois, les données montrent que l'unité 7 subit de brèves excursions de température 2 à 3 fois par semaine. Le modèle est visible dans les données. Mais comme les excursions se situent à l'intérieur du seuil d'alarme et que les rapports sont examinés chaque mois, la tendance n'est pas identifiée avant un examen trimestriel. L'enquête révèle qu'un processus de production particulier nécessite des ouvertures fréquentes de portes sur l'unité 7 pendant le deuxième quart de travail. La solution est un simple ajustement de l'horaire. Il existait six mois de données avant que quiconque ne les relie à la cause.

Une cuisine centrale utilise un système de liste de vérification numérique pour la vérification préopérationnelle de l'hygiène. Le système enregistre des taux d'achèvement de 100 %. Toutefois, un consultant en salubrité des aliments qui examine les données indique que chaque entrée est horodatée dans une fenêtre de 3 minutes au début de chaque quart de travail, suggérant que chaque saisie soit terminée par lot plutôt qu'une vérification séquentielle. Les données montrent la conformité. La réalité montre un processus qui n'est pas suivi tel qu'il a été conçu.

De la collecte de données à la capture du signal

Le changement nécessaire aux opérations de salubrité des aliments ne consiste pas à passer de moins de données à davantage de données. Cela va de la collecte passive de données à la capture active du signal. Les signaux sont des données contextuelles, capturées au moment de la pertinence, par la personne la plus proche de l'événement.

La plateforme Shift Intelligence de Nurau est conçue autour de la capture du signal et non de l'accumulation de données. Lorsqu'un superviseur saisit une observation, elle inclut le contexte : ce qui s'est passé, où, qui a participé et quelles mesures ont été prises. Cela transforme un point de données en renseignements exploitables. Les responsables de l'assurance de la qualité et des opérations ne reçoivent pas plus de données. Ils reçoivent des signaux structurés qui leur indiquent ce qui se passe en ce moment et ce qui doit être pris en compte.

Principaux points à retenir

• Le site de fabrication alimentaire moyen génère plus de 15 000 points de données sur la salubrité des aliments par mois, mais seulement 8 % sont utilisés pour les décisions en temps réel (IFT, 2021).
• Un volume de données excessif dégrade la qualité de la décision lorsque la capacité analytique ne correspond pas (Management Science, 2018).
• Lorsque les taux d'alerte dépassent 30 par quart de travail, la réponse aux alertes critiques chute sous la barre des 50 % (Journal of Patient Safety, 2019).
• Les données sans contexte opérationnel nécessitent des heures d'analyse rétrospective pour interpréter, ce qui élimine la possibilité d'agir.
• La capture de signaux, données contextuelles au moment de la pertinence, est la solution de rechange à l'accumulation de données.

L'essentiel

Si plus de données avaient résolu les problèmes de salubrité des aliments, l'industrie les aurait résolus il y a dix ans. Les organisations qui améliorent les résultats en matière de salubrité des aliments ne sont pas celles qui recueillent le plus de données. Ce sont eux qui captent les signaux les plus significatifs pendant le quart de travail et agissent sur eux avant la fin du quart de travail.

Découvrez comment Nurau transforme les signaux au niveau des quarts de travail en renseignements exploitables sur nurau.com.

Sources

Institut des technologues de l'alimentation. (2021). Enquête sur l'utilisation des données dans les usines de fabrication d'aliments aux États-Unis. Rapport annuel de l'IFT.

Ariely, D., & Kreisler, J. (2018). Qualité de la décision dans des conditions de surcharge de données. Sciences de la gestion, 64 (5), 2013-2029.

Ancker, J.S., et al. (2019). Alerter la fatigue dans les systèmes de surveillance continue. Journal de la sécurité des patients, 15 (3), 218-225.