Les “data historians” pour les données de procédé industriels (PI, IP21, etc.) ont été conçus pour répondre aux contraintes des années 1980 : compression de séries temporelles à haute fréquence, connectivité via des protocoles propriétaires et interfaces utilisateur spécialisées pour afficher des courbes et des tableaux de bord. Ces contraintes ont évolué. Les systèmes de stockage modernes, les protocoles industriels ouverts et l'analyse de données permettent de moderniser la couche “data historian” sans sacrifier la continuité ni la sécurité opérationnelle. Ce document présente une approche pragmatique pour passer d'une architecture centrée sur le “data historian” à une architecture moderne et hybride de données industrielles, intégrant la connectivité edge (OIBus) et une plateforme de données industrielles dans le cloud (OIAnalytics).
Pourquoi les architectures centrées sur le “data historian” sont-elles remises en question ?
Les performances de stockage ne constituent plus un goulot d'étranglement
Les “data historians” traditionnels apportaient une valeur ajoutée grâce à une compression propriétaire et à une récupération efficace des séries chronologiques. Aujourd’hui, les bases de données de séries temporelles haute performance et l’infrastructure cloud permettent une ingestion et une compression performante à moindre coût, avec une interopérabilité plus large. La valeur ajouté du “data historian” lié à la compression n’est donc plus un élément différenciant aujourd’hui. L’avantage concurrentiel réside désormais dans la rapidité avec laquelle les données deviennent exploitables dans toute l’organisation.
La connectivité converge vers des normes
La connectivité des données industrielles s'est consolidée autour d'approches indépendantes des fournisseurs , telles que OPC UA, MQTT et les API, ainsi que des écosystèmes de connecteurs ouverts. Lorsque la connectivité est standardisée à la source, le “data historian” cesse d’être un hub d'intégration nécessaire.
La véritable valeur réside dans le contexte — qui permet des cas d’usage et des analyses — et non la simple récupération de tag.
La plupart des organisations n’ont pas de difficulté à collecter des données de capteurs, ou des tags. Elles ont plutôt du mal à :
aligner les tags sur le contexte des équipements, des productions et des recettes
calculer des indicateurs clés de performance (KPI) fiables, de manière cohérente sur l'ensemble des sites
relier les signaux continus aux événements, lots, cycles, résultats qualité, interventions de maintenance, généalogie…
mettre en œuvre des analyses (alertes, golden batch, détection d'anomalies, investigation…)
Pour dépasser ces difficultés, il faut plus qu’un référentiel de séries temporelles doté d’une structure d’actifs basique. Il faut une véritable couche de contextualisation et un modèle sémantique cohérent.
L'approche Optimistik : moderniser avec OIBus + OIAnalytics
OIBus : connectivité edge ouverte et modulaire
OIBus est une couche de collecte et de transmission de données légère, modulaire et open source, conçue pour les environnements industriels. Elle permet de :
collecter des données provenant de sources OT/IT (PLC, DCS, historiens, MES/ERP, IoT) avec des protocol standards du marché
prendre en charge les modèles de streaming (connecteurs sud → moteur → connecteurs nord)
déployer sur Windows/Linux, dans des environnements virtualisés et sur Docker
mettre en mémoire tampon et acheminer les données vers des cibles sur site ou dans le cloud
archiver les données brutes localement afin de conserver une copie immuable en cas de besoin (audit/traçabilité)
OIAnalytics : contextualisation et intelligence opérationnelle en libre-service
OIAnalytics est une plateforme d'intelligence opérationnelle destinée aux industries de procédés. Elle combine :
un moteur de contextualisation (modèles de données standard + traitement continu des données)
un outil de création de tableaux de bord et de rapports en libre-service, sans besoin de code ni de requêtes SQL
des applications métier entièrement configurables (TRS, KPI, SPC, analyse par lots, analyse d'investigation, analyse d'optimisation, assistant alimenté par l'IA)
des capacités d'IA, notamment OIAssistant (un copilote LLM pour des réponses contextualisées et une aide à la configuration), des outils d’Advanced Analytics (des workflows guidés de Machine Learning et de statistiques pour l'analyse des causes profondes et l'optimisation des procédés), un AI Notebook (une analyse avancée, accessible aux utilisateurs opérationnels) et des outils de déploiement de l’IA/ML (exécution de modèles Python pour l'optimisation en temps réel et la détection des anomalies).
Son rôle principal est de transformer des données industrielles hétérogènes en un référentiel de données partagé, fiable et réutilisable pour les équipes des usine et les équipes d’expertise centrale de l'entreprise.
Une architecture moderne sépare généralement les responsabilités des différents systèmes:
Contrôle commande et sécurité (SCADA/DCS/PLC) : reste la référence en matière de contrôle en temps réel et de sécurité des procédés.
Connectivité des données en périphérie (OIBus) : collecte, met en mémoire tampon, standardise et achemine les données.
Contextualisation et intelligence opérationnelle en libre-service (OIAnalytics) : modélise le contexte métier, calcule les indicateurs clés de performance (KPI) et permet les analyses, les alertes, le reporting et le déploiement de l'IA.
Écosystème (facultatif) : outils d'analyse de données et de data science, BI d'entreprise, GMAO, Asset Management, entrepôt de données…
Cette séparation réduit le couplage entre les briques technique et métier et évite de dépendre de l'interface utilisateur du “data historian” comme seul moyen de comprendre les opérations.
Stratégies de migration par profil de site
Scénario A — Sites sans “data historian” traditionnel (greenfield)
Objectif : accélérer le retour sur investissement grâce à une stack technique simple et modulaire.
Déployer OIBus + OIAnalytics comme infrastructure principale pour les données opérationnelles.
Pour assurer la continuité des opérations de procédés, s'appuyer sur la redondance SCADA/DCS existantes et la persistance de donnée intégrée.
Résultat : réduction des dépenses d'investissement, déploiement plus rapide, architecture évoluant linéairement avec les volumes de données.
Scénario B — Sites disposant déjà d'un “data historian“ (brownfield)
Objectif : moderniser sans interruption.
Conserver le “data historian” là où il est profondément intégré aux opérations en temps réel.
Utiliser OIBus comme interface de collecte en parallèle pour répliquer les flux de données pertinents dans OIAnalytics. Acheminer les données non critiques ou secondaires directement via OIBus vers OIAnalytics sans passé par le “data historian”.
Réserver le “data historian” aux cas d'utilisation techniques/spécialisés ; étendre l'accès à OIAnalytics à un plus large éventail d'utilisateurs opérationnels.
Résultat : déploiement plus rapide (les tag existent déjà), dépendance réduite vis-à-vis des licences du “data historian” pour les non-spécialistes, et une transition progressive vers un remplacement futur et des outils plus modernes.
Avantages financiers de cette approche
Création de valeur métier plus importante
Un investissement dans un “data historian” se focalise principalement sur le stockage et la récupération des tags, et limite souvent la création de valeur à un ensemble restreint d'utilisateurs spécialisés et à des usages centrés sur la visualisation de courbes.
En revanche, une architecture moderne, centrée sur la contextualisation et l'intelligence opérationnelle, transforme ces mêmes données brutes en produits de données réutilisables et prêts à l'emploi. Elle rend économiquement viable un déploiement à l'échelle, au sein de l'organisation industrielle, d'un large éventail de cas d'usage à forte valeur ajoutée.
L'impact financier provient généralement d'un délai d'analyse plus court, d'une adoption plus large au-delà des équipes d'experts, et d'une réduction du « shadow IT » (feuilles de calcul, scripts personnalisés et solutions ponctuelles), qui accumule des coûts cachés au fil du temps.
Réduire les coûts d'infrastructure grâce à un modèle hybride edge + cloud
Une approche hybride sépare les besoins d’infrastructure entre la connectivité en edge, d’un côté, et le stockage ainsi que les analyses gourmandes en ressources de calcul, de l’autre. Elle modifie ainsi la structure des coûts de déploiement.
Comme OIBus prend en charge la connectivité sur site (collecte, mise en mémoire tampon et transfert sécurisé des données), l’usine n’a plus besoin de dimensionner des serveurs puissants localement, comme c’est souvent le cas avec un “data historian”. Les capacités de calcul et de stockage sont plutôt prises en charge et mutualisées par OIAnalytics dans le cloud, en s’appuyant sur des technologies évolutives.
Cela réduit les coûts d’infrastructure locaux supportés par l’industriel :
Ressources matérielles : serveurs sur site ou machines virtuelles plus petits, généralement limités au besoins liés à la connectivité et à la mise en mémoire tampon des flux de données.
Effort de maintenance : moins de composants locaux à gérer (patch, sauvegardes et mises à niveau). De plus, la maintenance d'OIBus est simplifiée grâce à une gestion centralisée depuis la plateforme OIAnalytics.
Supervision et opérations : surveillance simplifiée car la couche edge est légère et spécialement conçue pour une supervision centralisée. La gestion de la plateforme cloud est gérée de manière centralisée par design.
Coût du cycle de vie : renouvellements matériels moins fréquents et moins de reconstructions site par site lors de l'extension à de nouveaux cas d'utilisation.
Concrètement, cela permet de réorienter les dépenses d’infrastructure et d’outils spécialisés (data historians), auparavant propres à chaque usine, vers une plateforme partagée déployable sur l’ensemble des sites. Cela améliore le coût total de possession (TCO) tout en élargissant la gamme de cas d’usage générateurs de valeur.
Conclusion
La valeur des données industrielles ne réside plus principalement dans le stockage des tags. Elle réside dans la mise à disposition des données grâce au contexte, à la normalisation et à l'analyse.
En combinant OIBus (connectivité edge) avec OIAnalytics (contextualisation et intelligence opérationnelle en libre-service), les organisations peuvent moderniser leurs architectures de donnée industrielle aujourd’hui basées sur les data historian grâce à une approche par étapes qui préserve la continuité opérationnelle tout en libérant rapidement de la valeur.
Approche moderne vs approche centrée sur l'historique : tableau récapitulatif
Axe
Approche “Data Historian”
Approche hybride moderne (OIBus + OIAnalytics)
Pourquoi c'est important
Stockage et évolutivité
Optimisé pour répondre à des contraintes historiques (compression propriétaire, dimensionnement sur site)
Tire parti de la scalabilité des bases de données TSDB/cloud et d'une infrastructure moderne
La différenciation ne repose plus uniquement sur le stockage des tag, mais sur une utilisation plus rapide des données
Contexte et sémantique
Cadres de gestion des actifs basiques, souvent limités et incohérents d'un site à l'autre
Couche de contextualisation riche et dédiée avec un modèle sémantique cohérent (actifs, traçabilité, généalogie, événements…)
Permet d'obtenir des indicateurs clés de performance (KPI) fiables et des usages de données réutilisables à l'échelle de l'organisation
Cas d'utilisation et analyse
Particulièrement performant pour la génération de courbes et l'analyse des tendances
Conçu pour les usages (alertes, tableaux de bord, les golden batch, la détection d'anomalies, l'optimisation…)
Passer de la simple consultation des données à l'aide à la décision opérationnelle et à l'amélioration
Libre-service pour les opérations
Accès et valeur souvent limités aux équipes OT/IT et aux utilisateurs experts
Tableaux de bord en libre-service et applications métier configurables no code pour des équipes plus larges
Améliore l'adoption et accélère l'accès aux informations
Coût et TCO
Infrastructure spécifique à chaque site et outils spécialisés, coûts évoluant en fonction du nombre de sites. Déploiement multi-niveaux pour une approche globale d'entreprise.
L'approche hybride (edge + cloud) centralise et mutualise les tâches de calcul et de stockage intensives ; besoin d’infrastructuresur site allégée.
Réduction de la charge de maintenance et économies d'échelle sur l'ensemble des sites
Valeur métier et retour sur investissement
Optimise le stockage et la récupération des tag, souvent avec une création de valeur limitée
Transforme les données brutes en usages métier avec des données fiables, réutilisables et prêts à l'emploi
Permet davantage de cas d'usage à forte valeur ajoutée et réduit le shadow IT
