Améliorer la performance par l'analyse de données de qualité

1
© XL SA | formation@xl-groupe.com | Paris 01 78 16 11 99 | Région 04 76 61 34 40 | 88, Allée Galilée 38330 Montbonnot-Saint-Martin | Organisme de formation (Préfecture de région) 82 38 00 90938 | SIRET 347 945 628 000 50
Améliorer la performance par l’analyse de
données de qualité
Eric VERNIS - Consultant Senior - Master Black Belt Lean Six Sigma
Sylvie GALLO - Consultante Senior - Master Black Belt Lean Six Sigma

2
1
3
4
5
6
2
7
Démarches d‘amélioration des performances de l‘entreprise
Entreprises 4.0 - Nécessité de capter toutes les données?
Choix des indicateurs de suivi de performance
Plan de collecte, fréquence d‘échantillonnage, résolution des moyens de mesure
Impact du moyen de mesure sur les analyses
Des analyses statistiques, mais avant tout graphiques
La blague du statisticien
SOMMAIRE

3
DÉMARCHES D‘AMÉLIORATION DES PERFORMANCES DE L‘ENTREPRISE
Début XXè
siècle
• Fabrications en grandes séries
 Besoin de maîtriser la qualité produite
➢Travaux de Walter Shewhart, Philip B. Crosby, Joseph
Juran, W.Edwards Deming → La « Qualité Totale »
2è moitié
XXè siècle
• L’offre devient supérieure à la demande
 Besoins supplémentaires de maîtriser les flux de production
et des services
➢ Toyota Production System → Lean
➢ Motorola → Six Sigma
➢ Gérer le déséquilibre inévitable → Théorie des contraintes
Années
2000
• Délocalisations des industries, monde VUCA
 Besoin vital de maîtriser les flux d’approvisionnement et de livraison
 Digitalisation des entreprises pour améliorer la flexibilité,
augmenter la productivité, concevoir de nouveaux modèles
économiques
➢DDMRP, entreprises 4.0, analyses prédictives
Qualité
Totale
Lean
Six Sigma
Théorie
des
Contraintes
DDMRP
Analyse
prédictive

4
RÔLES FONDAMENTAUX DU LEAN ET DU SIX SIGMA DANS CES DÉMARCHES
Moyenne 1
Moyenne 2
Lean
Six Sigma

5
L’IMPORTANCE DE LA MESURE POUR TOUTE DÉMARCHE D’AMÉLIORATION
Ne s’améliore que ce
qui se mesure
Ne se mesure que ce
qui se comprend
Ne se comprend que ce
qui se décrit et se
partage

6
1
3
4
5
6
2
7
SOMMAIRE

7
Revoir la webconférence de janvier 2022:
« Les 5 fondamentaux du Lean pour réussir votre démarche de transformation »
MESURER LA PERFORMANCE… ET LA PARTAGER!

8
BESOIN D’INDICATEURS FACTUELS QUANTITATIFS…
…Sans oublier le qualitatif!
→ Recueillir les informations sur le terrain
→ Organiser la communication des informations
→ Impliquer les équipes dans le quotidien de l’entreprise
→ Ne pas se laisser submerger par les tableaux de bord

9
Besoin de:
➢ Rendre l’entreprise « visuelle »
➢ Améliorer l’efficacité opérationnelle
➢ Affiner les prévisions de la demande
➢ Améliorer la sécurité des employés et faciliter
la formation
➢ Casser les silos de données
➢ S’engager dans la Maintenance Prédictive
VERS UNE DÉMULTIPLICATION DE L’INFORMATION
Automatisation
(robotisation)
Cloud
computing
Paramètres de
fabrications
Big data
Intégration de
systèmes
Analyse
prédictive
IoT
Réalité
augmentée
Besoin de structuration!

10
1
3
4
5
6
2
7
SOMMAIRE

11
➢ Comprendre ses attentes
• Cahier des charges, spécifications, retours SAV
➢ Les traduire en Indicateurs Physiques de Performance
• Arbre CPQ (indicateurs Critiques Pour la Qualité)
CHOIX DES INDICATEURS
➢ Capter la Voix « du » Client
• Enquêtes
• Benchmarking
• R&D

12
TYPOLOGIE DES DONNÉES
Mesure
Données
Qualitatives /
Discrètes
Quantitatives
Nominales Ordinales Aux attributs Continues
Absence de hiérarchie
Timide / Joyeux /
Simplet / Atchoum /
Grincheux / Dormeur…
Hiérarchie
Insatisfait / Peu
satisfait / Satisfait /
Très satisfait
Latin «discretus» =
«séparé»
Peuvent prendre n’importe quelle valeur
•Présent / Absent
•Conforme / Non conforme
Longueur / Poids /
Force / € , CHF, $...
Dénombrement, comptage
2 niveaux de réponse

13
Données continues
➢ Issues d’un instrument de mesure
➢ Objectives (lecture)
➢ Peuvent prendre un nombre infini de valeurs
➢ Quelques dizaines de données suffisent
➢ Nombreux outils statistiques pour les analyser
STATISTIQUES « DU RICHE » ET « DU PAUVRE »
Données discrètes
➢ Issues d’un dénombrement
➢ Subjectives (jugement de catégorie)
➢ Ne peuvent appartenir qu’à une catégorie ou une autre
➢ Plusieurs centaines de données nécessaires
➢ Peu d’outils d’analyses statistiques

14
DONNÉES CONTINUES ET CONCEPTS QUALITÉ
Cible
Limite de tolérance
inférieure
Limite de tolérance
supérieure
En outre, statistiquement parlant, la différence entre les
points vert et rouge à une borne n’est pas avérée…
Pertes
(€)
Vision contractuelle de la qualité :
• Résultat « vert » > le produit est accepté
• Résultat « rouge » > le produit est refusé
Sur un graphique, la courbe qui représente la perte
d'argent pour l'entreprise a une allure en "cages de buts".
Fonction de perte de Taguchi: le client achète le centre
de la spécification, il "subit" les tolérances.
> Réglage du process sur le centre de la tolérance,
ajustement chaque fois que le décalage atteint une
fraction de la tolérance.
La parabole représente l’évolution rapide des coûts au
fur et à mesure que l’on s’éloigne du centre de la
tolérance

15
DÉMARCHE STATISTIQUE
Collecter - Sécuriser
Nettoyer - Décrire graphiquement
Analyser statistiquement
Rechercher les causes racines
D’où viennent les données? QQOQCCP?
Données historiques / Nouvelle collecte?
Mode de calcul des indicateurs (Lead time, TRS, Taux de service,…)?
Moyen de mesure apte?
Valeurs aberrantes? Données exploitables?
Photo / Film des données
Capabilité process
Relations entre facteurs X et réponses Y?
5 pourquoi
1
2
3
4

16
1
3
4
5
6
2
7
SOMMAIRE

17
S’ASSURER QUE LES COLLECTES SONT PERTINENTES : LE PLAN DE COLLECTE

18
QQOQCCP AVANT LES ANALYSES, DU BON SENS!
QUOI
De quoi s'agit-il ?
Définition précise de la mesure à effectuer (non ambiguë pour les "collecteurs")
QUI mesure ? Personne chargée de la collecte
OÚ mesurer ? Lieu physique, emplacement logique dans le SI, étape de processus, etc.
QUAND mesurer ?
Date, moment de la journée, du mois…
Fréquence de collecte (le cas échéant)
COMMENT
cela se passe-t-il ?
Par quelle méthode ? Avec quel appareil ? Avec quel système d'information (papier, informatique) ?
COMBIEN de mesures
prendre ?
Nombre d'unités mesurées
POURQUOI mesurer ? A quoi vont servir les données collectées ?

19
INDIVIDUS? ECHANTILLONS? POPULATION?
Un échantillon:
Taille gérable, mais risques de
renseignements imprécis
Individu:
Maille élémentaire
de la population
La population:
Ce que l’on aimerait connaître,
mais collecte d’information trop
longue et/ou coûteuse

20
…ET PRÉCISER LE DIMENSIONNEMENT DE LA CAMPAGNE DE MESURE
Plus on collecte de
données, plus le résultat
sera précis… mais plus
cela mobilisera de
ressources et coûtera
cher!
Colonnes de données aléatoires de moyenne  10 et d’écart-type  1

21
1
3
4
5
6
2
7
SOMMAIRE

22
INFLUENCE DE LA VARIABILITÉ DU SYSTÈME DE MESURE
Données collectées sur un même processus,
avec deux systèmes de mesure différents
Système peu variable Système très variable
➢ Risque de mobiliser des
équipes sur des problèmes qui
n’existent pas
➢ Risque de ne pas voir des
variations qui existent entre
facteurs
s²processus
s²
Syst.
mesure

23
1
3
4
5
6
2
7
SOMMAIRE

24
DES ANALYSES POUR QUELQUES INITIÉS?

25
DITES-LE EN IMAGES!

26
1
3
4
5
6
2
7
SOMMAIRE

27
CORRÉLATION N’EST PAS CAUSALITÉ!
https://www.tylervigen.com/spurious-correlations
Pensez à utiliser l’outil « 5 Pourquoi » pour vérifier vos théories!

28
Retrouvez toute notre offre sur www.xl-groupe.com
Suivez-nous sur :
Merci de votre attention
À bientôt !

Améliorer la performance par l'analyse de données de qualité

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Similar a Améliorer la performance par l'analyse de données de qualité

Similar a Améliorer la performance par l'analyse de données de qualité (20)

Más de XL Groupe

Más de XL Groupe (6)

Améliorer la performance par l'analyse de données de qualité