Ameliorer La Performance Par Lanalyse de Donnees de Qualite Xlgroupe

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

 Besoin de maîtriser la qualité produite
Début XXè
➢Travaux de Walter Shewhart, Philip B. Crosby, Joseph
siècle
Juran, W.Edwards Deming → La « Qualité Totale »
• L’offre devient supérieure à la demande Analyse Qualité

prédictive Totale
 Besoins supplémentaires de maîtriser les flux de production
et des services
2è moitié ➢ Toyota Production System → Lean
DDMRP Lean
XXè siècle ➢ Motorola → Six Sigma
➢ Gérer le déséquilibre inévitable → Théorie des contraintes
Théorie
des Six Sigma
Contraintes
• Délocalisations des industries, monde VUCA

 Besoin vital de maîtriser les flux d’approvisionnement et de livraison
 Digitalisation des entreprises pour améliorer la flexibilité,
Années
augmenter la productivité, concevoir de nouveaux modèles
2000
économiques
➢DDMRP, entreprises 4.0, analyses prédictives
3
RÔLES FONDAMENTAUX DU LEAN ET DU SIX SIGMA DANS CES DÉMARCHES
Six Sigma
Lean
Moyenne 2 Moyenne 1
4
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
5
SOMMAIRE
6
MESURER LA PERFORMANCE… ET LA PARTAGER!
Revoir la webconférence de janvier 2022:
« Les 5 fondamentaux du Lean pour réussir votre démarche de transformation »

7
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

8
VERS UNE DÉMULTIPLICATION DE L’INFORMATION
Besoin de: Automatisation

(robotisation)
➢ Rendre l’entreprise « visuelle » Big data Cloud
➢ Améliorer l’efficacité opérationnelle computing
➢ Affiner les prévisions de la demande
➢ Améliorer la sécurité des employés et faciliter

IoT
Paramètres de
la formation fabrications
➢ Casser les silos de données
Réalité
➢ S’engager dans la Maintenance Prédictive augmentée
Analyse
Intégration de
prédictive
systèmes
Besoin de structuration!
9
SOMMAIRE
10
CHOIX DES INDICATEURS
➢ Capter la Voix « du » Client ➢ Comprendre ses attentes

• Enquêtes
• Cahier des charges, spécifications, retours SAV
• Benchmarking
• R&D ➢ Les traduire en Indicateurs Physiques de Performance
• Arbre CPQ (indicateurs Critiques Pour la Qualité)
11
TYPOLOGIE DES DONNÉES
Données
Latin «discretus» = Qualitatives /

«séparé» Quantitatives
Discrètes
Dénombrement, comptage Mesure
Nominales Ordinales Aux attributs Continues
Absence de hiérarchie Hiérarchie 2 niveaux de réponse Peuvent prendre n’importe quelle valeur
Timide / Joyeux / Insatisfait / Peu •Présent / Absent Longueur / Poids /

Simplet / Atchoum / satisfait / Satisfait / •Conforme / Non conforme Force / € , CHF, $...
Grincheux / Dormeur… Très satisfait
12
STATISTIQUES « DU RICHE » ET « DU PAUVRE »
Données continues Données discrètes
➢ Issues d’un instrument de mesure ➢ Issues d’un dénombrement
➢ Objectives (lecture) ➢ Subjectives (jugement de catégorie)
➢ Peuvent prendre un nombre infini de valeurs ➢ Ne peuvent appartenir qu’à une catégorie ou une autre
➢ Quelques dizaines de données suffisent ➢ Plusieurs centaines de données nécessaires
➢ Nombreux outils statistiques pour les analyser ➢ Peu d’outils d’analyses statistiques
13
DONNÉES CONTINUES ET CONCEPTS QUALITÉ
Vision contractuelle de la qualité :

Limite de tolérance Limite de tolérance • Résultat « vert » > le produit est accepté
inférieure supérieure • 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

Pertes (€)
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
En outre, statistiquement parlant, la différence entre les

points vert et rouge à une borne n’est pas avérée…
Cible
14
DÉMARCHE STATISTIQUE
D’où viennent les données? QQOQCCP?
1 Collecter - Sécuriser
Données historiques / Nouvelle collecte?
Mode de calcul des indicateurs (Lead time, TRS, Taux de service,…)?
Moyen de mesure apte?
2 Nettoyer - Décrire graphiquement

Valeurs aberrantes? Données exploitables?
Photo / Film des données
3 Analyser statistiquement Capabilité process

Relations entre facteurs X et réponses Y?
4 Rechercher les causes racines 5 pourquoi
15
SOMMAIRE
16
S’ASSURER QUE LES COLLECTES SONT PERTINENTES : LE PLAN DE COLLECTE
17
QQOQCCP AVANT LES ANALYSES, DU BON SENS!
QUOI
Définition précise de la mesure à effectuer (non ambiguë pour les "collecteurs")
De quoi s'agit-il ?
QUI mesure ? Personne chargée de la collecte
OÚ mesurer ? Lieu physique, emplacement logique dans le SI, étape de processus, etc.
Date, moment de la journée, du mois…

QUAND mesurer ?
Fréquence de collecte (le cas échéant)
COMMENT
Par quelle méthode ? Avec quel appareil ? Avec quel système d'information (papier, informatique) ?
cela se passe-t-il ?
COMBIEN de mesures
Nombre d'unités mesurées
prendre ?
POURQUOI mesurer ? A quoi vont servir les données collectées ?
18
INDIVIDUS? ECHANTILLONS? POPULATION?
La population:
Ce que l’on aimerait connaître, Un échantillon:
mais collecte d’information trop Taille gérable, mais risques de
longue et/ou coûteuse renseignements imprécis
Individu:
Maille élémentaire
de la population
19
…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
20
SOMMAIRE
21
INFLUENCE DE LA VARIABILITÉ DU SYSTÈME DE MESURE
Données collectées sur un même processus,

avec deux systèmes de mesure différents
s² Syst. mesure
s²processus
➢ Risque de mobiliser des

équipes sur des problèmes qui
n’existent pas
➢ Risque de ne pas voir des
variations qui existent entre
facteurs
Système peu variable Système très variable
22
SOMMAIRE
23
DES ANALYSES POUR QUELQUES INITIÉS?
24
DITES-LE EN IMAGES!
25
SOMMAIRE
26
CORRÉLATION N’EST PAS CAUSALITÉ!
https://www.tylervigen.com/spurious-correlations
Pensez à utiliser l’outil « 5 Pourquoi » pour vérifier vos théories!
27
Merci de votre attention
À bientôt !
Retrouvez toute notre offre sur www.xl-groupe.com
Suivez-nous sur :
28

Ameliorer La Performance Par Lanalyse de Donnees de Qualite Xlgroupe

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Ameliorer La Performance Par Lanalyse de Donnees de Qualite Xlgroupe

Transféré par

Droits d'auteur :

Formats disponibles

Améliorer la performance par l’analyse de

1 Démarches d‘amélioration des performances de l‘entreprise

2 Entreprises 4.0 - Nécessité de capter toutes les données?

3 Choix des indicateurs de suivi de performance

4 Plan de collecte, fréquence d‘échantillonnage, résolution des moyens de mesure

5 Impact du moyen de mesure sur les analyses

6 Des analyses statistiques, mais avant tout graphiques

• Fabrications en grandes séries

• L’offre devient supérieure à la demande Analyse Qualité

• Délocalisations des industries, monde VUCA

1 Démarches d‘amélioration des performances de l‘entreprise

2 Entreprises 4.0 - Nécessité de capter toutes les données?

3 Choix des indicateurs de suivi de performance

4 Plan de collecte, fréquence d‘échantillonnage, résolution des moyens de mesure

5 Impact du moyen de mesure sur les analyses

6 Des analyses statistiques, mais avant tout graphiques

Revoir la webconférence de janvier 2022:

« Les 5 fondamentaux du Lean pour réussir votre démarche de transformation »

…Sans oublier le qualitatif!

→ Organiser la communication des informations

→ Impliquer les équipes dans le quotidien de l’entreprise

→ Ne pas se laisser submerger par les tableaux de bord

Besoin de: Automatisation

➢ Affiner les prévisions de la demande

➢ Améliorer la sécurité des employés et faciliter

1 Démarches d‘amélioration des performances de l‘entreprise

2 Entreprises 4.0 - Nécessité de capter toutes les données?

3 Choix des indicateurs de suivi de performance

4 Plan de collecte, fréquence d‘échantillonnage, résolution des moyens de mesure

5 Impact du moyen de mesure sur les analyses

6 Des analyses statistiques, mais avant tout graphiques

➢ Capter la Voix « du » Client ➢ Comprendre ses attentes

• Arbre CPQ (indicateurs Critiques Pour la Qualité)

Latin «discretus» = Qualitatives /

Dénombrement, comptage Mesure

Nominales Ordinales Aux attributs Continues

Timide / Joyeux / Insatisfait / Peu •Présent / Absent Longueur / Poids /

Données continues Données discrètes

➢ Issues d’un instrument de mesure ➢ Issues d’un dénombrement

➢ Objectives (lecture) ➢ Subjectives (jugement de catégorie)

➢ Quelques dizaines de données suffisent ➢ Plusieurs centaines de données nécessaires

Vision contractuelle de la qualité :

Fonction de perte de Taguchi: le client achète le centre

de la spécification, il "subit" les tolérances.

En outre, statistiquement parlant, la différence entre les

D’où viennent les données? QQOQCCP?

2 Nettoyer - Décrire graphiquement

3 Analyser statistiquement Capabilité process

4 Rechercher les causes racines 5 pourquoi

1 Démarches d‘amélioration des performances de l‘entreprise

2 Entreprises 4.0 - Nécessité de capter toutes les données?

3 Choix des indicateurs de suivi de performance

4 Plan de collecte, fréquence d‘échantillonnage, résolution des moyens de mesure

5 Impact du moyen de mesure sur les analyses

6 Des analyses statistiques, mais avant tout graphiques

QUI mesure ? Personne chargée de la collecte

Date, moment de la journée, du mois…

POURQUOI mesurer ? A quoi vont servir les données collectées ?

Colonnes de données aléatoires de moyenne  10 et d’écart-type  1

1 Démarches d‘amélioration des performances de l‘entreprise

2 Entreprises 4.0 - Nécessité de capter toutes les données?

3 Choix des indicateurs de suivi de performance

4 Plan de collecte, fréquence d‘échantillonnage, résolution des moyens de mesure

5 Impact du moyen de mesure sur les analyses