Mauro Gerber est un ingénieur de processus et un expert statistique travaillant dans la gestion des données, les tests électriques et la mesure pour le fabricant de câbles à fibres optiques HUBER+SUHNER à Zurich. Avant de rejoindre HUBER+SUHNER, Mauro a travaillé pendant 12 ans en tant qu'expert en processus R&D chez la multinationale allemande du verre SCHOTT AG. Dans ses rôles antérieurs et actuels, Mauro a été un ardent défenseur de l'activation de l'analyse, en pilotant de nouveaux programmes de formation pour les ingénieurs et en achetant des logiciels pour soutenir la démocratisation de la pensée statistique.
Még : Pour commencer, je me demande si vous pourriez nous faire part de vos réflexions sur l'état actuel de la préparation statistique dans les industries de production.
Mauro : Il semble que de nombreuses entreprises aient encore du mal à saisir l'idée des [experts du domaine] qui ont également une compréhension statistique approfondie. J'ai commencé ma carrière en tant qu'ingénieur de procédés et, pendant quelques années, j'ai fait de plus en plus d'analyses statistiques et de modélisation. Même 15 ans plus tard, lorsque j'ai décidé de rejoindre une autre organisation, je me suis retrouvé dans la même situation – embauché comme ingénieur de procédés au lieu de data scientist.
Ceux d'entre nous [ayant à la fois une expertise dans le domaine et en statistique] possèdent une vaste connaissance de l'ingénierie des données, de l'analyse, de l'ingénierie des processus, de la production de qualité ; ce n'est pas que du mannequinat ! En ce moment, je fais partie d'un groupe d'ingénierie des procédés chez HUBER+SUHNER, mais plus je fais d'analyses, plus je peux offrir de soutien aux autres ingénieurs. Parfois, je vois qu'ils ne comprennent pas tout à fait ce qu'ils font et restent bloqués dans le processus, c'est pourquoi j'ai mis en place un cours de cinq jours pour vraiment approfondir leur compréhension non seulement comment pour effectuer des analyses, mais aussi Pourquoi pour l'exécuter.
Még : Selon vous, quelle est la principale différence entre la formation statistique traditionnelle et la pensée statistique ou analytique ?
Mauro : Pour moi, il semble que l'enseignement classique établisse une étape où chaque étape que vous effectuez fonctionnera et conduira au résultat souhaité. C'est comme apprendre à conduire une voiture. Bien sûr, il est important de savoir comment diriger, accélérer, freiner et comprendre ce que font tous les boutons, mais il est également important de savoir comment éviter une route cahoteuse ou quand tourner à gauche ou à droite - et vous risquez de vous perdre. Cette approche classique peut engendrer de la frustration ou même vous amener à abandonner les statistiques car cela n'a pas fonctionné comme promis, même lorsque vous suiviez la chaîne de clics comme indiqué dans les exemples.
Meg : Donc, ce sont des méthodes strictes contre la pensée critique.
Mauro : Oui. C'est le lien qui peut empêcher certaines personnes d'avoir plus de succès dans l'analyse ou d'arrêter un échange ou un accord constructif. J'ai arrêté de compter le nombre d'analyses de systèmes de mesure (MSA) que j'ai dû refaire parce que les gens s'accrochaient à l'idée qu'un seul indice détermine si un système est capable, même lorsque le processus est très stable et qu'il est donc très difficile de mesurer la variation. Le client a suggéré que nous introduisions de "mauvaises" pièces dans le mélange. Mais alors la variation du processus n'est pas représentée et l'ensemble du MSA perd tout son sens, car vous pouvez alors choisir librement les chiffres que vous obtiendrez en modifiant une pièce.
Je suppose que dans ce cas, quelqu'un leur a appris que si l'indice est inférieur à une certaine valeur, le système n'est pas capable, mais pas comment ce nombre se produit et ce qu'il signifie.
Meg : Intéressant. Comment expliquez-vous la différence à ceux qui ne sont pas aussi profondément immergés dans l'analyse que vous ? Comment présentez-vous l'analyse de rentabilisation à votre direction pour qu'elle soutienne une évolution de la pensée de Six Sigma vers l'analytique moderne ?
Mauro : Je trouve personnellement difficile de communiquer les avantages et le potentiel futur des statistiques lorsque je les utilise dans mon travail quotidien et que je m'y plonge tête première alors que, d'un autre côté, elles peuvent sembler compliquées et accablantes lorsqu'elles sont présentées avec des formules, des graphiques, des chiffres et d'innombrables façons d'analyser les données.
Une chose que j'essaie est d'écrire des scripts qui acquièrent des données à partir de bases de données ou importent à partir d'un fichier et remodèlent la table, afin qu'elles deviennent utiles à l'utilisateur. Cela permet d'éviter certains obstacles lors des premières étapes d'analyse en économisant beaucoup de temps ; cela peut même déclencher la curiosité de creuser plus profondément.
Une autre approche consiste à commencer à étudier les données côte à côte, à développer et à montrer le potentiel de l'analyse et, si possible, à inclure les connaissances et les idées de l'autre personne. Je peux fournir des outils et un chemin vers une solution, mais la perspicacité et les commentaires, s'ils sont utiles, viennent des personnes qui travaillent avec le processus.
Avec cette approche, j'ai pu convaincre notre direction d'investir car davantage d'ingénieurs voulaient faire eux-mêmes des analyses. L'achat de logiciels n'en est qu'une partie.
Még : Et c'est là que votre programme de formation entre en jeu.
Mauro : Oui, bien qu'il y ait encore des barrières. Lorsque j'ai proposé pour la première fois un cours de cinq jours pour que les ingénieurs apprennent JMP et la pensée statistique, la direction a hésité. Ils ont dit qu'ils ne pouvaient pas se permettre d'avoir des ingénieurs en arrêt de travail pendant cinq jours.
Il y a un dicton : « Nous n'avons pas le temps d'aiguiser nos haches. Il faut abattre des arbres." On m'a même suggéré de n'envoyer qu'une seule personne par département, qui enseignerait ensuite aux autres. C'est comme si je n'envoyais qu'un seul de mes enfants à l'école, puis qu'il enseigne à ses frères et sœurs à la maison !
Még : Pensée assez conservatrice, semble-t-il.
Mauro : Pas forcément conservateur, mais c'est une situation normale dans la plupart des entreprises, bien que MSA et SPC soient nécessaires et demandés par les clients. Ceux-ci doivent faire partie intégrante de l'effort de l'entreprise pour mieux comprendre les processus qui favorisent la stabilité et améliorent la qualité. Mais chaque organisation a besoin de personnes formées à la pensée statistique pour soutenir cela.
Még : Comment les ingénieurs ont-ils réagi à votre cours, à la fois en ce qui concerne l'apprentissage de JMP et l'apprentissage des compétences de réflexion statistique qui vont avec ?
Mauro : Très bien, je dirais. Par exemple, j'avais une ceinture noire Six Sigma qui, au début, m'a dit : "Hé, j'ai déjà suivi une formation en statistiques. Je pourrais ramasser quelques morceaux ou ce pourrait être juste une répétition, juste pour vous le faire savoir." Pendant le cours, j'ai pu voir que certaines pièces tombaient parce qu'il a commenté : "Aah, c'est pour ça que je devrais faire ça, maintenant ça a plus de sens !" À une autre occasion, j'ai eu le personnel de production, de qualité et d'ingénierie d'un site dans le même cours de formation et ils ont eu une discussion avec beaucoup d'échanges de plaintes et de pointage du doigt. Mais pendant le cours, ils ont commencé à comprendre ce dont l'autre partenaire avait besoin, pourquoi il demandait certains chiffres, tout en quantifiant l'impact de certaines demandes du client et des idées de l'ingénierie.
C'est pourquoi j'aime être instructeur.
Meg : Avez-vous utilisé l'une des ressources disponibles via JMP, que ce soit personnellement ou avec les personnes qui suivent votre cours ?
Mauro : J'ai eu le plaisir de participer à la formation avancée offerte durant Sommet Découverte JMP sur la modélisation statistique et la recherche de prédicteurs importants. Ce fut une rencontre enrichissante d'esprits différents avec un formateur compétent - et s'est appuyée sur des exemples concrets qui m'ont permis de mieux comprendre le côté modélisation de JMP.
Ce que je recommande aux nouveaux utilisateurs de JMP, c'est de parcourir les Trousse de bienvenue , puis prenez un jour ou deux pour vous entraîner par vous-même. Ensuite, ils ont généralement une petite session en face à face avec moi pour poser des questions, et nous pouvons jeter un coup d'œil aux exemples personnels qu'ils souhaitent résoudre. La prochaine étape que je recommande est de prendre le Pensée statistique pour la résolution de problèmes industriels (STIPS) cours. C'est un cours riche en statistiques et un bon moyen d'approfondir les possibilités de JMP et comment l'utiliser.
Még : Avez-vous l'impression que la jeune génération d'ingénieurs, c'est-à-dire les personnes qui sortent du système universitaire et qui occupent des emplois dans l'industrie, est plus avertie en matière de données qu'à vos débuts ?
Mauro : Pour le moment, je dirais qu'il n'y a pas eu beaucoup de changement. Quand je parle à de jeunes ingénieurs, ils ont peut-être eu un demi-semestre ici et là, mais c'est tout, car les cours sont plus axés sur la mécanique. Mais je pense que ça évolue. L'enseignement de la statistique est en plein essor et, à mesure que de plus en plus d'universités diversifient leur programme d'études en informatique, celui-ci se spécialise.
Még : Quels conseils donneriez-vous à quelqu'un qui souhaite poursuivre une formation d'ingénieur à l'université ?
Mauro : Je pense que les statistiques deviennent de plus en plus importantes dans l'industrie.
Ce n'est pas seulement que nous remplaçons le papier par un format numérique - ce n'est que la première étape d'une course d'endurance où vous établissez la base pour permettre l'analyse statistique. Même si les entreprises ajoutent des data scientists dédiés, il est toujours important que les ingénieurs comprennent les bases afin de pouvoir fournir de bonnes données et de bonnes questions ou idées. C'est un travail d'équipe qui rassemble les connaissances du domaine et les méthodes statistiques qui améliorent et sécurisent le succès d'un projet.
Par exemple, je dirais qu'il n'est pas nécessaire que les ingénieurs connaissent la formule exacte qui définit une distribution normale, mais ils doivent être capables de comprendre qu'elle représente les données et que nous pouvons prédire ou décrire un processus basé sur ce lien.
Még : Dans un monde idéal, si vous receviez un laissez-passer gratuit pour créer votre propre groupe d'analyse de données, à quoi ressemblerait-il ?
Mauro : J'aimerais mettre en place une unité centrale pour traiter les questions statistiques les plus difficiles, mais également servir de ligne directe pour les collègues qui ont des questions sur l'utilisation de JMP et l'écriture de scripts ou qui ont besoin d'aide pour des questions analytiques.
Idéalement, l'activation de l'analyse signifie qu'il existe un groupe de personnes ayant des compétences et des connaissances diverses. Par exemple, vous avez peut-être à la fois un très bon ingénieur avec une solide compréhension statistique et un analyste dédié qui fait des analyses de rapports, et ils sont connectés via un sous-groupe ou supervisés par un analyste très expérimenté qui peut aider à résoudre des problèmes plus difficiles. C'est vraiment cet échange qui, je dirais, peut apporter beaucoup de valeur, de connaissances, de gain de temps, etc.
Még : Une dernière réflexion ?
Mauro : J'aimerais qu'il y ait plus de compréhension de la valeur d'une bonne analyse et de la prise de bonnes décisions basées sur des données, pas seulement, "Ouais, nous faisons de la numérisation." Ou "Nous faisons du big data". Ce ne sont que des slogans, et il doit y avoir des personnes qui comprennent ce qui est nécessaire - et qui sont désignées par la direction pour permettre à l'ensemble du groupe d'aller dans le sens de la pensée statistique.
Une usine intelligente ne signifie pas avoir seulement une ou deux personnes intelligentes ! C'est l'interaction entre les logiciels, les connaissances, les personnes et les processus - les équipes interdisciplinaires sont la clé du succès. C'est aussi une base de communication entre l'ingénierie, la qualité et la production. Réaliser une véritable usine intelligente est un marathon, pas un sprint.
Développez l'excellence analytique dans votre organisation. Trouver comment: jmp.com/avocat
