Mauro Gerber est ingénieur de processus et expert en statistiques et travaille dans la gestion des données, les tests et mesures électriques 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 le fabricant de verre multinational allemand SCHOTT AG. Dans ses fonctions précédentes et actuelles, Mauro a été un ardent défenseur de l'activation de l'analyse, pilotant de nouveaux programmes de formation pour les ingénieurs et achetant des logiciels pour soutenir la démocratisation de la pensée statistique.
Et: Pour commencer, je me demande si vous pourriez nous faire part de votre réflexion sur l'état actuel de préparation en matière de statistiques dans les industries de production.
Mauro : Il semble que de nombreuses entreprises ont encore du mal à comprendre l'idée des [experts du domaine] qui possèdent également une compréhension approfondie des statistiques. J'ai commencé ma carrière en tant qu'ingénieur de procédés et, au fil des 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 en tant qu'ingénieur de processus au lieu de data scientist.
Ceux d'entre nous [possédant 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 et de la production de qualité ; ce n'est pas que du mannequinat ! À l'heure actuelle, je fais partie d'un groupe d'ingénierie des procédés chez HUBER+SUHNER, mais plus je fais d'analyses, plus je peux offrir un soutien aux autres ingénieurs. Parfois, je constate qu'ils ne comprennent pas complètement ce qu'ils font et restent coincés dans le processus. C'est pourquoi j'ai mis en place un cours de cinq jours pour vraiment approfondir leur compréhension non seulement de la façon d'effectuer des analyses, mais aussi des raisons pour lesquelles elles le font. il.
Et: Selon vous, quelle est la principale différence entre la formation statistique traditionnelle et la pensée statistique ou analytique ?
Mauro : Pour moi, il me semble que l'enseignement classique crée une scène où chaque étape que vous effectuez fonctionnera et mènera 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, voire vous amener à quitter les statistiques car elles ne fonctionnent pas comme promis, même lorsque vous suiviez la chaîne de clics comme indiqué dans les exemples.
Meg : Il s’agit donc de méthodes strictes par rapport à la pensée critique.
Mauro : Oui. C'est ce lien qui peut empêcher certaines personnes de mieux réussir en matière d'analyse ou de mettre fin à un échange ou à un accord constructif. J'ai arrêté de compter le nombre d'analyses de systèmes de mesure (MSA) que je devais 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 des « mauvaises » pièces dans le mélange. Mais alors la variation du processus n'est pas représentée et l'ensemble du MSA n'a plus de 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'en est pas capable, mais pas comment ce chiffre apparaît et ce qu'il signifie.
Et: Intéressant. Comment expliquez-vous la différence à ceux qui ne sont pas aussi profondément immergés dans l’analyse que vous ? Comment présentez-vous à votre direction l'analyse de rentabilisation selon laquelle elle devrait soutenir une évolution de la réflexion depuis Six Sigma vers l'analyse moderne ?
Mauro : J'ai personnellement du mal à communiquer sur les avantages et le potentiel futur des statistiques lorsque je les utilise dans mon travail quotidien et à m'y plonger tête première alors qu'à l'inverse, cela peut paraître compliqué et accablant lorsqu'on me présente des formules, des graphiques. , des chiffres et des façons infinies 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 les importent à partir d'un fichier et remodèlent la table, afin qu'elle devienne utile à l'utilisateur. Cela permet d'éviter certains obstacles lors des premières étapes d'analyse en gagnant beaucoup de temps ; cela peut même susciter la curiosité de creuser plus profondément.
Une autre approche consiste à commencer à étudier les données ensemble, 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 les informations et les commentaires, s'ils sont utiles, proviennent des personnes qui travaillent sur le processus.
Grâce à cette approche, j'ai pu convaincre notre direction d'investir car davantage d'ingénieurs souhaitaient faire eux-mêmes des analyses. L’achat d’un logiciel n’en est qu’une partie.
Et: Et c'est là qu'intervient votre programme de formation.
Mauro : Oui, même s'il existe encore des obstacles. Lorsque j'ai proposé pour la première fois un cours de cinq jours destiné aux ingénieurs pour apprendre JMP et la pensée statistique, la direction a hésité. Ils ont déclaré qu'ils ne pouvaient pas se permettre de laisser les ingénieurs s'absenter du travail pendant cinq jours.
Il y a un dicton : "Nous n'avons pas le temps d'affûter nos haches. Nous devons abattre des arbres." On m'a même proposé de n'envoyer qu'une seule personne par département, qui enseignerait ensuite aux autres. C'est comme si j'envoyais seulement un de mes enfants à l'école et que je leur demandais ensuite d'enseigner à leurs frères et sœurs à la maison !
Et: Une pensée plutôt conservatrice, semble-t-il.
Mauro : Ce n'est pas forcément conservateur, mais c'est une situation normale dans la plupart des entreprises, même si MSA et SPC sont nécessaires et demandés par les clients. Ceux-ci devraient faire partie intégrante des efforts de l'entreprise pour mieux comprendre les processus qui favorisent la stabilité et augmentent la qualité. Mais chaque organisation a besoin de personnes formées à la pensée statistique pour y parvenir.
Et: Comment les ingénieurs ont-ils réagi à votre cours, à la fois en ce qui concerne l'apprentissage de JMP et l'acquisition des compétences de réflexion statistique qui l'accompagnent ?
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 en reprendre quelques éléments ou ce pourrait être simplement une répétition, juste pour vous le faire savoir. Pendant le cours, j'ai pu voir que certaines pièces tombaient parce qu'il commentait : « 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 la même formation et ils ont eu une discussion avec beaucoup de va-et-vient de plaintes et de pointage du doigt. Mais au cours du 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, soit personnellement, soit avec les personnes qui suivent votre cours ?
Mauro : J'ai eu le plaisir de participer à la formation avancée proposée lors du JMP Discovery Summit sur la modélisation statistique et la recherche de prédicteurs importants. Ce fut une rencontre enrichissante d'esprits différents avec un formateur compétent – et a été soutenu par des exemples concrets qui m'ont permis de m'intéresser davantage à l'aspect modélisation de JMP.
Ce que je recommande aux nouveaux utilisateurs de JMP, c'est de parcourir le kit de bienvenue , puis de prendre un jour ou deux pour se former par eux-mêmes. Ensuite, ils ont généralement une petite séance en face-à-face avec moi pour poser des questions, et nous pouvons examiner les exemples personnels qu'ils souhaitent résoudre. La prochaine étape que je recommande est de suivre le cours Statistical Thinking for Industrial Problem Solving (STIPS) . C'est un cours riche en statistiques et un bon moyen d'approfondir les possibilités de JMP et comment l'utiliser.
Et: Avez-vous l’impression que la jeune génération d’ingénieurs – ceux qui gravissent les échelons du système universitaire et occupent des emplois dans l’industrie – maîtrisent mieux les 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 davantage axés sur la mécanique. Mais je pense que ça évolue. L'enseignement de la statistique est désormais en plein essor et, à mesure que de plus en plus d'universités diversifient leur programme d'études en informatique, celui-ci devient plus spécialisé.
Et: Quels conseils donneriez-vous à quelqu’un qui souhaite poursuivre des études d’ingénieur à l’université ?
Mauro : Je pense que les statistiques prennent de plus en plus d'importance dans l'industrie.
Il ne s'agit pas simplement de remplacer le papier par un format numérique : c'est simplement la première étape d'une course d'endurance où vous établissez la base d'une analyse statistique. Même si les entreprises recrutent des data scientists dédiés, il reste 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 allie connaissances du domaine et méthodes statistiques qui améliorent et sécurisent le succès d'un projet.
À titre d'exemple, je dirais qu'il n'est pas nécessaire que les ingénieurs connaissent la formule exacte qui définit une distribution normale, mais ils devraient être capables de comprendre qu'elle représente les données et que nous pouvons prédire ou décrire un processus basé sur ce lien.
Et: Dans un monde idéal, si vous aviez le droit de créer votre propre groupe d’analyse de données, à quoi ressemblerait-il ?
Mauro : J'aimerais créer une unité centrale pour aborder les questions statistiques les plus difficiles, mais également servir de hotline 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 possédant des compétences et des connaissances diverses. Par exemple, vous avez peut-être à la fois un très bon ingénieur doté de solides connaissances en statistiques et un analyste dédié qui effectue des analyses de reporting, et ils sont connectés via un sous-groupe ou supervisés par un analyste très expérimenté qui peut vous 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.
Et: Une dernière réflexion ?
Mauro : J'aurais aimé qu'on comprenne mieux la valeur d'une bonne analyse et de la prise de bonnes décisions basées sur les données, et pas seulement « Oui, nous faisons de la numérisation ». Ou "Nous faisons du Big Data". Ce ne sont que des slogans, et il faut 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 d’une réflexion 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 également 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
