Merci à tous de m'avoir rejoint. Cette présentation s'intitule « Organigramme de décision relatif à la capacité des processus ». Je suis Patrick Giuliano, et mon co-auteur pour cette présentation est le Dr Charles Chen.
Très bien. Cette présentation portera sur une vue d'ensemble du système. JMP y est largement intégré, mais l'intégralité de l'analyse sera documentée et consultable sur la page du projet Discovery. L'objectif principal de ce projet est de créer un organigramme décisionnel permettant d'évaluer la capacité des processus de bout en bout dans un environnement de production de haute technologie.
Dans l'ensemble, nous privilégions une approche systématique et fondée sur les données, en mettant l'accent sur une méthode efficace d'approximation et d'estimation statistique, ainsi que sur une analyse des causes profondes pertinente et efficace afin d'apporter des améliorations concrètes. Notre objectif est d'adopter la méthodologie de projet DMAIC, une approche classique d'ingénierie et de type Six Sigma. Cette méthodologie, également très systématique et axée sur les données, sera illustrée par un organigramme clair guidant le choix des plateformes JMP appropriées et l'utilisation de statistiques d'approximation normale pertinentes pour une estimation précise de la capabilité du processus.
Enfin, une fois le processus formalisé, nous souhaitons utiliser le générateur de flux de travail de JMP pour standardiser le flux de travail et consigner efficacement toutes les étapes, afin que chacun puisse reproduire l'analyse depuis le début. Pour plus de clarté, tout au long de cette présentation, PCFC désigne le diagramme de capabilité des processus ; il convient de le distinguer clairement de tout flux ou flux de travail associé à JMP, que nous appellerons flux de travail JMP ou générateur de flux de travail.
Cette diapositive explique précisément ce qui a inspiré ce projet. En réalité, ce projet, que vous voyez en rouge ci-dessous et qui est indiqué par JCT-13, fait partie d'un projet beaucoup plus vaste, mené par l'Université JMP, et conçu par mon co-auteur. L'objectif de cette présentation est de mettre en lumière le travail d'un responsable qui pilote la méthodologie, la met en œuvre et la perfectionne.
Chaque projet contribuant à ce concept de l'Université JMP est associé à ce projet spécifique et interagit avec lui. Cette présentation mettra également en lumière d'autres éléments de l'analyse des causes profondes et de la prise de décision fondée sur les données, qui recoupent ou complètent la mesure de la capabilité des processus en milieu industriel.
Le concept de JMP University s'articule autour de trois étapes. La première consiste à collaborer avec les responsables des équipes centrales pour définir le périmètre, la feuille de route et les indicateurs de performance. Il s'agit ensuite de présenter le projet de l'équipe centrale, notamment le diagramme de flux des capacités de processus. Puis, le projet est présenté lors d'un sommet de découverte ou dans d'autres formats internes à l'entreprise. Enfin, il s'agit de passer à l'échelle supérieure en formant les équipes sur le terrain, au sein d'un site de production donné, à son application dans leur contexte de fabrication ou de projet spécifique.
Conformément à la méthode DMAIC, nous définissons l'énoncé du problème et ses objectifs de manière très précise. Je n'entrerai pas dans les détails ; vous pourrez le consulter ultérieurement. En résumé, l'objectif est de construire cet organigramme et de mettre en place un système d'évaluation de la capacité de l'ingénieur ou de l'analyste à le suivre. C'est l'objectif principal, et la première étape : développer la méthodologie.
Le numéro 2 est le modèle de tableau de bord, qui est la méthodologie pour exécuter de manière cohérente cet organigramme, puis développer le flux de travail de bout en bout dans JMP Workflow Builder.
L'un des thèmes que nous souhaitons souligner ici, dans le cadre de la définition, de l'approfondissement et de la résolution du problème, est celui du leadership efficace. Celui-ci implique une prise de décision transversale et la constitution d'équipes avec les parties prenantes. La prise de décision par consensus, dont un outil essentiel est l'utilisation d'un organigramme ou d'une cartographie des processus, permet à chacun de soutenir et d'approuver la décision prise.
Nous nous concentrons sur l'organigramme, en y intégrant les aspects complémentaires que nous avons décrits ici. Cela nous permet, en définitive, de déployer un cadre décisionnel sur le terrain auprès d'un plus grand nombre de personnes, afin d'étendre efficacement ce cadre et d'en garantir la cohérence.
Quels sont les éléments qui alimentent la phase de définition ? Puisqu’il s’agit d’une phase cruciale, elle consiste essentiellement à définir le problème, ce qui est fondamental dans la méthode DMAIC. Nous aimons la représenter à travers ce que nous appelons un diagramme de corps JMP.
On distingue trois grands axes principaux : la vision à long terme, la réflexion critique fondée sur les données et la pratique. On les appelle respectivement les yeux, le cerveau et les mains de JMP. Pour développer une vision à long terme, il faut commencer par définir clairement le problème, évaluer rigoureusement nos objectifs et maîtriser les outils JMP pour tester et valider nos concepts. C’est le premier axe : la réflexion, les yeux et les mains.
Cette approche est en parfaite adéquation avec le deuxième thème, à savoir le nez, les oreilles, la bouche et les jambes de JMP, qui met l'accent sur la présentation efficace des données dans JMP pour un examen clair et objectif par les parties prenantes.
Bien sûr, la flexibilité est essentielle lors de la présentation des données. C'est le troisième thème abordé dans ce diagramme de JMP. Les instances décisionnelles de JMP, leur pouvoir de décision et de négociation, nécessitent de la flexibilité, tout en sachant allier flexibilité et rigueur. Leurs fondements, quant à eux, leur permettent de s'appuyer fermement sur des décisions étayées par des données et validées par l'analyse JMP.
Pour ce faire, nous devons être prêts à adapter et à utiliser des analyses complémentaires ou de nouvelles méthodes de présentation des mêmes analyses ou données afin d'étayer nos décisions éclairées, fondées sur une gestion rigoureuse des risques, dans notre démarche qualité. Tout cela repose sur une volonté profonde de progresser, d'améliorer les processus et de contribuer au développement des personnes qui nous entourent. C'est là l'essence même de JMP, son ADN, sa passion et sa conviction.
De quoi parlons-nous ici ? Nous allons approfondir la phase de définition. Dans les diapositives précédentes, je n'ai pas abordé les points suivants : la voix des talents, la voix du processus, la voix de l'entreprise et la voix du client. Il est utile de prendre en compte tous les acteurs clés dans cette structure de haut niveau. Nous pouvons utiliser l'analyse des problèmes et des opportunités à forte valeur ajoutée (HVP/HVO).
Les entreprises commencent souvent par évaluer leur niveau de maturité de cette manière. Nous pouvons ainsi définir des lignes directrices pour l'amélioration continue et les intégrer à notre processus d'évaluation de la maturité qualité, ce qui conduit à une gestion de la qualité efficace dans le cadre du système de management de la qualité. Il s'agit d'une méthodologie complémentaire pour une approche holistique, qui devrait intégrer des outils analytiques tels que l'analyse des systèmes de mesure, le contrôle statistique des processus et l'évaluation de la capabilité des processus. Ces outils sont au cœur de cette présentation et de cette méthodologie analytique.
Voici une diapositive illustrant à quoi pourrait ressembler ce cadre de maturité qualité si nous devions le planifier. Nous pouvons établir la maturité qualité des processus. Nous pouvons identifier les composantes de conception, de lancement de nouveaux produits et de fabrication à droite, ainsi que les points de contrôle, ou revues d'étape, où, en équipe pluridisciplinaire, nous déterminerions si nous disposons de certaines composantes à chaque niveau et dans chaque phase, qu'il s'agisse de la conception, du lancement de nouveaux produits ou de la fabrication.
Chacun de nos objectifs et livrables peut être clairement défini en fonction du niveau de maturité de notre conception ou de notre processus. Un principe fondamental, que mon co-présentateur aime répéter, est de voir grand, de commencer petit et d'agir. Ce démarrage modeste implique notamment de détailler nos besoins afin de pouvoir ensuite passer à l'action.
Voici une autre diapositive sur la phase de définition de ce projet. L'idée est de savoir comment traduire concrètement ces quatre voix (VOC, VOB, VOT, VOP) en attributs critiques de qualité. Parmi les outils utilisables, on trouve l'analyse SWOT (forces, faiblesses, opportunités), présentée en bas à droite, et la méthodologie SIPOC (fournisseur, intrants, processus, extrants, client), dont un exemple est visible en bas à gauche.
L'exemple en bas à gauche, dont le contexte est présenté ici, concerne la construction d'un modèle DOE. L'aspect processus du SIPOC inclut en fait l'amélioration du modèle lui-même. Prenons l'exemple de l'analyse SWOT. C'est un exemple différent, mais nous pouvons l'envisager… Il diffère dans le contexte de ce projet, mais nous pouvons l'interpréter comme un résultat du tableau de bord que nous utiliserons pour évaluer la cohérence de l'analyse du diagramme de flux entre les analystes. Nous pouvons l'intégrer dans un cadre d'analyse SWOT.
Pour revenir à notre projet, si l'on considère la phase de définition, nous nous concentrons aujourd'hui davantage sur l'étape 1, qui consiste à démontrer concrètement la méthodologie d'une analyse PPK rigoureuse.
Nous passons maintenant à la phase de mesure. L'élément clé de cette phase est l'élaboration d'une grille d'évaluation. Celle-ci nous permettra de systématiser l'organigramme des capacités du processus et de garantir la cohérence entre les individus. En effet, grâce à cette grille, nous pourrons réduire les biais en évaluant nos propres performances, celles de chaque personne et celles de nos collègues. Il est important de garder à l'esprit que nous ne disposons pas nécessairement d'une norme objective. Prenons un exemple : si vous deviez attribuer la note de 1 à une tâche, que signifierait cette note ? Et 3, 5 ou 10 ?
Il ne s'agit pas seulement d'assurer la cohérence des évaluations entre les évaluateurs, mais aussi leur reproductibilité. Concrètement, on peut imaginer qu'une personne soit encline à s'auto-évaluer positivement, car elle a le sentiment de mieux respecter les normes que les autres. De même, un expert dans un domaine particulier, comme la capacité des processus, peut évaluer plus sévèrement les autres évaluateurs grâce à sa connaissance approfondie du sujet, qui lui permet d'analyser et d'examiner en détail le travail d'autrui. Il est donc indispensable d'établir une norme. C'est un élément clé de l'évaluation par grille d'évaluation.
Une partie de ce diagramme de décision, que nous allons examiner plus en détail, consiste à évaluer ce que nous appelons le mode de violation de la normalité. Nous analysons les données en partant du principe qu'elles suivent généralement une distribution normale, mais quels sont les mécanismes qui pourraient expliquer une déviation ? Quels sont les signaux potentiels, observables dans les données, qui indiqueraient la présence d'une cause particulière ?
Les six principaux problèmes que nous avons identifiés sont : un problème potentiel de valeurs aberrantes dans les données, un problème d’asymétrie, un problème de bimodalité, un problème d’aplatissement, un problème de résolution de mesure et un problème de taille d’échantillon.
Dans le cadre de l'étude de cas utilisée pour illustrer le diagramme de flux, nous avons traité deux cas : le cas 1 et le cas 3. Le cas 1 consistait en une composition de données simulées, avec des valeurs aberrantes de 5 % chacune, correspondant à des distances normales, marginales et extrêmes par rapport à la médiane. Nous avons également examiné un cas bimodal, où 80 % des données (toujours simulées et non spécifiques à l'entreprise ou confidentielles) présentaient une distribution réelle : 80 % des données suivaient un mode et 20 % un autre.
Voici ce que nous appelons un tableau des modes de violation de la normalité. On peut l'utiliser pour analyser notre jeu de données et identifier statistiquement le problème, comme décrit dans la diapositive précédente : six modes de violation potentiels, asymétrie due à des valeurs aberrantes, asymétrie d'un autre type, asymétrie générale, asymétrie positive ou négative, distribution bimodale, queue de distribution épaisse ou fine (en fonction du kurtosis, de la résolution des mesures et de la taille de l'échantillon).
La première chose que nous ferions dans la philosophie JMP serait d'examiner l'outil de visualisation approprié, d'examiner comment nous traiterions la mesure du milieu de cette distribution qui présente une violation, comment nous traiterions la mesure de la dispersion, ce à quoi nous nous attendrions en termes de diagnostic de la forme en termes de statistiques d'asymétrie et d'aplatissement, quel ajustement nous appliquerions dans JMP, et ensuite comment nous approcherions la normalité en termes de moyenne et d'écart type si nous devions utiliser une approximation normale.
Dans chacun de ces cas, nous avons examiné attentivement ce à quoi ressemblerait une statistique d'approximation normale valide et pourquoi. Nous avons effectué des simulations pour mieux comprendre et confirmer le comportement de ces statistiques dans ces différents contextes de violation.
L'élément clé est la visualisation du mode de violation. Les deux premières colonnes confirment la présence d'une violation et en décrivent la nature. Les trois dernières colonnes permettent non seulement d'identifier le problème, mais aussi, grâce à cette analyse, d'estimer au mieux le PBK (taux de violation de la normalité) pour ce mode de violation particulier. Par la suite, vous pourrez procéder à une analyse des causes profondes et à l'amélioration du processus afin de supprimer ou d'éliminer ce mode de violation. À mon sens, cette diapositive est essentielle à ce projet.
Vous trouverez sur la communauté un document Word, sorte de carnet de notes, qui détaille cette analyse dans le contexte des deux études de cas que j'ai mentionnées précédemment. C'est un document conséquent. Que cherchons-nous à comprendre, surtout pour quelqu'un qui n'a jamais vu cela auparavant ? J'essaie de rendre le tout plus clair. Le premier groupe, que nous appellerons A, est…
Voici la première phase. Comme vous pouvez le constater, il est important d'utiliser la même terminologie. Il s'agit de définir les critères de réussite du PPK, d'effectuer le test de normalité et de déterminer les statistiques nécessaires au diagnostic de la distribution. On effectue ensuite une analyse d'adéquation pour trouver la distribution la plus appropriée, puis on procède à un bootstrap (possible dans certains contextes, que j'aborderai plus loin). On examine le tableau des modes de violation de la normalité que je viens de vous présenter et on l'utilise comme grille d'analyse. L'objectif final est d'améliorer le processus afin de réduire, voire d'éliminer, les modes de violation de la normalité observés. Voilà pour le premier groupe, A.
Une fois cette étape franchie, nous passons au groupe B ou C. Le groupe B correspond aux situations où, d'après l'analyse PPK, nous ne respectons pas la cible ; autrement dit, le point médian de notre processus, ou son fonctionnement en son centre, est hors cible. Nous avons une spécification bilatérale, et à égale distance des limites inférieure et supérieure de la spécification, nous avons un point médian. Si, en moyenne, nous nous écartons de plus de 20 % de ce point médian, nous devons alors examiner ce que nous appelons le problème de non-atteinte de la cible.
Nous suivrions ce processus pour résoudre ce problème. De même, lorsque nous parlons du groupe C, nous évoquons un problème de dispersion. Cela signifie que nous sommes peut-être dans la bonne direction, mais que la variation est trop importante. Comment diagnostiquer cette variation excessive ? Comment la gérer, l’évaluer et, enfin, tenter d’améliorer le processus ? Groupes A, B et C : voici le diagramme.
Groupe A, voici un gros plan sur le groupe A. Je pense que nous avons déjà beaucoup parlé du groupe A, et j'ai fait allusion aux études de cas, que vous trouverez sur la page de notre projet.
Après avoir analysé le groupe A, nous commençons par une évaluation PPK et choisissons une méthode d'approximation normale appropriée pour estimer le PPK. Ensuite, si un problème survient (ce qui est l'objectif principal), nous évaluons s'il est possible de le résoudre, qu'il s'agisse d'une cible manquante ou d'un problème de dispersion.
Voici le groupe B plus en détail. En résumé, nous effectuerions un test de comparaison de la moyenne d'un échantillon avec la cible dans JMP sur la plateforme de distribution. Si ce test n'était pas concluant (valeur p inférieure à 0,05 ou à tout autre seuil alpha choisi), nous réaliserions un test d'équivalence par rapport à un seuil.
Si nous ne parvenions pas à satisfaire aux critères d'équivalence par rapport à ce seuil pratique que nous avons déterminé, nous devrions procéder à des améliorations supplémentaires du processus jusqu'à ce que nous atteignions ces critères d'équivalence par rapport au seuil que nous avons fixé.
Cela s'intégrera parfaitement à l'analyse du groupe C, de manière très similaire à la précédente. Si nous rencontrions un problème de dispersion, c'est-à-dire si la dispersion de notre processus était statistiquement inférieure à 1,33, nous effectuerions un test d'égalité des variances sur un échantillon par rapport à une plage de spécifications divisée par 8. Si ce test n'était pas concluant, nous réaliserions un test d'équivalence de l'écart type. Dans le cas contraire, nous passerions à une phase d'amélioration de la dispersion du processus, en recherchant des améliorations concrètes avant de revenir à l'organigramme de décision pour une réévaluation.
On constate que la phase d'amélioration des processus est un élément clé, et que l'analyse des causes profondes, s'appuyant sur une connaissance approfondie du domaine et une évaluation rigoureuse des anomalies constatées, est essentielle. Ceci est conforme à cette méthodologie de processus robuste.
Voici un exemple de la grille d'évaluation dont je parlais précédemment ; elle est essentielle et garantit la cohérence des analystes qui suivent le diagramme de flux. Chaque étape du diagramme est identifiée. Dans les groupes A, B et C, comme précédemment, la première colonne indique l'étape du diagramme et son nom, son objectif (quoi), sa raison d'être (pourquoi) et les outils suggérés pour sa mise en œuvre (comment).
Voici une autre méthode, peut-être plus détaillée, pour reformuler l'organigramme et garantir une évaluation juste de son exécution. L'idée est d'utiliser ces indices, de A à C, et d'étiqueter l'organigramme avec ces éléments spécifiques afin d'améliorer la cohérence de son exécution.
Nous avons parlé de répétabilité et de reproductibilité. L'un des outils clés que nous utiliserons à cet effet, et que l'industrie utilise généralement, est l'analyse R&R des instruments de mesure. Or, dans le cas présent, puisqu'il s'agit d'une évaluation par les pairs et que nous utilisons une méthodologie de notation, nous n'utiliserons pas un système de notation continue. Il nous faut un système discret, basé sur les attributs.
En fait, puisque nous utilisons une échelle, qu'il s'agisse d'une échelle à 5 niveaux ou à 10 niveaux (dans ce cas, une échelle à 5 niveaux supposée), nous devons traiter le type de données comme ordinal dans JMP, et à cette fin, nous effectuerions probablement une analyse R&R de jauge ordinale en utilisant l'analyse de tableau de contingence dans l'ajustement, la personnalité de contingence et l'ajustement Y par X de JMP.
Voici un exemple de ce à quoi cela pourrait ressembler. Par ailleurs, d'autres outils existent pour l'analyse de la répétabilité et de la reproductibilité (R&R) des jauges ordinales. Le coefficient de concordance de Kendall en est un. Tester la significativité de ce coefficient en est un autre. Le kappa de Fleis peut également être utilisé pour la R&R des jauges ordinales, bien qu'il soit généralement employé pour la R&R des jauges d'attributs. C'est précisément ce que la plateforme de visualisation des jauges d'attributs de JMP exploite.
Ce passage décrit plus en détail l'analyse des causes profondes et la démarche systématique que nous adopterons pour la phase analysée. Nous avons longuement évoqué l'utilisation du groupe A pour valider les causes potentielles (X) en nous basant sur les modes de violation de la normalité et pour comprendre les modes de défaillance dissociés du processus en examinant la distribution et en utilisant les outils de visualisation dynamique de JMP dans ce contexte.
Nous avons déjà abordé ce sujet, mais cela approfondit l'analyse des causes profondes, en identifiant les facteurs clés qui expliquent les écarts par rapport à la normale. Comme vous pouvez le constater, nous reprenons les trois groupes, A, B et C, et renommons les modes d'écart et leurs indicateurs. Bien entendu, l'analyse des causes profondes et l'expertise métier sont essentielles pour évaluer et atténuer ces écarts dans notre approche de résolution de problèmes JMP.
Cette diapositive a pour seul but de vous donner un autre exemple de réexamen du périmètre et des critères de réussite d'un projet, et d'illustrer ce que cela implique. Le contexte est différent : il s'agit ici du calcul des intervalles de tolérance statistique, mais le mécanisme de documentation et de systématisation du processus décisionnel reste similaire. De même, selon un mécanisme comparable à celui de la méthodologie de calcul du PPK, nous utilisons soit les données existantes et procédons à des ajustements en suivant la méthodologie des groupes B et C, soit nous reprenons le processus, l'améliorons, éliminons les données erronées en identifiant leurs causes profondes et en les supprimant du processus, puis reprenons l'analyse.
Voici un exemple très analytique et prescriptif de la manière dont nous pourrions réviser les limites de spécification et de ce à quoi ressembleraient les statistiques selon la méthodologie actuelle et la nouvelle, notamment, dans ce cas précis, en nous concentrant sur le rapport P/T de l'étude de répétabilité et de reproductibilité (R&R) de l'instrumentation dans un contexte de R&R variable. Encore une fois, il ne s'agit pas du contexte de cet organigramme, mais d'un contexte de mesure continue. Voici un tableau d'occurrence et de détectabilité de l'AMDEC. C'est un autre outil d'analyse clé que nous pouvons utiliser. Nous souhaitions le présenter à titre d'exemple.
Nous abordons ici la phase d'amélioration, à un niveau supérieur, et nous retrouvons des thèmes similaires où nous éliminons les variations spécifiques dues à une cause racine connue. Dans ce cas, nous pouvons simuler cette situation en filtrant les points de données dans nos données simulées, et nous pouvons ensuite élaborer notre méthodologie à partir de ces données simulées, ce que nous avons d'ailleurs fait dans notre étude de cas.
Bien entendu, nous avons défini une stratégie pour gérer chaque type de violation, que nous avons formalisée dans le tableau que j'ai mentionné dans le groupe A. Ensuite, lors de la phase d'amélioration, nous pouvons également déployer des initiatives d'amélioration continue. Là encore, nous procédons de manière prescriptive, en définissant des livrables, des tâches, des responsables, en identifiant les experts métiers et en fixant des échéances.
Voici un exemple de quelques-uns des outils que nous pourrions utiliser dans le contexte de la validation de la conception et de la vérification des processus pour la phase améliorée, notamment certains des outils JMP que nous pourrions utiliser.
Nous entrons alors dans la phase de transfert de connaissances, la phase de contrôle, où nous utilisons l'organigramme, nous formons aux statistiques, à l'analyse des variations dues à des causes spéciales, à l'utilisation de l'outil JMP et à la méthodologie de création de flux de travail associée. Nous documentons l'ensemble de la formation et nous formons des responsables capables de suivre l'organigramme de manière systématique.
Je vois. Un autre élément clé de cette phase est le plan de contrôle, qui permet de mesurer notre respect de la méthodologie d'analyse, de reconnaître les performances des personnes qui l'appliquent avec succès, de quantifier la réussite et de la valoriser parmi celles qui ont déployé le cadre d'analyse. Cette diapositive illustre parfaitement le concept de développement de cet outil de création de flux de travail. C'est en réalité très pratique.
En résumé, nous avons créé ce diagramme de flux. En suivant ce diagramme, nous enregistrons chaque étape de l'analyse sous forme de script dans la table de données JMP. Ensuite, nous créons un nouveau flux de travail. Nous ouvrons la table, puis chacun des scripts enregistrés après avoir cliqué sur « Enregistrer » au début du flux de travail. Enfin, nous arrêtons le flux de travail. C'est un moyen simple et systématique de capturer le flux de travail dans JMP en une seule opération.
Ici, l'analyse va au-delà de l'évaluation PPK. Nous nous intéressons ici à la capabilité et à la stabilité du processus de répétabilité et de reproductibilité des instruments de mesure (R&R), ainsi qu'à la quantification de ces instruments. Cette approche complète parfaitement l'exercice PPK et fait l'objet d'un projet distinct, avec une méthodologie et un cadre de mise en œuvre similaires.
En conclusion, nous souhaitons souligner la valeur, expliquer l'importance et fournir le contexte et les mécanismes relatifs à la prise de décision par consensus à l'aide d'un diagramme de flux de capacité de processus. Un exemple pourrait concerner l'étude de répétabilité et de reproductibilité des instruments de mesure (Gauge R&R), mais nous avons inclus… Ou peut-être que l'étude de répétabilité et de reproductibilité des instruments de mesure serait complémentaire à un exemple. Cependant, nous avons inclus un exemple sans tenir compte du contexte de l'étude de répétabilité et de reproductibilité des instruments de mesure, en tant qu'études de cas dans le cadre de ce projet, comme je l'ai décrit précédemment et comme ce sera inclus dans notre dossier de projet mis à la disposition de la communauté.
Concernant les travaux futurs, nous souhaitons intégrer une étude de répétabilité et de reproductibilité des instruments de mesure dans notre prochain diagramme de capabilité des procédés. Dans un souci d'amélioration continue, nous voulons affiner ce diagramme, car nous savons que la capabilité des mesures influe sur la dispersion et la variabilité des procédés. Par la suite, nous pourrons également relier ce problème de décalage K au concept de conception robuste et aux outils de conception robuste.
Mon co-auteur et moi-même devons réfléchir plus avant à la manière de connecter différentes équipes centrales dans le cadre du modèle universitaire JMP, que j'ai décrit au début de la présentation, afin de créer des opportunités communes pour améliorer et affiner davantage cette méthodologie de résolution de problèmes.
Merci beaucoup pour votre temps. Si vous avez des questions, n'hésitez pas à nous contacter. Merci encore.
