Cette présentation porte sur l'intégration du logiciel JMP à la méthodologie Six Sigma DMAIC. Cette combinaison performante simplifie différents aspects de la boîte à outils Six Sigma, permettant ainsi aux équipes de mettre en œuvre plus efficacement des améliorations basées sur les données.
JMP offre des outils avancés d'analyse statistique et de visualisation qui optimisent les phases DMAIC. Parmi ses principaux composants figurent l'analyse du système de mesure pour évaluer la précision des mesures, les statistiques descriptives pour résumer les caractéristiques des données, les diagrammes de Pareto pour identifier les facteurs les plus significatifs et l'analyse de régression pour comprendre les relations entre les variables. JMP inclut également Graph Builder, qui permet une visualisation intuitive des données, la fonctionnalité de conception optimale d'expériences (DOE), facilitant la planification d'expériences efficaces, et les cartes de contrôle, essentielles pour le suivi de la stabilité des processus dans le temps. Grâce à ces outils, les utilisateurs peuvent identifier rapidement les variables clés, analyser les tendances des données et visualiser les résultats, accélérant ainsi la prise de décision.
La présentation démontre également comment JMP simplifie la collecte et l'analyse des données, permettant aux équipes de se concentrer sur les informations les plus pertinentes. Des exemples concrets d'utilisation réussie de JMP dans des projets Six Sigma, illustrant son impact sur les résultats, sont présentés.
Bonjour. Je suis Marjoleine Wevers de Robert Bosch. Aujourd'hui, je vais vous expliquer, en compagnie d'Élodie Delclaux, l'application de JMP dans la méthodologie Six Sigma à l'aide d'exemples concrets.
Je fais partie du groupe Bosch. Le groupe Bosch, tout le monde le connaît. Tout le monde connaît les lave-vaisselle, les perceuses, les batteries, mais peu savent que Bosch propose également des équipements de mobilité et des systèmes d'essuie-glaces. Je travaille justement dans le secteur des systèmes d'essuie-glaces. Je suis à Tienen, en Belgique, où nous fabriquons des balais d'essuie-glace. Nous avons quatre sites de production d'essuie-glaces à travers le monde. À Tienen, nous sommes le seul site de production de profilés en caoutchouc. Ces profilés sont destinés au monde entier ; nous en produisons environ 120 millions par an.
Je fais partie de la Mini Factory Rubber, qui est en fait… On l'appelle Mini Factory car c'est une usine à part entière, et nous y avons quatre départements. On commence par le développement produit, où l'on fabrique les composés et les profils. Ensuite, il y a le développement des procédés chimiques, dont je fais partie, où l'on améliore les procédés existants ou que l'on en crée de nouveaux. Puis, nous avons deux chaînes de valeur, deux unités de production en procédé par lots : elles fabriquent le composé, puis, dans une phase ultérieure, les profils en caoutchouc. Enfin, le dernier département est notre laboratoire de chimie.
Dans le cadre de l'application de JMP à la méthodologie Six Sigma, et plus particulièrement au développement des processus, nous utilisons la méthodologie Six Sigma et sa version améliorée, l'A3. Nous privilégions la méthodologie Six Sigma lorsque l'analyse statistique des causes profondes des problèmes complexes est nécessaire, tandis que la méthode A3 améliorée est utilisée lorsque la visualisation est primordiale.
La méthodologie Six Sigma comprend cinq étapes distinctes. La première, la définition, est cruciale et pourtant souvent négligée. Il est essentiel de définir précisément le problème et l'objectif, car chacun a généralement une vision différente du résultat à atteindre.
Lors de la phase de mesure, nous recueillons les données pertinentes concernant le processus et le problème. Lors de la phase d'analyse, nous identifions les relations de cause à effet entre les entrées et les sorties. Lors de la phase d'amélioration, nous déterminons les valeurs optimales des entrées du processus. Enfin, lors de la dernière phase, la phase de contrôle, nous établissons les normes permettant de pérenniser les améliorations. Cette dernière phase est souvent négligée, mais si elle est mal menée, le processus risque de dérailler à nouveau.
Vous disposez également de votre boîte à outils, et voici la boîte à outils DMAIC. Chaque phase est associée à des outils et des techniques spécifiques ; voici un aperçu des outils communs. Je n'entrerai pas dans les détails, mais il est important que vous compreniez les possibilités offertes par la méthodologie Six Sigma. Élodie prend la parole.
Bonjour, je suis Élodie. Je suis ingénieure système chez JMP et je vais vous présenter notre plateforme d'extensions. Comme l'a mentionné Marjoleine, la méthode 4.0 (Définir, Mesurer, Analyser, Améliorer, Contrôler) est une méthode très répandue en Six Sigma. Nous proposons une extension pour JMP que vous pouvez intégrer au logiciel si cette méthode vous intéresse. Où trouver ces extensions ?
Nous avons lancé l'année dernière une plateforme : la plateforme JMP. Vous y trouverez une barre de recherche pour trouver ce dont vous avez besoin. Nous proposons notamment un module complémentaire Six Sigma, appelé Modern Six Sigma Add-in. Vous pouvez le télécharger et l'intégrer directement à JMP. Voici à quoi il ressemble : un nouveau menu s'ajoute à votre logiciel, avec ses cinq étapes. Vous y trouverez l'outil, ainsi que des webinaires et une assistance si vous souhaitez vous familiariser avec lui. Je laisse maintenant la parole à Marjoleine.
J'ai mentionné dans la première phase qu'il s'agissait de la phase de définition. La deuxième phase est la phase de mesure. Cette phase consiste à quantifier les performances actuelles du processus et à recueillir les données pertinentes. Pourquoi est-ce important ? Parce que souvent, nous avons l'intuition qu'il y a un problème, sans pour autant être toujours certains de son existence réelle.
Voici les cases vertes. Elles représentent la méthodologie Six Sigma, que vous pouvez mettre en œuvre dans JMP. Deux actions sont possibles : l’analyse du système de mesure, qui permet d’évaluer son exactitude et sa précision ; et les statistiques descriptives, qui consistent à résumer les données à l’aide de la moyenne, de la médiane, du mode, ou de toute autre statistique pertinente pour votre application.
Je vais maintenant vous donner un petit exemple de test d'équivalence de la moyenne entre une ancienne et une nouvelle mesure d'environ TOST (Two One-Sided Tests). Vous pouvez voir les données ci-dessous. Nous avions 329 échantillons que nous avons mesurés de deux manières différentes : avec l'ancienne et la nouvelle application. Nous voulions déterminer s'il existait une différence significative entre les deux méthodes.
Pour ce faire, on analyse puis on ajuste Y à X, puis on peut procéder au test d'équivalence. Il faut indiquer la différence de moyennes jugée significative. Ici, elle était de 5 millimètres. Si l'on effectue le test TOST, on constate généralement que, si l'équivalence est avérée, les résultats se situent dans la zone bleue du graphique en forêt.
Dans ce cas précis, nous n'étions pas dans la zone bleue, mais dans la zone rouge, car la différence réelle entre les moyennes était de 10 millimètres. Par conséquent, nous avons dû conclure que les données de notre ancien système de mesure annuel d'application n'étaient plus valides et qu'il nous fallait procéder à des étapes supplémentaires.
De plus, les statistiques descriptives, la description du processus actuel et la confirmation de la problématique sont présentées. Je peux vous en montrer un exemple : il s’agit d’une série de zéros que nous avons réalisée. Nous l’avons effectuée sur plusieurs jours, car nous souhaitions vérifier si la mesure était effectivement supérieure à celles obtenues lors de nos recherches précédentes.
Si j'observe la distribution, on constate une valeur moyenne d'environ 97 millimètres, alors que lors des séances précédentes, elle était de 50 millimètres. Notre intuition était donc juste : il y avait un problème.
La troisième phase, l'analyse, consiste à identifier les causes profondes des défauts ou des problèmes de performance. Notre première démarche est toujours d'identifier ces causes. Nous utilisons pour cela la méthode d'Ishikawa, la méthode des 5 pourquoi ou un diagramme d'Ishikawa (diagramme en arêtes de poisson), mais cela reste toujours la base.
Dans un second temps, nous établirons un diagramme de Pareto afin d'identifier les trois facteurs les plus importants dans l'ensemble de données. Nous procéderons ensuite à une analyse plus approfondie à partir de ces trois facteurs. Élodie expliquera ensuite le fonctionnement du diagramme de Pareto.
Je vais vous parler du diagramme de Pareto. Son objectif est d'analyser la fréquence d'un problème ou de ses causes afin d'identifier les plus fréquentes. Grâce à notre module complémentaire, nous pouvons y parvenir. En général, le diagramme de Pareto est intégré à la phase d'analyse. Dans notre module, il se trouve dans la phase de mesure, plus précisément dans le menu Modern Six Sigma. Pour créer un diagramme de Pareto, il vous suffit d'accéder à ce menu.
Je vais vous donner un exemple. J'ai ici un tableau de données avec différents types de défauts. J'ai 10 types de défauts et le nombre d'occurrences pour chacun. Dans ce cas, mon diagramme de Pareto pourrait ressembler à ceci. J'ai les pourcentages cumulés de mes causes. Il se termine à 100 %, soit tous les problèmes, et il est classé par fréquence, du plus élevé au plus bas.
Par exemple, nous pouvons constater que les trois principaux types de problèmes sont les pontages métalliques, les rayures métalliques et les défauts métalliques. Ce sont les principales causes de problèmes. Nous les avons identifiés et nous pouvons maintenant les traiter dans les étapes suivantes. Je vais tourner la diapositive et passer la parole à Marjoleine.
Une autre partie de la phase d'analyse consiste en l'analyse de régression, qui vise à analyser la relation entre les différentes variables, et en la vérification des hypothèses, qui consiste à tester les hypothèses et les théories à l'aide de méthodes statistiques. J'ai également un exemple à ce sujet.
Tout d'abord, nous disposons ici des mêmes données que la dernière fois, les mesures de la série zéro, et nous avions l'impression qu'il y avait une variation quotidienne dans ces mesures. La première chose que nous avons faite a été d'utiliser l'outil de création de graphiques pour analyser nos mesures en fonction de la date. Dans l'outil de création de graphiques, vous pouvez choisir le type de graphique que vous souhaitez (histogramme), mais nous avons opté ici pour les diagrammes en boîte.
Les diagrammes en boîte montrent clairement une différence selon les dates. Afin de confirmer ce résultat, nous avons effectué un test d'hypothèse. Pour ce faire, nous avons réalisé une analyse de variance à un facteur (ANOVA). Cette analyse se fait également via l'option « Ajuster Y par X », puis en sélectionnant « Moyennes/ANOVA » et enfin « Méthodes d'analyse des moyennes ».
Si vous examinez les données, vous pouvez déjà observer les losanges, et ces losanges ne se chevauchent pas. C'est déjà un indice majeur de la présence d'une variation quotidienne. On le constate également dans les valeurs moyennes : les bornes inférieure et supérieure des intervalles de confiance à 95 % des différents ensembles ne se chevauchent pas, ce qui confirme la présence d'une variation quotidienne. On le voit aussi dans l'analyse des moyennes (graphique ANOVA), où l'on constate que les comportements diffèrent.
La quatrième phase est la phase d'amélioration, durant laquelle nous développons et mettons en œuvre des solutions pour traiter les causes profondes des problèmes et optimiser le processus. Bien entendu, nous commençons par un brainstorming afin de générer des idées. Cette étape ne peut être réalisée dans JMP. La deuxième partie consiste à concevoir des expériences. Nous utilisons souvent des plans d'expériences personnalisés et menons des expériences pour identifier les facteurs influençant les résultats.
Nous utilisons fréquemment la conception personnalisée, et ce, intentionnellement, car elle permet d'intégrer des facteurs difficiles à modifier. C'est un point crucial pour nous en production. Dès que nous disposons des informations relatives au plan d'expériences (DOE), nous procédons à la mise en œuvre à échelle réduite d'une partie de la solution proposée afin de vérifier le bon fonctionnement de notre modèle. Vous trouverez ci-joint une explication concernant une étude de composition, que nous réalisons dans le cadre du DOE.
Avant 2018, nous procédions par étapes, en analysant un facteur à la fois. Cette méthode nous prenait 20 semaines, impliquait 360 composés et engendrait des coûts très élevés, souvent sans succès. Depuis 2018, nous utilisons un plan d'expériences optimal, un plan I-optimal, basé sur un modèle de surface de réponse. Ce plan nous permet de réaliser l'expérience en deux semaines. Il ne nécessite que 36 composés et notre modèle est capable de prédire le composé optimal. Nous avons réduit de 10 % la charge de travail et le délai de réalisation par rapport à une approche OFAT, tout en disposant de davantage d'informations.
Je vais me référer à ce modèle. Vous pouvez constater qu'il comporte 10 facteurs de sortie. Ces facteurs correspondent aux propriétés physiques qui déterminent le comportement fonctionnel de cet essuie-glace. Les cinq facteurs d'entrée, ou plutôt les cinq composants de notre composé, sont également présents. Enfin, un facteur de blocage est présent, lié au fait que nous ne pouvons effectuer que neuf tests par jour.
Le modèle que nous utilisons. Comme je l'ai dit, nous utilisons un plan d'expériences I-optimal et un modèle de surface de réponse. Dans ce cas précis, le nombre minimal de tests requis est de 27 selon JMP. Nous préconisons généralement d'en effectuer quatre de plus, mais ici, nous disposons de toute façon de quatre jours de test ; 36 tests sont donc envisageables. Nous retiendrons cette valeur par défaut.
Si nous procédons à l'analyse, voici le modèle analysé que nous utilisons. Permettez-moi de le déplacer légèrement. Vous avez ici le résumé des effets. Vous pouvez constater que toutes les valeurs p sont nettement inférieures à 0,05. Ceci est un résultat. Si nous regardons le résultat, vous pouvez voir que le graphique des valeurs réelles par rapport aux valeurs prédites est très petit. C'est une ligne droite comme prévu, mais vous pouvez également constater ici que les barres rouges sont très petites.
On constate également que, dans le résumé de l'ajustement, on examine systématiquement le R² ajusté. Pour nous, un modèle avec un R² supérieur à 0,90 est considéré comme performant. Dans ce cas précis, notre modèle atteint 0,99, ce qui signifie qu'il explique 99 % de la variabilité. Si nous analysons ce modèle avec 10 sorties et 5 entrées, il est crucial d'intégrer les fonctions de désirabilité dans l'outil de profilage des prédictions afin de maximiser la désirabilité et d'identifier le composé optimal.
Il est important pour nous de connaître la décision de l'ordinateur, mais nous procédons toujours à une vérification manuelle pour identifier les interactions, etc. Dans ce cas précis, par exemple, nous savons que les entrées 1 et 2 interagissent, et en déplaçant le profileur, nous pouvons clairement observer l'influence des différents facteurs. On constate également, dans les résultats, des intervalles de confiance très étroits pour certaines sorties présentant un excellent coefficient de détermination ajusté (R² ajusté). D'autres sorties, en revanche, présentent une plus grande variabilité.
Ensuite, nous passons à la dernière phase, la phase de contrôle. Durant cette phase, il est essentiel de s'assurer que les améliorations se pérennisent et que le processus reste stable et maîtrisé. Le premier élément à vérifier est le plan de contrôle ; s'il est correct, il faut l'ajuster si nécessaire et documenter les méthodes.
Ensuite, notre deuxième pratique systématique consiste à effectuer un contrôle statistique des processus, en utilisant des cartes de contrôle pour surveiller leur stabilité. Chez Bosch, nous utilisons un logiciel dédié. C'est pourquoi Élodie expliquera également le fonctionnement du contrôle des processus dans JMP.
Je vais vous montrer comment créer des cartes de contrôle dans l'extension. Comme mentionné précédemment, la phase de contrôle est cruciale dans la dernière phase de la méthodologie Six Sigma. L'option est disponible dans le menu « Contrôle de la dernière phase ». De nombreuses options de cartes de contrôle s'offrent à vous. Vous pouvez utiliser le générateur de cartes de contrôle, un outil hautement personnalisable permettant de créer presque tous les types de graphiques. Sinon, si vous souhaitez un type de graphique spécifique, vous pouvez sélectionner une autre option. Je vais vous présenter un exemple de données et nous créerons ensemble une carte de contrôle.
Ici, les données sont un peu amusantes et fictives. Il s'agit de cornichons. Nous mesurons leur acidité. Les mesures ont été effectuées à différentes dates sur différents lots, et l'objectif est de déterminer la stabilité de la production.
Voici la carte de contrôle générée par l'outil dédié. Elle est divisée en deux sous-parties : la première, « acide », représente les points de mesure. Tous les points sont représentés. Les lignes rouges indiquent les limites de contrôle. Si un point se situe en dehors de ces limites, comme ici, cela signale une possible instabilité du processus ; il est donc nécessaire d'en examiner la cause.
Vous pouvez également recevoir d'autres alertes concernant la stabilité, les variations potentielles de la moyenne ou un problème imminent. Anticipez ce problème grâce à ces alertes. Depuis JMP, vous pouvez personnaliser vos propres alertes ou utiliser celles existantes. De nombreux types d'alertes sont disponibles.
Ici, deux voyants sont allumés. Celui-ci, par exemple, est le numéro 5. Vous pouvez en connaître la signification en survolant le point avec votre souris. Cela signifie que deux des trois derniers points dépassent deux écarts-types par rapport à la moyenne. Cela peut indiquer un problème. Vous pouvez ainsi être alerté et vérifier s'il s'agit bien d'un problème, et éviter ainsi un éventuel souci.
De même, il s'agit d'un autre type d'alerte signalant un possible décalage dans votre processus. Il est donc possible qu'il ne soit pas stable, ou du moins qu'il faille le vérifier. Une autre sous-partie, également sous forme de carte de contrôle basée sur l'étendue mobile, permet de détecter une amplitude trop importante ou suspecte entre deux points.
C'est aussi un moyen de vérifier la variabilité de votre processus afin de garantir sa stabilité. En effet, nous avons réalisé toutes les étapes dans un seul objectif, et nous souhaitons maintenant que notre processus soit stable et le reste. Notre présentation est maintenant terminée. Si vous avez des questions, n'hésitez pas.
