Peter van Bruggen, statisticien, Unilever R&D
Abstrait:
Chez Unilever, des milliers d'expériences sont réalisées avant la (re)commercialisation des produits. Les centaines de chercheurs, ingénieurs et techniciens impliqués dans ces expériences à travers le monde sont formés dans différentes disciplines et possèdent des niveaux de connaissances statistiques variables. L'application de plans d'expériences est souvent peu courante et les statisticiens ne sont pas toujours disponibles pour apporter leur soutien. Il est indéniable que pour les non-statisticiens, les plans d'expériences posent des difficultés : 1) le nombre considérable de plans d'expériences, 2) le niveau de détail nécessaire pour renseigner les informations nécessaires et 3) la difficulté de comprendre les résultats de l'analyse statistique. Un mauvais plan d'expérience peut facilement être choisi ou les résultats mal interprétés. C'est ce qui fait la différence entre le succès et l'échec. Au lieu de former tous les scientifiques aux statistiques et aux plans d'expériences, Unilever a déployé un outil pour surmonter ces difficultés. Cet outil, appelé Plyos, a été développé en interne et fonctionne sous JMP. Plyos simplifie le processus et guide l'utilisateur tout au long de la configuration des plans d'expériences grâce à une assistance étendue. Plyos fournit également des explications détaillées pour interpréter les résultats de l'analyse statistique. La présentation met en évidence les méthodes d'utilisation de l'outil, ainsi que ses avantages et ses limites.
Texte du présentateur:
Veuillez consulter un PDF séparé pour les diapositives présentées
1 Introduction
« La réflexion est l’une des armes les plus importantes pour faire face aux problèmes »
Mandela a déclaré cela il y a de nombreuses années dans une interview faisant référence à son emprisonnement de 27 ans.
Cependant, ces sages paroles pourraient également s'appliquer aux plans d'expériences. Ils font désormais partie intégrante de notre slogan pour les cours liés au Département de l'énergie.
Unilever est une entreprise produisant des biens de consommation courante dans divers secteurs, tels que l'alimentation, les produits d'entretien et les soins personnels. Elle possède de nombreux sites de production dans le monde entier.
Le processus de lancement des produits sur le marché pourrait être, de manière simplifiée, divisé en trois étapes : Dans les sites de Recherche et Développement, les produits sont façonnés, puis testés à petite échelle dans des usines pilotes avant d'être produits pour le marché dans nos usines.
Le coût lié aux expérimentations en usine est relativement élevé en raison du coût élevé des équipements, des tailles de lots souvent plus importantes et du fait que les produits obtenus ne peuvent pas être vendus sur le marché.
En R&D, nous pouvons réaliser beaucoup plus d'expériences grâce à leur échelle réduite, ce qui se traduit par des coûts par échantillon bien inférieurs. L'usine pilote se situe littéralement au milieu.
Le désir de techniques DoE est, bien sûr, directement lié au nombre d’expériences que vous réalisez.
Les connaissances communes sur les statistiques et le DoE – mais aussi le niveau de soutien statistique – sont malheureusement bien plus faibles dans les usines pilotes que dans la R&D et sont encore plus faibles dans les usines.
Avec l’introduction du DoE dans nos usines pilotes, nous étions confrontés à plusieurs défis.
Ces défis commencent par le fait que nous disposons de plus de 40 usines pilotes dans le monde, impliquant plus de 500 collaborateurs. Le niveau de formation varie considérablement, tout comme leurs connaissances en statistiques. L'utilisation des techniques statistiques n'est pas toujours une pratique quotidienne.
Les personnes travaillant dans les usines pilotes sont hautement qualifiées et reconnues dans leur domaine d'expertise. Cependant, lorsqu'elles utilisent un outil DoE, elles sont confrontées à de nombreuses options et choix. Certains sont « faciles », d'autres peuvent s'avérer « très difficiles ». La plupart des problèmes rencontrés concernent le type de conception, l'analyse et l'interprétation des résultats. Le manque de connaissances dans ce domaine peut les dissuader d'utiliser un DoE.
Il existe plusieurs moyens de pallier un éventuel manque de connaissances, dont les plus évidents sont listés ici. Cependant, la « formation » et le « renforcement du support statistique » sont très coûteux en raison du grand nombre de sites et de collègues concernés. Et imposer l'utilisation d'une technique ne fonctionnera pas, comme nous le savons tous.
2 Introduction du DoE dans les usines pilotes
Unilever a opté pour cette solution visant à simplifier le processus de demande de déclaration d'impact environnemental. Cette solution permet non seulement de réduire les coûts, mais pourrait également s'avérer plus durable pour Unilever, qui compte de nombreux collaborateurs et change régulièrement de poste.
Pour ce faire, nous avons défini certaines exigences visant à simplifier le processus de mise en place d’un plan d’expériences et son analyse.
Nous avons évité autant que possible l'utilisation d'un langage statistique. Nous avons ignoré les termes relatifs au type de conception et aux techniques d'analyse, et nous nous sommes concentrés sur les informations à recueillir après l'essai et sur les connaissances dont dispose l'utilisateur avant l'essai.
Comme il n’est pas toujours possible d’éviter le langage statistique – notamment lors de l’analyse des données – il a été choisi de fournir une aide à chaque étape du processus.
Outil 3 Plyos
Pour qu'un tel processus simplifié soit un succès, vous avez inévitablement besoin d'un outil logiciel simple, utile et facile à utiliser.
Nous avons développé un tel outil, appelé « Plyos », et il est bien sûr disponible chez Unilever dans le monde entier.
Cet outil fonctionne dans JMP et échantillonne uniquement les informations souhaitées. Quelles sont les réponses et les facteurs ? Il échantillonne uniquement les informations supplémentaires nécessaires. Par exemple, la question de savoir si des interactions doivent être incluses dans la conception n'est posée que lorsque cela est possible.
Toutes les étapes sont expliquées et les décisions possibles sont communiquées à l'utilisateur. Le système vérifie les saisies et propose des améliorations en fonction des connaissances d'Unilever.
Enfin, l'outil fournit une conception efficace qui est présentée de manière aléatoire ou bloquée si les circonstances le souhaitent.
L’outil analyse également les réponses en utilisant un nombre minimum de techniques statistiques en fonction du type de réponse et du nombre de facteurs et explique comment chaque technique – individuellement et en combinaison – doit être interprétée.
4 Déroulement du programme Plyos
Les exemples donnés vous donneront une idée générale du déroulement du programme, avec quelques captures d'écran. Seuls quelques points importants sont présentés.
Au démarrage, Plyos propose des options permettant de modifier le dossier par défaut pour le stockage des données. Vous pouvez consulter l'aide ou ouvrir un manuel plus détaillé. Il est également possible de tester l'application à l'aide de fichiers d'exemple.
Le plus important est bien sûr de concevoir un nouvel ensemble d’expériences ou d’ouvrir une conception existante pour ajouter des données de réponse et analyser ces résultats.
Lorsque l'utilisateur commence à créer un nouveau plan, l'outil lui demande d'abord des informations pour identifier l'essai à une étape ultérieure. Il doit ensuite renseigner les réponses, dont un exemple est fourni. Le niveau de détail demandé est plus élevé que ce à quoi on pourrait s'attendre lors de la configuration d'un plan dans JMP. Ces informations supplémentaires, typiques d'Unilever, sont utilisées en arrière-plan pour optimiser le plan final. Par exemple, Plyos demandera si les réponses ordinales ou nominales peuvent être remplacées par des réponses continues. Ces réponses continues sont plus faciles à analyser et les résultats poseront moins de problèmes d'interprétation pour les non-statisticiens.
Un écran d'aide séparé est disponible pour expliquer les différents champs et leur impact.
Après avoir fermé cet écran de réponse, l’étape suivante du processus traite – de manière similaire – des facteurs qui doivent être étudiés.
Si le système de connaissances Plyos décide que l'utilisateur doit faire un choix – par exemple si des interactions doivent être incluses ou non – le système pose la question et fournit de l'aide pour clarifier cette question.
L’étape suivante « Décisions et conséquences » fait référence à une décision forcée de Plyos.
Si Plyos a forcé une décision – par exemple lorsque les niveaux de facteurs doivent être limités – une fenêtre séparée avec des explications s'affiche avec – le cas échéant – des options à sélectionner.
Une fois que tout a été rempli et répondu, un design aléatoire et prêt à l'emploi est fourni.
Ce tableau de données JMP, également pris en charge par l'aide, peut être utilisé directement comme recette pour les essais en usine pilote. Les résultats des réponses peuvent être renseignés et, bien sûr, le tableau peut être enregistré pour un traitement ultérieur.
Le tableau correspond aux informations fournies et est plus détaillé que le tableau de données JMP standard, conformément à leur processus DoE standard. Par exemple, JMP DoE crée des facteurs nominaux uniquement pour tous les facteurs catégoriels en entrée, tandis que Plyos les rend ordinaux ou nominaux selon l'entrée.
Une bonne conception d’expériences est inutile sans une analyse appropriée des données de réponse.
Dans l'exemple donné, vous voyez sur le côté gauche une fenêtre de rapport JMP présentant les techniques statistiques prédéfinies qui sont choisies pour le modèle étudié et sur le côté droit, vous voyez l'explication des mêmes techniques.
Les explications ne montreront que les techniques réellement utilisées dans l'analyse et vice versa.
En plus des descriptions générales du modèle et des hypothèses les plus importantes, les explications détaillées des techniques d'analyse – individuellement et en combinaison – devraient suffire dans la plupart des situations pour tirer des conclusions solides et fondées à partir des données, même lorsque l'utilisateur n'a qu'une connaissance limitée des statistiques.
5 défis de conception
Lors de la conception de l'outil, nous avons été confrontés à plusieurs défis. Certains ont eu un impact important, d'autres ont été mineurs.
La première porte sur les types de conception qui seraient nécessaires pour des combinaisons spécifiques de facteurs et serions-nous capables de créer un flux tel que la même conception soit choisie lorsque vous recommencez le même processus ?
Heureusement, nous disposions d'une connaissance approfondie du groupe cible et de ses besoins spécifiques. Les différentes situations étaient définies par le nombre de facteurs, leur type, le nombre de niveaux par facteur (catégoriel), l'inclusion ou non d'interactions et/ou de non-linéarité, ainsi que d'autres contraintes.
Toutes les informations sont stockées dans un grand tableau de données qui comprend également des informations sur la manière dont les données doivent être analysées.
Au début du développement, il a été décidé d'utiliser principalement des conceptions classiques. Celles-ci sont faciles à comprendre et reproductibles. Cependant, leur codage est complexe, surtout si l'on souhaite éviter que les utilisateurs ne se retrouvent confrontés aux dialogues DoE standard de JMP.
Par conséquent, la plupart des conceptions sont codées en dur dans les scripts via des boucles. D'autres sont stockées dans des tables de données et utilisées à la demande.
De nombreux types d'aide ont été nécessaires, sollicités à différentes étapes du processus de création. Pour faciliter la maintenance, le texte ne doit pas être stocké trop profondément dans les scripts.
Nous intégrons du texte dans différentes sources, notamment des scripts. Cependant, la majorité est stockée dans des tables de données et des journaux. La façon dont nous avons réussi à stocker une grande quantité de texte dans un journal et à en présenter des parties de manière flexible nous a particulièrement satisfaits.
Nous rencontrons également plusieurs problèmes plus mineurs :
Certains noms de colonnes créés semblaient dépendre de la langue (par exemple, « Résidus »). Nous avons opté pour la solution simple et avons testé la langue et demandé à l'utilisateur de la modifier si nécessaire.
Certaines « Préférences de la plateforme » modifient la présentation des données lors de l'analyse. Certaines ne peuvent pas être résolues par codage en dur. Nous n'avons pas trouvé de solution à certains de ces problèmes ; nous avons donc inséré des avertissements dans notre texte.
Nous avons commencé le développement en 2011 avec JMP9. L'introduction de JMP11 a ensuite entraîné des problèmes pour certaines routines. Nous avons donc développé des sous-routines dépendant de la version pour les résoudre. Cependant, JMP9 n'est plus disponible.
6 Disponibilité et déploiement des outils
L'outil est déployé dans toute l'entreprise Unilever et est disponible via un lecteur partagé.
Bien que l'utilisation de l'outil soit explicite grâce à l'aide et au manuel inclus, l'outil fait également partie d'un programme de formation.
Durant cette formation, l'accent n'est pas mis sur les bases de la conception d'expériences ni sur les statistiques complexes, mais plutôt sur la pratique de l'outil et la préparation nécessaire à la mise en place d'un plan. Notre devise est « Réfléchissez bien avant de commencer », reprenant ainsi les mots de Monsieur Mandela.
Notre expérience nous montre que ce processus de réflexion est encore plus important que le processus même de mise en place d’un DoE.
7 Utilisation des outils
Plyos est disponible depuis 2012.
Nous constatons que l'utilisation de l'outil s'étend à l'ensemble du groupe Unilever, avec une couverture de plus de 20 pays et plus de 500 utilisateurs. Une centaine d'utilisateurs ont créé plusieurs des 600 cas pertinents que nous avons recensés au cours des deux à trois dernières années. Plyos s'est avéré applicable dans environ 95 % de ces cas, ce qui a permis d'obtenir une conception valide et utile. L'intervention d'un statisticien a été nécessaire dans environ 5 % de ces cas.
Un point est toutefois crucial : tous les aspects doivent être pilotés et soutenus par la direction générale. Sans ce soutien, l'utilisation de l'outil – et donc l'application du DoE – risquent fort de décliner. Nous avons beaucoup de chance de bénéficier de ce soutien.
8 Conclusion
Il reste difficile de tirer une conclusion solide, surtout en tant que concepteur de l’outil.
Cependant, d'après les statistiques que nous venons de voir et les commentaires et questions que nous avons reçus et que nous recevons encore de la part des utilisateurs, je pense que nous avons réussi à simplifier le processus de mise en place de plans d'expériences.
Bien sûr, nous devons tout mettre en œuvre pour que l'utilisateur reste concentré sur la création d'un plan d'expériences chaque fois que le travail en usine pilote l'exige. Nous y parvenons en partie grâce à la gestion, mais aussi en fournissant une assistance dédiée de statisticiens sur demande.
L’outil lui-même doit également être mis à jour régulièrement pour rester en phase avec les demandes croissantes de l’utilisateur.
Il est également apparu que l'accent mis sur la réflexion approfondie avant de commencer était bénéfique. L'utilisateur est beaucoup plus conscient de ce qu'il souhaite étudier et perçoit Plyos comme un outil utile pour y parvenir sans l'aide d'un statisticien.
Équipe 9 et clôture
Enfin, je voudrais souligner que ce développement n’aurait pas été possible sans une équipe formidable.
Winfried Theis a malheureusement quitté Unilever bien avant que l'outil ne soit scénarisé.
Les deux autres personnes – Frits Quadt de Quadt Consultancy pour le support technique et Hans de Roos d’Octoplus Information Solutions pour le scripting – font toujours partie de notre équipe.
Bien sûr, de nombreuses autres personnes ont contribué au déploiement mondial de Plyos. Leur aide a été et est toujours grandement appréciée.
Pierre van Bruggen
Statisticien
Unilever Recherche & Développement, Vlaardingen, Pays-Bas
peter-van.bruggen@unilever.com
