Bienvenue à tous à « Au coin de Statistics Road et de Business Decision Boulevard ». Un petit merci à mon co-présentateur, Juan Rivera. Juan et moi avons organisé cette présentation en équipe, mais il a décidé de me laisser faire la présentation. Voici un bref aperçu de l'Institut Pyzdek, basé à Tucson, en Arizona.
Nous avons des collaborateurs répartis dans le monde entier et nous enseignons les statistiques d'ingénierie et le Lean Six Sigma à de nombreux clients et dans de nombreux secteurs. C'est un point important, car nous allons aujourd'hui partager notre expérience avec certains de nos clients de différents secteurs et, espérons-le, les aider à en apprendre davantage. Enfin, nous sommes partenaires JMP. Nous sommes ravis de l'être et nous allons poursuivre notre développement.
Pour mettre les choses en perspective, cette présentation est en fait une suite de celle de 2020, présentée par JMP Discovery à Tucson, intitulée « À l'angle de Lean Street et de Statistics Road ». Il s'agit en quelque sorte d'une suite. L'enregistrement est disponible sur jmp.com, si vous souhaitez le visionner. Quelques années plus tard, en 2022, Juan et moi avons également présenté une présentation à la conférence ASQ Lean Six Sigma, intitulée « Protection contre les erreurs pour les expériences de conception ». Là encore, nous apprenons de nos clients et essayons d'aider les autres à tirer les leçons de ces erreurs.
L'objectif de la présentation ? Eh bien, oui, nous étudions la question depuis un certain temps. Il s'agit d'une étude pluriannuelle. Nous essayons de répondre à cette question : pourquoi les méthodes statistiques déraillent-elles et finissent-elles par avoir mauvaise réputation ? Nous le constatons nous-mêmes.
Quand je travaille à temps plein, mon patron s'est mis en colère parce que j'ai fait quelque chose à l'usine. Comment tirer les leçons de ces erreurs et trouver des mesures préventives ? C'est précisément ce que nous essayons d'accomplir aujourd'hui.
Format très simple. J'ai cinq conclusions principales à partager avec tout le monde. Chacune est accompagnée d'une étude de cas. Nous allons simplement aborder les actions du client, les conséquences qu'il en a subies et la manière dont nous l'avons aidé à résoudre les problèmes et à éviter un nouveau dérapage.
Voici la conclusion n° 1. Résumons. Tout est une question d'entreprise, pas de statistiques. Un thème récurrent que nous avons constaté. La cause profonde du problème, en résumé, réside dans l'incapacité à voir la situation dans son ensemble.
Voici l'étude de cas. Première étude de cas. Cette entreprise fabrique des rubans adhésifs utilisés dans les câbles électriques pour bloquer l'eau. Ils adhèrent au sommet, comme la photo ci-dessus, c'est vraiment génial. En présence d'eau, tout gonfle, et l'eau est utilisée pour bloquer l'eau. Un produit vraiment génial. Il contient un polymère superabsorbant mélangé à des non-tissés, des liants, etc.
L'objectif était d'optimiser un produit pour une performance en eau salée. En eau douce, ces rubans gonflent très bien, contrairement à l'eau salée. Un défi technique se présentait pour quelqu'un qui souhaitait enfouir des câbles électriques dans une zone où se trouvaient des nappes phréatiques, des nappes saumâtres.
Ils disposaient de facteurs contrôlables. Ils pouvaient contrôler le poids du substrat non tissé. Ils pouvaient également contrôler la taille des particules de superabsorbant, disponible en différentes tailles. Ils utilisaient différents liants pour lier le tout, ainsi que la quantité de liant utilisée, et ils devaient également ajouter un inhibiteur de corrosion pour empêcher l'eau de pénétrer. Cet inhibiteur de corrosion prévient l'érosion.
Une conception simple et directe, un produit essentiel, car si de l'eau pénètre dans le câble, c'est la catastrophe. Leur solution a été de minimiser la pénétration d'une certaine salinité d'eau salée dans le câble, d'après ce schéma. Il suffit d'arracher les dents, d'exposer les bandes de blocage, d'appliquer une pression à l'aide d'un réservoir d'eau surélevé et de voir jusqu'où l'eau pénètre dans le câble. Bien sûr, ils ne veulent pas que l'eau pénètre trop loin.
Ils ont réalisé une expérience de conception. Excellent. Si vous examinez le profileur de prédiction, vous obtenez le poids du substrat, la taille des particules, la quantité de liant, la quantité d'inhibiteur et le type de liaison, c'est-à-dire le type de colle utilisé pour assembler le tout.
Ils ont mené une expérience, ont atteint la désirabilité maximale et ont choisi l'agent de liaison 2, car il permettait une pénétration d'eau moindre. Ils ont modifié la conception du ruban et sont passés au projet suivant : une étude de cas courante, et beaucoup de gens font ce genre de choses.
Cependant, quelques mois plus tard, ils ont été frappés par trois imprévus. Tout d'abord, la taille des particules du superabsorbant variait sans qu'ils s'en rendent compte. Une variation de poids du substrat non tissé, due à une cause particulière, a entraîné des problèmes.
Pour couronner le tout, le responsable sécurité a été informé que certains éléments, notamment certains pompons, n'étaient plus acceptables sur le marché européen. Il a alors ordonné l'arrêt immédiat de l'utilisation du Bonding Agent 2, un produit qu'ils venaient de choisir pour optimiser la conception du produit en eau salée. Incroyable !
Il y a eu des conséquences. Panique. J'ai dû passer de l'agent de liaison 2 à l'agent de liaison 1. Ils ont commencé un test de matériaux entrants. Les gens se sont mutuellement accusés. La panique s'est déchaînée. En fait, ce sont les méthodes statistiques et le plan d'expérience qui ont été mis à mal. Tiens, ce plan d'expérience n'a pas fonctionné. Pourquoi ?
Par ailleurs, pour partager d'autres études de cas, nous avons constaté d'autres conséquences imprévues liées à l'optimisation de la désirabilité. Nous avons vu des entreprises mettre en œuvre un plan d'expérience (DOE) et optimiser la désirabilité, mais elles ont finalement enregistré une forte augmentation des coûts énergétiques, ou ont rendu la zone de travail dangereusement chaude pour les opérateurs, augmentant ainsi les pannes de machines et les coûts de maintenance. Parfois, leur client, le vendeur de leur produit, est pris au dépourvu, et pas seulement par le bruit des machines.
La première mesure préventive que nous avons mise en place, et encore une fois, nous avons essayé d'aider ce client en nous appuyant sur notre expérience. Nous recommandons d'utiliser la désirabilité maximale avec la plus grande prudence. Nous avons constaté des difficultés avec cette méthode.
En fait, nous recommandons de ne l'utiliser que si vous avez un grand nombre de réponses, avec des arbitrages complexes entre les réponses financières, techniques, commerciales, etc. Je recommande une certaine prudence.
La deuxième mesure préventive consiste à reconnaître que la planification d'expériences est un exercice discret. Bien que la planification d'expériences soit l'une des meilleures méthodes inventées pour améliorer, comprendre et optimiser les processus, elle demeure un exercice discret.
S'ils avaient utilisé les cartes de contrôle SPC, fournies par leur fournisseur concernant la granulométrie et tout le reste, ils auraient évité bien des soucis. Nous pensons que le DOE et le SPC forment une équipe formidable, et qu'il est important de les associer dès que possible.
La troisième mesure préventive consiste à repenser la politique de flux de travail. Cette entreprise avait des ingénieurs qui faisaient tout ce qu'il fallait, réalisaient l'expérience, etc. Mais il y a eu quelques ratés. Ils auraient dû en parler aux responsables de la chaîne d'approvisionnement, etc. Nous recommandons de définir des politiques d'entreprise. Vous allez mener une expérience. Voici comment procéder. Nous avons eu cette idée, décomposons-la en phases.
Parce qu'à chaque phase, vous souhaiterez probablement impliquer différentes personnes. Par exemple, cette entreprise a déclaré : « Nous allons utiliser ces trois phases. Nous allons travailler, effectuer des travaux, évaluer les données collectées, puis prendre des décisions commerciales. » Elle a fini par créer des normes visuelles, incluant des étapes de correction d'erreurs.
Ils ont commencé avec un petit groupe de personnes. On a demandé aux participants de concevoir une expérience, de collecter des données, etc. On ne voulait pas impliquer un grand groupe de personnes à ce stade, ni la chaîne d'approvisionnement, etc.
Ils passent ensuite à la deuxième phase. C'est là que l'on commence à faire appel à des personnes supplémentaires (chaîne d'approvisionnement, sécurité, opérateurs, superviseurs, etc.) pour évaluer les données. C'est à ce stade qu'il faut vraiment collaborer. C'est ainsi que nous évaluons les données que nous venons de collecter. Nous procédons par étapes : si elles sont bonnes, nous faisons une chose ; si elles ne sont pas bonnes, nous en faisons une autre, tout cela pour établir une politique.
Ensuite, lors de la phase finale, vous impliquez tous les acteurs, y compris les responsables du niveau de la mer et autres, et vous impliquez toutes les parties prenantes pour prendre la décision finale. Si cela avait été fait dès le départ, cela aurait probablement été évité.
Quatrième mesure préventive que nous recommandons : certaines entreprises affirment : « On va enseigner les DOE à tout le monde. » Ce n'est probablement pas la meilleure idée. Chaque DOE est une matière à part entière, mais il est préférable de l'enseigner dans le cadre de la réflexion statistique. Comment inciter les gens à penser statistiquement, et non pas seulement à mener des expériences de conception, mais à tout examiner ?
Examiner les performances des matières premières, examiner les études de centrage des procédés et s'assurer du bon fonctionnement de nos instruments. Y a-t-il des variations attribuables à des causes dans mon procédé ? Il est important d'enseigner toutes ces compétences, notamment l'analyse de fiabilité. C'est la quatrième mesure préventive que nous recommandons.
Voici un résumé de l'étude de cas 1. Après avoir collecté les données de réponse, nous vous proposons de passer du monde des statistiques au monde des affaires, comme nous le recommandons. Voici une photo de M. Spock la première fois qu'il a découvert le générateur de graphes JMP. Il me ressemble. Waouh, c'est la meilleure chose au monde ! Blague à part, c'est ce que nous recommandons pour éviter des problèmes comme celui décrit.
Voici la conclusion n° 2. En résumé, le respect des spécifications n'est pas la finalité. Nous constatons que de nombreux clients cherchent à atteindre leurs objectifs et se retrouvent en difficulté car ils ne font que se concentrer sur ces derniers. La cause profonde est, pour résumer, selon moi, une mauvaise compréhension de Taguchi. Nous y reviendrons plus en détail.
Je voulais simplement citer cette citation, car elle me paraît très éloquente. De la direction jusqu'à l'atelier, chacun devrait réfléchir au paradoxe de la qualité exprimé par Donald Wheeler dans son livre « Comprendre le contrôle statistique des processus ». Nous en arrivons donc à ce paradoxe. Tant que la direction a pour objectif la conformité aux spécifications, elle ne pourra pas l'atteindre. Si les actions de la direction laissent penser que le respect des spécifications est satisfaisant, le produit sera invariablement décevant.
De belles paroles. Nos observations, ce que nous apprenons de nos clients, corroborent ce paradoxe de la qualité, comme l'a souligné Donald Wheeler. Voici une étude de cas. J'avais un procédé CNC pour l'usinage de pièces en polycarbonate. L'entreprise a reçu une commande importante pour une pièce assez complexe, et les réponses habituelles des machinistes étaient les mêmes : les pièces devaient avoir la bonne géométrie, la bonne épaisseur, l'angle correct, les finitions de surface correctes, etc.
Lorsqu'ils ont reçu cette commande, ils ont déclaré : « Nous avons ce contrôle sur notre processus. Nous avons ces spécifications. » Ils ont ressorti les résultats d'une ancienne analyse de capabilité du processus. Écoutez, à l'époque, notre CPK était de 1,357. Il est basé sur 30 échantillons. Ils étaient loin de se douter qu'ils auraient probablement dû réaliser une étude SPC préalable pour garantir la stabilité et la prévisibilité de leur processus.
Ils n'ont pas examiné l'intervalle de confiance du CPK. Cela peut toujours être une surprise. Par la suite, ils n'ont pas examiné l'évolution du processus au fil du temps. Encore une fois, on se retrouve avec ce projet discret. L'analyse de capabilité du processus est discrète, et ils ont ensuite procédé.
Ils ont conclu, d'après les données qu'ils ont découvertes, que tout allait bien. Oui, regardez, nous avons la capacité de respecter les spécifications. Nous avons constaté qu'un CPK supérieur à 1,3 constitue une garantie raisonnable de succès. C'est compréhensible. On en parle tout le temps.
Ils ont pris la commande, fabriqué les pièces, ébréché le produit et l'ont expédié pour passer à la commande suivante. C'est compréhensible. Cependant, il y a une part de vérité sous-jacente. Tout d'abord, les pièces collectées pour leur étude PCA héritée l'ont été par commodité et ne représentaient pas fidèlement le processus global.
Dans le monde de l'usinage des plastiques, l'usure par refroidissement n'est pas aussi importante que dans celui des métaux. Certains phénomènes évoluent avec le temps. Ils n'avaient pas non plus réalisé que l'intervalle de confiance inférieur de leur indice CPK était de 0,89. Là encore, la capabilité du procédé est discrète. Il n'y a pas d'échelle de temps.
Ce qu'ils avaient appris il y a un an ne leur avait pas vraiment appris grand-chose sur le processus au moment de la commande. Ils ignoraient que leur processus n'était pas sous contrôle statistique. C'est l'une des conditions préalables à l'ACP. Si votre processus est sous contrôle, ces indices n'ont pas beaucoup d'importance.
Un autre problème concernait les spécifications utilisées : elles étaient arbitraires. Elles provenaient d'un bloc de tolérance, et ces spécifications ne reflétaient pas vraiment la capacité à satisfaire le client. C'est un phénomène très courant, d'après notre expérience client.
Quelques semaines plus tard, le client ne parvenait plus à assembler certaines pièces. Il avait des pièces en plastique sur sa machine. L'assemblage était impossible. Le litige portait sur certaines dimensions, etc. Le fournisseur, le fabricant des pièces, n'avait aucune preuve de l'intégrité des mesures ni du contrôle du processus. Il a déclaré : « Cher Monsieur le Client, notre indice CPK est de 1,357. » Le client, l'acheteur, a répondu : « Qu'avez-vous d'autre ? Ça ne me dit rien. Qu'avez-vous d'autre ? » Ils étaient en difficulté. Conséquences ? Taux élevés ou rejets.
Encore une fois, l'objectif de cette présentation est que c'est toujours la méthode statistique qui pâtit. Les choses tournent mal, des décisions sont prises, et les méthodes statistiques sont fiables. Le calcul d'un indice CPK est assez simple. Cette fiabilité n'est pas contestée, mais c'est la méthode qui pâtit. La réputation des équipes de production, de gestion, de vente, etc., est un autre échec des statistiques.
Que faire ? Vous avez ce problème. La première mesure préventive consiste à comprendre Taguchi. La fonction de perte de Taguchi, selon l'Institut Pyzdek, est l'un des concepts les plus importants à maîtriser. En termes simples, elle indique que si vous visez juste, vous minimisez vos pertes.
Dès que vous commencez à dévier de votre cible, à vous écarter du centre de votre distribution, quelqu'un commence à perdre de l'argent. Cela résume bien ce que ces gens auraient probablement dû faire.
Dans JMP, vous pouvez visualiser la fonction de perte de Taguchi. Nous recommandons aux entreprises de procéder de la sorte. Prenons l'un de leurs produits. Dans ce cas, nous avons une dimension, des objectifs, une constante à ajuster jusqu'à obtenir les pertes financières souhaitées, puis nous effectuons quelques opérations arithmétiques et créons un tableau ressemblant à un graphique grâce au générateur de graphiques. Il s'agit essentiellement d'un nuage de points permettant de montrer aux utilisateurs : « Si notre pièce fait 18 mm, nous conservons tout l'argent. » En termes simples et compréhensibles.
Au fait, il ne faut pas l'appeler « fonction de perte Taguchi ». Il vaut mieux éviter d'en parler aux dirigeants. C'est un concept. C'est important. On peut alors dire quelque chose comme : « Regardez, si une pièce coûte 17,93 $, elle est conforme aux spécifications. » Il existe une limite inférieure de spécification de 17,9, mais nous perdons 108 $ par pièce, selon la fonction de perte Taguchi.
Les gens le comprennent. Ils le voient. L'objectif est d'essayer de les inciter à cesser de penser au respect des spécifications. Je suis dans les spécifications, je suis hors spécifications, et à commencer à réfléchir à la distance qui les sépare de l'objectif.
De nombreuses personnes très intelligentes le disent depuis de nombreuses années, mais ce message ne passe pas forcément. Je n'insisterai pas là-dessus. L'autre mesure préventive consiste à définir des politiques. Si vous envisagez d'améliorer la capacité des processus, que faites-vous ? D'abord, assurez-vous que le processus est sous contrôle. Sinon, identifiez et corrigez le problème.
Ensuite, on se demande : ces spécifications sont-elles vraiment pertinentes ? S'agit-il simplement d'éléments tirés d'un dessin, d'un petit tableau sur un dessin ? On passe ensuite par tout ce processus de réflexion. Nous recommandons d'inclure un grand nombre de cartes de comportement de processus tout au long du processus.
Encore une fois, disons les choses telles qu'elles sont, une autre mesure préventive. C'est un dessin. Tout le monde l'a vu. Vous avez votre spécification inférieure, votre spécification supérieure, vous avez votre cible. Wheeler appelle cela la Zone de Négligence Bénigne. Je pense qu'il l'a formulé avec beaucoup de soin. Je l'appelle la Zone de Fausse Perfection. En dehors de la spécification, vous avez la zone inférieure du chaos et de la ruine, et la zone supérieure du chaos et de la ruine.
Quand on y pense, c'est ça le monde des spécifications de réunion. On est dans l'un de ces deux états : on danse joyeusement, ou on court partout comme un fou pour essayer de résoudre le problème. On constate que ce raisonnement, cet état d'esprit, met les gens dans le pétrin.
Autre point à prendre en compte pour les entreprises : JMP propose un module complémentaire appelé « Gage Performance Curve Generator ». Excellent outil. Fantastique, car il explique pourquoi vous souhaitez atteindre vos objectifs. En effet, dès que vous vous approchez de vos spécifications maximales ou minimales, le bruit de mesure devient un facteur déterminant de la satisfaction client.
Dès que vous vous approchez de la spécification inférieure, par exemple, un bruit de mesure apparaît. Vous pouvez juger des pièces conformes comme hors spécifications, et inversement. Ce module complémentaire JMP est formidable, et nous recommandons à nos clients de l'utiliser, de l'apprendre et d'en tirer des leçons.
Pour résumer la section, étude de cas 2, l'objectif est de réduire les variations. Cependant, l'analyse et les indices de capabilité des processus concentrent l'attention et les ressources sur le respect des spécifications, et nous constatons que les clients rencontrent des difficultés.
C'est deux sur cinq. Constat n° 3 : Vous ignorez peut-être ce que vous savez déjà. En résumé, constat n° 3 : nous avons constaté une incapacité à monétiser pleinement nos données. C'est la cause profonde de ces problèmes.
Voici une étude de cas, celle d'une autre entreprise de transformation du plastique. Implantée dans le monde entier, elle propose des produits en plastique par extrusion, moulage par injection, rotomoulage, soufflage, et possède des centaines de machines. Son principal problème avec les méthodes statistiques réside dans le volume considérable de ses activités.
Ils menaient des études statistiques indépendantes dans chaque usine, avec des procédés différents. Le stockage des données était très peu organisé. Les fichiers de données étaient conservés sur des disques durs de réseau local, des disques durs de PC, des clés USB, des disques cloud, etc. Les données étaient dispersées partout.
Ils ont dit : « Bon, eh bien, on a compris ce problème. » Ils ont compris qu'ils avaient un problème. « On a toutes ces données. Comment les organiser ? » Ils ont essayé des méthodes manuelles. Ils ont essayé de simuler les données à certains endroits.
Il y avait une longue liste de données : données fournisseurs, données d'état actuelles sur la transmission ou non de leurs processus, données d'analyse des systèmes de mesure, etc. Ils en avaient, des quantités astronomiques. La réalité sous-jacente était tout simplement trop complexe pour une approche manuelle. « Tout le monde envoie ses fichiers ici. Conservons-les sur ce disque réseau, sur ce disque cloud, ou quelque chose du genre. »
Ils n'exploitaient pas pleinement la valeur de toutes les données, dépensant des sommes colossales pour les collecter. Ils n'en optimisaient pas la valeur. Il n'y avait pas non plus de gouvernance des données. Si une personne appelle un facteur par un nom et une autre par un autre, et que vous essayez d'affirmer des choses, ces différences de noms de facteurs peuvent vous causer des problèmes. Il n'y a pas de terminologie commune, etc.
Quelques années plus tard, après avoir tenté de gérer toutes ces données manuellement et de toutes ses forces, les conséquences sont apparues. Les efforts se sont multipliés : différentes usines fabriquaient des produits similaires, des études étaient menées en double, etc. L'entreprise a rencontré des difficultés avec les audits. L'entreprise travaillait pour l'industrie aéronautique, ce qui a nécessité des audits externes. L'entreprise a rencontré des difficultés pour trouver des données lors de ces audits, et a rencontré de nombreux problèmes.
Encore une fois, les recherches sont difficiles, car en informatique, Temp 1 n'est pas égale à Temp_1. J'ai du mal à assimiler les choses. Ai-je déjà étudié cette température particulière sur une extrudeuse ? Ou ce facteur particulier sur une ligne de moulage par injection ? On utilise des termes différents, des noms de facteurs différents.
Les conséquences. Tout d'abord, ce genre de démarche a tendance à entraîner une perte de connaissances lorsque les employés s'en vont. Ce type a des données sur un disque dur, ou sur un lecteur réseau, par exemple, et les gens peuvent en perdre la trace. Toutes les études d'actualité qu'ils ont réalisées l'ont été sans tenir compte de tout le travail effectué auparavant. Toutes ces précieuses informations sur les processus se perdent avec le temps, comme des années de pluie.
Pendant ce temps, au sein de la haute direction, le PDG et ses collègues, convaincus par le coût croissant des études statistiques, n'ont pas vu le retour sur investissement. Leurs attentes n'ont pas été comblées. La réputation des méthodes statistiques est une fois de plus fortement entachée.
Que faire ? Premièrement, une mesure préventive. Changer d'état d'esprit. Considérer les données, leurs résultats et les modèles que vous construisez comme des actifs, comme des machines ou de l'argent en banque.
Changer de mentalité. Ces données ne vous seront d'aucune utilité si elles sont dispersées. Établissez des politiques d'entreprise pour la gouvernance, le stockage et l'analyse des données, ainsi que pour les archives historiques, afin que toutes ces installations, comme je l'ai mentionné précédemment, soient dispersées dans le monde entier, sur différents fuseaux horaires et continents.
En établissant une politique d'entreprise, vous tirerez le meilleur parti de vos données. ABC Widgets a fonctionné 571 jours sans incident de perte de données. C'est l'approche à adopter. Parallèlement, dans certains secteurs, notamment les biotechnologies, il existe ce système d'analyse des données appelé KASA, qui s'intéresse à la gouvernance des données et à la vérification des audits. Lorsque les auditeurs interviennent, ils demandent quelque chose, et vous l'avez à portée de main.
Autres mesures préventives. Si vous créez un fichier de données JMP, annotez-le. Utilisez la nouvelle variable « tables » pour indiquer l'objectif du projet. Quels sont les détails généraux ? Utilisez des notes en colonnes et répondez à la question : l'objectif, les méthodes, les détails et les résultats seraient-ils clairs pour quelqu'un qui n'aurait pas participé aux travaux dans cinq ans ?
Pour la plupart des fichiers JMP, la réponse est non. Quelqu'un les consulterait dans cinq ans et n'aurait aucune idée de ce qui était fait, des machines utilisées, des systèmes de mesure utilisés, des participants, etc.
Une autre mesure préventive qui, selon nous, apporte une valeur ajoutée est l'utilisation de JMP Query Builder. Intégrez tout cela, assimilez les données autant que possible, puis envisagez l'utilisation d'un système appelé « Knowledge Relationship Management ». Il en existe plusieurs, dont CoBaseKRM. Certains d'entre vous l'utilisent peut-être déjà.
Il est optimisé pour JMP, gère les données Excel et exige par définition une gouvernance des données. Il est consultable et évolutif. Si vous souhaitez réellement extraire toutes les informations essentielles de vos données, ce système de gestion unique et à grande échelle est un excellent point de départ. Vous avez plusieurs sites. Si vous devez réaliser des audits, car c'est la norme dans votre secteur, cela vous sera d'une grande aide.
Résumez cette section. Connaissances, données, analyses, modèles statistiques, connaissances des relations de cause à effet. C'est un atout pour l'entreprise, mais on ne le traite pas comme tel. Si vous perdez toutes ces connaissances, vous perdez des bénéfices et vous devenez moins compétitif au lieu de l'être davantage. Dans certains secteurs, la gestion des connaissances est essentielle.
C'est la troisième des cinq conclusions. Conclusion n° 4. Le SPC ne se limite plus au produit final. Ce que nous avons ici, encore une fois, ce que nous apprenons des autres, peut présenter des problèmes, dans ce cas précis, une incompréhension des facteurs, la cause profonde de nos conclusions.
Une autre étude de cas concerne un procédé de revêtement métallique. Je ne peux pas en dire trop, mais de nombreux facteurs entrent en jeu. Le client a identifié 21 facteurs de processus. Il y a plusieurs réponses. Il travaillait avec du métal.
Ce qu'ils faisaient, et c'est une pratique assez courante, c'est qu'ils utilisaient des cartes de contrôle statistique des processus pour les réponses, les éléments importants pour le revêtement du métal. Ils n'examinaient pas vraiment le comportement des facteurs. Ils analysaient essentiellement leur processus à rebours.
S'ils voyaient un signal de réponse dans le graphique IMR, ils reviendraient en arrière et commenceraient le processus avec une certaine faiblesse. C'est mettre la charrue avant les bœufs, à notre avis. En réalité, ils avaient essentiellement institutionnalisé des obstacles dans leur processus. Ils ont tous ces points de contrôle. Ils ne les regardent pas, ils regardent juste le résultat.
Il y a aussi une vérité sous-jacente. Il y a tout ce qui se passe, les facteurs de nuisance, l'influence des matières premières. Il y avait différentes personnes dans l'atelier, effectuant des tâches différentes, et c'était un chaos systématique. J'aime ce que Deming a démontré dans son expérience de l'entonnoir.
Quelque temps plus tard, ils souffraient de taux de rebut constamment élevés, de coûts plus élevés, de livraisons manquées, de clients mécontents et d'opérateurs exaspérés par un processus avec lequel ils se débattaient sans cesse. La cause et l'effet restaient un mystère.
La raison de ce phénomène est qu'ils n'ont pas tenu compte des facteurs. Ils se sont uniquement intéressés aux réponses. Les gens ont commencé à se demander : « Tiens, on a SPC sur cette ligne. Comment se fait-il qu'on ait autant de problèmes ? » La réputation de SPC en pâtit. Le problème, c'est qu'ils n'ont pas tenu compte des facteurs. Ils n'ont pas compris les facteurs.
Voici la première mesure préventive. Si vous lisez le livre de Donald Wheeler, « Vingt choses à savoir », chapitre 3, vous y trouverez une analyse absolument fantastique des causes contrôlées, des causes non contrôlées, des causes potentiellement cachées et de tout le reste. En résumé, si vous souffrez réellement de ce genre de problèmes, prenez le contrôle de tout ce qui vous tombe sous la main.
Voici un exemple. Créez ce tableau. JMP est très performant pour cela. Vous pouvez créer une pile de cartes de contrôle aussi haute que vous le souhaitez. Dans ce cas, nous avions 23 cartes IMR empilées pour les facteurs X1 et X2. Pour 13 facteurs de procédé, quatre facteurs de nuisance, la température ambiante, etc. Quelques propriétés des matériaux susceptibles d'affecter le procédé, ainsi que quelques réponses.
Ce système vous permet d'analyser l'état de votre processus et d'anticiper les évolutions futures. Il ne s'agit pas d'une utilisation rétroactive, mais d'une opération ponctuelle, quotidienne.
Regardez cette série de graphiques. Si vous observez un comportement, comme nous l'avons vu en analysant les réponses, lorsque cette réponse a été présente, nous avons pu observer une modification d'un facteur de nuisance ou d'une propriété matérielle. C'est une technique très puissante. Il suffit d'observer une pile complète de graphiques de contrôle. Un peu de pratique est nécessaire pour maîtriser tout cela et définir correctement vos limites de contrôle, mais c'est réalisable et c'est une technique très puissante.
L'autre point important est, encore une fois, de définir une politique et de prendre en compte les facteurs SPC. Il faut examiner le contrôle de la température et de la pression. Nous avons évoqué plus tôt cette étude de cas sur les câbles électriques souterrains.
Quel est le comportement du polymère superabsorbant entrant dans mon processus ? Il en fait partie intégrante. Il faut regarder en amont plutôt que de se contenter de l'exemple classique des réponses. Créer un flux de travail, apprendre de ses erreurs, vérifier les erreurs et documenter les politiques d'ensemble.
Pour résumer cette section, les processus sont complexes. Les sources de variation sont omniprésentes. Certains éléments tentent de s'immiscer dans le processus et de créer une habitude. En examinant les facteurs à l'aide du contrôle statistique des processus et en les examinant de plus près, vous commencerez à comprendre l'effet positif entre le facteur et la réponse. Cela vous fournira également des indications pour mener une expérience.
Voici une carte en L que j'ai trouvée sur le site web de JMP. C'est vraiment intéressant. Ils disent ici dès le début : identifier les facteurs et les réponses. C'est facile d'identifier ses réponses. Vous savez ce que vous voulez : le contrôle géométrique ou le gonflement d'un ruban à l'eau. La difficulté, la question difficile à laquelle il faut répondre dans le monde des plans d'expérience, c'est : quels facteurs inclure ?
On se pose souvent cette question. Si vous avez analysé de nombreux facteurs et commencé à comprendre leur comportement et leur impact potentiel sur votre processus, vous disposerez des informations, voire des conseils, nécessaires pour choisir vos facteurs avec discernement.
Dernier point, mais non le moindre, constat n° 5. Une bonne étude de R&R de l'instrument ne garantit pas son bon fonctionnement. On pourrait également dire qu'une bonne étude EMP ne garantit pas le bon fonctionnement de l'instrument. J'ai constaté que c'était un problème assez courant. La cause principale est que les gens ont tendance à ne pas vraiment comprendre ce qu'est réellement l'analyse des systèmes de mesure. Il existe un livre épais de l'AIAG sur le sujet, et il ne traite pas uniquement de R&R de l'instrument.
Étude de cas de ce procédé de moulage d'alliage d'aluminium. L'entreprise procède à l'homogénéisation de la matière première, à l'extrusion de tubes ou de cylindres, au recuit, et se préoccupe de la dureté tout au long du processus. Nous allons étudier la dureté Rockwell, une mesure relativement bien développée, et utiliser ces essais de dureté pour prendre des décisions importantes pour le processus en cours, car il s'agit d'un procédé en plusieurs étapes, et pour l'essai final.
Ce qu'ils ont fait, et ils l'ont fait suite à la réclamation du client, c'est une étude de résistance et de rectification de calibre. Ils ont obtenu des morceaux d'aluminium de différentes duretés Rockwell connues, et ces étalons sont disponibles à la vente. Ils ont réalisé une étude de résistance et de rectification de calibre. Super ! C'est intéressant.
Ils ont obtenu des résultats fantastiques. Waouh ! Regardez les composantes de variance. Toute la variation semble provenir des composants et très peu de la jauge elle-même. Ils ont conclu que l'instrument était proche de la perfection.
À leur insu, l'instrument était stable dans le temps et ils présentaient des problèmes de biais dont ils n'étaient pas conscients. Si l'on examine certaines de ces données, au lieu de se limiter aux résultats finaux, et en les analysant sous forme de graphique de variabilité, on constate que l'instrument rencontrait beaucoup plus de difficultés avec les composants B85 et B100. Analysez-les par opérateur et par composant : le constat est le même.
Comme nous le savons tous, les résultats d'un test de résistance et de retour de jauge dépendent fortement du choix des composants. Si les composants sont très différents, le signal est fort et le bruit du système de mesure est relativement faible.
Un an plus tard, les conséquences, les plaintes persistaient, les retours étaient fréquents, et il y avait toutes ces demandes de mesures correctives. S'il y a bien une chose qui me fait froid dans le dos, c'est bien une demande de mesures correctives. J'appelle ça un exercice d'égalité des chances, un exercice de gaspillage d'argent.
Voilà mon avis sur les demandes d'actions correctives, car tout le monde tourne en rond, les gens s'énervent, etc., et ils écrivent : « Oh, on va recycler notre opérateur, etc. ». Tout cela ne résout pas vraiment le problème. Les dirigeants s'énervent. Les méthodes statistiques peuvent en pâtir.
Que faisons-nous ? L'action préventive. Pensez à l'analyse des systèmes de mesure. C'est un processus, pas un simple test de performance. Il y a tout un tas de choses à faire pour comprendre votre instrument. Commencez par un contrôle de cohérence.
Mesurez la même pièce, la même personne, encore et encore. Si vous voyez des signaux dans ce graphique, arrêtez immédiatement. Vous avez un problème à résoudre. Vous devez étudier le biais et la linéarité. Assurez-vous que vos instruments sont calibrés.
L'EMP et le R&R des instruments sont importants, mais ils font partie intégrante du processus. Vous pouvez consulter les courbes de performance des instruments, dont nous avons parlé précédemment. Si vous avez des questions sur votre système de mesure et pensez qu'il influencera vos décisions d'inspection finales, il existe des méthodes. Vous pouvez utiliser les spécifications de fabrication, une solution temporaire pour compenser le bruit de mesure et vos instruments. En réalité, il est nécessaire de les observer sur de longues périodes. Le R&R des instruments est discret, contrairement aux graphiques SVC.
Résumé : Il existe une idée fausse sur l'AMS. Les gens pensent qu'il s'agit du Gage R&R. J'ai participé à des audits où l'auditeur demandait : « Montrez-moi votre MSA », et les gens se précipitaient pour montrer les résultats du Gage R&R. Idée fausse.
Les systèmes de mesure pourraient être continus. L'analyse et l'étude des systèmes de mesure devraient être continues, et non discrètes. Il ne s'agit pas d'une analyse ponctuelle, et vous pourrez ensuite tirer des conclusions. Vous définissez des pratiques d'entreprise, les rendez visuelles, etc. Je pense en termes de comportement temporel de vos systèmes de mesure.
Voilà pour l'essentiel. Voici l'essentiel : résumez les cinq études de cas et quelques conseils. Tout d'abord, apprenez des épreuves et des tribulations des autres. C'est ce que nous essayons de faire, car nous avons des clients, nous essayons de les aider et nous essayons d'apprendre d'eux. Ils apprennent de nous. Tout le monde apprend ensemble. Super ! Nous apprenons les uns des autres. En fait, cette idée que les méthodes statistiques peuvent parfois poser problème parce qu'elles sont appliquées en vase clos. Elles sont appliquées avec cette mentalité statistique.
À un moment donné, il faut examiner les impacts sur l'entreprise : coûts, disponibilité des matières premières, chaîne d'approvisionnement, sécurité, entreposage, etc. Nombre de ces efforts d'amélioration continue ont une vision bien plus globale. Encore une fois, pensez en termes de flux de travail plutôt que de réflexion isolée. Ne nous lançons pas dans une analyse de marché (AMS) ou dans un DOE. Pensons à ce flux de travail. Comment pouvons-nous utiliser un large éventail de méthodes statistiques pour améliorer nos vies et satisfaire nos clients ?
Considérez les données et les modèles que vous en dérivez comme un actif d'entreprise essentiel. Concentrez-vous sur les facteurs. Continuez à analyser les réponses. Lorsque j'étais ingénieur de fabrication, j'examinais les facteurs. Il n'existe aucun indicateur de rendement, aucun indicateur de contrôle dimensionnel, aucun indicateur de réponse. L'important est de comprendre comment les contrôler et comment ils affectent ma réponse.
Concentrez-vous sur la variation, la réduction, pour vous en sortir. Comprenez-moi bien, le respect des spécifications est important. Soyons clairs : le respect des spécifications est important, mais ce n’est pas la finalité. Il faut aller plus loin et se concentrer. Comme Taguchi nous l’a dit il y a des décennies : « Concentrez-vous sur la réduction de la variation et sur le respect des objectifs. »
Nous sommes convaincus qu'en appliquant tout cela, vous obtiendrez des améliorations progressives de vos processus. Vos opérateurs seront satisfaits, vos fournisseurs le seront encore plus, car vous les aidez, ils vous aident et vous, et vous satisfaites vos clients. Ces améliorations s'accumulent au fil du temps.
Sur ce, nous tenons à vous remercier. Juan et moi, merci de votre écoute. N'hésitez pas à nous contacter si vous souhaitez discuter de ces sujets ; nous serons ravis de vous aider.
