Le document traite des concepts liés à l'amélioration de la performance à travers la méthodologie 6 sigma, incluant la définition claire des problèmes, la collecte et l'analyse de données, et la mise en place de solutions durables. Il souligne l'importance d'un échantillon représentatif pour mesurer les statistiques et l'impact des paramètres sur le processus, tout en proposant des outils pour valider ces éléments. Enfin, il décrit la nécessité de contrôler les résultats obtenus afin de garantir une amélioration continue.

11. Performance
Temps
Instabilité
Amélioration
Continue
Innovation
6 Sigma

12. Indicateur d’amélioration = Sigma du procédé : Z
Objectif 6 sigma = 3.4 défauts sur 1 million de pièces
Comment savoir si on s’améliore ?

13. Des exemples :
Définition:
Les statistiques permettent de calculer la probabilité qu’un
évènement se réalise.

14. Définition:
La population c’est l’ensemble des individus (données) sur
lesquels porte l’étude.
Exemple:
Mesurer la taille des Français âgés de 25 ans
?
La population :
- Français
- Hommes
- Femmes
- 25 ans
600 000
personnes

15. Définition:
Un échantillon c’est une portion de la population.
Exemple:
Mesurer la taille des Français âgés de 25 ans
La population :
- Français
- Hommes
- Femmes
- 25 ans
600 000
personnes
Echantillon :
- 100 personnes

16. Définition:
Un échantillon représentatif doit :
- Avoir minimum 30 valeurs
- Représenter l’ensemble de la population
Exercice :
Les échantillons sont-ils représentatifs ?
Echantillon 1 :
- 80 hommes
- 20 femmes
Echantillon 2 :
- 50 hommes
- 50 femmes
- Du Nord
Echantillon 3 :
- 50 hommes
- 50 femmes
- Partout en France

17. Population
Valeur
ou Individu
Echantillon

18. Définir : Obtenir une définition claire et précise du problème
Mesurer : Collecter des données pour établir une référence et préparer
l’analyse
Analyser : Trouver les causes racines du problème en s’appuyant sur les
données et quantifier leurs effets sur le processus
Improve : Mettre en place les actions d’amélioration
Contrôler : S’assurer que les solutions sont implantées durablement
(processus sous contrôle) et clôturer le projet

19. Quel est le
problème ?
Quelle situation
souhaite-t-on
atteindre ?
Définir : Obtenir une définition claire et précise du problème
Livrable : Charte du projet
Est-ce la priorité
pour notre client ?
Le projet est-il
aligné avec la
stratégie de
l’entreprise ?
Le processus
est-il clair ?
Qui ?
Où ?
Quand ?
Combien peut-on
espérer économiser
avec ce projet ?
« Un projet 6 sigma démarre avec un problème, pas une solution »

20. Quel indicateur (Y)
va montrer que
j’améliore la situation ?
Quels paramètres (x)
influencent mon
problème ?
Livrables : Plan de collecte de données / Validation du système de mesure /
Capabilité actuelle
Les données sont elles fiables ?
Mesurer : Collecter des données pour établir une référence et préparer
l’analyse
« Ne sautez pas sur la solution avant d’avoir mesuré »
Quelle est la performance
actuelle ?

21. 1) Transformer un problème en indicateur (Y)
Si Y s’améliore, mon problème est-il résolu ?
2) Quelles causes (x) influencent le Y
Quels paramètres jouent un rôle sur mon problème ?
Y
x1 x2 x3 Nbr contrôles
qualité
Temps nettoyage
machine
Niveau de formation
opérateurs
Coût réclamation client / mois

22. 3) Les données sont-elles fiables ?
Validation du système de mesure
Nbr contrôles
qualité
Temps nettoyage
machine
Niveau de formation
opérateurs
Coût réclamation client / mois
Quelques outils pour valider le système de mesure
Gage R&R
Test – Retest
Linéarité
Biais
Stabilité

23. 4) Etablir un point de référence
a) Vérifier la normalité des données
- Normality Test
- Probability plot
Courbe de Gauss
?

24. Mesurer la taille des Français âgés de 25 ans
La distribution des données suit une loi Normale
1,60 1,65 1,70 1,75 1,80 1,85 1,90 mètre

25. 1
2
4
6
34,1 %
68,2 %
95,4 %
99,7 %
1
34,1 %

26. Distribution Uniforme Distribution Exponentielle
Quelques exemples d’autres distributions

27. 4) Etablir un point de référence
a) Vérifier la normalité des données
Exemple d’outil : Probability Plot
b) Calculer la capabilité du processus actuel
Exemple d’outil : Process Capability
Process CapabilityProbability Plot

28. Y = Indicateur du projet 6 sigma
(ex : Coût de réclamation client / mois)
X = Paramètres qui influencent le Y
(ex : Nb de contrôles qualité, Temps de nettoyage machine, niveau de
formation opérateurs)
Normalité des données = Les données suivent une courbe de Gauss
(ex : Taille des Français)
Capabilité du processus = Capacité d’un processus à réaliser une
performance demandée
(ex : Rebuts machine 1% = capabilité de 99%)

29. Quelle est la meilleure
performance que l’on
peut atteindre ?
Analyser : Trouver les facteurs clés du processus
Livrable : Objectif de performance / Liste des paramètres potentiellement
influents / Liste des paramètres clés
Quels sont les paramètres (x)
qui peuvent influencer
le processus (Y) ?
Quels sont les 2 ou 3
paramètres clés qui
impactent le plus
le processus (Y) ?
« L’émotion cesse quand l’analyse intervient »

30. Jamais optimisé : - 80%
Déjà optimisé : - 50 %
Interne
Externe

31. 1) Identifier les paramètres potentiellement influents
3 niveaux d’analyse (PGA) :
a) Processus
b) Graphique
c) Analyse des données
Porte Process
a)
Porte Données
b) et c)
1 2ANALYSE

32. 2) Démontrer quels sont les paramètres clés
Exemple : Coût réclamation client / mois

33. Quelles sont les différentes
solutions au problème ?
Quels sont les risques ?
Livrables : Plan d’action / Validation du système de mesure / Tolérances sur les
X critiques
Après amélioration, est-on
capable de voir si le processus
est sous contrôle ?
Améliorer : Trouver des solutions durables aux causes racines du problème
« Il n’est pas nécessaire de s’améliorer, on peut choisir de mourir»
Quelles sont les tolérances
sur chaque X qui assurent
le contrôle du processus ?

34. 1) Trouver des solutions pour fixer les X influents
Générer des idées :
- Brainstorming
- Benchmarking
- Chaine de lettres
Choisir la meilleure solution :
- Matrice de décision
- Vote selon critères
- Matrice de comparaison
- Essais
SimpleDifficile
Peu chère
Très chère
Coût
Mise en
œuvre

35. 2) Validation du nouveau système de mesure
Exemple de rapport Gage R&R avec Minitab

36. 3) Définir des tolérances sur chaque paramètre clé
Exemple : tolérance d’une pièce mécanique
Ø 40 mm
+/- 0,5 mm
Ø 41 mm
+/- 0,1 mm

37. Les résultats sont-ils
confirmés ?
Le process est-il stable ?
Livrables : Tableau de bord de performance / Procédures / Rapport de synthèse
Que dois-je faire pour que
les bons résultats soient
maintenus dans le temps ?
Contrôler : S’assurer que les améliorations seront pérennes
« La confiance n’exclut pas le contrôle »
Qu’ai-je appris que je
puisse transférer ailleurs ?

38. 1) Vérifier la stabilité du processus
Exemple : Carte de contrôle type SPC
Tolérance
supérieure
Tolérance
inférieure
Pression
Machine

39. 2) Maintenir les performances dans le temps
Procédure logigramme
O
N
Automatisation
Poka Yoke
Procédure
Automatisme Poka Yoke

40. 3) Clôturer le projet et célébrer les résultats
« Tout seul on va plus vite, ensemble on va plus loin »

41. Définir
Obtenir une définition claire et précise du problème
Mesurer
M1 : Collecter des données
M2 : Valider le système de mesure
M3 : Etablir un point de référence
Analyser
A1 : Définir l’objectif de performance
A2 : Identifier les paramètres potentiellement influents
A3 : Démontrer quels sont les paramètres influents
Améliorer
I1 : Trouver des solutions
I2 : Valider le nouveau système de mesure
I3 : Définir des tolérances
Contrôler
C1 : Vérifier la stabilité du processus
C2 : Maintenir les performances dans le temps
C3 : Clôturer le projet et célébrer les résultats

42. Champion