Débuter en Six Sigma
Simon Leclercq
RETROUVEZ PLUS DE VIDEOS DE FORMATION SUR
www.UpTraining.fr1
Sommaire
1) Qui suis-je ?
2) Objectifs du Webinar
3) Définition du 6 sigma et les concepts clés
4) Présentation de la méthode DMAIC
5) Les acteurs du 6 sigma
6) Synthèse
7) Questions / Réponses
2
Qui suis-je ?
3
Simon Leclercq
Localisation : Lille
Formation : Ingénieur de production
Profession : Black Belt Manager Europe
Objectifs du Webinar
4
1) Connaître les principes du 6 sigma
2) Connaître la démarche DMAIC
3) Connaître l’organisation 6 sigma
Six sigma à quoi ça sert ?
5
Définition :
C’est une méthodologie qui permet de réduire la variabilité d’un
processus pour augmenter la satisfaction client.
« La puissance, c’est la méthode »
Nietzsche
Le processus mène au résultat
Processus
6
Définition :
C’est une méthodologie qui permet de réduire la variabilité d’un
processus pour augmenter la satisfaction client.
Réduire la variabilité
Réduire la variabilité
7
Définition :
C’est une méthodologie qui permet de réduire la variabilité d’un
processus pour augmenter la satisfaction client.
ProcessusEntrées Sorties
Processus
8
Définition :
C’est une méthodologie qui permet de réduire la variabilité d’un
processus pour augmenter la satisfaction client.
Le but ultime = Satisfaction Client
Satisfaction Client
Comment 6 sigma
va vous aider ?
9
En Résumé :
Changer votre regard sur l’organisation
Améliorer vos processus
Générer des milliers d’euros d’économie
Satisfaire encore plus vos clients
Développer votre entreprise
Pourquoi s’améliorer ?
10
« Qui cesse de s’améliorer, cesse d’être bon »
Olivier Cromwell
Comment s’améliorer ?
11
Amélioration Continue Innovation de rupture
PhilosophieAméliorer par petits pas le
matériel, les process existant
Revoir les process en profondeur
Repartir d’une page blanche
Coûts Modéré Important
Fréquence Tous les jours Cycle du marché
Risques Faible Souvent important
Résultats Rapide mais faible Long mais important
Performance
Temps
12
3
1 Instabilité
2AméliorationContinue
3 Innovation
6 SigmaDeux types d’amélioration
Mesurer l’amélioration
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 ?
Amélioration
Le rôle des statistiques
13
Des exemples :
Définition:Les statistiques permettent de calculer la probabilité qu’un évènement se réalise.
Population
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
Echantillon
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
Echantillon représentatif
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
Récapitulatif Vocabulaire
17
Population
Valeur ou Individu
Echantillon
Démarche DMAIC
18
Définir
le problème
Mesurer
le processusAnalyser
les données
Improve
(Améliorer)
Contrôler
le processus
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
Définir
19
Quel est le problème ?
Quelle situationsouhaite-t-onatteindre ?
Définir le
problème
Comprendre
le besoin du
client
Cartographier
le processus
Management
du projet
Estimation
des gains
Définir : Obtenir une définition claire et précise du problème
Livrable : Charte du projet
Est-ce la prioritépour notre client ?
Le projet est-ilaligné avec lastratégie del’entreprise ?
Le processusest-il clair ?
Qui ?Où ?
Quand ?
Combien peut-onespérer économiser
avec ce projet ?
« Un projet 6 sigma démarre avec un problème, pas une solution »
Mesurer
20
Quel indicateur (Y)va montrer que
j’améliore la situation ?
Quels paramètres (x)influencent mon
problème ?
M1
Collecte des données
M2
Validation du système
de mesure
M3
Etablir un point de
référence
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 performanceactuelle ?
Mesurer : M1
21
1) Transformer un problème en indicateur (Y)Si Y s’améliore, mon problème est-il résolu ?
2) Quelles causes (x) influencent le YQuels 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
UnitéY : Coût
Réclamation client
x1 : Nbr
contrôles Qualité
x2: Temps de
nettoyage (min)
x3: Niveau de
formation
Réclamation 1 11 203 € 4 42 3
Réclamation 2 5 401 € 6 74 3
Mesurer : M2
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 mesureGage R&RTest – RetestLinéaritéBiaisStabilité
Mesurer : M3
23
4) Etablir un point de référencea) Vérifier la normalité des données
- Normality Test- Probability plot
Courbe de Gauss
?
Distribution Normale
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
Loi Normale
25
1 σ
2 σ
4 σ
6 σ
34,1 %
68,2 %
95,4 %
99,7 %
1 σ
34,1 %
Autres Distributions
26
Distribution Uniforme Distribution Exponentielle
Quelques exemples d’autres distributions
Mesurer : M3
27
4) Etablir un point de référencea) Vérifier la normalité des données
Exemple d’outil : Probability Plot
b) Calculer la capabilité du processus actuelExemple d’outil : Process Capability
131211109876
99
95
90
80
70
60
50
40
30
20
10
5
1
Mean 9,998
StDev 1,087
N 50
AD 0,567
P-Value 0,135
Pression Machine
Perc
ent
Probability Plot of Pression MachineNormal - 95% CI
13,512,010,59,07,56,0
LSL 6Target *USL 14Sample Mean 9,99833Sample N 50StDev(Overall) 1,08705StDev(Within) 1,09261
Process Data
Pp 1,23PPL 1,23PPU 1,23Ppk 1,23Cpm *
Cp 1,22CPL 1,22CPU 1,22Cpk 1,22
Potential (Within) Capability
Overall Capability
% < LSL 0,00 0,01 0,01% > USL 0,00 0,01 0,01% Total 0,00 0,02 0,03
Observed Expected Overall Expected WithinPerformance
LSL USL
OverallWithin
Process Capability Report for Pression Machine
Process CapabilityProbability Plot
Récapitulatif Vocabulaire
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%)
Analyser
29
Quelle est la meilleureperformance que l’on
peut atteindre ?
Définir l’objectif
de performance
Identifier les paramètres
potentiellement influents
Démontrer quels sont
les paramètres clés
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 3paramètres clés qui
impactent le plusle processus (Y) ?
« L’émotion cesse quand l’analyse intervient »
Analyser : A1
30
Définir un objectif
ArbitrairementMeilleur performance
court termeBenchmarking
Jamais optimisé : - 80%Déjà optimisé : - 50 %
InterneExterne
35302520151051
97
96
95
94
93
92
91
90
89
88
Number of runs about median: 15
Expected number of runs: 18.5
Longest run about median: 7
Approx P-Value for Clustering: 0.116
Approx P-Value for Mixtures: 0.884
Number of runs up or down: 25
Expected number of runs: 23.0
Longest run up or down: 3
Approx P-Value for Trends: 0.795
Approx P-Value for Oscillation: 0.205
Observation
% R
en
dem
en
t
Run Chart of Rendement
Test
Hypothèse
Régression
Graphique
Ishikawa
Process
Map
Interview
Analyser : A2
31
1) Identifier les paramètres potentiellement influents3 niveaux d’analyse (PGA) :
a) Processusb) Graphiquec) Analyse des données
Porte Processa)
Porte Donnéesb) et c)
1 2ANALYSE
Analyser : A3
32
2) Démontrer quels sont les paramètres clés
Paramètres Potentielles Tests RésultatsParamètres
clés ?
Nombre de contrôles qualité Régression P-value > 0,05 Non
Niveau de formation opérateurs Régression P-value < 0,05 Oui
Temps de nettoyage machine Régression P-value < 0,05 Oui
Tension d’enroulage ANOVAStatistiquement
identiqueNon
Alignement des pièces Corrélation P-value < 0,05 Oui
Température de soudure DOE P-value > 0,05 Non
Exemple : Coût réclamation client / mois
Improve
33
Quelles sont les différentessolutions au problème ?
Quels sont les risques ?
I1
Trouver des solutions
I2
Validation du nouveau
système de mesure
I3
Définir des tolérances
Livrables : Plan d’action / Validation du système de mesure / Tolérances sur les
X critiques
Après amélioration, est-oncapable 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 tolérancessur chaque X qui assurentle contrôle du processus ?
Improve : I1
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 enœuvre
Improve : I2
35
2) Validation du nouveau système de mesure
Exemple de rapport Gage R&R avec Minitab
Gage name:
Date of study:
Reported by:
Tolerance:
Misc:
Part-to-PartReprodRepeatGage R&R
200
100
0
Pe
rcen
t
% Contribution
% Study Var
% Tolerance
10 9 8 7 6 5 4 3 2 110 9 8 7 6 5 4 3 2 110 9 8 7 6 5 4 3 2 1
8
4
0
Parts
Sam
ple
Ran
ge
_
R=1,6
UCL=5,228
LCL=0
A B C
10 9 8 7 6 5 4 3 2 110 9 8 7 6 5 4 3 2 110 9 8 7 6 5 4 3 2 1
2080
2040
2000
Parts
Sa
mp
le M
ean
__
X=2042,2UCL=2045,21LCL=2039,19
A B C
10987654321
2100
2050
2000
Parts
CBA
2100
2050
2000
Op
10987654321
2080
2040
2000
Parts
Avera
ge
A
B
C
Op
Components of Variation
R Chart by Op
Xbar Chart by Op
M-Width by Parts
M-Width by Op
Parts * Op Interaction
Gage R&R (ANOVA) Report for M-Width
Improve : I3
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
Contrôler
37
Les résultats sont-ilsconfirmés ?
Le process est-il stable ?
C1
Vérifier la stabilité
du processus
C2
Maintenir les performances
dans le temps
C3
Clôturer le projet et
célébrer les résultats
Livrables : Tableau de bord de performance / Procédures / Rapport de synthèse
Que dois-je faire pour queles 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 ?
252321191715131197531
12
10
8
6
4
Observation
Ind
ivid
ua
l Va
lue
_
X=7,78
UCL=11,93
LCL=3,63
252321191715131197531
6,0
4,5
3,0
1,5
0,0
Observation
Mo
vin
g R
an
ge
__
MR=1,559
UCL=5,093
LCL=0
1
1
I-MR Chart of Pression
Contrôler : C1
38
1) Vérifier la stabilité du processus
Exemple : Carte de contrôle type SPC
Tolérancesupérieure
Toléranceinférieure
PressionMachine
Contrôler : C2
39
2) Maintenir les performances dans le temps
Procédure logigramme
Appuyer sur
Démarrer
Contrôle
Qualité
Nettoyer
Changer de
position : 1
O
N
AutomatisationPoka YokeProcédure
Automatisme Poka Yoke
Contrôler : C3
40
3) Clôturer le projet et célébrer les résultats
« Tout seul on va plus vite, ensemble on va plus loin »
Synthèse démarche DMAIC
41
DéfinirObtenir une définition claire et précise du problème
MesurerM1 : Collecter des donnéesM2 : Valider le système de mesureM3 : Etablir un point de référence
AnalyserA1 : Définir l’objectif de performanceA2 : Identifier les paramètres potentiellement influents A3 : Démontrer quels sont les paramètres influents
AméliorerI1 : Trouver des solutionsI2 : Valider le nouveau système de mesureI3 : Définir des tolérances
ContrôlerC1 : Vérifier la stabilité du processusC2 : Maintenir les performances dans le tempsC3 : Clôturer le projet et célébrer les résultats
Les acteurs du 6 sigma
42
Master Black Belt
Black Belt
Green Belt
Yellow Belt
Champion
Questions / Réponses
43
Top Related