6 Sigma

format 170 x 240 mm - dos 29 mm
Par lauteur
du best-seller
S
i
x

S
i
g
m
a
Six Sigma a marqu une nouvelle tape dans lvolution
de la qualit en proposant une approche globale de
lamlioration de la satisfaction aux clients. Elle est fonde
autour dune dmarche de rsolution de problme DMAICS,
dune organisation industrielle et dun management des
comptences.
Cet ouvrage a t conu pour permettre aux industriels
de disposer dun ouvrage de rfrence, pdagogique et
largement illustr, leur permettant de mettre en uvre un
chantier Six Sigma.
Les deux premiers chapitres, volontairement dpourvus de
calculs, permettent de faire le tour de la dmarche et den
comprendre les points essentiels.
Les chapitres suivants permettront lindustriel de
comprendre les mthodes et outils quil devra utiliser
pour mener bien un chantier en dtaillant les six
tapes de la dmarche DMAICS (Dnir, Mesurer, Analyser,
Innover/Amliorer, Contrler, Standardiser/Prenniser). Ces
chapitres permettent daborder les outils statistiques tels
que la statistique descriptive, les tests de comparaison, les
plans dexpriences, la matrise statistique des processus
Ils abordent galement les outils mthodologiques tels que
lanalyse des cinq M, la cartographie, les enqutes de Kano,
lautomatrise
Le dernier chapitre, consacr au management de Six Sigma,
aborde les aspects culturels, managriaux et de gestion des
comptences indispensables la conduite efcace dun
projet Six Sigma dans les entreprises.
Cet ouvrage sadresse :
des professionnels, cadres et techniciens souhaitant
connatre ou mettre en uvre une dmarche Six Sigma ;
des enseignants pour la prparation de BTS, DUT,
Matrise, IUP et coles dingnieurs ;
des tudiants prparant des BTS, IUT, Matrises, IUP,
coles dingnieurs, CAPET et Agrgation.
M
a
u
r
i
c
e

P
I
L
L
E
T
Maurice Pillet est professeur des
Universits lIUT dAnnecy, dparte-
ment Gnie de la Production, Certi
Fellow APICS CFPIM, directeur de
recherche au laboratoire LISTIC de
lUniversit de Savoie. Il pratique
depuis de nombreuses annes le conseil
auprs dentreprises de diffrents
secteurs dactivits dans le domaine
des mthodes et outils de la qualit.
Son ouvrage est constamment enrichi
de cette double exprience duniver-
sitaire et de praticien.
-
:
H
S
M
H
K
I
=
V
X
U
W
^
[
:
45
d
i
t
i
o
n
s

d
O
r
g
a
n
i
s
a
t
i
o
n

0
E
y
r
o
l
l
e
s
C
o
d
e

d
i
t
e
u
r
:
G
5
3
0
2
9

I
S
B
N
:
2
-
7
0
8
1
-
3
0
2
9
-
3
Mettre en uvre un chantier Six Sigma pour
amliorer la protabilit de votre entreprise
- Une dmarche de rupture dans lapproche de la qualit
- Une mthode en 6 tapes pour la satisfaction totale des clients
- Des outils ayant fait leurs preuves
- Tous les lments de management permettant dintroduire Six Sigma
dans lentreprise
Six
Sigma
Maurice
PILLET
Comment lappliquer
53029_Pillet.indd 1 14/01/05 10:12:26
Six Sigma

Comment lappliquer
ditions dOrganisation
1, rue Thnard
75240 Paris Cedex O5
Consultez notre site :

www.editions-organisation.com

Du mme auteur

Appliquer la matrise statistique des procds MSP/SPC

, Maurice Pillet, 2002.

Les plans dexprience par la mthode Taguchi

, Maurice Pillet, 1997.

Qualit en production

, Daniel Duret et Maurice Pillet, 2001.

Gestion de production

, Alain Courtois, Chantal Martin-Bonnefous,
Maurice Pillet, 2003.

Le code de la proprit intellectuelle du 1

er

juillet 1992 interdit en effet
expressment la photocopie usage collectif sans autorisation des ayants
droit. Or, cette pratique sest gnralise notamment dans lenseignement
provoquant une baisse brutale des achats de livres, au point que la possi-
bilit mme pour les auteurs de crer des uvres nouvelles et de les faire
diter correctement est aujourdhui menace.
En application de la loi du 11 mars 1957, il est interdit de reproduire intgralement ou
partiellement le prsent ouvrage, sur quelque support que ce soit, sans autorisation de
lditeur ou du Centre Franais dExploitation du Droit de copie, 20, rue des Grands-
Augustins, 75006 Paris.

ditions dOrganisation, 2004
ISBN : 2-7081-3029-3
Maurice PILLET

CFPIM

Professeur des Universits
Universit de Savoie (IUT OGP Annecy)
Ancien lve de lENS de Cachan

Six Sigma

Comment lappliquer

Deuxime tirage 2005
mis jour
V

Sommaire

Chapitre 1

Six Sigma, un outil de la performance

1. Six Sigma ?

..............................................................................................................................................

1
1.1 Lobjectif de Six Sigma

..........................................................................................................

1
1.2 Six Sigma : une stratgie de perce

..............................................................................

6
1.3 Six Sigma et lamlioration continue

...........................................................................

7
1.4 Six Sigma : volution ou rvolution ?

.........................................................................

8
2. Six Sigma dans un environnement qualit

...................................................................

9
2.1 Six Sigma dans un contexte ISO 9000 ou EFQM

.................................................

9
2.2 Six Sigma et la variabilit

.................................................................................................

10
3. Six Sigma dans un environnement

Lean Management

....................................

11
4. Intgrer Six Sigma dans une dmarche de performance industrielle

....

14

Chapitre 2

Les concepts de Six Sigma

1. Une philosophie de la qualit tourne vers la satisfaction du client

.....

18
2. Rduire la variabilit

....................................................................................................................

19
3. Mesurer le niveau de qualit

..................................................................................................

22
3.1 La notion dopportunit de dfaut

..............................................................................

22
3.2 Lorigine des 3,4 ppm

..........................................................................................................

23
Six Sigma

VI


4. Six Sigma : une mthode de matrise de la variabilit DMAICS

...............

25
4.1 La dmarche DMAICS

.........................................................................................................

25
4.2 tape 1 Dfinir

..............................................................................................................

28

4.2.1 But de ltape

.................................................................................................................

28

4.2.2 La conduite de ltape

..............................................................................................

28

4.2.3 Revue R0 Identifier

.................................................................................................

33
4.3 tape 2 Mesurer

...........................................................................................................

34

4.3.1 But de ltape

.................................................................................................................

34


..............................................................................................

35

4.3.3 Revue R1 Mesurer

...................................................................................................

40
4.4 tape 3 Analyser

.........................................................................................................

41

4.4.1 But de ltape

.................................................................................................................

41


..............................................................................................

42

4.4.3 Revue R2 Analyser

..................................................................................................

47
4.5 tape 4 Innover/amliorer

...................................................................................

48

4.5.1 But de ltape

.................................................................................................................

48


..............................................................................................

48

4.5.3 Revue R3 Innover/Amliorer

.............................................................................

51
4.6 tape 5 Contrler

........................................................................................................

51

4.6.1 But de ltape

.................................................................................................................

51


..............................................................................................

52

4.6.3 Revue R4 Contrler

.................................................................................................

57
4.7 tape 6 Standardiser/Prenniser

......................................................................

58

4.7.1 But de ltape

.................................................................................................................

58

4.7.2 La conduite du projet

................................................................................................

58

4.7.3 Revue R5 Standardiser/Prenniser

................................................................

61
5. Six Sigma : une organisation des comptences

......................................................

62
5.1 Les diffrents niveaux de pilotage

..............................................................................

63
5.2 Les diffrents rles

.................................................................................................................

64
5.3 La formation des intervenants

.......................................................................................

67
6. Six Sigma un management par projet

.............................................................................

69
6.1 Le management par projets

.............................................................................................

69
6.2 Six Sigma et le management par projets

................................................................

71

Chapitre 3

tape 1 Dfinir

1. Identifier les CTQ

............................................................................................................................

74
1.1 couter la voix du client

....................................................................................................

74
1.2 Le diagramme CTQ (

Critical To Quality

)

...............................................................

76
Sommaire

VII


1.3 Classification de Kano

.........................................................................................................

78
1.4 Diagramme Exigences/Performances

...............................................................

80
1.5 La matrice

QFD Quality Function Deployment

..............................................

82
2. Cartographier le processus

.......................................................................................................

85
2.1 Bote noire

...................................................................................................................................

86
2.2 Diagramme SIPOC

..................................................................................................................

87
2.3 Logigrammes

.............................................................................................................................

88
2.4 Cartographie

Lean

Six Sigma

.........................................................................................

89
2.5 Diffrents niveaux de cartographie

............................................................................

91
3. Dfinir les limites du projet

.....................................................................................................

91
3.1 Diagramme des 5 pourquoi ?

.................................................................................. 92
3.2 Diagramme Est/Nest pas ......................................................................................... 95
3.3 Diagramme Dedans/Dehors .................................................................................... 97
4. Dfinir les gains et les cots ................................................................................................... 98
4.1 Dfinir les cots prvisionnels ...................................................................................... 98
4.2 Dfinir les gains prvisionnels ...................................................................................... 99
5. La charte du projet ...................................................................................................................... 100
Chapitre 4
tape 2 Mesurer
1. Introduction ...................................................................................................................................... 103
2. Trouver un moyen de mesure des CTQ ..................................................................... 105
2.1 Quantifier ................................................................................................................................... 105
2.2 Vrifier le R&R ........................................................................................................................ 107
2.3 Dfinitions ................................................................................................................................. 108
2.4 Gestion des moyens de mesure .................................................................................. 109
2.5 Conduire une tude R&R Cas des grandeurs mesurables .................... 112
2.6 Conduire une tude R&R Cas des grandeurs non mesurables .......... 119
3. Mesurer le processus ................................................................................................................. 123
3.1 Analyse des 5M du processus ...................................................................................... 123
3.2 Figer les lments non matriss ................................................................................ 124
3.3 tablir la matrice dimpact ............................................................................................. 126
3.4 Mettre en uvre une campagne de relevs ....................................................... 127
4. Estimer le z du processus ...................................................................................................... 129
4.1 Cas des dfauts mesurables .......................................................................................... 129
4.1.1 Reprsentation graphique des Y ....................................................................... 130
4.1.2 Calcul des paramtres de position et de dispersion .............................. 132
Six Sigma
VIII ditions dOrganisation
4.1.3 Dispersion court terme et dispersion long terme .................................... 133
4.1.4 Dtermination du z partir dun chantillon ......................................... 135
4.2 Cas des critres mesurables qui ne suivent pas une loi normale ....... 138
4.2.1 Utilisation de lois de distribution diffrentes ........................................... 138
4.2.2 Transformation mathmatique des valeurs .............................................. 141
4.3 Cas des critres non mesurables ................................................................................ 142
4.3.1 DPU et DPO ................................................................................................................. 142
4.3.2 Dfaut par Unit ....................................................................................................... 143
4.3.3 Dfaut par opportunit ......................................................................................... 144
4.3.4 Calcul du z dans le cas dun rendement de sortie dun process .... 145
5. Identifier la chute des capabilits .................................................................................... 147
5.1 Capabilit et performance ............................................................................................... 148
5.1.1 Capabilit Cp, Cpk, Cpm ...................................................................................... 148
5.1.2 Performance Pp, Ppk, Ppm .................................................................................. 151
5.2 Calcul du sigma court terme et long terme ........................................................ 151
5.2.1 Estimation du sigma long terme ...................................................................... 151
5.2.2 Estimation du sigma court terme .................................................................... 152
5.3 La chute des capabilits ................................................................................................... 157
Chapitre 5
tape 3 Analyser
1. Introduction ...................................................................................................................................... 163
2. Reprsentation graphique de donnes ........................................................................ 166
2.1 La bote moustache ......................................................................................................... 166
2.2 Le diagramme multi-vari ................................................................................................. 168
2.3 Diagramme des effets et diagramme des interactions ................................. 172
3. Statistique descriptive ............................................................................................................... 174
3.1 Paramtres de position ..................................................................................................... 176
3.2 Paramtres dchelle .......................................................................................................... 179
3.3 Identification de la forme de la distribution ...................................................... 182
3.4 Identification de valeurs aberrantes ........................................................................ 184
4. Statistique infrentielle Tests de comparaison ................................................. 185
4.1 Les tests de comparaison ................................................................................................ 186
4.1.1 Diffrents tests ........................................................................................................... 186
4.1.2 Notion de risque alpha () et de risque bta () ................................ 190
4.1.3 Dtermination du risque et (cas du test z
thorique
) ...................... 191
4.1.4 Incidence de la taille des chantillons .......................................................... 192
4.1.5 Les diffrents tests ................................................................................................... 195
Sommaire
IX ditions dOrganisation
5. Lanalyse de la variance ......................................................................................................... 218
5.1 Introduction .............................................................................................................................. 218
5.2 Analyse de la variance sur un facteur .................................................................... 219
5.2.1 Principe .......................................................................................................................... 219
5.2.2 Dcomposition de la variance ........................................................................... 220
5.2.3 Tableau danalyse de la variance ................................................................... 224
5.3 Gnralisation de lANAVAR ....................................................................................... 225
5.3.1 Tableau danalyse de la variance ................................................................... 225
5.3.2 Application sur un exemple ............................................................................... 227
6. Ltude des corrlations .......................................................................................................... 230
6.1 Notion de corrlation ......................................................................................................... 230
6.2 Mthode de la mdiane .................................................................................................... 232
6.3 Mthode de la rgression linaire ............................................................................. 233
6.3.1 Identification des coefficients ............................................................................ 234
6.3.2 Test de Student sur les coefficients ................................................................. 236
6.3.3 Dtermination du coefficient R
2
....................................................................... 238
6.4 Mthode de la rgression linaire multiple ........................................................ 240
6.4.1 Les limites de la rgression simple ................................................................. 240
6.4.2 Corrlation sur plusieurs facteurs ................................................................... 243
6.4.3 Prise en compte des interactions et effets quadratiques ..................... 247
6.4.4 Procdure StepWise ( pas pas ) .............................................................. 248
6.4.5 Analyse des rsidus ................................................................................................. 249
7. Les tests de Shainin .................................................................................................................... 250
7.1. Le test d'inversion ................................................................................................................ 251
7.2 Le test de comparaison par paires ............................................................................ 256
Chapitre 6
tape 4 Innover/amliorer
1. Introduction ...................................................................................................................................... 259
2. Gnrer des solutions ................................................................................................................ 260
2.1 Le dballage dides ........................................................................................................... 260
2.2 Le vote pondr ..................................................................................................................... 261
3. Les dmarches exprimentales .......................................................................................... 263
3.1 Limportance de la dmarche exprimentale .................................................... 263
3.2 tude dun facteur la fois ........................................................................................... 265
3.3 tude de plusieurs facteurs la fois ........................................................................ 265
4. Les plans dexpriences 2 niveaux ............................................................................ 268
4.1 Deux facteurs 2 niveaux plan complet .......................................................... 268
Six Sigma
X ditions dOrganisation
4.2 Trois facteurs 2 niveaux plan complet .......................................................... 277
4.3 Trois facteurs 2 niveaux plan fractionnaire ............................................... 281
4.4 Construction dun plan fractionnaire 2 niveaux ......................................... 287
4.4.1 Notion de rsolution des plans dexpriences ........................................... 287
4.5 Construction de plans fractionnaires partir de la table L8 .................. 290
4.5.1 Prsentation de la table ........................................................................................ 290
4.5.2 Construction dun plan de rsolution III avec la table L8 ................. 293
4.5.3 Limite de la table L8 .............................................................................................. 296
4.6 Construction de plans fractionnaires partir de la table L16 ................ 296
4.7 Construire des plans gigognes partir des graphes de Taguchi .......... 297
4.8 Lever les ambiguts dans un plan de rsolution IV .................................... 300
4.9 Les plans de criblage 2 niveaux ............................................................................. 302
5. Les plans pour surface de rponse ................................................................................. 305
5.1 Les plans complets .............................................................................................................. 306
5.2 Les plans composites centrs ....................................................................................... 309
5.2.1 Plan composite centr 2 facteurs ................................................................. 309
5.2.2 Les plans composites centrs 3 facteurs .................................................. 312
5.2.3 Les plans composites centrs ............................................................................. 313
5.3 Les plans de Box Benhken ............................................................................................. 314
5.3.1 Plan de Box Benhken pour 3 facteurs ........................................................... 315
5.3.4 Comparaison entre les plans composites
et les plans de Box Benhken .............................................................................. 317
6. Analyser les risques LAMDEC ..................................................................................... 318
Chapitre 7
tape 5 Contrler
1. Introduction ...................................................................................................................................... 323
2. Valider les spcifications ........................................................................................................ 324
2.1 Dtermination des tolrances par corrlation ................................................... 324
2.1.1 Utilisation du paralllogramme des tolrances ....................................... 324
2.1.2 Mthode statistique ................................................................................................. 327
2.1.3 Cas dune tolrance unilatrale ........................................................................ 328
2.2 Exemple en corrlation multiple ................................................................................ 330
3. Formaliser les modes opratoires .................................................................................... 332
3.1 Espace de la dfaillance ................................................................................................... 332
3.2 Formaliser les modes opratoires .............................................................................. 335
Sommaire
XI ditions dOrganisation
4. Processus sous contrle .................................................................................................. 337
4.1 Les causes communes et les causes spciales .................................................. 337
4.2 Le principe dune carte de contrle ......................................................................... 339
5. Cartes de contrle pour caractristiques continues .......................................... 341
5.1 Carte aux valeurs individuelles/tendues glissantes ................................... 341
5.2 Interprtation des cartes de contrle ...................................................................... 343
5.3 Carte de contrle moyennes/tendues .................................................................. 344
5.4 Efficacit des cartes de contrle en fonction de la taille
de lchantillon ....................................................................................................................... 347
5.5 Carte de contrle moyennes et carts types ...................................................... 350
5.6 Carte de contrle aux mdianes et tendues ..................................................... 352
5.7 Carte de precontrol .............................................................................................................. 354
5.8 Carte EWMA (Exponentially Weighted Moving Average) ......................... 357
6. Cartes de contrle pour caractristiques non mesurables ........................... 361
6.1 Principes ..................................................................................................................................... 361
6.2 Les diffrentes cartes ......................................................................................................... 362
6.3 Le calcul des limites ........................................................................................................... 364
6.3.1 Carte np Nombre dunits non conformes ............................................. 364
6.3.2 Carte p Proportion dunits non conformes ........................................... 364
6.3.3 Carte c Nombre de non-conformits .......................................................... 365
6.3.4 Carte u Proportion de non-conformits .................................................... 365
6.4 Exemple de carte de contrle p .................................................................................. 366
6.5 Suivi des dfauts rares ...................................................................................................... 369
Chapitre 8
tape 6 Standardiser/prenniser
1. Introduction ...................................................................................................................................... 373
2. Prenniser la solution ............................................................................................................... 374
2.1 Les difficults .......................................................................................................................... 374
2.2 Les causes de ces difficults ......................................................................................... 375
2.3 Les principes de base de la prennisation dune action ............................ 376
2.4 Lpreuve du feu ................................................................................................................... 381
2.5 Le changement vers la prennisation ..................................................................... 381
3. Laudit de prennit ................................................................................................................... 382
3.1 Objectif de laudit ................................................................................................................. 382
3.2 Grille daudit ............................................................................................................................ 383
Six Sigma
XII ditions dOrganisation
4. Les actions de prennisation ............................................................................................... 385
4.1 Simplifier les procdures et les processus ........................................................... 385
4.2 Rendre robuste le point de fonctionnement ...................................................... 387
4.3 Identifier et dupliquer les bonnes pratiques ...................................................... 388
4.4 Finaliser la documentation du poste ....................................................................... 390
4.5 Intgrer les processus et mthodes standards
dans le dveloppement de nouveaux produits ................................................ 391
5. Mettre en place le cliquet anti-retour ........................................................................... 392
6. Communiquer ................................................................................................................................. 393
6.1 Prparer un bilan du projet ........................................................................................... 393
6.2 Prsenter le bilan .................................................................................................................. 394
Chapitre 9
Le management Six Sigma
1. Introduction ...................................................................................................................................... 397
1.1 Le partage des valeurs de Six Sigma ....................................................................... 398
1.2 Le management Six Sigma ............................................................................................. 399
1.3 Variabilit et Six Sigma, le paradoxe ...................................................................... 402
2. Les diffrents acteurs de Six Sigma ............................................................................... 402
2.1 Le comit de pilotage ......................................................................................................... 402
2.2 Les Champions ....................................................................................................................... 403
2.3 Les Masters Black Belts (MBB) .................................................................................... 403
2.4 Le groupe Six Sigma ........................................................................................................... 404
2.4.1 Dfinition du groupe Six Sigma ....................................................................... 404
2.4.2 La place du Black Belt dans le groupe .......................................................... 405
2.4.3 Conditions de bon fonctionnement du groupe de travail .................. 406
2.4.4 Les diffrents lments dun groupe de travail ........................................ 407
2.5 Les comptences du Black Belt (BB) ....................................................................... 410
3. La formation ..................................................................................................................................... 411
3.1 Les formations Six Sigma ................................................................................................ 411
3.2 Lapproche pratique ............................................................................................................ 413
3.3 Limportance du coaching .............................................................................................. 416
4. Les outils du management dun projet Six Sigma .............................................. 417
4.1 La charte du projet .............................................................................................................. 417
4.2 Le diagramme de Gantt .................................................................................................... 417
4.3 Le diagramme PERT ........................................................................................................... 418
4.4 Le diagramme en flche ................................................................................................... 419
Sommaire
XIII ditions dOrganisation
4.5 Lanalyse budgtaire .......................................................................................................... 420
4.5.1 tude analytique ....................................................................................................... 420
4.5.2 tude analogique ...................................................................................................... 421
5. Les cls du succs dun projet Six Sigma ................................................................. 422
5.1 Le management dun programme Six Sigma .................................................... 422
5.1.1 Le plan daction et de dploiement ................................................................ 422
5.1.2 La communication sur le programme Six Sigma ................................... 423
5.1.3 Participation active des cadres suprieurs .................................................. 423
5.1.4 Mise en place dun systme de suivi des projets ..................................... 423
5.1.5 La formation ............................................................................................................... 424
5.1.6 La reconnaissance ................................................................................................... 424
5.2 La conduite des projets Six Sigma ............................................................................ 425
5.2.1 Le choix des projets ................................................................................................. 425
5.2.2 Les revues de projet ................................................................................................. 427
5.3 Les acteurs dun projet Six Sigma ............................................................................. 427
5.3.1 Le choix des Black Belts ....................................................................................... 427
5.3.2 Le temps consacr au projet ............................................................................... 427
5.3.3 Disposer dun support technique et scientifique ..................................... 428
Chapitre 10
Tables
T1 Tableau des ppm en fonction du z du processus ............................................... 430
T2 Table de la loi normale ............................................................................................................ 431
T3 Table de Student ........................................................................................................................... 433
T4 Table de Snedecor pour p = 0,95 .................................................................................. 435
T5 Table de la loi du
2
.................................................................................................................. 436
T6 Test de Hartley Valeurs limites de r ......................................................................... 438
T7 Taille des chantillons .............................................................................................................. 440
T8 Taille des chantillons pour le test t ............................................................................. 441
T9 Taille des chantillons pour le test z ............................................................................ 441
T10 Taille des chantillons pour le test F ......................................................................... 442
T11 Tableau des coefficients ....................................................................................................... 443
T12 Principales tables de Taguchi ...................................................................................... 445
Rappel des symboles utiliss : .......................................................................................... 446
Table L
4
(2
3
) ...................................................................................................................................... 446
Table L
8
(2
7
) ...................................................................................................................................... 447
Triangle des interactions entre deux colonnes ........................................................ 447
Graphe des effets ...................................................................................................................... 448
Six Sigma
XIV ditions dOrganisation
Table L
9
(3
4
) ...................................................................................................................................... 448
Table L
12
(2
11
) .................................................................................................................................. 449
Table L
16
(2
15
) .................................................................................................................................. 450
T13 Plans composites centrs ..................................................................................................... 453
Chapitre 11
Fiches rsums
tape 1 DFINIR : mmo des actions principales raliser .......................... 456
tape 2 MESURER : mmo des actions raliser .................................................. 459
tape 3 ANALYSER : mmo des actions raliser ............................................... 462
tape 4 INNOVER : mmo des actions raliser ................................................... 464
tape 5 CONTRLER : mmo des actions raliser ........................................... 467
tape 6 STANDARDISER : mmo des actions raliser .................................. 470
Sites internet utiles .................................................................................................................. 473
Bibliographie .......................................................................................................................................... 475
Index ....................................................................................................................................................................... 481
1
Chapitre 1
Six Sigma,
un outil de la performance
1. Six Sigma ?
1.1 Lobjectif de Six Sigma
Six Sigma a t initi aux tats-Unis dans les annes 1980 chez
Motorola. Cette dmarche a tout dabord consist en lapplication des
concepts de la Matrise statistique de processus (MSP/SPC) et sest
ensuite largement toffe en intgrant tous les aspects de la matrise de
la variabilit. Au fur et mesure de sa diffusion dans les autres entre-
prises (notamment General Electric), Six Sigma sest galement struc-
tur en associant davantage sa dmarche les lments managriaux
et stratgiques. Cest aujourdhui une approche globale de lamliora-
tion de la satisfaction des clients, ce qui nest pas tout fait la mme
chose que lamlioration de la qualit. Se fondant sur cette meilleure
Six Sigma
2 ditions dOrganisation
satisfaction du client, la mthodologie Six Sigma est source daccrois-
sement de la rentabilit pour lentreprise en cumulant les effets
suivants :
une diminution des rebuts, retouches, et plus gnralement des
cots de non-qualit ;
une amlioration de la disponibilit des machines et du taux de
rendement synthtique (TRS) ;
de meilleures parts de march conscutives lamlioration de la
qualit des produits.
Il est aujourdhui difcile pour une entreprise, quelle soit industrielle
ou de service, dignorer Six Sigma. Il est possible de choisir en
connaissance de cause de ne pas lappliquer dans son entreprise,
mais on doit connatre les fondements de cette dmarche.
Un des principes de base de Six Sigma est la rduction de la variabilit.
En effet, linsatisfaction dun client rsulte toujours dun cart entre
une situation attendue et une situation relle. Cet cart provient en
grande partie de la variabilit des processus, qui trouve son origine,
notamment, dans :
les variabilits sur les matriaux ;
les variabilits dans les procdures ;
les variabilits sur les conditions dans lesquelles volue le pro-
cessus
Ces variabilits font partie de la nature mme du vivant. Ce sont elles
qui donnent cette formidable diversit qui nous entoure. Dans le tra-
vail dun artiste, on recherchera cette folle variabilit qui fonde luni-
cit de luvre. Mais dun point de vue industriel, on doit lutter contre
ces incidences et cela ncessite un effort considrable et structur.
Lobjectif de Six Sigma nest autre que de concentrer les caractristi-
ques du produit vendu autour de la cible attendue par le client
(gure 1.1).
Figure 1.1 Six Sigma et la rduction de la variabilit
Cette approche globale se dcline de plusieurs faons. Six Sigma,
cest :
une certaine philosophie de la qualit tourne vers la satisfaction
totale du client ;
un indicateur de performance permettant de savoir o se situe
lentreprise en matire de qualit ;
une mthode de rsolution de problmes en quatre huit tapes
selon les auteurs
1
dont lobjectif est de : (Recognize) (Dnir),
Mesurer, Analyser, Innover/Amliorer, Contrler, (Standardiser)
(Intgrer), approche qui permet de rduire la variabilit et
datteindre la cible sur les produits ou dans les services ;
une organisation des comptences et des responsabilits des
hommes de lentreprise ;
un mode de management par la qualit qui sappuie fortement
sur une gestion par projet.
Pour comprendre Six Sigma, on doit bien cerner ces diffrents aspects.
En effet, lapplication de Six Sigma peut prendre diffrentes dimen-
sions, de la simple dmarche de rsolution de problmes une vrita-
ble stratgie pour lentreprise. La diffrence entre ces deux applications
extrmes rside dans la dmultiplication de la dmarche et la structure
qui est mise en place pour organiser et piloter les chantiers.
1. Par exemple, la version Six Sigma de Mikel HARRY en 1997 The Vision of Six Sigma com-
portait quatre tapes. Le mme auteur tend ces quatre tapes en huit dans Six Sigma The
Breakthrough Management Strategy publi en 2000.
Insatisfaction Insatisfaction
Spcifications
Cible Cible
Avant Six Sigma Aprs Six Sigma
Six Sigma
Le premier point que lon doit avoir lesprit dans une dmarche Six
Sigma est la satisfaction du client. Un projet Six Sigma doit apporter
une amlioration signicative au client. Pour cela, on doit sintresser
ce que souhaite rellement le client, non pas ce quon pense quil
souhaite. Il faut tre capable de dterminer les caractristiques criti-
ques pour la qualit (CTQ, pour Critical To Quality) an de xer une
cible et une plage de tolrance.
Atteindre un niveau de qualit satisfaisant la demande des clients est
bien entendu lobjectif de toutes les entreprises. Mais comment
mesure-t-on la faon dont on atteint cet objectif ? Un des principes de
Six Sigma est que lon ne connat pas grand-chose dun systme si lon
ne sait pas le mesurer. Cest donc une des premires tapes que lon
devra franchir : mesurer le niveau partir duquel les CTQ (Critical To
Quality) atteignent leur objectif en mesurant le z du processus. Ce z,
que nous dnirons dans cet ouvrage, nous permettra de mesurer le
degr de satisfaction des clients (gure 1.2). Plus le z est lev, plus la
satisfaction est grande. Une dmarche Six Sigma projette datteindre un
niveau de z qui dpasse 6, ce qui correspond moins de 3,4 dfauts
par million dopportunits.
On considre gnralement quune entreprise traditionnelle a un
niveau de qualit z = 4, ce qui correspond 6 210 dfauts par million
dopportunits ! Lamlioration vise par la dmarche Six Sigma sera
de ramener ce nombre de dfauts moins de 3,4 dfauts par million
dopportunits sur les dfauts critiques pour le client. On conoit ais-
ment lamlioration de limage de marque qui sensuit, et laccroisse-
ment des prots qui en rsultera.
Figure 1.2 Niveau z de la qualit
Pour atteindre cet objectif, on utilisera une dmarche de rsolution de
problme bien cadre. La formalisation dune dmarche structure
lintrieur dune entreprise offre plusieurs avantages :
elle permet de servir de guide dans lavancement de la rsolution
du problme ;
elle permet de se doter dun langage commun tous les acteurs
de lentreprise ;
elle favorise la dmultiplication des actions un cot de forma-
tion rduit.
Cependant, le fait de mieux formaliser une dmarche de rsolution de
problme ne suft pas crer une stratgie dentreprise. Il faut tre
capable de dmultiplier les chantiers pour atteindre laspect strat-
gique. Six Sigma intgre donc tous les aspects de cette dmultiplica-
tion, au travers :
du rle et de la formation des hommes,
de la formalisation de la dmarche,
de la gestion de projets,
des objectifs stratgiques qui seront xs.
Niveau de qualit z
Nombre de non-conformit
par million dopportunits
1 697 672
2 308 770
3 66 811
4 6 210
5 233
6 3,4
7 0,019
Six Sigma
Limpact de Six Sigma dpasse la simple amlioration de la qualit des
produits de lentreprise. Son objectif est nancier. Six Sigma a pour
objectif damliorer la performance globale de lentreprise, par le biais
de quatre actions spciques :
laugmentation de la satisfaction des clients et une plus grande
dlisation par une meilleure qualit ;
la rduction des dpenses en abaissant fortement le nombre de
rebuts, retouches et gaspillages ;
loptimisation de lutilisation des actifs de lentreprise en aug-
mentant le taux de rendement synthtique (TRS) des moyens de
production ;
laugmentation du chiffre daffaires conscutif la rduction des
cots et lamlioration de la qualit.
1.2 Six Sigma : une stratgie de perce
Si lon veut rellement progresser, il faut tre ambitieux. On nentre-
prend pas une dmarche Six Sigma pour gagner quelques euros, mais
des dizaines de milliers deuros. Avant dentreprendre une action, il
faut se poser la question dans les termes suivants : Est-ce que a vaut
le coup (cot) dy aller ?
Six Sigma na pas pour vocation dtre un outil damlioration conti-
nue. Dautres approches telles que le Kaizen le font dj trs bien. Six
Sigma doit permettre doprer une vritable perce. On peut illustrer
cette diffrence entre progrs permanent et progrs par perce par le
triste cas des dcs sur les routes. Pendant que dans le sud de lEurope
on se contentait de faire de lamlioration permanente (amlioration
des vhicules, suppression des points noirs), le nord de lEurope uti-
lisait des mthodes qui remettaient en cause la place de lautomobile
dans la socit. Le rsultat est agrant avec un nombre de dcs deux
fois plus important pour ceux qui se sont limits faire de lamliora-
tion continue.
Lintroduction de Six Sigma traduit en partie cette volution avec la
volont de changer de rythme dans lamlioration de lentreprise.
Lamlioration continue est ncessaire, mais les logiques de lamliora-
tion continue ne permettent pas deffectuer une perce ; pour cela, il
faut procder une remise en cause plus fondamentale, il faut remettre
plat le processus, le produit ou les mentalits.
Cette perce nimplique pas forcment une rvolution dans la manire
de faire, ce peut aussi bien tre la somme de petites actions rsultant
dun changement dans la manire dtre. Par exemple, le strict respect
des limitations de vitesse sur la route permettrait sans doute de faire
une vritable perce en matire de nombre de tus sur les routes. Mais
cela ncessite une rducation complte de la plupart des automobilis-
tes. Cest dans cette rducation que rside la perce.
1.3 Six Sigma et lamlioration continue
Attention, la remarque prcdente nest pas une condamnation de
lamlioration continue, mais on doit parvenir un quilibre entre les
actions damlioration continue et les actions damlioration par per-
ce. La variance globale du systme et donc son inertie repose sur
la somme de trs nombreux facteurs de variabilit tout au long du pro-
cessus. Toutes les petites amliorations apportes semblent souvent
insigniantes au regard des enjeux stratgiques de lentreprise. Pour-
tant, laddition de petites amliorations, mais en nombre trs impor-
tant, contribue diminuer les facteurs de variabilit du processus et
agit nalement de faon considrable sur les cots et sur les dlais.
De plus, ces petites amliorations sont souvent apportes sans quil en
cote quoi que ce soit, voire contribuent la diminution des cots et
des gaspillages.
Le plus mme damliorer son poste de travail est souvent lopra-
teur lui-mme. Cest le principe du Kaizen : mettre en uvre un pro-
cessus damlioration permanente en utilisant les rexions et les
nergies de tous les personnels. Lorsquon emploie un collaborateur,
on emploie une force musculaire mais aussi une force intellectuelle. Si
vous vous contentez dexploiter la force musculaire, quel gchis !
Cette rexion, qui nous a t faite par un responsable de lentreprise
Suzuki au Japon, est rvlatrice dune grande diffrence dans la faon
dont une entreprise performante et une entreprise traditionnelle con-
oivent le rle du personnel oprationnel.
Six Sigma
Bien que Six Sigma sinscrive dans une logique damlioration par per-
ce, on ne doit pas opposer cette dmarche celle de lamlioration
continue. On verra notamment que, dans la phase danalyse, on doit
rechercher limiter les variabilits du processus en agissant sur une
somme de petites modications sans cot mais qui au nal appor-
tent une grande rduction de variabilit.
1.4 Six Sigma : volution ou rvolution ?
Six Sigma a sans aucun doute provoqu une rvolution dans la
manire daborder la qualit en apprhendant les choses de faon plus
conomique, en se tournant davantage vers le client. Mais tout cela
existait dj dans un certain nombre dapproches. De mme, lorsquon
dtaille les mthodes et les outils utiliss dans une dmarche Six
Sigma, on ne trouve rien de bien nouveau. Tous ces outils taient dis-
ponibles depuis fort longtemps pour la plupart.
Ce qui est rellement nouveau, cest la fdration en une approche glo-
bale de lensemble des courants de penses novateurs, dissmins
jusqualors, en matire de qualit, doutils et de mthodes. Et ce, en
prenant en compte tous les aspects du pilotage dun systme : pilotage
stratgique, tactique, oprationnel.
Si on peut parler de rvolution en matire de Six Sigma, cest bien dans
cet aspect fdrateur quil faut le chercher. Comment peut-on utiliser la
puissance colossale des outils dj notre disposition pour amliorer
la performance industrielle ? Comment dployer lutilisation de ces
outils au-del du cercle restreint des quelques initis aux mthodes
statistiques ? Comment coordonner toutes ces dmarches dans une
structure industrielle ? Ce sont ces questions qui navaient pas t cor-
rectement poses qui trouvent dsormais une rponse avec Six Sigma.
Mais parler de rvolution peut tre dangereux. En effet, le mot rvolu-
tion signie souvent faire table rase de ce que lon faisait auparavant.
Or, sil existe bien un danger, cest celui-l. Six Sigma sinscrit dans
une logique dvolution en matire de qualit. Nous insisterons sur les
complmentarits fortes entre Six Sigma et les autres approches de
lamlioration des performances industrielles, telles que lISO 9000, le
Kaizen, lapproche Lean Management Il sagira pour le manager et
cest l toute la difcult dexploiter au mieux ces complmentarits
en fonction de lhistorique de sa socit.
2. Six Sigma
dans un environnement qualit
2.1 Six Sigma dans un contexte ISO 9000 ou EFQM
Durant la dernire moiti du XX
e
sicle, les hommes ont cherch
mieux formaliser cette notion de qualit en sintressant ses deux
aspects :
lamlioration du rsultat, autrement dit en veillant la qualit
du produit ;
lamlioration du processus qui conduit au rsultat.
Six Sigma sinscrit parfaitement dans cette dynamique de progrs en
matire de qualit, et la faon dont on conoit aujourdhui Six Sigma
traduit lhritage de tous les progrs antrieurs. Certains auteurs ont
cru pouvoir opposer des dmarches telles que la certication ISO 9000
et une approche Six Sigma ; cest probablement une erreur.
Dans les diffrentes volutions de lISO 87, 94, 2000, la faon dabor-
der la qualit a profondment volu et la dernire version offre un
point de vue extrmement favorable au dveloppement de Six Sigma.
En effet, alors que les versions 87 et 94 taient tournes vers les princi-
paux dysfonctionnements dune entreprise, la version 2000 est rsolu-
ment tourne vers la satisfaction du client au travers dune
organisation en processus.
En mettant en place une certication ISO 9000 version 2000, une entre-
prise est tenue de se poser les questions suivantes : Que souhaite rel-
lement mon client ? Comment mesure-t-on ce niveau de satisfaction ?
Comment notre organisation en place permet datteindre ce niveau de
satisfaction ?
Six Sigma
La mise en place de lISO donne une rponse un peu statique ces
questions en dcrivant lorganisation des processus en place. Mais elle
pose dj la question plus dynamique qui concerne les dmarches
quentreprend lindustriel pour amliorer la satisfaction des clients. En
revanche, lISO ne propose pas et nimpose pas une dmarche concrte
qui permettrait de crer cette dynamique de progrs.
Six Sigma donne le moyen de crer cette dynamique. Il peut reprsen-
ter le moteur de lISO : savoir, amliorer les processus en partant du
besoin du client. Pour ce faire, Six Sigma va sappuyer sur la
dcomposition en processus de lISO 9000, mais en allant beaucoup
plus loin dans la description. On cherchera mettre en vidence les
caractristiques essentielles dans ce domaine, tant au niveau de la sor-
tie (les CTQ pour Critical To Quality) que des entres (les X essen-
tiels).
Six Sigma est une mthode capable de rsoudre des problmes ponc-
tuels an damliorer la satisfaction des clients. Son fondement mme
est la rduction de la variabilit dans les processus. De ce point de vue,
en forant les entreprises dcrire leur fonctionnement, les dmarches
qualit fondes sur des rfrentiels ont le mme objectif : rduire la
variabilit dans la mthode. En effet, lorsquaucun processus nest
dcrit, il y a fort parier que la faon de le conduire subira des varia-
tions dans le temps nuisibles la satisfaction du client.
En aucun cas, nous navons trouv dopposition entre ces deux appro-
ches qui nous semblent au contraire parfaitement complmentaires. La
rduction de la variabilit passe par la description des processus et par
le fait dapporter la preuve que les carts entre la description et les faits
sont faibles. Cest le rle de lISO, cest aussi le rle de Six Sigma par
une dmarche volontaire et dynamique de progrs.
2.2 Six Sigma et la variabilit
La notion de qualit est troitement lie celle de variabilit. Certains
vont mme jusqu dnir la non-qualit comme une variabilit par
rapport une rfrence attendue. Or la lutte contre la variabilit est un
des concepts de base de Six Sigma. Tout variabilit importante qui
affecte la conformit dun produit ou dun composant doit alimenter
les deux moteurs du progrs de lentreprise : lamlioration continue et
lamlioration par perce. Chaque non-conformit qui apparat dans le
processus est rvlatrice dune faiblesse de ce dernier. Lorsquune non-
conformit est mise au jour, deux principes doivent sappliquer.
Principe de liceberg : linformation contenue dans la non-con-
formit est rvlatrice dun problme sans doute beaucoup plus
grave. La non-conformit visible nest que la partie visible dun
iceberg. En quoi mon systme de production a-t-il failli ?
Comment faire pour que ce problme narrive plus ? Pour cela,
on ne doit pas se contenter de YAQUA FAUQUON , mais on
doit sassurer de remonter la source du problme. Lorsquune
non-conformit apparat, Ohno, le grand matre japonais de la
qualit et de la gestion de production, qui a effectu partir des
annes 1950 toute sa carrire chez Toyota Motors Company, pr-
conise de se poser cinq fois la question Pourquoi ? an de
bien remonter la racine du problme. Un dfaut doit tre para-
doxalement le bienvenu car cest une source de progrs.
Principe de la bougie magique : une non-conformit est comme
une bougie magique que lon met sur les gteaux danniversaire
des enfants ; vous avez beau lteindre, elle se rallume toujours !
Pour rellement pouvoir lteindre, il faut aller plus loin que les
actions traditionnelles, il ne suft pas de soufer dessus. 80 %
des dfauts traits par les services qualit sont des problmes
rcurrents. Il faut une analyse ne de chaque non-conformit.
Est-ce du domaine de lamlioration continue ? de la perce ? En
quoi les modications apportes au processus ou au produit me
donnent la garantie que jai teint de manire dnitive la
bougie ?
3. Six Sigma dans un environnement
Lean Management
Le Lean Management a pour objectif damliorer la performance
industrielle tout en dpensant moins. Le problme est un peu le mme
que pour un sportif qui cherche obtenir une performance maximale
en rduisant le plus possible lnergie consomme. Pour illustrer cette
Six Sigma
comparaison, prenons le cas dun dbutant en ski de fond qui excute
un pas de skating . Matrisant mal son quilibre, il va dpenser une
nergie considrable qui ne se traduira pas en vitesse davancement, et
il sera puis aprs quelques kilomtres. Au fur et mesure de ses pro-
grs dans la justesse de ses gestes, dans son quilibre, dans la lecture
de la piste, il va pouvoir concentrer son nergie sur la seule perfor-
mance utile : sa vitesse davancement. Au total, pour la mme dpense
nergtique, on peut facilement multiplier sa vitesse par un facteur 3
simplement en liminant les gaspillages nergtiques. Le mme pro-
blme se pose aux entreprises industrielles : Comment amliorer notre
performance sans consommer plus dnergie ?
Figure 1.3 Complmentarit Lean et Six Sigma
Pour atteindre ce niveau dans une entreprise, on doit sappuyer sur un
certain nombre de points cls :
la suppression de tous les gaspillages ;
une production en ux tendus ;
une gestion de la qualit favorisant lamlioration continue et
lamlioration par perce ;
Lean sans Six Sigma
Production rapide
mais de faible qualit
Lean Six Sigma
Production de qualit
faible cot
Six Sigma sans Lean
Production de qualit
mais avec beaucoup
de non-valeur ajoute
la rduction des cycles de dveloppement des produits ;
une attitude prospective vis--vis de ses clients.
Sur un poste de production, les sept principales sources de gaspillage
sont identies : on les appelle les 7 Muda (gaspillage en japonais).
1. Surproduction : on continue produire alors que lordre de
fabrication est sold.
2. Attentes : loprateur passe un pourcentage de temps important
attendre la n des cycles de la machine. Les temps de cycles ne
sont pas quilibrs, les processus ne sont pas en ligne.
3. Dplacements inutiles : par exemple lorsquune surproduction a
t ralise, on doit emmener le surplus dans le stock puis le res-
sortir, do deux dplacements sans apport de valeur ajoute.
4. Oprations inutiles : tendance de tous les oprateurs atteindre
des niveaux de spcication qui vont au-del des attentes des
clients. Cela est particulirement vrai pour des dfauts visuels. Il
en rsulte une augmentation des temps de production, du nom-
bre de retouches, de rebuts, et donc des cots. Do lintrt de
parfaitement dnir le niveau attendu pour chaque spcication
et de se donner les moyens de mesurer correctement ces spci-
cations.
5. Stocks excessifs : outre les aspects cots, les stocks excessifs
conduisent des gaspillages de temps pour retrouver la rf-
rence.
6. Gestes inutiles : par une mauvaise conception des postes de tra-
vail, on diminue considrablement lefcacit de ces derniers en
imposant des dplacements, des gestes, des transports inutiles.
7. Dfauts : le processus gnre de la non-valeur ajoute, il faut
attendre pour avoir de nouvelles matires premires, les dfauts
peuvent ne pas tre vus alors que lon passe lopration sui-
vante.
Six Sigma
Figure 1.4 Rduction des cycles de production avec Lean Six Sigma
La rduction de tous ces gaspillages doit se traduire par une rduction
considrable des cycles de production (gure 1.4). Certaines entrepri-
ses ont adopt Lean Six Sigma en tant que dmarche globale. Cela con-
siste adopter le Lean Management en le combinant avec la logique et
la dynamique de progrs fournies par Six Sigma. Lapproche Six Sigma
apporte sa mthodologie rigoureuse dans lapproche de lamlioration
des dlais de production et de rduction des gaspillages. Elle apporte
galement la structure managriale qui fait toute sa force. En effet,
comme nous avons pu le souligner dans les premires lignes de ce cha-
pitre, Six Sigma nest pas quune mthode : cest aussi une faon
dorganiser lentreprise an que lon puisse tre en mesure de raliser
des perces .
4. Intgrer Six Sigma dans une dmarche
de performance industrielle
On vient de voir que Six Sigma sintgre parfaitement dans un environ-
nement qualit, dans un environnement Lean Production et mme
dans un environnement Supply Chain. Cest donc vritablement un
outil de la performance industrielle !
Dlai
de production
Frquence
Avant Six Sigma Aprs Six Sigma
Aujourdhui, pour continuer jouer son rle, lentreprise doit tre sans
cesse en mouvement, sadapter aux conditions changeantes, amliorer
son niveau de qualit. Elle doit sattaquer aux problmes majeurs,
teindre des incendies, prparer les produits de demain mais avec des
ressources limites.
Pour tenir ce pari, il faut donc tre Lean dans lorganisation. Il faut
amliorer la productivit dans la conduite dactions de progrs.
Comment rsoudre rapidement tous ces problmes qui se posent ?
Comment grer lensemble des projets qui sont conduits dans
lentreprise ? Comment coordonner tous ces projets an quils restent
cohrents avec la stratgie de lentreprise ?
Rpondre toutes ces questions, cest prcisment lobjectif de la mise
en place dun programme Six Sigma.
Mais pour russir, il est important que les entreprises comprennent
quel point les valeurs et la philosophie de Six Sigma peuvent diffrer
des croyances, valeurs et priorits sur lesquelles on met laccent avant
le dploiement de Six Sigma. Pour implmenter Six Sigma, il faut tre
ouvert, prt au changement, avide dapprendre.
On ne change pas la culture par des incantations : les valeurs reposent
sur des croyances et pour changer les valeurs il faut changer les croy-
ances. Le cycle de changement commence par la mesure. HARRY
2
nous
dit : De nouvelles mesures apportent de nouvelles donnes, de nouvel-
les donnes apportent de nouvelles connaissances, de nouvelles con-
naissances apportent de nouvelles croyances et de nouvelles croyances
apportent de nouvelles valeurs. Cest en se fondant sur ces nouvelles
valeurs que lon pourra crer les changements profonds capables de
mettre lentreprise sur le chemin de la performance industrielle.
2. HARRY M., SCHROEDER R., Six Sigma The Breakthrough Management Strategy, Doubleday,
2000.
17
Chapitre 2
Aprs avoir dtaill dans le chapitre premier les aspects culturels qui
conduisent les entreprises mettre en uvre une dmarche Six
Sigma ou Lean Six Sigma , nous nous proposons dans ce chapitre
de faire un tour dhorizon relativement complet des concepts de Six
Sigma.
Ce chapitre est volontairement dpourvu de calculs statistiques an
que le lecteur se consacre lessentiel : la comprhension des princi-
pes de base. Nous proterons des chapitres suivants pour approfondir
les diffrentes notions.
Comprendre Six Sigma, cest assimiler les multiples facettes dune
approche damlioration de la performance de lentreprise rsolument
tourne vers la satisfaction des clients dans un but afch de meilleure
rentabilit conomique de lentreprise. Nous aborderons donc ces dif-
frentes facettes an davoir une vue globale de Six Sigma avant de
voir dans le dtail la conduite dun chantier.
Six Sigma
Six Sigma, cest :
une certaine philosophie de la qualit tourne vers la satisfaction
totale du client ;
une approche visant rduire la variabilit dans les processus ;
un indicateur de performance permettant de mesurer comment
se situe lentreprise en matire de qualit ;
une mthode de rsolution de problmes DMAICS (Dnir,
Mesurer, Analyser, Innover/Amliorer, Contrler, Standardiser/
Prenniser) permettant de rduire la variabilit sur les produits ;
une organisation des comptences et des responsabilits des
hommes de lentreprise ;
un mode de management par la qualit qui sappuie fortement
sur une gestion par projet.
1. Une philosophie de la qualit
tourne vers la satisfaction du client
Six Sigma a pour objectif de concilier deux choses :
une plus grande protabilit de lentreprise,
une plus grande satisfaction du client.
De prime abord, cest assez clair ; on comprend bien quune plus
grande satisfaction des clients permettra tout la fois de conserver nos
clients et den conqurir de nouveaux. Cette augmentation des parts de
march se concrtisera par une amlioration de la protabilit.
Dun point de vue pratique, ce nest pourtant pas aussi vident. Il ne
faut pas que les amliorations de qualit sur lesquelles on porte son
effort soient plus coteuses quelles ne rapportent. Il faut aussi que
lon ne se trompe pas dobjectif en matire de satisfaction du client.
Une dmarche Six Sigma doit donc ncessairement dbuter par la
recherche des CTQ (Critical To Quality) qui seront les lments
essentiels rclams par le client. Que veut rellement le client ? Quelles
sont ses attentes ? Quel est son niveau dexigence ?
Toutes ces questions doivent tre poses ds les premires tapes dun
chantier Six Sigma. Nous verrons quelles font en fait partie intgrante
de la premire tape. Nombre dentreprises dpensent des sommes
considrables pour amliorer un produit sur des critres peu ou pas
utiles, mais qui sont des rves de technicien et ne prennent pas en
compte des lments pourtant simples rellement demands par le
client. Par exemple, seuls les fours de cuisson relativement haut de
gamme sont quips de la fonction maintien au chaud alors quelle
devrait tre une fonction de base.
Le moteur de Six Sigma est la dmarche DMAICS (Dnir, Mesurer,
Analyser, Innover/Amliorer, Contrler, Standardiser). On verra que la
premire tape de sa mise en uvre est essentiellement consacre
bien dnir ce quattend le client, dterminer quelles sont ses exigen-
ces.
2. Rduire la variabilit
La variabilit est lennemi de la qualit. Lorsquun ingnieur vient de
fabriquer un produit qui donne entire satisfaction, son rve serait de
pouvoir le cloner lidentique an que chaque produit conserve les
mmes qualits. Mais ce nest malheureusement pas possible, il y aura
toujours une petite diffrence entre des produits rputs identiques, et
ce sont ces petites diffrences qui conduisent la non-qualit. Il en est
de mme pour les services que lon ne peut fournir deux fois dans des
conditions parfaitement identiques.
Six Sigma
Figure 2.1 Rduire la variabilit
Pour illustrer cette notion de variabilit, prenons lexemple dun
joueur de foot qui doit tirer un coup franc dcisif. La cible est la
lucarne de la cage adverse. Cest un joueur professionnel qui a
rpt des centaines de fois ce geste lentranement et les con-
ditions sont idales pour russir marquer le but. Mais la balle
passe quelques centimtres de la barre transversale. Ce but
manqu est le rsultat de la variabilit dans le processus de tir.
Citons quelques lments de cette variabilit :
le joueur est dans un tat de fatigue et de stress qui modi-
e son tir ;
les irrgularits de la pelouse modient la course dlan ;
la sphricit du ballon nest pas parfaite, ce qui altre la
trajectoire ;
le vent soufait lgrement au moment du tir ;
le mur adverse ntait pas positionn comme lentra-
nement
Cible
P
r
o
j
e
t

S
i
x

S
i
g
m
a
Ex
Dans les processus industriels ou de service, le problme est le mme.
Nous sommes confronts une grande variabilit des lments qui
contribuent nous faire manquer le but. Mais lorsquil sagit de la
satisfaction de nos clients, nous navons pas le droit de manquer ce
but. Nous devons donc tout faire pour rduire cette variabilit.
Les trois sources primaires de la variabilit sont :
une conception pas assez robuste, trs sensible aux perturba-
tions extrieures ;
des matires premires et des pices lmentaires instables ;
une capabilit des processus insufsante.
Cest contre ces trois sources de variabilit que nous devons lutter pour
atteindre le niveau de qualit Six Sigma. Pour satisfaire ses clients, une
entreprise doit rduire cette variabilit par tous les moyens. Cepen-
dant, il nest pas facile dagir sur la variabilit dun processus. Cela
ncessite davoir recours de nombreux outils statistiques tels que les
tests de comparaison, les analyses de la variance, les plans dexprien-
ces, coupls une dmarche de rsolution de problme. Si quelques
experts sont capables de suivre une telle dmarche de manire intui-
tive, il nen va pas de mme pour la grande majorit des ingnieurs et
techniciens qui ont besoin dun guide mthodologique pour se retrou-
ver au travers de lensemble des outils qualit mis leur disposition.
Cest le premier rle de Six Sigma : dmocratiser, vulgariser les mtho-
des et outils de la qualit en fournissant un guide dutilisation pour
permettre au plus grand nombre de rduire la variabilit des processus.
Cest la dmarche DMAICS qui fournit le guide mthodologique per-
mettant de trouver le chemin de la rduction de variabilit. Mais cette
dmarche ne peut fournir de rsultat que si elle est utilise par des per-
sonnes comptentes. Cest la raison pour laquelle on devra associer la
mise en place de la dmarche DMAICS avec une solide formation des
hommes et une gestion efcace des comptences.
Six Sigma
3. Mesurer le niveau de qualit
Pour pouvoir progresser, il faut mesurer le niveau de qualit actuel an
de se donner un objectif vriable. Six Sigma signie donc un niveau
de qualit que lon souhaite atteindre. Une qualit sera dautant plus
signicative que le nombre de sigma sera lev. Ainsi, une qualit
3 sigma donnera 6,68 % de non-conformits, une qualit
6 sigma donnera 3,4 DPMO (Dfauts Par Million dOpportunits).
La mthode Six Sigma vise donc au moins le niveau Six Sigma, autre-
ment dit moins de 3,4 DPMO comme taux de non-conformits. Voyons
maintenant comment on mesure le nombre de sigma (le z du proces-
sus, la capabilit du processus).
3.1 La notion dopportunit de dfaut
Lorsque lon parle dun produit qui peut tre bon ou mauvais, la
notion dopportunit de dfaut est trs simple : chaque fois quon a un
produit, on a une (ou plusieurs) opportunit de dfaut. Par exemple, si
un produit a deux dfauts potentiels, la production dun lot de 1 000
produits gnre 2 x 1 000 = 2 000 opportunits de dfauts. Mais si on
prend le cas des accidents de la route, quelle est lopportunit de
dfaut ? Le nombre dautomobilistes, le nombre dhabitants du pays, le
nombre de kilomtres parcourus ?
Dans ce cas, si lon veut pouvoir tablir une comparaison entre plu-
sieurs pays pour faire un benchmarking, le plus simple consisterait
prendre le nombre dhabitants. Ainsi, en France, en lan 2000, il y a eu
180 000 accidents rpertoris pour 60 millions dhabitants ; cela fait un
DPMO de 3 000. La lecture du tableau des DPMO avec un dcalage de
1,5 (voir le tableau T1 en n douvrage) donne un z voisin de 4,2.
Figure 2.2
Tableau du nombre de non-conformits en fonction de sigma
z ppm centr dans les tolrances DPMO avec un dcalage de 1,5
1 317 310,52 697 672,15
2 45 500,12 308 770,21
On peut galement retrouver la relation entre le DPMO et le z en appli-
quant la relation :
soit :
3.2 Lorigine des 3,4 ppm
Le calcul de lobjectif des 3,4 ppm rsulte dun calcul de pourcentage
thorique de dfauts dans le cas dune loi normale.
Dans le cas des produits mesurables, la capabilit du processus se
mesure en tablissant le ratio entre la tolrance et la dispersion du pro-
cessus (le lecteur pourra se rfrer utilement au chapitre 4 pour plus
de dtails sur les calculs de capabilits).
Figure 2.3 Niveau Six Sigma
3 2 699,93 66 810,63
4 63,37 6 209,70
5 0,57 232,67
6 0,00 3,40
7 0,00 0,02
z 0,8406 29,37 2,221 ln(DPMO) + =
z 0,8406 29,37 2,221 ln(3 000) + 4,24 = =
Processus 3 sigma (Cp = 1) Processus 6 sigma (Cp = 2)
z = 6 z = 3

Dispersion
du processus
0,001
ppm
1 350
ppm
1 350
ppm
0,001
ppm
0 1 2 3 1 2 3 0 2 4 6 2 4 6
Six Sigma
Lobjectif Six Sigma consiste amliorer la variabilit du processus de
telle sorte que lon ait une tolrance deux fois plus importante que la
dispersion court terme. Dans ces conditions, la spcication est six
carts types de la moyenne (z = 6). La proportion de produits dfec-
tueux est alors de 0,002 ppm lorsque le processus est parfaitement cen-
tr. Lorsque le processus est un niveau de trois sigma (z = 3), la
proportion de dfaut est alors de 2700 ppm.
Cependant, on montre facilement que, mme si le processus est par-
faitement sous contrle, il nest pas possible de dtecter les petits
dcentrages du processus. Le plus petit dcalage dtectable est de 1,5
sigma
3
. Dans ces conditions, la proportion de dfauts sera de 3,4 ppm.
Figure 2.4 Dcalage de 1,5 sigma
Il sagit donc dune estimation dun pourcentage de non conformes
dans une situation donne. Le z permet destimer le niveau de qualit
dun processus, cest un outil de communication. En aucun cas, il ne
remplace lanalyse complte de la chute des capabilits comme nous le
verrons au chapitre 5, Mesurer.
3. Ce dcentrage sexplique par lefcacit des cartes de contrle. On pourra se reporter
louvrage Appliquer la matrise statistique des procds, Les ditions dOrganisation, 2001,
pour plus de renseignements.
Process 3 sigma Process 6 sigma
1,5 1,5
3,4
ppm
3,4
ppm
66 807,2
ppm
0
ppm
0 1 2 3 1 2 3 0 2 4 6 2 4 6
4. Six Sigma : une mthode de matrise
de la variabilit DMAICS
4.1 La dmarche DMAICS
Figure 2.5 - Les six tapes DMAICS de la dmarche Six Sigma
Fiche de poste
X1
X2
X3
X1
Y
X2 X3 X4
Dfinir
Mesurer
Analyser
Innover
Contrler
Standardiser
Bien dfinir le problme,
les limites de remise en cause,
l'quipe de travail
Trouver un moyen
de mesure de la qualit.
Vrifier sa capabilit.
Rcolter des faits.
Dterminer le z du processus
Examiner, analyser les donnes.
Prouver statistiquement
les facteurs influents.
Exprimenter, Modifier,
Amliorer, Optimiser.
Prouver statistiquement
que les amliorations
sont efficaces.
Appliquer la solution.
La formaliser.
La mettre sous contrle.
Revues
R0
R1
R2
R4
R3
R5
Prenniser la solution.
Dployer les bonnes pratiques.
Clore le projet.
Six Sigma
Pour obtenir les niveaux de capabilit exigs par Six Sigma, il est abso-
lument ncessaire dutiliser des outils et plus particulirement des
outils statistiques. Dans lapproche Six Sigma, tous les outils utiliss
sont connus, il ny en a pas de nouveaux. Cest la structuration dans
lutilisation des diffrents outils qui est intressante dans lapproche
Six Sigma.
Figure 2.6 DMAICS
tapes Objectifs/tches Rsultats Outils principaux
D
D
n
i
r
Dnir le projet :
les gains attendus
pour le client,
pour lentreprise,
le primtre du projet,
les responsabilits.
Charte du projet
Cartographie gnrale
du processus
Planning et affectation
des ressources
Diagramme CTQ
QQOQCP
QFD
Diagramme de Kano
Benchmarking
Cartographie
SIPOC
M
M
e
s
u
r
e
r
Dnir et valider
les moyens de mesure.
Mesurer les variables
de sortie, les variables
dtat et les variables
dentre du processus.
Collecter les donnes.
Connatre le z
du processus.
Cartographie dtaille
du processus
Capabilit des moyens
de mesure
Capabilit du processus
Analyse processus,
logigramme
Rptabilit
et reproductibilit
Analyse des 5M
Matrice Causes/Effets
Feuille de relevs
Matrise statistique
des procds (SPC)
A
A
n
a
l
y
s
e
r
Analyser les donnes.
tablir les relations
entre les variables
dentre et de sortie
du processus.
Identier les variables
cls du processus.
tablissement
de la preuve statistique
Comprhension
du processus
Statistique descriptive
Statistique infrentielle
Plans dexpriences
Six Sigma se dcline en six tapes DMAICS (Dnir, Mesurer, Analyser,
Innover/Amliorer, Contrler, Standardiser). En suivant scrupuleuse-
ment ces six tapes, un technicien qui nest pas un expert en statisti-
que pourra avec un minimum de formation atteindre lobjectif de
variabilit qui est x.
Pour passer dune tape une autre, il faudra valider au travers dune
revue le fait que les objectifs de ltape ont bien t atteints. Cette
revue est ralise conjointement par le responsable du projet (le Black
Belt
4
) et le responsable du dploiement de Six Sigma (le Champion)
qui est lui-mme un responsable de lentreprise.
I
I
n
n
o
v
e
r
/
A
m
l
i
o
r
e
r
Imaginer des solutions.
Slectionner les pistes
de progrs les plus
prometteuses.
Tester les amliorations.
Processus pilote
Amlioration du z
Dtermination
des caractristiques
mettre sous contrle
Mthode de crativit
Vote pondr
Plans dexpriences
AMDEC
C
C
o
n
t
r
l
e
r
Mettre sous contrle
la solution retenue.
Formaliser le processus.
Rdaction de modes
opratoires
Cartes de contrle
Auto-matrise
Matrise statistique
des procds (SPC)
S
S
t
a
n
d
a
r
d
i
s
e
r
Prenniser les solutions
(cale anti-retour).
Diffuser les bonnes
pratiques.
Clore le projet.
Indicateurs
de performance
Tableau de bord
Plan daudit
Bilan de n de projet
Auto-matrise
Audit
Benchmarking
Bonnes pratiques
4. Black Belt : ceinture noire . Ces dnominations ont t popularises par lentreprise Gene-
ral Electric. Nous dnirons plus compltement les diffrents rles dans la prochaine section
de ce chapitre ainsi que dans le chapitre 9, Le management Six Sigma.
Six Sigma
4.2 tape 1 Dnir
4.2.1 But de ltape
En fait, cette tape comprend deux sous-tapes majeures. La premire
consiste dterminer le sujet de travail le plus adapt dans le cadre de
la stratgie de lentreprise, et la seconde vise, une fois le sujet
slectionn, raliser un tat des lieux en se posant clairement les
questions suivantes :
Quel est lobjectif que lon recherche ?
Quel est le primtre du projet ?
Qui doit travailler sur ce projet ?
Quel est le planning du projet ?
Cette tape doit permettre de rdiger la charte du projet qui dnit clai-
rement les acteurs du projet, le cadre du projet et les objectifs attein-
dre. Cette tape peut durer entre une semaine (lorsque le problme est
vident) un mois.
Pr-dnition du projet
Pour rsoudre un problme, il faut dabord lavoir parfaitement dni.
Il faut identier :
un vrai problme : soit, un cart notable entre des performances
attendues et mesures ;
un vrai client : autrement dit, un client motiv par la rduction
de lcart ;
des gains signicatifs justiant le temps et lnergie que lon va
dpenser ;
un primtre limit garantissant une dure daction entre six
mois et un an.
La pr-dnition du projet consiste identier dans le secteur de
lentreprise concern les projets susceptibles dtre conduits. Il sagit
ensuite de les classer en fonction du potentiel de gain et de la difcult
quils prsentent a priori pour aboutir. La question laquelle on doit
rpondre est la suivante : est-ce que a vaut le coup (le cot) dy aller !
On slectionne un bon projet en recourant un vote pondr en fonc-
tion dun certain nombre de critres qui sont en adquation avec la
stratgie de lentreprise (gure 2.7).
Figure 2.7 valuation des projets
Dnition du projet
Aprs avoir slectionn le problme sur lequel on doit se pencher, on
cherchera dans cette tape parfaitement dcrire qui est le client,
quelle est son insatisfaction et quelle est la grandeur Y qui permet de
traduire cette insatisfaction. Ce travail doit impliquer le plus rapide-
ment possible lquipe du projet. La premire phase de la dnition
sera donc la formation de lquipe.
Dnir et former lquipe
Il faut le plus tt possible mettre sur pied une quipe de travail et iden-
tier les diffrents acteurs du projet.
Objectifs de lentreprise Poids Projet 1 Projet 2 Projet 3 Projet 4
Accrotre les ventes 0,3 4 3 2 2
Diminuer les cots de production 0,3 2 0 2 9
Diminuer le nombre de rclamations
clients
0,2 0 3 9 9
Amliorer le cadre de travail
de nos collaborateurs
0,2 2 0 2 0
Moyenne pondre des projets potentiels 2,2 1,5 3,4 5,1
Six Sigma
Les acteurs principaux en seront :
le Black Belt ou Pilote qui aura en charge la conduite du
projet ; outre sa matrise de la mthode Six Sigma, il est souhai-
table quil ait des connaissances oprationnelles sur le sujet ;
le Champion qui a en charge le dploiement de Six Sigma et
qui doit pouvoir librer les ressources ncessaires ;
le propritaire du processus qui sera la rfrence en matire
de connaissances oprationnelles ;
le comptable du projet qui doit suivre les gains et les cots du
projet ;
lquipe compose de personnes formes la mthode Six
Sigma.
Ds le dbut, il faut impliquer tous les acteurs en les formant par une
introduction la mthode, lexpos des diffrents outils qui seront uti-
liss et des revues qui seront ralises entre chaque tape.
Chaque membre de lquipe devra consacrer une partie de son temps
au projet. Il est important destimer le plus tt possible limportance de
cette contribution an de pouvoir se concerter avec lencadrement des
personnes ressources.
Identier les caractristiques cls (CTQ)
cette tape, le projet est dni, mais il faut clarier un certain nom-
bre de points :
Quelles sont les caractristiques critiques pour le client, leurs
cibles, leurs limites ?
Quelles sont la situation actuelle et la situation espre ?
Pour aider le groupe rpondre toutes ces questions, un certain
nombre doutils sont disponibles (dcris dans le chapitre 3, Dnir) :
le diagramme CTQ (Critical To Quality) ;
la classication selon le modle de Kano ;
le diagramme exigences/performances ;
le QFD.
Un projet Six Sigma doit maner de la voix mme du client. Plusieurs
approches peuvent tre utilises cet effet depuis lapplication trs
complte du QFD
5
jusquau simple questionnaire prsent ci-aprs,
ralis sur un chantillon de clients actuels ou potentiels dans le seg-
ment de march vis :
Quelles motions vous viennent lesprit quand vous pensez au
produit ?
Quels besoins ou dsirs vous viennent lesprit quand vous pen-
sez au produit ?
Quels problmes ou rclamations souhaitez-vous mentionner au
sujet du produit ?
partir de ce qui mane de la voix mme du client, on doit tirer des
caractristiques si possible mesurables et continues avec une cible
et des limites permettant de garantir la satisfaction du client. Au dbut
dun projet Six Sigma, cette premire question mrite quon passe tout
le temps ncessaire pour lui trouver une rponse.
Pourquoi une grandeur mesurable et continue ?
Mesurable : si on ne sait pas mesurer le rsultat dun processus, on ne
saura pas lamliorer ! Il faut donc mettre en place un moyen de
mesure.
Mesure continue : continue soppose discrte de type bon/pas bon,
catgorie A, B, C, D. Ce type de donnes ncessite quelles soient
importantes pour que des changements signicatifs soient observables.
Par exemple, on montrera dans le chapitre Analyser quon ne sait pas
conclure une diffrence signicative entre deux fournisseurs ayant
livr 200 produits dont 25 dfectueux pour le premier et 17 pour le
second. Sil faut de grandes quantits, il faut donc de nombreux pro-
duits, engageant des cots trs importants. On montrera quune gran-
deur continue permet dobserver des carts signicatifs sur des tailles
dchantillons de quelques units, ce qui rend nettement moins co-
teuses les tudes.
5. Voir louvrage Qualit en production, chapitre 6, D. DURET, M. PILLET, Les ditions dOrgani-
sation, 2002.
Six Sigma
Cette transposition entre la voix du client et les caractristiques du
produit sera facilite par lutilisation de la matrice QFD ou dun dia-
gramme CTQ.
Enn, il faut hirarchiser les caractristiques du produit an den
extraire celles qui sont essentielles et sur lesquelles on devra porter
notre effort dans le projet Six Sigma. Pour cela, deux outils sont cou-
ramment utiliss : le diagramme exigences/performances et la classi-
cation selon le modle de Kano. Cette phase doit permettre de dcrire
de manire claire la situation actuelle et la situation espre au niveau
des caractristiques nales du produit. Noublions pas quun problme
Six Sigma commence par lidentication dun cart entre une situation
actuelle et souhaite.
Identier le processus et son environnement
Connaissant les objectifs atteindre pour le client, le groupe doit main-
tenant se focaliser sur lidentication du processus qui permet de four-
nir le produit ou le service. On procde cette phase principalement
grce la cartographie du processus qui peut se faire sous diffrentes
formes. Nous dcrirons dans le chapitre 3 les schmas suivants :
la bote noire du processus ;
le diagramme SIPOC.
Lobjet en est de faire apparatre les diffrentes tapes du processus, les
entres et les sorties.
Dterminer le primtre du projet
Avant de commencer travailler, il faut tre capable de dterminer les
limites du projet, ce que lon accepte de remettre en cause, ce que lon
veut conserver, ce qui sort de notre domaine de comptence. Pour faire
cette recherche, on utilise le diagramme Dedans/Dehors.
crire la charte du projet
Enn, on conclut cette premire tape par la rdaction de la charte du
projet. Le projet doit avoir un titre clair an que lquipe puisse sy
identier. Un membre de lquipe doit par exemple pouvoir dire : Je
travaille sur le projet zro rclamation sur le produit X28 . Cette
charte du projet rsume lensemble des travaux qui ont t raliss
dans cette tape. Le lecteur trouvera un exemple de charte de projet
dans le chapitre 11, Rsums. Cette charte a valeur dengagement du
groupe et sera la base de la revue R0 qui est ralise entre le Champion
et le Black Belt.
4.2.3 Revue R0 Identier
Le but de la Revue R0 vise sassurer que les principales actions de la
premire tape ont t ralises. Cette revue est conduite par le Cham-
pion qui est le responsable du dploiement de Six Sigma dans lentre-
prise. Il a en gnral une responsabilit hirarchique importante.
La revue doit valider que les actions suivantes ont t conduites.
Formuler le problme
Identier les clients et prciser ce qui est critique daprs eux
Formaliser le processus tudi :
Positionner le processus dans son ensemble (Bloc Dia-
gramme).
Raliser le diagramme CTQ (Critical To Quality).
Quels sont les Y (sorties) du processus lis ce qui est criti-
que pour le client ?
Quels sont les processus de mesure ? Sont-ils continus
(7 niveaux minimum) ?
Quelles sont les spcications actuelles sur les Y ?
Quels sont les X a priori ?
Identier ltat actuel :
Existe-t-il un historique sur le problme ? Un historique sur
les Y ?
Quelle est la capabilit actuelle si elle est connue ?
Quels sont les cots de non-qualit identis et lis au
problme ?
Identier ltat souhait lcart est-il proportionnel
lampleur du problme ?
Quelle est la capabilit vise ?
Quels sont les cots de non-qualit que lon veut supprimer ?
Quels sont les gains en productivit?
Six Sigma
Former lquipe de travail, dterminer les responsabilits
Dterminer le planning
Rdiger et signer la charte du projet
Lorsque tous ces points sont valids, on peut passer la deuxime
tape Mesurer . Cependant, il est tout fait possible que les con-
naissances acquises dans les tapes suivantes remettent en question la
charte du projet et quun rebouclage sur ltape Dnir soit nces-
saire.
4.3 tape 2 Mesurer
4.3.1 But de ltape
Ltape Mesurer est un lment essentiel de lapport dune dmar-
che Six Sigma. Beaucoup dentreprises nont pas cette culture de la
mesure. Elles disposent parfois dun grand nombre de chiffres, mais
ceux-ci sont inexploitables ou inexploits. Voici les principales raisons
de cette pauvret dans lexploitation des donnes :
des processus de mesures qui ne sont pas adapts et qui crent
parfois plus de dispersion que le processus tudi ;
une rcolte des donnes mal conue qui rend inexploitables les
tableaux de donnes.
Cette tape a pour objectif dvaluer correctement la situation actuelle
de la performance des processus impliqus par comparaison avec les
diffrentes exigences des clients. Elle peut se dcliner en trois actions
majeures :
1. Valider les processus de mesure
Cela consiste vrier que la chane de mesure utilise nest pas
dj une source importante de variabilit. Pour cela, aprs avoir
vri le rattachement de linstrument la chane dtalonnage,
on vrie galement que la variabilit due aux dfauts de rpta-
bilit (plusieurs mesures dun oprateur) et de reproductibilit
(plusieurs oprateurs) nest pas trop forte.
2. Rcolter des donnes permettant dvaluer la performance du
processus
Avant de commencer modier quoi que ce soit intressant le
processus, il faudra avoir analys la situation actuelle. Pour ce
faire, il faudra disposer de donnes ables sur lesquelles on
pourra raliser des tests statistiques.
3. valuer la capabilit actuelle
partir des donnes rcoltes sur les Y du processus, on pourra
valuer notamment le z du processus.
Valider le processus de mesure
Pour mener bien un projet, il faut disposer dune rponse mesurable
Y si possible de faon continue traduisant la satisfaction de lexi-
gence du client. Si on ne sait pas mesurer correctement, toute analyse
qui sensuivra risquera fortement dtre errone ou de requrir un
nombre de donnes trs lev. Il faut donc identier deux processus
lmentaires : le processus principal, et ses cinq M (Moyen, Milieu,
Mthodes, Matire, Main-duvre), qui produit le service ou le produit
et le second processus de mesure, galement avec ses cinq M (Moyen,
Milieu, Mthodes, Mesurande, Main-duvre), qui permet dvaluer la
satisfaction du client.
Prenons par exemple le cas dun processus de rectication dun arbre
vilebrequin de moteur. Le processus principal en sera la rectieuse,
mais il faudra galement dnir le processus de mesure (appareil de
contrle, mthode de contrle, comptence des oprateurs, environne-
ment requis) qui permettra davoir limage la plus juste de la
ralisation du processus principal.
Un lment important du processus de mesure est le moyen de con-
trle. Il doit tre rattach aux chanes dtalonnage et possder des
proprits de justesse et de linarit. Ce sera la premire vrication
raliser. Mais il faut galement tenir compte des 4 autres M. Le proces-
sus de mesure doit avoir des proprits de rptabilit (plusieurs mesu-
res dans les mmes conditions doivent donner un rsultat similaire) et
Six Sigma
de reproductibilit (indpendance de la mesure un changement de
condition tel que loprateur) an que sa dispersion soit faible devant
les variations de la rponse Y.
Figure 2.8 Rptabilit et reproductibilit
Pour vrier la capabilit du moyen de contrle (Cmc), on utilise
loutil rptabilit et reproductibilit (R&R) qui compare la disper-
sion de mesure la tolrance xe sur la rponse du processus Y. Pour
tre dclar adapt, le processus de mesure doit avoir une dispersion
propre infrieure au quart de la tolrance.
Ramasser les fruits au pied de larbre
Six Sigma sassigne comme but la rduction de la variabilit. Pour cela,
il y a deux faons dagir :
Identier toutes les petites sources de variabilit qui sont dues
des paramtres non gs faute de procdures ou de standards de
travail gs. La rduction de ces sources de variabilit est sou-
vent peu coteuse, il suft didentier les paramtres que lon
peut ger et de standardiser le processus. On appelle cela
Ramasser les fruits au pied de larbre .
5,01
5,05
5,00
2 mesures
Contrleur
1
Contrleur
2
Moyenne = 5,02 Moyenne = 5,01
10 pices 10 pices
2 mesures
Erreur de reproductibilit
Erreur de rptabilit Erreur de rptabilit
5,03
5,06
5,01
5,02
5,06
5,01
5,01
5,07
5,01
Analyser le processus et modier en profondeur les paramtres
en fonction des rsultats des essais. Cela correspond au fait de
poser une chelle pour aller chercher les fruits les plus mrs au
sommet de larbre.
Il serait vraiment dommage de commencer le cycle danalyse en
ngligeant tous les gains que lon peut faire partir dune simple ana-
lyse. Pour y pourvoir, une des mthodes que lon applique est lanalyse
des 5M du processus (gure 2.9). Aprs avoir identi toutes les sour-
ces de variabilit, on recherche comment liminer ces sources de varia-
tions un cot minimal. Cette premire tape est souvent riche et
apporte de trs importants gains sur le z du processus.
Figure 2.9 Lanalyse des 5M pour rduire la variabilit
Observer le procd
Disposant dun moyen de mesure adapt, et ayant limit la variabilit
du processus, on peut mettre en place des campagnes de relevs et
dobservations du processus qui permettront de faire lanalyse de
lexistant sur des donnes factuelles an de pouvoir en apporter la
preuve statistique .
On doit observer quatre lments :
les Y (sorties du processus constates par le client) ;
les entres du processus provenant des processus fournisseur ;
les commandes et variables du processus ;
les indicateurs dtat du processus.
Main-d'uvre Mthodes
Milieu Matire
Variabilit
Moyen
Six Sigma
Figure 2.10 Les points observer
Ces relevs doivent permettre de mettre en regard la rponse Y du sys-
tme aux diffrents paramtres X pouvant avoir une inuence sur le
processus. On y procde partir de feuilles de relevs, dextraction de
la base de donnes de lentreprise, du suivi des processus.
Estimer la capabilit du processus
Fort de ces relevs dont on aura pris la prcaution de vrier la perti-
nence, on peut alors mesurer de faon prcise la capabilit du proces-
sus en valuant son sigma .
Outre la dtermination du z du processus, on devra analyser la chute
de capabilit pour connatre la source du problme de variabilit. ce
stade, cela ne peut tre un problme de mesure car on a valid avec le
Cmc la faible inuence de la mesure par rapport aux spcications.
Cela peut donc tre :
1. un problme de dispersion court terme ;
2. un problme de stabilit avec un cart entre la dispersion court
terme et long terme ;
3. un problme de centrage ;
4. une combinaison des trois premiers problmes.

Variables et commandes
Indicateurs d'tat
Entres
Sortie Y
Figure 2.11 Lorigine de la non-satisfaction des clients
La connaissance du type de problme qui conduit cette forte variabi-
lit est trs importante avant daborder ltape suivante : Analyser .
On ralise cette tude des chutes de capabilit en comparant les indica-
teurs de capabilit Cp, Pp, Ppk, que nous dtaillerons au chapitre 4,
Mesurer.
Cible Cible
Cible Cible
Problme de dispersion
court terme
Problme de stabilit
Problme de centrage Problme de stabilit et de centrage
Six Sigma
4.3.3 Revue R1 Mesurer
La revue R1 est conduite lorsque lon considre avoir ralis lensem-
ble des actions de ltape Mesurer . Cette revue est dirige par le
Champion qui est le responsable du dploiement de Six Sigma dans
lentreprise. La revue doit valider le fait que les actions suivantes ont
t conduites :
Formuler le problme (actualisation)
Faire la bote noire du processus (avec les connaissances
actuelles).
Quels sont les Y du processus lis ce qui est critique pour le
client ?
Quels sont les processus de mesure ? Sont-ils continus (7
niveaux minimum) ?
Quels sont les X a priori ?
Valider le processus de mesure
Rattachement la chane dtalonnage.
Vrication de la justesse.
Vrication de la rptabilit et de la reproductibilit (R&R).
Ramasser les fruits au pied de larbre
Analyser les X potentiels (analyse des 5M).
Rduire les causes de variations en xant des paramtres.
Observer le procd
Mettre en place des cartes dobservations.
Mettre en place des feuilles de relevs.
Enregistrer toutes les informations disponibles sur Y avec ses
attributs (X correspondants).
Validation des spcications.
Estimer la capabilit du processus
Examen statistique des valeurs mesures : moyenne, cart
type, normalit.
Calcul des indicateurs de capabilits.
Analyse de la chute des capabilits : problme de processus,
de drive ou de centrage ?
Actualisation des gains et cots estims
4.4 tape 3 Analyser
4.4.1 But de ltape
Conformment toutes les mthodes de rsolution de problme, Six
Sigma impose une phase danalyse avant de modier le processus. Les
tapes 1 et 2 nous ont permis de faire une cartographie du procd an
didentier les X potentiels et de rcolter des faits sur la base de
moyens de mesure capables. Ltape 3 nous permettra danalyser ces
donnes an didentier les quelques X responsables dune grande
partie de la variabilit. Lanalyse portera dabord sur Y (la sortie de la
bote noire), puis sur les X et sur les relations que lon peut mettre en
vidence entre les X et les Y.
Figure 2.12 tape Analyser : un entonnoir X
Un des points essentiels de Six Sigma consiste ne rien toucher dans
le processus avant den tre ltape Innover/Amliorer. Ltape Ana-
lyser joue le rle dentonnoir X. Dans ltape Mesurer, le groupe de
travail a dj slectionn un nombre de X restreint par rapport tous
les X potentiels ; il faudra qu lissue de cette tape, seuls quelques X
potentiels restent candidats pour apporter une amlioration au proces-
sus.
On ne touche rien
avant d'tre l'tape
Innover
1 000 X potentiels
100 X potentiels
10 X potentiels
Dfinir
Innover nnove
Contrler
Standardiser
Entonnoir
X
Six Sigma
La phase Analyser va porter sur lanalyse descriptive des X et des Y et
lanalyse relationnelle entre les X et Y.
Lors de cette phase, on ne cherche pas apporter de modication au
processus, mais comprendre les rgles qui rgissent son fonctionne-
ment. Pour cela, on procde deux types danalyse :
une analyse descriptive des caractristiques observes an de
dtecter dventuelles anomalies telles que la prsence de
valeurs aberrantes, une non-normalit, qui sont sources dinfor-
mations ;
une analyse relationnelle an de comprendre en quoi les X ont
une inuence sur la caractristique Y que lon cherche amlio-
rer.
Cette tape fait largement appel aux diffrents outils statistiques. Dans
le chapitre 5, Analyser, on prsentera en dtail les principaux outils de
la statistique descriptive et infrentielle que le Black Belt doit matriser
pour mener bien cette tape.
Analyse du comportement des Y et des X
Lors de la phase Mesurer , on a lanc un plan de collecte de don-
nes. On dispose dsormais de tableaux dobservation sur une priode
donne pour les Y et pour les X. La premire dmarche consiste
faire parler les donnes . Cette analyse peut comporter :
une tude du comportement par rapport aux spcications exis-
tantes ;
une analyse statistique (moyenne, cart type, prsence de
valeurs aberrantes) ;
une analyse de normalit et lanalyse des causes en cas de non-
normalit ;
une analyse des variations dans le temps des caractristiques
an de vrier si la caractristique est sous contrle (utilisation
des cartes de contrle) ;
une analyse des chutes de capabilit.
Lexemple prsent ci-aprs (gure 2.13) dtude du comporte-
ment dun X montre une population qui a visiblement fait lobjet
dun tri. Le processus qui produit cet X ne peut pas satisfaire les
spcications dans les conditions actuelles, les capabilits nen
sont pas bonnes. Le tri a sans doute un cot important, est-il
utile ? Quelle est lorigine de cette variabilit ? Peut-on rduire la
variabilit sur cet X ? Autant de questions qui devront trouver
rponse dans cette tape Analyser et dans ltape Innover/
Amliorer .
Figure 2.13 tude du comportement dun X
6
6. Les graphiques et analyses sont raliss avec Minitab Logiciel danalyse statistique
www.minitab.com.
Ex
Analyse de capabilit pour X
LSL 120,00000
Target 123,00000
USL 126,00000
Mean 123,83019
Sample N 53
StDev (Within) 1,43208
StDev (Overall) 1,54835
Process Data
PPM < LSL 0,00
PPM > USL 0,00
PPM Total 0,00
Observed Performance
PPM < LSL 3 741,30
PPM > USL 64 867,43
PPM Total 68 608,73
Exp. Within Performance
PPM < LSL 6 685,75
PPM > USL 80 552,07
PPM Total 87 237,82
Exp. Overall Performance
Cp 0,70
CPL 0,89
CPU 0,51
Cpk 0,51
Potential Capability
Pp 0,65
PPL 0,82
PPU 0,47
Ppk 0,47
Cpm 0,57
Overall Capability
120
LSL = 120 Tar = 123 USL = 126
122 124 126 128
Six Sigma
Figure 2.14 Analyse des variations dans le temps
Le second exemple (gure 2.14) montre lanalyse du comporte-
ment dans le temps laide dune carte de contrle moyenne/
tendue qui sera prsente au chapitre 7, Contrler. Cette carte
de contrle permet de mettre en vidence, pendant lobservation,
plusieurs points hors contrle qui dnotent la variation dans le
temps du centrage du processus. Cette instabilit cre une aug-
mentation de la dispersion. Il faudra trouver les moyens dlimi-
ner ces drives.
Analyser les relations entre les X et les Y
Ltude du comportement a consist regarder les X et les Y de faon
indpendante. Nous allons maintenant chercher comprendre quels
sont les X qui expliquent la variabilit des Y. la n de cette tape, on
doit avoir identi de faon claire quelles sont les quelques variables
Carte de contrle Moyennes/tendues
128
M
o
y
e
n
n
e
s
t
e
n
d
u
e
s
X = 123,743
UCL = 126,861
LCL = 120,626
UCL = 7,84476
R = 3,0474
LCL = 0
5 10 15 20 25 35 30 40 45 50
chantillons
5 10 15 20 25 35 30 40 45 50
chantillons
124
122
120
126
8
4
2
0
6
Ex
sur lesquelles il est ncessaire dagir an dajuster le paramtre de sor-
tie Y sur la valeur dsire et de rduire sa variabilit. On dissocie en
gnral trois types dans lorigine des variations :
Variations de position
Position sur une machine multi-posages.
Chip particulier dans un wafer.
Empreinte dans un moule sur une presse injecter.
Variation entre 2 machines, 2 oprateurs, 2 ateliers.
...
Variations cycliques
Variation dun lot un autre.
Variation dune coule une autre.
Variation parmi un groupe dunits (usure doutils).
...
Variations temporelles
Variation dune quipe lautre, matin et soir, jours de la
semaine...
La question laquelle on doit rpondre est la suivante : lorsquun X
bouge, est-ce que cela a de linuence sur le Y ?
Pour rpondre cette question, on pourra saider doutils graphiques
comme la bote moustache (gure 2.15) qui semble montrer que le
changement doprateur a une inuence importante sur la valeur de Y.
Mais cette observation nest pas sufsante dans une approche Six
Sigma : il faut en apporter la preuve statistique. Pour cela, on va utiliser
des tests statistiques qui nous permettront de connatre le risque que
lon prend lorsquon dit quil y a un cart signicatif entre deux situa-
tions. Ainsi, dans lexemple cit, en ralisant un test de comparaison
de moyennes, on peut dire que le risque quun tel cart provienne
dune variation alatoire est de 1,6 %.
Six Sigma
Figure 2.15 Inuence de loprateur sur Y
Les outils statistiques disponibles permettent de comparer des posi-
tions (moyennes) mais galement des dispersions (carts types) et des
frquences (proportions). On pourra comparer une valeur par rapport
une position thorique (par exemple, la valeur dune moyenne par
rapport une cible), ou deux ou plusieurs populations.
Hirarchiser les X et identier les quelques X responsables
de la plus grande partie de la variabilit
Aprs avoir mis en vidence les principales causes de variation par les
analyses statistiques que lon a ralises sur les donnes rcoltes lors
de ltape Mesurer , il faut dsormais hirarchiser les causes an de
connatre quels sont les X sur lesquels les efforts les plus importants
devront tre apports lors de ltape Innover/Amliorer.
Les outils ncessaires pour cette hirarchisation sont encore des outils
statistiques tels que lanalyse de la variance, la rgression multiple ou
encore les plans dexpriences. Les deux premiers seront prsents
dans le chapitre 5, Analyser, les plans dexpriences quant eux le
seront dans le chapitre 6, Innover.
Bote moustache pour Op 1 et Op 2
21,75
21,50
22,25
22,00
22,75
22,50
23,25
23,00
Oprateur 1 Oprateur 2
La hirarchisation des X peut se prsenter sous la forme dun Pareto
des effets (gure 2.16) sur lequel on note que trois effets seulement
sont rellement signicatifs (B, D, E) et reprsentent plus de la moiti
de la variabilit sur Y.
Figure 2.16 Pareto des principales causes
4.4.3 Revue R2 Analyser
La revue R2 est conduite par le Champion une fois que lon considre
que lon a ralis lensemble des actions de ltape Analyser . La
revue doit valider le fait que les actions suivantes ont t ralises :
Analyse du comportement de Y
Vrier la normalit de la rponse.
Analyser les causes de non-normalit.
Analyse du comportement des X
Vrier la normalit de la rponse.
Analyser les causes de non-normalit.
Analyser les relations entre les X et les Y
Complter la liste des X agissant sur Y.
Complter les mesures des X associs aux valeurs de Y.
Pareto des effets
(Rponse Y, Alpha = 0,05)
Effets
X
s
Factor Name
A A
B B
C C
D D
E E
F F
G G
H H
J J
B
D
E
C
J
G
AB
A
F
AC
H
2 4
4,71184
6 8 10 0
Six Sigma
Analyse graphique et statistique de la relation entre les X et Y.
Vrier linuence des trois types de variations (position,
cycliques, temporelles).
Hirarchiser les X et identier les quelques X responsables de
la plus grande partie de la variabilit
Poids des X pertinents avec Anova ou Regression.
Focalisation sur les X les plus pertinents.
Prvoir un ventuel plan dexpriences pour formaliser la
relation.
Ractualiser les gains potentiels ou dj acquis
4.5 tape 4 Innover/amliorer
4.5.1 But de ltape
Aprs avoir dtermin les sources potentielles de la dispersion lors de
ltape danalyse, il sagit maintenant damliorer le processus an de
le centrer sur la cible et de diminuer sa variabilit. Cest cela que
cette tape damlioration semploie.
Elle peut se dissocier en quatre phases :
une phase de crativit dans laquelle le groupe de travail doit
imaginer les solutions que lon peut apporter pour atteindre
lobjectif ;
une phase dexprimentation pour ajuster les paramtres du
processus ;
une phase danalyse des risques ;
une phase de planication des changements.
Synthse des connaissances acquises
Ltape Innover/Amliorer doit commencer par une synthse des con-
naissances acquises au cours des tapes prcdentes. De nombreuses
analyses ont t conduites an de rduire le nombre de X potentiels. Il
est indispensable de rappeler au groupe de travail les principales con-
clusions auxquelles on est arriv aprs ces analyses, les certitudes que
lon a et les interrogations qui persistent.
Gnrer des solutions
Si, dans les tapes prcdentes, on sest interdit de modier la congu-
ration du processus pour ne pas perturber la saisie des donnes, il faut
ici au contraire imaginer les modications qui peuvent tre apportes
au processus pour atteindre lobjectif x en dbut de projet.
Ce peuvent tre des modications technologiques importantes, mais
aussi des modications sur le niveau des X pour ajuster la valeur de Y
sur la cible souhaite et diminuer sa dispersion.
Les outils utiliss dans cette phase seront les suivants :
le dballage dides pour dvelopper la crativit du groupe et
gnrer un maximum de solutions potentielles ;
les outils de classication permettant de choisir parmi les diff-
rentes solutions proposes les plus prometteuses, qui seront tes-
tes.
Cette phase de gnration de solution est suivie dune tape trs
importante : la phase exprimentale.
Valider les solutions par une dmarche exprimentale
Lexprimentation est indispensable pour satisfaire deux points essen-
tiels la dmarche :
trouver la meilleure conguration des facteurs ;
prouver statistiquement lamlioration apporte.
En effet, lissue de ltape Analyser , on a identi les facteurs X
responsables de la variabilit de Y. Mais il reste trouver la meilleure
conguration de chacun de ces X sachant quil est possible quil existe
des interactions entre lensemble de ces X.
Loutil privilgi ce stade reste les plans dexpriences parfaitement
adapts pour tudier un nombre restreint de paramtres slectionns
(moins de 10). Ils permettent en effet avec un nombre dexpriences
Six Sigma
restreint de dterminer de la faon la moins ambigu possible
linuence de chacun des X, ainsi que les ventuelles interactions entre
eux. la n de cette tape, on doit avoir trouv une conguration du
processus de production qui permette datteindre le niveau de qualit
Six Sigma .
Analyser les risques
Chaque fois que lon modie quelque chose sur un processus, il faut se
poser la question suivante : quels sont les risques que cette modica-
tion fait peser sur mon client ? Aussi, avant de valider dnitivement le
plan de mise en uvre de la solution, on doit raliser une tude de ris-
que en ralisant une AMDEC (Analyse des Modes de Dfaillances, de
leurs Effets et de leurs Criticits).
Planier la mise en uvre de la solution
Une fois la solution retenue, on doit en planier la mise en uvre.
Cette planication doit prendre en compte lidentication des diff-
rents acteurs de ce changement qui dpassent souvent le cadre du
groupe de travail Six Sigma . On doit considrer galement les diff-
rentes tches raliser et leurs liaisons an de pouvoir raliser un
Gantt.
Lors de chaque tape, on doit identier un responsable, une produc-
tion, un dlai et un cot (gure 2.17).
Figure 2.17 Liste des tches
N
o
tape Responsable Production Dlai Cot
1 Achat
rgulateur
PTO Nouveau rgulateur
sur machine
S39 6 500
2 Modication
processus
PTO Documents de poste
jour
S44
3 Formation
du service
HRE Personnel form S45 2 000
4
4.5.3 Revue R3 Innover/Amliorer
La revue R3 est conduite par le Champion lorsque lon considre que
lensemble des actions de ltape Innover/Amliorer a t ralis.
La revue doit valider le fait que les actions suivantes ont t ralises :
Gnrer des solutions
Ralisation dun dballage dides.
Classer les solutions pour choisir les plus prometteuses.
Valider les solutions par une dmarche exprimentale
tablir pour chaque action retenue le processus exprimental
qui apportera la preuve statistique (test de comparaison, ana-
lyse de la variance, plans dexprience).
Raliser les essais.
Vrier que les X principaux sont signicatifs statistiquement.
Choisir le niveau des X pour obtenir le centrage et la rduc-
tion de la dispersion.
Programmer des essais de conrmation.
Analyser les risques
Ralisation dune AMDEC pour valider la solution retenue.
Planier la mise en uvre de la solution
Identier les acteurs.
Identier les tapes.
Faire la planication du changement.
Actualiser les gains et les cots
4.6 tape 5 Contrler
4.6.1 But de ltape
Le processus ayant t amlior lors de ltape 4, il faut dsormais tout
mettre en uvre pour garantir que ces amliorations seront mainte-
nues et que le processus ne se dgradera pas. Cette tape va donc con-
sister mettre en place la structure permettant de mettre sous
contrle le processus . Les outils de base de cette tape seront la
documentation du poste de travail et les cartes de contrle.
Six Sigma
ce stade de ltude, les quelques X responsables de la grande partie
de la variabilit sur Y sont identis. Nous devons tout mettre en
uvre pour contrler ces X an de garantir la satisfaction du client.
Dterminer les tolrances pour les X critiques
Les tapes prcdentes ont permis de faire la liaison entre la caractris-
tique critique pour le client Y et les caractristiques X. Lors de la pre-
mire phase de ltape Contrler , on va donc valider les tolrances
que lon utilise sur les caractristiques X an de garantir Y.
En premier lieu, on va placer la cible sur X pour atteindre Y. Il y a en
gnral plusieurs solutions et il faut choisir la solution qui donnera le
plus de libert possible pour les tolrances sur X. Prenons lexemple de
la reprsentation 3D de la gure 2.18 montrant linuence de deux
paramtres A et B sur une rponse Y dont la valeur cible est 50. Sur les
lignes de niveau, on constate quil existe de nombreuses congurations
permettant dobtenir cette valeur 50. Cependant, en se plaant dans la
zone tolrance largie , la surface de rponse montre un plateau
quil faut exploiter. Dans cette zone, la rponse Y sera trs peu sensible
aux variations de paramtres A et B.
Figure 2.18 Dtermination de tolrances largies
Zone tolrances largies
B
A
A
B
115
121
127
133
139
145
1
0
1
0
,
2
1
0
,
4
1
0
,
6
1
0
,
8
1
1
Aprs avoir dtermin la cible, on doit valider les limites de spcica-
tions. Sur le graphique suivant (gure 2.19), on donne un exemple du
travail que devra raliser le Black Belt dans cette phase. La tolrance
souhaite sur Y est lintervalle [3.5 4.1] et on a montr une corrla-
tion entre les X et Y. Graphiquement (mais on apprendra galement
le faire par calcul), on peut facilement dterminer les limites sur X qui
permettent de garantir le respect des spcications sur Y.
Le cas prsent est relativement simple, une seule caractristique est
corrle avec Y. Cette phase devra prendre en compte les cas plus com-
plexes o Y dpend de plusieurs caractristiques X.
Figure 2.19 Tolrance sur X versus tolrance sur Y
Cette phase a aussi une autre fonction qui est dassurer la robustesse
des spcications par rapport aux bruits. Rappelons quon appelle
bruit toutes les caractristiques qui varient indpendamment de la
volont de lentreprise. Il peut y avoir des bruits sur le processus de
production (vibrations, variation de temprature) ou sur le produit
(conditions dutilisation, temprature).
Pour valider la robustesse, on tudiera partir des donnes rcoltes
dans les tapes prcdentes linuence des X sur la dispersion de Y
an de choisir la conguration qui minimise cette dispersion.
22
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
4,1
4,2
22,5 23 23,5 24 24,5 25 25,5 26 26,5 27 27,5 28
X
Y
Six Sigma
Mettre les X critiques sous contrle
Aprs avoir valid les cibles et les tolrances sur les X critiques, il faut
mettre en uvre toutes les actions pour garantir le respect de la cible.
En effet, au-del du respect de la tolrance, Six Sigma demande aussi
que lon respecte le centrage des caractristiques sur la cible.
Figure 2.20 Fonction perte de Taguchi
Si lon examine la perte nancire gnre par un cart sur X par rap-
port la cible, on peut dmontrer quelle augmente proportionnelle-
ment avec le carr de cet cart de faon continue (fonction perte de
Taguchi). Il est donc important de produire le plus de produits possible
sur la cible et pas forcment simplement lintrieur des tolrances.
Pour cela, on doit dabord formaliser les rgles de pilotage et dinter-
vention sur le processus en documentant le poste de travail, mais aussi
en adoptant une mthode et une habitude de travail qui facilitent le
respect de la cible. Cette phase est coupler avec diffrentes actions
damlioration des performances industrielles telles que :
Mdiocre
Limite
Mdiocre
Perte = K(Y cible)
2
Limite
Bon
Cible
Y
Idal
Spcification
mini
Spcification
maxi
Bon
le 5S qui vise maintenir un environnement sain et propice la
performance ;
le TPM (Total Productive Maintenance) qui vise donner aux
collaborateurs les plus proches des moyens de production la pos-
sibilit de les maintenir dans les meilleures conditions de fonc-
tionnement ;
lautocontrle qui vise raliser les contrles et vrications l
o sont produites les caractristiques
Enn, il faut donner les moyens aux oprateurs de dtecter au plus tt
les dcentrages par rapport la cible en utilisant les cartes de contrle
(gure 2.21).
Figure 2.21 Carte de contrle Moyennes/tendue
Carte de contrle Moyennes/tendues sur X
26,0
M
o
y
e
n
n
e
s
t
e
n
d
u
e
s
X = 25,25
UCL = 25,8636
LCL = 24,6364
UCL = 1,54403
R = 0,599800
LCL = 0
chantillon
2 4 6 8 10 12 16 14 18 20 22 24
2 4 6 8 10 12 16 14 18 20 22 24
chantillon
25,0
24,5
25,5
1,6
0,8
0,4
0,0
1,2
Six Sigma
Dans cet exemple, on a calcul les limites naturelles du proces-
sus en se basant sur la moyenne historique [24,64 25,86]. Tant
que la moyenne des chantillons prlevs reste dans ces limites,
on ne peut pas conclure un dcentrage, aucune intervention
nest utile. Lorsquun point sort des limites (comme cest le cas
pour le 25
e
chantillon), il y a une forte probabilit que le proces-
sus soit dcentr et quil require une intervention.
Toutes les caractristiques critiques susceptibles de driver en
position ou en dispersion devront faire lobjet dun tel suivi.
liminer les causes derreur
Mise en place de Poka Yoke
La meilleure faon de garantir que le processus reste sous contrle
consiste introduire des points zro dfaut garantissant la qualit
des produits. Plutt que de chercher liminer le dfaut par un con-
trle, il faut rechercher un dispositif qui vite de produire le dfaut.
Cest le rle assign aux points zro dfaut , appels galement Poka
Yoke. Il existe plusieurs types de points zro dfaut que lon peut
classer en quatre grandes catgories (gure 2.22).
Figure 2.22 Les Poka Yoke
Type Fonction Exemples
Par contact Dtecter les dfauts de
formes et de dimensions
en utilisant le contact
entre les lments.
Prsence dun dtrompeur qui garantit
que lon a pos la bonne pice dans
la bonne position.
Forme de la prise de connexion
dune souris dordinateur.
Valeur
constante
Compter ou dtecter une
valeur pralablement xe.
Dtection automatique du niveau
de remplissage dune cartouche
dencre, redondant avec une pompe
doseuse.
Ex
00253
La standardisation aide aussi la rduction du nombre derreurs. Par
exemple, lutilisation systmatique du rouge pour les rebuts, ou celle
de signaux jaunes pour les points qui mritent une maintenance pr-
ventive
Documentation du poste de travail
Un autre point important dans llimination des causes derreur est la
documentation du poste de travail. Chaque amlioration apporte doit
tre formalise dans une documentation qui peut prendre la forme :
dune instruction de travail ;
dune instruction de contrle ;
dune procdure
Il ne sagit pas de faire un document exhaustif, mais qui soit sufsam-
ment explicite pour les trois cas dutilisation :
prsence dun nouveau collaborateur au poste ;
reprise de lopration aprs un temps dinexploitation ;
audit du poste.
4.6.3 Revue R4 Contrler
La revue R4 vient conclure cette tape Contrler en validant le fait
que les diffrentes actions rapportes ci-aprs ont bien t ralises :
Dterminer les tolrances pour les X critiques
Valider la cohrence avec les tolrances sur Y.
Contrle de
mouvement
Dtecter si toutes les
tapes du procd ont t
effectues.
Une camra vrie si les pices
ont toutes t dposes.
Un automatisme nautorise la
ralisation dune opration que si lop-
ration prcdente a t ralise.
Alerte
sensorielle
Utiliser les sens de lopra-
teur pour rendre presque
impossible lapparition
derreurs (code de cou-
leurs, formes particulires,
symbole).
Un signal sonore est mis si loprateur
exerce une pression trop forte au
montage.
Un signal sonore est mis si le
conducteur oublie ses phares.
Six Sigma
Sassurer que la solution mise en place est robuste par rapport
au bruit.
Mettre les X critiques sous contrle
Dterminer le plan de surveillance.
Mettre en place les cartes de contrle ncessaires.
Faire le suivi des capabilits.
liminer les causes derreur
Mettre en place des systmes zro dfaut , l o cest possi-
ble.
Documenter le poste de travail.
valuation des gains obtenus/gains escompts
4.7 tape 6 Standardiser/Prenniser
4.7.1 But de ltape
Le but de cette sixime et dernire tape est de mettre en place
lensemble des procdures pour que la solution choisie devienne
prenne. Cette tape permettra galement de faire le bilan du projet, de
faire circuler dans lentreprise les rsultats et de diffuser les bonnes
pratiques sur dautres postes, l o cest possible. Enn, cette tape est
le moment de faire montre de reconnaissance envers les membres du
groupe an quils aient un juste retour par rapport aux efforts accom-
plis.
Cette tape est parfois confondue avec ltape Contrler . Cepen-
dant, de plus en plus, les entreprises sparent en deux cette phase
nale dun projet Six Sigma pour mieux faire ressortir les notions de
standardisation et de prennisation qui ne peuvent intervenir quaprs
la mise sous contrle du processus. De mme, la conclusion et le bilan
du projet sont des phases importantes qui ne sont pas du domaine de
la mise sous contrle du processus.
4.7.2 La conduite du projet
Aprs ltape Contrler , les caractristiques essentielles sont sous
contrle, nous devons dsormais tout faire pour prenniser la solution.
Simplier l o cest possible la solution adopte
Lexprience montre quil est parfois plus facile de faire des progrs sur
un sujet que den conserver le bnce dans le temps. Cest notam-
ment le cas lorsque lapplication dune solution demande un effort par-
ticulier. Sil est possible de faire ces efforts pendant un certain temps, il
y a fort parier quavec le temps, la discipline se relchera, que lon
fera de moins en moins defforts et que les bnces de laction
sestomperont.
Il faut aborder avec simplicit ce problme du maintien de la solution
dans le temps. Avec un certain recul par rapport lapplication, on doit
se poser la question : Est-il utile, possible, de simplier lapplication
de la solution adopte ?
Par exemple, pour mettre sous contrle la solution, on ralise un
rglage dlicat sur une machine. Cette solution donne satisfac-
tion, mais demande un effort important au collaborateur. Si on
maintient cette solution, avec le temps, les rglages seront ra-
liss de faon moins ne voire plus du tout ! Cette phase veillera
ce quil soit procd aux modications ncessaires sur la
machine pour faciliter ce rglage.
Finaliser lensemble des procdures dautomatrise
Dans la phase Contrler , on a dj document le processus et les
procdures de pilotage. Pour en garantir la prennit, il faut sassurer
que les procdures et instructions sont bien comprises et appliques.
Dans le cas contraire, il faudra reprendre ces documents et revoir les
mthodes de travail.
Cette phase est initie par un audit qui doit valider le fait que lensem-
ble des dcisions qui ont t prises lors du projet Six Sigma sont bien
consignes dans la documentation du processus, et appliques.
Tous les carts doivent tre analyss et les actions doivent tre prises
an de garantir la prennit des progrs :
Ex
Six Sigma
simplication de la solution ;
modication de la documentation ;
formation des collaborateurs
Identier les bonnes pratiques et dupliquer
Lorsquune bonne pratique est identie dans le cadre dun projet Six
Sigma, on doit la formaliser et la dployer dans les autres secteurs de
lentreprise.
Faire le bilan du projet, comparer
Le bilan du projet doit porter tout la fois sur les plans nancier, tech-
nique, humain et mthodologique.
Bilan nancier : parvenu la n du projet, on doit faire le bilan nal
des gains et des cots du projet, et comparer ce bilan avec les pr-
visions qui avaient t faites dans ltape Dnir .
Bilan technique : un certain nombre dapports techniques, de nouvel-
les connaissances, ont t collects lors de ce projet. On doit en faire la
synthse et rechercher si les solutions apportes ne peuvent pas faire
lobjet de nouvelles bonnes pratiques de lentreprise qui mritent
dtre formalises et dupliques.
Bilan humain : au cours de ce projet, des personnes se sont investies,
on doit donc faire le bilan des apports de chacun au projet mais aussi
des enrichissements que chacun en a retir.
Bilan mthodologique : Six Sigma nest pas une approche ge.
Derrire une trame mthodologique bien rode, chaque entreprise doit
trouver sa voie dans Six Sigma. Aussi chaque nouveau projet se doit
denrichir lapproche de Six Sigma. Les points forts du projet doivent
devenir des exemples qui seront utiliss dans les formations des futurs
Black Belts et Green Belts de lentreprise.
Clore le projet et fter ses rsultats
Enn, on peut clore le projet en remplissant sa che de clture et en
documentant tous les lments de suivi des projets Six Sigma.
Il faut alors communiquer sur la conduite du projet. Chaque projet est
une exprience, et on est en droit dattendre de son partage :
une rexion a posteriori toujours intressante pour celui qui
expose le projet ;
une exprience supplmentaire pour ceux qui suivent lexpos ;
des ides sur dautres projets qui pourraient tre lancs ;
des ides sur des dmultiplications possibles
Pour terminer, la convivialit tant source de crativit dans les grou-
pes, il ne faut pas hsiter fter les rsultats pour en stimuler de nou-
veaux.
4.7.3 Revue R5 Standardiser/Prenniser
La revue R5 vient conclure cette sixime tape, en marquant la n du
projet.
Simplier l o cest possible la solution adopte lors de la
dmarche Six Sigma
Rechercher ce qui demande un effort et qui risque den com-
promettre la prennit.
Simplier la solution.
Finaliser lensemble des procdures dautocontrle an de
prenniser la solution
Raliser un audit du processus.
Mesurer les carts par rapport la documentation.
Mettre jour la documentation et mettre en conformit les
faits.
Identier les bonnes pratiques et dupliquer
Faire le bilan efcacit/efcience.
Identier les dploiements possibles.
Formaliser la bonne pratique.
Dployer.
Faire le bilan du projet, comparer
Tirer les leons de lensemble du projet.
Slectionner les bonnes ides partager, tendre la solution
dautres processus si cest possible.
Six Sigma
Clturer le projet et fter ses rsultats
Documenter lensemble du projet.
Communiquer sur la russite de laction.
5. Six Sigma :
une organisation des comptences
Nous avons dvelopp les diffrents objectifs de Six Sigma (philoso-
phie de la qualit tourne vers la satisfaction totale du client et rduc-
tion de la variabilit) ainsi que les mthodes proposes pour atteindre
ces objectifs (z, un indicateur du niveau de qualit, et DMAICS, une
dmarche de rsolution de problme). Pour mettre en uvre une telle
approche, il faut des hommes ayant des comptences et des responsa-
bilits bien dnies. Cela suppose aussi de former son personnel et de
dterminer des rles particuliers pour les individus qui vont conduire
le changement. Pour illustrer la dnition des rles de chacun, lentre-
prise General Electric sest appuye sur des dnominations marquantes
telles que White Belt, Green Belt, Black Belt, Master Black Belt et Cham-
pion. Dune entreprise lautre, on parlera par exemple aussi bien
dquipier, de pilote, de coach, le tout tant que les fonctions soient
remplies pour garantir le succs du dploiement de Six Sigma dans
lentreprise.
5.1 Les diffrents niveaux de pilotage
Figure 2.23 Les diffrents niveaux de pilotage
Comme pour toutes autres activits, le pilotage dune dmarche Six
Sigma doit reposer sur les quatre couches : stratgique, tactique, opra-
tionnelle, conduite et suivi.
Stratgique : on procde la mise en place de Six Sigma partir
dobjectifs en termes de cots, de performances internes, de satisfac-
tion clients et de perception externe, et enn de parts de march et de
positionnement vis--vis de la concurrence. Pour atteindre ces objec-
tifs, il faut alimenter les moteurs du progrs en donnant une vision
claire sur la faon dont on veut que les choses avancent. Ces engage-
ments sont forcment pris au niveau le plus haut de lentreprise en
impliquant fortement les Champions.
Tactique : le pilotage tactique nest autre que la traduction des dci-
sions stratgiques au niveau des services oprationnels. Il va consister
faire les choix des chantiers Six Sigma qui mritent dtre dvelopps
et donner les moyens aux quipes de conduire ces projets. Le Cham-
pion est fortement impliqu dans cette phase, assist du Black Belt
pour le choix des chantiers.
Oprationnel : le pilotage oprationnel va principalement consister
conduire les chantiers Six Sigma notamment au travers de lutilisation
de la dmarche DMAICS que nous avons dcrite. Le Black Belt est donc
leader dans cette couche de pilotage, assist par les membres de son
quipe, les Green Belts.
Conduite et suivi
Pilotage oprationnel
Pilotage tactique
Pilotage stratgique
Responsable
de l'entit
Champion
Oprationnels
Black Belt
Green Belt
Six Sigma
Conduite et suivi : cette couche trs applicative va consister appli-
quer les dcisions qui sortent de la dmarche DMAICS. Elle va impli-
quer tous les oprationnels du processus concern, dont les Green Belts
qui sont notamment destins tre des oprationnels.
5.2 Les diffrents rles
Figure 2.24 Les rles dans une organisation Six Sigma
Pour tre efcace, Six Sigma sorganise autour de plusieurs personnes
cls qui ont chacune une comptence particulire et un rle particulier.
Les deux personnages les plus importants sont le Black Belt (ceinture
noire) et le Champion.
Le Champion
Un Champion est choisi par le patron de lentreprise. Il a la responsabi-
lit du dploiement de Six Sigma dans un secteur de lentreprise. Typi-
quement, un Champion est un responsable de lexcutif avec un haut
niveau de responsabilit. Ce peut tre le responsable dun site, ou un
responsable qui a une fonction importante dans lentreprise. Il doit
faire partie du comit de direction.
Il peut y avoir deux types de Champion : les Champions
dploiement et les Champions projet .
Groupe projet
dirig par un
Black Belt
Master Black Belt Champion
Les Champions dploiement ont en charge le succs du dploie-
ment de Six Sigma dans un secteur de lentreprise. Ils doivent avoir
une solide exprience de management au niveau stratgique et tacti-
que, et dans la conduite de changements majeurs.
Les Champions projet doivent superviser les Black Belts dune unit
de lentreprise. Ils se focalisent sur les projets. Ils sinvestissent dans le
choix des projets raliser et fournissent un support en faisant
disparatre si besoin est les barrires culturelles. Ils doivent sassu-
rer que les ressources sont disponibles tant en hommes quen mat-
riels.
Ils ralisent les valuations de performance avec comme rfrence les
meilleurs systmes, crent une vision oprationnelle et dveloppent un
plan de dploiement de Six Sigma.
Ils connaissent parfaitement la philosophie de Six Sigma ainsi que les
principes affrents et thories sous-jacentes. Le Champion suit active-
ment lvolution des projets, tant notamment responsable de lorgani-
sation des revues de projets qui ponctuent chaque n dtape. Ces
revues sont loccasion pour le Champion projet de vrier que les
objectifs xs sont toujours en ligne de mire et de se mettre au courant
des ventuels obstacles quil faudra faire disparatre.
Ils nont pas avoir le niveau de connaissance oprationnelle (notam-
ment statistique) des Black Belts, mais doivent quand mme disposer
des bases leur permettant de saisir lobjectif et dinterprter les rsul-
tats des principaux outils utiliss dans une dmarche Six Sigma.
Les Champions sont trs importants, ils donnent sa cohsion la
dmarche Six Sigma en reliant chaque projet aux objectifs stratgiques
de lentreprise et en vitant la variabilit dans la mthode.
Le Black Belt (ceinture noire) ou pilote Six Sigma
Le Black Belt a pour rle de piloter le groupe de travail. Il est affect
100 % sur lavancement des projets Six Sigma. Voici en quoi consiste
son rle :
Il anime le projet.
Il forme le groupe de travail.
Six Sigma
Il utilise les outils et la mthode Six Sigma.
Pour pouvoir tre Black Belt, il faut cumuler deux comptences : une
comptence dans les outils de la qualit, et plus particulirement dans
les outils statistiques, et une comptence dans le management dune
quipe.
Runir ces comptences est relativement rare dans les entreprises. La
formation dun Black Belt demande en gnral que lon mette en place
une solide formation en statistique et en mthode de rsolution de pro-
blmes.
Le Black Belt ne dispose pas de pouvoir hirarchique sur lquipe Six
Sigma. Il doit pouvoir cependant tre peru comme un leader. Pour
cela, il doit tre capable de transmettre lenthousiasme et de susciter
limplication de tous les membres du groupe.
Il a une responsabilit importante dans la conduite du projet Six
Sigma, notamment dans le choix des outils utiliser, le management
des risques lis au projet et les rsultats obtenus.
Le nombre de Black Belts ncessaires la conduite du changement
dans une entreprise est denviron de 1 pour 100 employs.
Le Green Belt (ceinture verte)
Les Green Belts sont des employs affects sur un projet Six Sigma
pour une partie de leur temps. La formation reue est plus lgre que
celle des Black Belts, mais sufsante cependant pour mener bien en
autonomie de petits projets dans le cadre de leur travail et participer
efcacement des projets plus ambitieux mens par des Black Belts.
Ce sont souvent les Green Belts qui ralisent les exprimentations
ncessaires, organisent les saisies de donnes requises, conduisent la
mise en place de carte de contrle
En participant activement aux projets Six Sigma conduits par des Black
Belts, le Green Belt se forge une exprience qui lui vaut dintgrer les
concepts et la philosophie de Six Sigma avec, terme, la possibilit
dvoluer vers la formation de Black Belt.
Le White Belt
Peu dentreprises utilisent cette notion de White Belt. Un White Belt est
un employ qui a reu une formation basique de quelques heures sur
les fondamentaux de Six Sigma et sur les outils de base de la conduite
des tapes Mesurer , Analyser , Innover , Contrler . Cest
un minimum pour pouvoir participer une quipe Six Sigma.
Le Master Black Belt
Le Master Black Belt fait ofce dexpert la fois dans lutilisation des
outils et de la mthode et dans la connaissance des fondamentaux de
Six Sigma. Il fait partie de lentreprise dans le cas de grandes socits,
ou il est consultant dans le cas dune entreprise de taille plus modeste.
Son rle est facettes multiples. Il assiste tant le Champion dans la
slection des projets que les Black Belts dans la conduite de leur projet.
Il est formateur aussi bien des futurs Champions que des futurs Black
Belts, et il joue un rle important de veille technologique pour amlio-
rer et dvelopper la mthode.
Il a une responsabilit importante dans le dploiement de la mthode
dans lentreprise. cette n, il doit crer une dynamique Six Sigma en
organisant des confrences, des changes dexpriences, des forma-
tions complmentaires. Six Sigma nest pas une mthode ferme, au
contraire, elle est en perptuelle mutation pour sadapter aux volu-
tions de lentreprise. Le Master Black Belt doit favoriser cette volution
en incitant les Black Belts investir de nouveaux horizons au travers
des congrs scientiques, des runions de professionnels sur les sujets
proches de Six Sigma, des visites dentreprises.
Bien sr, pour devenir Master Black Belt il faut un niveau de formation
trs lev, mais la partie la plus importante en est lexprience dans la
conduite de projets Six Sigma. On devient Master Black Belt lorsque
lon a conduit plusieurs dizaines de projets avec succs.
5.3 La formation des intervenants
La mise en uvre de Six Sigma requiert ncessairement un important
niveau de formation. Mais cela ne suft pas, il faut que cette formation
soit couple avec une exprience de mise en uvre de la dmarche.
Six Sigma
Voil pourquoi la formation des Black Belts propose en alternance des
temps de formation thorique et des temps de pratique en entreprise.
Typiquement, la formation dun Black Belt suit la logique du schma
prsent ci-aprs (gure 2.25).
Figure 2.25 Exemple de formation dun Black Belt
Dnir
1 session de formation de 4 jours
Tour dhorizon de la mthode et dnition de Six Sigma
Identication de CTQ
La charte du projet
3 semaines dapplication
Mesurer
Bases statistiques
La mesure et lobservation des processus
tude de capabilit
Analyser
Analyse descriptive des donnes
Identier les sources de variation
Amliorer
Plans dexpriences
Optimisation des procds
Contrler
Validation des tolrances
Mise sous contle dun procd
Standardiser
Prennisation dun procd
Dployer les bonnes pratiques
Pour chaque tape, le Black Belt passe une semaine en formation et
trois semaines en entreprise pour dvelopper son projet. Le temps en
entreprise peut nanmoins tre considr comme un temps de forma-
tion, car le premier projet est troitement suivi par un Master Black
Belt qui va pauler le Black Belt en formation. La formation peut tre
succinctement dcrite comme deux semaines ddies la
mthodologie et quatre semaines consacres la matrise doutils
statistiques : une semaine de statistique de base associe aux sept
outils de la qualit, une semaine danalyse de donnes, une semaine
de conception dexpriences et une semaine de matrise statistique
des procds .
La premire et la dernire session de formation sont plus conceptuel-
les. La premire est oriente vers la philosophie et les fondamentaux
de Six Sigma, la dernire vers le maintien des rsultats obtenus et le
dploiement des bonnes pratiques.
Ainsi, pour chaque acteur de Six Sigma, on trouve une formation sp-
cique. La formation des Champions est un peu plus restreinte sur les
aspects mthodes et outils, mais couvre nanmoins tous les aspects de
lapproche. La formation de Green Belt couvre galement tous les
aspects de la dmarche mais en se restreignant aux outils de base.
6. Six Sigma un management par projet
6.1 Le management par projets
Pour grer le dploiement de Six Sigma dans une entreprise, il faut tre
capable de grer en parallle de nombreux projets. Si cette gestion
nest pas formalise, il y a fort parier que la plupart des projets qui
seront lancs seront vous lchec, ou un dpassement de dlai ou
de budget.
Les mthodes de management par projets apportent une dmarche
pragmatique et transverse an de sassurer quon les matrise
lchelle de lentreprise. Dans une structure traditionnelle, lorsquon
fait le point sur lensemble des projets en cours, on en consigne vite
Six Sigma
un nombre impressionnant. Rapports au nombre de collaborateurs et
de ressources disponibles, il nest pas tonnant que tous ces projets
soient en cours , depuis si longtemps, sans aboutir.
Pour que les projets aboutissent, il faut quils soient grs au plus haut
niveau de lentreprise, et il faut ncessairement faire des choix dans
lallocation des ressources. Ce travail est attribu au comit de pilotage
qui regroupe le responsable de lentreprise et ses principaux collabora-
teurs.
Lorganisation par projet requiert que lon sappuie sur une structure
de fonctionnement matricielle, en rupture avec les organisations tradi-
tionnelles hirarchiques. Sans dtruire la notion indispensable de hi-
rarchie dans lentreprise, elle demande une organisation dynamique
dquipes renouveles chaque projet et regroupes autour du chef de
projet (le Black Belt). La gestion de projets dote ces quipes dobjectifs
clairs, de dlais tablis, de budgets cohrents et de priorits prcises.
Voici les points essentiels dun management par projets :
1. Initiation et criture du projet par le chef dentreprise et/ou un
cadre an quil soit en accord avec la stratgie de lentreprise.
2. Choix du chef de projet (le BB) en fonction de ses capacits
mener ce projet bien.
3. Choix des comptences (internes ou externes lentreprise) qui
vont tre ncessaires et sufsantes au projet.
4. Choix dun rfrent du projet (le Champion) qui va en suivre
lavancement, les difcults, et lui allouer les ressources
ncessaires.
5. Dnition des objectifs et des limites du projet.
6. Dtermination dun budget et suivi de ce budget au travers dun
tableau de bord nancier.
7. Dnition des modes de validation de lavancement du projet.
8. Dnition des modes de communications (rapports dtapes,
runions)
6.2 Six Sigma et le management par projets
Lorganisation de Six Sigma, telle que nous lavons dcrite, est intrins-
quement une organisation en gestion de projets. Le comit de pilotage
est naturellement compos du responsable excutif et des Champions
de lentreprise. Limplication de ce comit de pilotage est troitement
lie aux diffrentes tches des Champions.
Le Champion joue un rle prpondrant dans cette gestion par projets.
En effet, il choisit les projets sur lesquels on doit travailler, il vrie la
cohrence avec la stratgie globale de lentreprise, il xe un objectif,
un planning et value lavancement des travaux. Aprs chaque tape, a
lieu une revue de projet. Le Champion rencontre le groupe de travail et
fait le point sur lavancement, le respect de la dmarche, la ractua-
lisation des objectifs et donne le feu vert pour le passage ltape sui-
vante.
Lapplication de la dmarche DMAICS conduite par les Black Belts qui
travaillent temps plein sur les projets est une garantie de succs en
termes de rsultats, de dlais et de cot. Les tapes et les modes de
validation de lavancement sont clairs. La formation et les critres de
choix dun Black Belt sont en soi une garantie de la comptence du
chef de projet. Le partage dune dmarche commune, de valeurs com-
munes, suscite la motivation et la passion ncessaires sa russite.
Cette forme de management mise en uvre dans les projets Six Sigma
en est un des facteurs de russite. Cette organisation permet dimpli-
quer tout le monde dans le processus Six Sigma. Cest une dmarche
Top Down qui implique dabord la direction gnrale qui doit xer les
objectifs en termes de rentabilit. Elle implique galement les direc-
teurs oprationnels qui joueront le rle de Champion. Enn, Six Sigma
implique leur tour tous les acteurs et tous les services au travers des
projets qui seront raliss dans tous les secteurs de lentreprise.
La gestion simultane de tous les projets, limplication de tous les
acteurs, donnent sa dimension stratgique Six Sigma. Plutt que de
se focaliser sur le contrle des produits, on sintressera davantage la
matrise des processus et la matrise de la conception. Six Sigma
ouvre ainsi des perspectives davenir, long terme, en proposant un
changement culturel profond des acteurs de lentreprise, tay sur une
solide formation.
73
Chapitre 3
tape 1 Dnir
La premire tape dune dmarche Six Sigma va consister parfaite-
ment dnir le cadre du projet.
Cette tape se dcompose en deux sous-tapes
7
:
le choix du projet le plus adapt la stratgie de lentreprise ;
le cadrage du projet lui-mme.
Dans la premire partie de ce travail, on va dnir les vrais objectifs
qui doivent tre atteints pour garantir la satisfaction des clients. Pour
ce faire, on se base sur le processus qui conduit la ralisation du pro-
duit, lequel peut se dcliner selon les trois critres, qualit, dlais et
cot :
livrer un produit ou un service sans dfaillance ;
le livrer selon le programme tabli ;
7. Dans certains cas, on dissocie deux tapes diffrentes : reconnatre et dnir .
Six Sigma
fournir le produit ou le service au cot le plus bas possible.
Pour cela, nous devons mesurer notre capacit :
atteindre ou dpasser les besoins et esprances des clients ;
se situer aux cots de production les plus bas ;
respecter les planications ;
atteindre un rendement lev des processus ;
tolrer des variations normales du processus pendant la produc-
tion (robustesse).
Parmi les points importants de cette tape, on mentionnera la recher-
che des CTQ (Critical To Quality) qui reprsentent les lments essen-
tiels et les plus srs en termes de satisfaction des clients. Il faudra
ensuite tre capable de les hirarchiser et de xer pour chaque caract-
ristique une cible et des spcications limites.
Un second point concerne la cartographie du processus. Elle permet de
mettre noir sur blanc les diffrentes tapes du processus, les
entres, les fournisseurs, les sorties, les clients. Cette cartographie vise
formaliser les connaissances et les pratiques de lentreprise.
Dans le chapitre 2, nous avons prsent les grandes actions de cette
tape Dnir ; dans ce chapitre, nous allons dcliner les outils les
plus souvent utiliss pour la mener.
1. Identier les CTQ
1.1 couter la voix du client
On la dj soulign de nombreuses reprises, le but de Six Sigma est
datteindre la satisfaction du client. Cest cette satisfaction qui per-
mettra lentreprise de vendre plus et mieux, et ainsi damliorer ses
performances conomiques.
tape 1 Dfinir
Pour satisfaire le client, il faut savoir ce quil souhaite, et la meilleure
faon de le savoir est de lui demander. Se mettre lcoute des clients,
cest avoir une action en profondeur dcoute de la voix du client. Il
est donc indispensable de raliser en permanence une tude de march
la plus complte possible pour bien identier les besoins. Pour cela, il
faut :
Identier les diffrentes catgories de clients potentiels
Analyser les produits :
produits vendus par lentreprise,
produits concurrents.
couter la voix des personnes intresses, directement ou
indirectement, par le produit :
les clients ;
les propritaires ;
les personnes qui ont achet vos produits ;
celles qui ont achet les produits concurrents ;
celles qui sont passes aux produits concurrents ;
celles qui sont satisfaites ;
celles qui ne sont pas satisfaites.
Identier toutes les attentes clients par rapport au produit :
les innovations souhaites ;
la hirarchie entre les diffrentes attentes ;
les fonctions essentielles ou facultatives ;
la liste des amliorations potentielles apporter.
Cette tude doit couvrir les aspects techniques et motionnels en
recourant diffrentes mthodes :
sondage (courrier, tlphone) ;
cliniques (les clients viennent avec leurs produits et discutent du
produit) ;
groupes de discussion (une heure ou deux avec des personnes
reprsentatives) ;
interviews individuelles (pour faire ressortir les attentes des per-
sonnes silencieuses) ;
coute dans la structure de vente, les foires, les expositions
information existante au sein des archives de lentreprise.
Six Sigma
Pour dvelopper les deux aspects, sensitif et prospectif, lentreprise
doit se mettre lcoute de ses clients, mais aussi du monde extrieur,
des grandes volutions de penses. Par exemple, on assiste plusieurs
volutions sous forme de courants de pense dans le monde actuel ;
citons la recherche de lthique dans les affaires industrielles, la
recherche dun commerce quitable, une prise de conscience majeure
des enjeux cologiques. Face ces volutions de la socit, quelle est
la rexion de lentreprise, comment situe-t-elle les dveloppements de
ses nouveaux produits, ragit-elle positivement ou bien reste-t-elle arc-
boute sur des positions qui la longue deviendront intenables ?
Une bonne coute du client permet de raliser la premire matrice du
QFD et de complter les deux premires colonnes du diagramme CTQ
que nous prsentons ci-aprs.
1.2 Le diagramme CTQ (Critical To Quality)
Le diagramme CTQ a pour objectif de dcomposer le besoin du client
(ce qui lamne utiliser nos produits ou nos services) en exigences
(qualit, cot, dlais) qui doivent pouvoir tre mises en face de carac-
tristiques que lon sait valuer par une mesure.
Pour chacune de ces caractristiques, on doit pouvoir dterminer une
cible et des spcications limites.
tape 1 Dfinir
Figure 3.1 Diagramme CTQ
An dillustrer ce diagramme, prenons lexemple dun restaurant. Au
dpart, le besoin du client est de se nourrir, ventuellement de se ru-
nir avec dautres. Mais partir du moment o il a franchi la porte, il va
exprimer un certain nombre dexigences telles quun cadre agrable,
une carte varie
Comment mesure-t-on la satisfaction de ces exigences ? Quel est le
niveau que lon se xe pour la satisfaction de cette exigence ? Cest
toute cette rexion que demande la construction dun diagramme
CTQ.
En face de chaque exigence, doit gurer une caractristique mesurable
avec une spcication. On devra rechercher parmi ces caractristiques
celles qui sont critiques pour le client (CTQ) et bien valider que les
spcications que lon dtermine sont en accord avec ses attentes.
Les CTQ sont trs importants, car le respect des spcications portes
sur ces caractristiques formera le socle de la dmarche Six Sigma.
Besoin
Ce qui amne
le client
utiliser
le processus.
Exigences
Ce qui permet
au client dtre
satisfait.
Caractristiques
Comment mesure-t-on
que le client est satisfait ?
Spcication
Quelles sont les
spcications
sur la mesure ?
C
l
i
e
n
t
Besoin
de se nourrir
Varit
de la carte
Nombre de plats
disponibles par squence
10 mini
Qualit
des plats
Enqute de satisfaction
1 fois par an
> 95 %
Prsentation Enqute de satisfaction
1 fois par an
> 95 %
Cadre Enqute de satisfaction
1 fois par an
> 95 %
Confort
M
2
par client potentiel > 4
Temprature de la salle 20 23
Six Sigma
1.3 Classication de Kano
Figure 3.2 Modle de Kano
Dans son modle de la qualit, Kano distingue six catgories pour une
caractristique dun produit :
1. Performance (P) : la satisfaction de lutilisateur est directement
proportionnelle la performance de la caractristique. Une per-
formance mdiocre va crer une insatisfaction et une perfor-
mance leve va crer une satisfaction.
2. Devrait tre (D) : la satisfaction nest pas proportionnelle la
performance de la caractristique. En cas de faible performance,
lutilisateur sera insatisfait ; en revanche, une bonne perfor-
mance laisse lutilisateur indiffrent.
3. Sduction (S) : la satisfaction nest pas proportionnelle la per-
formance de la caractristique. En cas de faible performance,
lutilisateur sera indiffrent ; en revanche, une bonne perfor-
mance crera un sentiment de dlice pour le client.
4. Indiffrent (I) : lutilisateur na que faire de cette caractristique.
Trs satisfait
Insatisfait
Pas ralis
T
e
m
p
s
Tout fait ralis
Niveau de satisfaction du client
Degr de ralisation de la fonction
Sduction (S)
Agrables surprises
Dlices du client
Qualit Devrait tre (D)
On s'y attend
Typique des produits invisibles
Performance (P)
Le client en veut plus !
tape 1 Dfinir
5. Questionnable (Q) : les rponses des utilisateurs au question-
naire nont pas de sens.
6. Oppos (O) : lutilisateur donne des rponses opposes aux
rponses attendues par les individus conduisant lenqute.
Pour chaque caractristique, il y a un glissement avec le temps qui
passe dabord par la Sduction , puis vers la Performance , pour
enn tre considre comme Devrait tre .
Si on prend lexemple dune automobile, la qualit du freinage
sera de la catgorie P. La qualit de la climatisation sera plutt de
type D. La catgorie S reprsente une avance sur la concurrence,
sa dure de vie est limite car rapidement les autres fabricants
lintgrent dans leur modle. Pour linstant, laide la navigation
peut tre classe dans cette catgorie.
Lenqute de Kano vise dterminer, pour chaque caractristique, la
catgorie dans laquelle elle se situe.
Pour chaque caractristique, on va poser les trois questions suivantes :
Figure 3.3 Questionnaire de Kano
Pour chaque caractristique, laffectation dans une des six catgories
sera dtermine par le croisement des questions sur la prsence ou
labsence de la caractristique (gure 3.4).
CTQ Que ressentez-vous
si la caractristique
suivante est prsente
dans le produit ?
Que ressentez-vous
si la caractristique
suivante est absente
dans le produit ?
Quel prix acceptez-
vous de payer pour
que cette caractristi-
que soit prsente ?
E Dlice
E Espr et souhait
E Pas de sentiment
E Vit avec
E Pas dsir
E Autre
E Dlice
E Espr et souhait
E Pas de sentiment
E Vit avec
E Pas dsir
E Autre
E 10
E 20
E 40
E 80
E 160
Ex
Six Sigma
Figure 3.4 Traduction du questionnaire en catgorie
Les catgories qui devront tre retenues pour le projet Six Sigma seront
bien entendu les catgories S, P, D.
Pour chacune de ces catgories, on fait lhistogramme de ce que les
clients ont dclar tre prts payer pour avoir la caractristique.
1.4 Diagramme Exigences/Performances
Connaissant les CTQ, on doit maintenant dnir si les exigences sont
satisfaites ou non.
Absent dans le produit
Dlice Espr et
souhait
Pas de
sentiment
Vit avec Pas dsir
P
r
s
e
n
t

d
a
n
s

l
e

p
r
o
d
u
i
t
Dlice Q S S S P
Espr et souhait O I I I D
Pas de sentiment O I I I D
Vit avec O I I I D
Pas dsir O O O O Q
tape 1 Dfinir
Figure 3.5 Diagrammes Exigences/Performances
Le diagramme Exigences/Performances (gure 3.5) consiste
reprendre chaque exigence du client en lui mettant une note de 3 3
selon que cette exigence est faible ou forte. En principe, un bon produit
devrait adapter ses performances aux exigences du client (zone C et
C). Des performances leves pour des exigences faibles (zone C)
risquent de gnrer un surcot du produit que le client nest pas prt
payer. videmment, il est suicidaire de fournir des performances
mdiocres en face dexigences leves (zone C).
On procde au recueil du niveau de performance de la mme faon
que pour le recueil des exigences, cest--dire partir dun travail
denqute auprs des clients.
Chaque CTQ doit tre plac sur ce graphique.
Les CTQ placs dans la zone C offrent des potentiels de gains
nanciers.
Les CTQ placs dans la zone C offrent des potentiels de gains
qualit.
Dveloppements inutiles
Performances
Exigences
Produit adapt
0
0
1
1
2
2
3
3
1
1
2
2
3
3
Produit adapt
Produit insatisfaisant

Six Sigma
1.5 La matrice QFD Quality Function Deployment
Une autre faon de faire apparatre les relations entre ce qui mane de
la voix mme du client et les spcications essentielles du produit (les
CTQ) consiste remplir la premire matrice QFD
8
. QFD signie Quality
Function Deployment, ce que lon traduit gnralement par
Dploiement de la fonction qualit .
Figure 3.6 La maison de la qualit
Son objectif est exprim dans sa dnition mme :
Le QFD est une mthode permettant de traduire de faon approprie
les attentes du consommateur en spcications internes lentreprise,
et ce tout au long du dveloppement dun produit, cest--dire :
dans les phases de recherche et de dveloppement ;
dans les phases dtude, dindustrialisation et de ralisation ;
dans les phases commerciale et de distribution.
Nous nous intressons ici la premire tape du dploiement. Loutil
se prsente sous la forme dune matrice quon appelle souvent
maison de la qualit du fait de sa forme pouvant gurer une maison
avec son toit.
8. Le lecteur se reportera louvrage Qualit en production pour une prsentation plus complte
du QFD (D. DURET, M. PILLET, ditions dOrganisation, 2002).
COMMENT
versus
COMMENT
COMMENT POURQUOI
QUOI QUOI versus COMMENT QUOI versus POURQUOI
COMBIEN COMBIEN versus COMBIEN
tape 1 Dfinir
Figure 3.7 Exemple de matrice QFD sur un stylo-bille
La maison de la qualit permet de traduire les attentes du client (les
QUOI), crites en lignes, en spcications du produit (les COMMENT),
crites en colonnes. Le principe de base du passage de lun vers lautre
Corrlation trs positive

O Corrlation positive
E Corrlation ngative
O O
Corrlation trs ngative
C
O
M
M
E
N
T
E
f
f
o
r
t

a
x
i
a
l

m
i
n
i
m
a
l
C
o
e
f
f
.

d
e

f
r
o
t
t
e
m
e
n
t
L
a
r
g
e
u
r

d
u

t
r
a
i
t
D
e
n
s
i
t

d
e

l
a

c
o
u
l
e
u
r
L
o
n
g
u
e
u
r

d
u

s
t
y
l
o
D
i
a
m
t
r
e

m
o
y
e
n
I
n
c
l
i
n
a
i
s
o
n

c
r
i
t
i
q
u
e
D
i
s
t
a
n
c
e

d
c
r
i
t
u
r
e
POURQUOI
P
o
i
d
s

m
o
y
e
n
I
m
p
o
r
t
a
n
c
e

t
u
d
i
a
n
t
I
m
p
o
r
t
a
n
c
e

e
n
t
r
e
p
r
i
s
e
v
a
l
u
a
t
i
o
n

c
o
n
c
u
r
r
e
n
t
i
e
l
l
e
QUOI
1 2 3 4 5
crit facilement O O O 5 5 5
Belle criture O O O 4 5 3
Facile manipuler O O O 2 1 3
Ne roule pas sur la table 1 1 1
Dure longtemps 3 3 3
C
O
M
B
I
E
N
Valeur cible 0,3
N
<
0,1
0,2
mm
>
conc
15
cm
8
mm
>
15
2
km
Relation forte (9)
O Relation modre (3)
O Relation faible (1)
Importance
absolue
49 49 12 49 23 11 11 23
valuation
concurrentielle
1
2
3
4
5

E
Six Sigma
est la rponse la question QUOI/COMMENT tout en assurant davoir
rpondu aux questions essentielles POURQUOI et COMBIEN. On met-
tra en parallle la matrice QFD et le diagramme CTQ. Les QUOI sont les
exigences, les COMMENT les mesures, les COMBIEN les spcications.
Lexemple choisi (gure 3.7) illustre une matrice QFD simple qui nous
permettra de mieux dtailler les diffrentes zones. Cela concerne le
dveloppement dun nouveau stylo-bille trs bon march. Seules
quelques lignes et colonnes ont t maintenues pour allger la prsen-
tation.
La dclinaison des QUOI en COMMENT se ralise dans une prsenta-
tion matricielle qui permet principalement :
de montrer les corrlations entre les QUOI et les COMMENT ;
dvaluer les QUOI et les COMMENT par rapport la
concurrence ;
de grer les corrlations entre les COMMENT ;
de xer des objectifs de cots en fonction de limportance du
COMMENT.
Les QUOI sont obtenus par enqute auprs des clients. Pour chaque
QUOI on demande galement au client daffecter un poids sur limpor-
tance quil lui accorde et une note dvaluation du produit de lentre-
prise par rapport la concurrence.
Les COMMENT traduisent les spcications du produit. Pour chaque
COMMENT, on dtermine une spcication et on ralise une valua-
tion concurrentielle.
On recherche ensuite les relations qui existent entre les QUOI et les
COMMENT en xant en gnral trois niveaux de relation (forte, mod-
re ou faible). Cette relation permet de calculer limportance de cha-
que COMMENT. Par exemple, le COMMENT Effort Axial minimal
est reli fortement ( 9) au QUOI crit facilement de poids 5. Il est
galement faiblement ( 1) li au QUOI Belle criture de poids 4. Ce
COMMENT a donc un poids de 5 9 + 4 1 = 49.
Ce type de relation matricielle permet de dnir de faon plus ne les
relations entre les exigences des clients et les spcications du produit
que ne le peut une relation point point dans un diagramme CTQ.
tape 1 Dfinir
Lanalyse comparative des deux valuations concurrentielles joue un
peu le rle du diagramme Exigences/Performances . Elle permet en
outre de valider que les spcications qui ont t xes traduisent bien
lexigence du client. Il est en effet anormal de trouver un QUOI mal
not par les clients qui serait fortement reli un COMMENT ayant
une bonne valuation concurrentielle.
La dernire analyse raliser est la construction du toit de la maison.
Dans cette partie, on va vrier quil ny a pas de corrlation ngative
entre deux spcications. Par exemple, si une largeur de trait impor-
tante est demande, cela sera au dtriment de la distance dcriture. En
cas de corrlation ngative, il faudra dterminer le meilleur compromis
qui donnera satisfaction au client.
2. Cartographier le processus
Lamlioration dun processus de production commence toujours par
une phase danalyse. La cartographie du processus est un excellent
moyen de raliser une telle analyse. Son but est dillustrer les ux phy-
siques et les ux dinformations depuis les approvisionnements en
matires premires jusquau client en fournissant une reprsentation
visuelle des tapes permettant de dlivrer le produit.
De nombreuses reprsentations ont t proposes pour raliser cette
cartographie et il nest pas dans notre intention den faire une descrip-
tion exhaustive. Nous nous limiterons aux formes les plus simples et
les plus couramment rencontres. Nombre de logiciels informatiques
apportent une aide apprciable dans la ralisation de cette cartogra-
phie.
Avant de dnir diffrentes reprsentations graphiques des processus,
il est bon de rappeler les dnitions des termes processus et activits.
Voici selon la norme ISO 9000 la dnition de processus :
Ensemble dactivits corrles ou interactives, qui transforme des
lments dentre en lments de sortie.
Note 1 : Les lments dentre dun processus sont gnralement
les lments de sortie dun autre processus.
Six Sigma
Note 2 : Les processus dun organisme sont gnralement plani-
s et mis en uvre dans des conditions matrises an dappor-
ter une valeur ajoute.
Note 3 : Lorsque la conformit du produit rsultant ne peut tre
immdiatement ou conomiquement vrie, le processus est
souvent quali de procd spcial .
Pour sa part, lactivit peut tre dnie comme un ensemble de tches
lmentaires que lon peut dcrire par des verbes dans la vie de
lentreprise : tourner, fraiser, assembler, ngocier un contrat, qualier
un fournisseur
La cartographie ralise sera fonction de lobjectif, comme le font les
gographes. Une carte dEurope montrant la pluviomtrie sera trs dif-
frente dune carte illustrant les ux migratoires ! De mme, le niveau
de dtail dpendra de lobjectif. Il est inutile de disposer dune carte au
1/25 000 pour se dplacer en voiture sur autoroute. Choisir la bonne
reprsentation, les bonnes informations faire apparatre, le bon
niveau de dtails sont les premires questions se poser lorsquon fait
une cartographie.
2.1 Bote noire
La cartographie la plus basique est constitue dune ou plusieurs
Botes noires . Dans ce type de reprsentation, lactivit est gure
au moyen dun rectangle. On fait apparatre les variables dentre (les
X), les variables de sortie (les Y). ventuellement, on fait apparatre les
facteurs bruits (ceux qui perturbent lactivit mais quon ne matrise
pas) et les facteurs de pilotage (qui permettent dajuster les Y sur la
cible souhaite).
tape 1 Dfinir
Figure 3.8 Bote noire dune activit
2.2 Diagramme SIPOC
Un outil trs adapt cette cartographie est le diagramme SIPOC (Sup-
pliers, Input, Process, Output, Customers) qui permet de faire apparatre
les ux matires et les ux dinformations sur un mme graphique ou
sur deux graphiques spars. La gure 3.9 montre un exemple de
SIPOC ux physiques. Le mme diagramme est galement reprsent
en indiquant le ux dinformations circulant dans le processus (les
documentations aux postes, les relevs fournis par les postes).
0 . 21 0. 22 0.23 0 . 24 0.25 0 . 26 0. 27 0.28 0 . 29
0
5
10
Frequency
Facteurs bruits
Facteurs de pilotage
X
Y
Six Sigma
Figure 3.9 SIPOC ux physiques dun processus de production
Dans le cadre Processus, on reprsente le ux du processus. Dans la
colonne Input, on place les produits fournis et, dans la colonne Sup-
plier, on spcie le fournisseur de ce produit.
De mme, dans la colonne Output, on place les produits fournis par le
processus, et on spcie dans la colonne Customer les clients de ces
produits.
Pour formaliser le ux dinformations, on fait de mme mais, dans la
colonne Input on dcrit les informations reues et le fournisseur qui
fournit ces informations. Dans la colonne Output, on dcrit les infor-
mations fournies par le processus et les clients de ces informations.
2.3 Logigrammes
Ils sont utiliss principalement dans les logiciels spcialiss dans
lapproche management de la qualit. Ils proposent une prsentation
matricielle reliant des activits et des acteurs.
Steel
Suppliers Processus
Collage
Dcalque
Retouche
Mise plat
Passage au four
Contrle
Lavage
Contrle
Dchet
Output
Rebut
Rebut
Produit fini Client
Beo
Customer
Wab Applique
Produit
argent
Clich
Encre
Tampon
Lessive
Input
Myl
Bevac
Steel
Cleana
tape 1 Dfinir
Figure 3.10 Cartographie matricielle
Sur chaque activit et sur chaque lien, on associe par hypertexte des
informations, telles que :
les informations ou produits transmis entre les activits ;
les modes opratoires et instructions de lactivit ;
les commentaires.
2.4 Cartographie Lean Six Sigma
Dans le cas dune dmarche Lean Six Sigma, la cartographie vise
identier les foyers importants de perte de performance et gnrateurs
de dlais, an de parvenir la plus grande efcacit possible dans
laction. On cherchera plutt une reprsentation graphique permettant
de faire apparatre la chronologie du processus avec une cartographie.
Acteur 1 Acteur 1 Acteur 1 Acteur 1
Activit 1
Activit 2 Activit 3
Activit 5
Activit 4
Test
Six Sigma
Figure 3.11
Cartographie du processus dans une dmarche Lean Six Sigma
La cartographie consiste suivre lensemble du processus pour identi-
er tous les lments de la performance sur chaque tape. On cher-
chera identier :
tous les dlais ;
tous les temps de cycle, de valeur ajoute ;
tous les rebuts, retouches ;
temps de changement de sries
Dans le cas de processus complexes, il nest pas toujours possible de
disposer dinformations sur les dlais, les temps, qui peuvent varier
dun produit lautre. La solution consiste alors utiliser un
traceur . Il sagit dun produit que lon suit pas pas depuis la com-
mande client jusqu sa livraison.
1f/semaine
Bi mensuel
5
jours
2
jours
30 jours
Founisseur
1f/semaine Client
Dlais de production
Nombre de personnes
Temps de cycle
Temps de changement de srie
Taux de rendement synthtique
Proportion de rebut
Proportion de retouches
Taille des lots
Taille des emballages
Temps de travail rel
Nombre de types de produits
Chronogramme du processus
4
10 5 4
5 3 4
19 min.
59 jours
12 Min.
Temps de cycle
Temps de valeur
5 2 7
tape 1 Dfinir
2.5 Diffrents niveaux de cartographie
La cartographie a pour objectif de comprendre le processus et de visua-
liser de faon simple la faon dont les diffrentes tapes senchanent.
Une des difcults rsoudre, cest de choisir le niveau de dtail
adapt pour la description de ce processus :
Un niveau trop grossier ne permet de dcrire que des vidences
et napporte pas grand-chose.
Un niveau de dtail trop n rend incomprhensible la lecture du
graphique et fournit une cartographie inutile.
Pour viter ces deux cueils, dans les cas complexes, il ne faut pas
hsiter reprsenter le processus selon diffrents niveaux de macros-
copie.
Le niveau le plus lev donnera une reprsentation trs macroscopique
du processus et chaque tape de cette macro-reprsentation sera dtail-
le dans un sous-processus.
3. Dnir les limites du projet
Une erreur classique lorsque lon nonce un problme consiste
rechercher directement une solution sans avoir positionn correcte-
ment le problme. Ltape Dnir doit pousser le Black Belt ras-
sembler tous les lments qui lui permettront de remonter aux causes
qui sont la racine du problme.
Pour y parvenir, il faudra dpasser les vidences, les solutions YAQUA
FAUQUON. Et cela ne peut se faire que si le primtre du projet est
bien dni au dpart. cet effet, il faut procder un dballage
dides avec le groupe de travail en se servant ventuellement de plu-
sieurs outils qui peuvent amliorer lefcacit de la rexion, notam-
ment les sept outils de base de la qualit
9
.
9. Voir louvrage Qualit en production, chapitre 6, op. cit.
Six Sigma
Outre ces outils de base, plusieurs mthodes ont fait montre dune
grande efcacit :
le diagramme des 5 pourquoi ;
le diagramme est/nest pas ;
le diagramme dedans/dehors .
Nous allons prsenter ces trois outils dans cette section. Toutefois, ils
peuvent tre galement utiliss dans ltape Analyser .
3.1 Diagramme des 5 pourquoi ?
partir des CTQ qui ont t dtermins ds le dbut de ltape
Dnir , on doit rechercher les causes possibles de non-satisfac-
tion du client. Pour tre sr de bien remonter aux causes racines ,
on demandera au groupe de remonter si possible jusqu 5 niveaux
de relation cause/effet en se posant la question Pourquoi .
La mthode des 5 pourquoi ? est une technique danalyse des cau-
ses profondes dun problme. Son intitul trouve son origine dans un
principe de gestion japonais selon lequel demander pourquoi au moins
cinq fois garantit la dcouverte de la ou des causes dun problme.
Le principe emprunte les tapes suivantes :
1. Se demander pourquoi la situation existe ?
2. Se redemander, pour chaque rponse propose, pourquoi la
situation existe ?
3. Rpter les tapes 1 et 2 cinq fois ou sarrter lorsquon nest
plus capable de fournir une rponse.
On dissocie dans le diagramme des 5 pourquoi la gnration du
problme et la diffusion du problme. La gnration du problme se
pose la question sur ce qui est la source du problme. La diffusion se
pose les questions Pourquoi ce problme nest pas dtect ? ,
Pourquoi a-t-il atteint un client ?
tape 1 Dfinir
Figure 3.12 Diagramme des 5 pourquoi
Lexemple choisi (gure 3.12) a trait une entreprise de vente par cor-
respondance partir dun site Internet. Elle a identi une caractristi-
que critique pour le client : la rapidit du service aprs-vente.
Pour traiter ce problme, on a utilis un traceur, cest--dire que lon a
choisi de suivre une commande en particulier.
Indiquer les causes les plus probables du problme dans chaque case du
haut. Poursuivre vers le bas le plus loin possible en se posant chaque fois la
question Pourquoi ? . Le dernier pourquoi est sans doute celui qui
ncessite une action.
Gnration du problme ? Propagation du problme ?
Aprs la premire rclamation du
client le dlai de satisfaction a t
de 50 jours ouvrables.
Le dlai de service aprs-vente
cible nest pas respect pour une
majorit de retours.
Pendant 20 jours, le produit est

rest dans nos entrepts avant de
partir en rparation.
Le magasinier manque de temps
pour traiter tous les retours.
Le produit navait pas t identi

clairement ds son arrive.
Sa charge de travail est leve et le
traitement des retours est fait
lorsquil a le temps .
Il est difcile pour le magasinier de

dissocier les retours dnitifs des
retours pour service aprs-vente.
Il organise son temps librement
entre ses multiples activits, Il na
pas de dnition de fonction claire,
personne na en charge clairement
le traitement des retours.
Il nest pas demand aux clients qui

utilisent le service aprs-vente de
noter une mention spciale sur le
paquet.
Lentreprise est jeune et chacun fait
au mieux, il faudrait rationaliser les
fonctions du personnel.
Six Sigma
Gnration du problme
On va se poser les questions : Pourquoi le problme se pose-t-il ?
Quelle en est la source ?
Aprs la premire rclamation du client, le dlai de satisfaction a t
de 50 jours ouvrables. Pourquoi ?
Pendant 20 jours, le produit est rest dans nos entrepts avant de
partir en rparation. Pourquoi ?
Le produit navait pas t identi clairement ds son arrive.
Pourquoi ?
Il est difcile pour le magasinier de dissocier les retours dnitifs
des retours pour service aprs-vente. Pourquoi ?
Il nest pas demand aux clients qui utilisent le service aprs-
vente de noter une mention spciale sur le paquet.
Propagation du problme
On va se poser la question en ces termes : Pourquoi ce problme se dif-
fuse-t-il ?
Le dlai de service aprs-vente cible nest pas respect pour une majo-
rit de retours. Pourquoi ?
Le magasinier manque de temps pour traiter tous les retours.
Pourquoi ?
Sa charge de travail est leve et le traitement des retours est fait
lorsquil a le temps . Pourquoi ?
Il organise son temps librement entre ses multiples activits. Sa
fonction nest pas clairement dnie et personne na explicite-
ment en charge le traitement des retours. Pourquoi ?
Lentreprise est jeune et chacun fait au mieux, il faudrait rationa-
liser les fonctions du personnel.
En se demandant pourquoi , on veut obtenir de linformation. En
refusant de se satisfaire dune seule explication, on aborde le problme
dans une perspective diffrente, ce qui amliore les chances den cer-
ner les causes.
tape 1 Dfinir
3.2 Diagramme Est/Nest pas
Le diagramme Est/Nest pas coupl avec une approche
QQOQCP force se poser les bonnes questions et vite dadopter
directement une solution triviale qui se rvle souvent tre en fait une
fausse bonne ide. Il a galement pour objectif de faire apparatre des
oppositions fortes qui seront trs utiles pour les tapes Mesurer et
Amliorer .
Figure 3.13 Diagramme Est/Nest pas
EST NEST PAS
Q
U
I

Q
U
O
I
Quel est lobjet ?
Et plus prcisment ?
Quel est le dfaut ?
Et plus prcisment ?
Quels sont les objets similaires
qui pourraient aussi tre dfectueux,
mais qui ne le sont pas ?
Quels sont les autres dfauts que lobjet
pourrait avoir, mais quil na pas ?
O
O, gographiquement,
observe-t-on lobjet dfectueux ?
Et plus prcisment ?
O, sur lobjet, observe-t-on
le dfaut ?
Et plus prcisment ?
quel autre endroit pourrait-on
lobserver, mais on ne lobserve pas ?
quel autre endroit de lobjet pourrait-
on lobserver, mais on ne lobserve pas ?
Q
U
A
N
D
Quand, historiquement, a-t-on
enregistr ce problme
pour la premire fois ?
Et plus prcisment ?
Quelle est la frquence
dapparition ?
Quand, dans le cycle de vie de
lobjet, ce dfaut apparat-il ?
Et plus prcisment ?
quel autre moment aurait-on pu
lenregistrer, mais on ne la pas
enregistr ?
Quelle autre frquence aurait-on pu
avoir et on ne la pas eue ?
quelles autres tapes de la vie de
lobjet le dfaut aurait-il pu apparatre et
il nest pas apparu ?
Six Sigma
partir de ce diagramme, on va mettre en vidence des oppositions
fortes quil faudra prouver dans les tapes ultrieures.
Par exemple, une entreprise qui fabrique des compresseurs de systme
rfrigrant constate un problme qualit sur un des produits. Lanalyse
Est /Nest pas amne identier deux oppositions fortes :
1. Le problme napparaissait pas de faon critique avant le mois
daot et il est devenu critique depuis.
2. Le problme apparat sur un type de compresseur, mais pas sur
un autre qui pourtant suit a priori le mme processus et utilise
les mmes composants.
Ces deux oppositions fortes ont permis dorienter la dmarche Six
Sigma, notamment les phases Mesurer et Analyser .
On doit prendre garde avec ce type de graphique de ne passer directe-
ment de ltape Dnir ltape Innover/Amliorer . Il faut tre
vigilant sur ce point. Les diagrammes des 5 pourquoi , Est/Nest
pas , ne permettent que de mettre en vidence des orientations de la
dmarche. Pour pouvoir amliorer le processus, il faut tre capable de
mettre des chiffres derrire ces orientations. Cela sera lobjectif de
ltape Mesurer .
C
O
M
M
E
N
T
Comment et sous quelle forme
apparat le dfaut ?
Quelles sont les consquences
du problme (cots, temps,
ressources) ?
Sous quelle forme pourrait apparatre le
dfaut, mais il napparat pas ?
Quelle aurait pu tre limportance
du problme ?
C
O
M
B
I
E
N
Combien y a-t-il dobjets
dfectueux ?
Quelle est la dimension (taille,
nombre) du dfaut ?
Quelle est la tendance ?
Combien dobjets pourraient tre
dfectueux, mais ne le sont pas ?
Quelles autres dimensions (taille,
nombre) pourrait-on constater ?
quelles tendances pourrait-on
sattendre qui ne sont pas observes ?
tape 1 Dfinir
Il faut galement pouvoir prouver statistiquement les oppositions for-
tes ou les corrlations supposes. Ce sera lobjectif de ltape
Analyser .
3.3 Diagramme Dedans/Dehors
lissue du premier dballage dides, qui aura t enrichi par la mise
en place doutils tels que le diagramme des 5 pourquoi , Est/Nest
pas , le groupe de travail est dsormais capable de dterminer de
faon assez prcise les limites du projet. Le diagramme Dedans/
Dehors est un outil de travail en groupe qui permet de parvenir un
consensus sur ce qui entre ou non dans le cadre du projet.
Cest un outil de travail en groupe, trs simple utiliser. On colle sur
un mur une grande feuille de papier sur laquelle on dessine un cadre
qui reprsentera les limites du projet (gure 3.14).
Le groupe de travail va ensuite noter sur des post-it les diffrents l-
ments qui lui semblent faire partie du projet ou qui sont en dehors du
cadre de ltude. Ces post-it seront ensuite colls sur la feuille aprs
discussion et consensus du groupe pour dnir si litem est dans ou
hors cadre par rapport au projet.
En cas de dsaccord du groupe, on colle le post-it sur la frontire du
cadre ; il faudra sans doute revenir sur ce point dans les tapes ult-
rieures. Un item sur la frontire signie que le groupe se pose des
questions sur le sujet et une des missions du projet Six Sigma sera
dclairer cette question.
Lexemple choisi (gure 3.14) reprend quelques items concernant
lentreprise de vente par correspondance, laquelle souhaite amliorer
les dlais sur son service aprs-vente.
Six Sigma
Figure 3.14 Diagramme Dedans/Dehors
4. Dnir les gains et les cots
Un projet Six Sigma vise la satisfaction du client court terme sur le
produit, mais galement long terme. Pour ce faire, il faut que lentre-
prise continue de vivre et de prosprer. Laspect conomique est donc
trs important et il convient de ne pas le ngliger ds le dpart du pro-
jet.
Ainsi, ds le dbut du projet, on doit tenir inform le contrle de ges-
tion et obtenir un numro dordre an de suivre les gains et les cots.
4.1 Dnir les cots prvisionnels
Les cots peuvent tre directs et indirects. Ce sont, pour les
principaux :
temps pass par les membres du groupe de travail ;
investissements que lon devra peut-tre engager ;
Prestataires de services
de transport
Ngociation des dlais
avec les fournisseurs
Organisation
de l'entrept
Dfinition de la procdure
de SAV
Dfinition des tches
pour les magasiniers
Augmentation du nombre
de magasiniers
Dehors
Frontire
Dedans
tape 1 Dfinir
rcolte de donnes sur le terrain ;
ralentissement et arrt de production pour cause dessais ou de
modication de processus ;
essais et contrles supplmentaires ncessaires dans le projet
Il nest pas toujours facile au dpart destimer les cots qui seront
engags. Il faut donc que la gestion du projet soit lie une gestion
nancire qui permettra en continu, tout au long du projet, dafner
cette premire estimation.
4.2 Dnir les gains prvisionnels
Si les cots sont difciles estimer ds le dpart, il nest pas plus ais
destimer les gains. En effet, une partie des gains est facilement identi-
able, il sagit des conomies ralises. Mais une grosse partie des
gains est difcilement quantiable, comme lamlioration de limage
de la socit auprs des clients. Cest la raison pour laquelle dans la
charte du projet (gure 3.15) nous avons dissoci les gains mesurables
et non mesurables.
Exemple de gains mesurables
suppression dun investissement programm ;
diminution dun taux de rebut, retouche ;
diminution des cots de contrle ;
amlioration du taux de rendement synthtique (TRS)
Exemple de gain non mesurable (ou difcilement en dbut de projet)
amlioration de limage de lentreprise ;
augmentation du chiffre daffaires lie lamlioration apporte ;
perte de temps de lencadrement pour grer au quotidien ;
meilleure ambiance de travail lie la rduction des problmes
Six Sigma
5. La charte du projet
Figure 3.15 Charte du projet
Six Sigma Charte du projet
Titre du projet :
Formulation du problme ( Le problme, cest de )
QUI ? QUOI ? O ? QUAND ? COMMENT ? POURQUOI ?
Clients identis (clients aval et clients naux)
Clients aval : Impacts :
Clients naux :
Diagramme CTQ
Besoin des clients Exigences Caractristiques
mesurables
Spcications
tat actuel tat souhait
Gains et cots mesurables Gains et cots non mesurables
Groupe de travail
Nom Tl. Service Ml
Planication du projet
Semaines
Dnir
Mesurer
Analyser
Amliorer
Contrler
Standardiser
Signatures
Client : Propritaire : Pilote : Direction :
tape 1 Dfinir
La charte du projet (gure 3.15) se matrialise par une che qui
rsume les principaux rsultats de ltape Analyser . On y retrouve :
la dnition du problme ;
lidentication des caractristiques critiques pour les clients ;
la mise en vidence de ltat actuel et de ltat souhait, qui doit
faire apparatre les limites du projet ;
la dnition du groupe de travail et lengagement des principaux
acteurs.
Bien entendu, comme on ne sait pas rsumer lensemble des travaux
qui ont t raliss en une seule che ; on conservera prcieusement
lensemble des graphiques et mthodes utiliss pour aboutir ce con-
sensus.
Cette charte engage le groupe de travail tant en termes de dlais quen
matire de rsultats attendus. Cest sur la base de cette charte que se
droulera la premire revue de projet R0 entre le pilote (Black Belt) et
le responsable du dploiement (Champion).
Tout au long du projet, on pourra ventuellement revenir sur certains
lments de cette charte lorsque les volutions du projet lexigent. Une
modication de la charte doit obtenir la signature de lensemble des
acteurs.
103
Chapitre 4
tape 2 Mesurer
1. Introduction
La premire tape nous a permis de parfaitement dnir le cadre du
chantier et de mettre en vidence les paramtres critiques pour la qua-
lit telle quelle est vue par le client (CTQ : Critical To Quality) et
dorienter le projet vers des causes racines probables. Dans ltape sui-
vante, nous allons mettre en place un moyen de mesure si possible
continu nous permettant de mesurer le z du processus. An davoir
des donnes sufsamment ables pour pouvoir les exploiter, on vri-
era au pralable que la variabilit de notre systme de mesure est fai-
ble par rapport la variabilit des lments que lon cherche
mesurer.
Un des apports essentiels de Six Sigma tient limportance qui y est
donne la mesure. Le physicien britannique Lord KELVIN exprimait
cela ainsi en 1891 : Lorsque vous pouvez mesurer ce dont vous parlez
et lexprimer par un nombre, vous en connaissez quelque chose. Cela
fait donc bien longtemps que la mesure est une base de la connais-
Six Sigma
sance, mais peu dapproches damlioration des performances ont fait
de la mesure un pralable indispensable, comme Six Sigma le prco-
nise.
Rechercher des mesures an de caractriser le processus conduit se
poser de nouvelles questions, qui induisent une nouvelle vision,
entranant son tour de nouvelles actions. Cest une des logiques de
base de la stratgie de rupture.
La mesure doit porter non seulement sur le produit mais aussi et sur-
tout sur le processus. Lorsque lentreprise est capable de quantier la
satisfaction des clients sur les CTQ et le fonctionnement de ses proces-
sus, elle peut relier les deux et mettre ainsi en vidence les caractristi-
ques qui ont un impact fort sur la performance. Elle peut ainsi
manager partir de faits, plutt que par sensations.
La mesure va donc porter sur trois lments :
les sorties du processus (les Y) perues par le client ;
les entres du processus (les X) ayant une inuence sur les Y ;
les variables du processus permettant de caractriser sa perfor-
mance en termes de cot, qualit, dlais, scurit.
Ces mesures sont continues (un chiffre sur une plage continue) ou dis-
crtes (bon/pas bon ; Fournisseur 1, 2 ou 3). On privilgie un prl-
vement par chantillonnage pour limiter les cots.
Le but de ltape Mesurer est donc de :
trouver un moyen de mesure des CTQ ;
mesurer le z du procd ;
raliser une campagne de mesure an de pouvoir tablir des
relations entre les X et les Y du processus et ainsi damliorer
lefcacit de ce dernier.
tape 2 Mesurer
2. Trouver un moyen de mesure des CTQ
2.1 Quantier
La premire action consiste chercher un critre mesurable, capable
de traduire la satisfaction des clients. Si, parfois, cette mesure simpose
delle-mme, il nen va pas toujours ainsi et la recherche dun caractre
mesurable nest alors pas une chose trs simple. Pour illustrer ce point,
prenons deux exemples.
Exemple 1 : Une entreprise de mcanique cherche amliorer la
abilit dun produit dont on a montr quelle tait directement
lie ltat de surface dun diamtre sur une machine outil. Dans
ce cas, la mesure est vidente, on se contentera du critre de
rugosit le plus adapt.
Exemple 2 : Une entreprise qui travaille sur des produits forte
valeur ajoute veut liminer les fuites apparaissant au niveau
dune soudure. La proportion de produit ayant une fuite est de
lordre de 1 % pour une production annuelle dune centaine de
produits. Dans ce cas, il ne serait pas appropri dutiliser la pro-
portion de soudures prsentant une fuite, et ce pour deux raisons
principales :
1. le peu de donnes disponibles : 1 2 produits fuite par
an, mais qui cotent trs cher ;
2. limpossibilit de conduire un projet Six Sigma dans lequel
la mesure devrait mettre en vidence des produits dfec-
tueux.
Dans ce dernier cas, il faut avoir lesprit une remarque de Geni-
chi Taguchi : Pour atteindre la qualit, il ne faut pas mesurer la
qualit !
Ex
Ex
Six Sigma
Dans cet exemple, la qualit du produit est lie labsence de
fuite. Mais pour amliorer cette qualit, on peut mesurer autre
chose qui ne soit pas li directement la qualit du produit mais
corrl avec le CTQ.
La manifestation handicapante pour la qualit est la prsence de fuite.
Le Black Belt doit se poser la question suivante : Existe-t-il une autre
manifestation non handicapante du mme phnomne qui soit mesu-
rable.
Ces manifestations pourraient tre :
des irrgularits de la soudure (variation de hauteur, de largeur
de cordon) ;
un mauvais centrage de la soudure ;
une intensit consomme (paramtres processus)
Si lon dispose de quelques produits dfectueux et de produits ayant
donn satisfaction, il est possible de prouver la corrlation entre les
deux mesures en utilisant par exemple un test B to C (prsent au
chapitre 5).
Figure 4.1 Recherche dune mesure corrle avec le CTQ
Dans lexemple choisi (gure 4.1), la variable 1 pourra tre utilise
comme mesure Y du projet Six Sigma.
Variable 1 (pertinente)
Avec fuite Sans fuite Avec fuite Sans fuite
Variable 2 (non pertinente)
tape 2 Mesurer
Cas des services
Dans le cas dun projet Six Sigma portant sur un service, il est souvent
difcile de trouver facilement un critre mesurable. Cest pourtant un
des points essentiels de Six Sigma.
Pour construire le systme de mesure de la satisfaction du client, loutil
de rfrence est le diagramme CTQ que nous avons prsent au
chapitre 3. On doit se poser les questions suivantes :
Quel est le besoin du client ?
Quelles sont ses exigences ?
Comment peut-on mesurer ces exigences ?
En prenant lexemple dun hall daccueil pour une administration, on
peut identier trois exigences potentielles qui seront requises par les
clients :
1. sorienter rapidement vers le service recherch ;
2. fournir un cadre agrable ;
3. permettre aux clients dattendre confortablement.
Deux indicateurs chiffrs peuvent tre mis en place :
Une mesure du temps entre le moment o le client pntre dans
le hall et o il quitte le hall en direction du service. Cette mesure
se fait par chantillonnage une demi-journe par mois.
Un audit mensuel portant sur tous les lments lis au confort
des clients : propret, disponibilit de revues rcentes en salle
dattente, entretien des plantes Cet audit donne lieu une
note.
2.2 Vrier le R&R
Un des objectifs de ltape Mesurer est de mettre en place un pro-
cessus de mesure capable de traduire la faon dont on satisfait le client.
Comme tous les processus, le processus de mesure se dcompose selon
les 5M (Moyen, Milieu, Mthodes, Mesurande, Main-duvre). Si on
veut utiliser ce processus, il faut auparavant sassurer quon le ma-
trise.
Six Sigma
Figure 4.2 Dcomposition de la dispersion vue
Le schma (gure 4.2) illustre la dcomposition de la dispersion telle
quelle apparat lors dune mesure. Une partie de cette dispersion pro-
vient du processus de production, et une autre du processus de
mesure.
Ladditivit des variances nous permet dcrire : avec
: Variance totale
: Variance relle du processus de production
: Variance du processus de mesure
Le but de ltude R&R est de vrier que la part de la variance de
mesure est faible par rapport la variance du processus. Autrement
dit, on veut vrier quun cart entre deux mesures traduit bien un
cart entre deux produits diffrents.
2.3 Dnitions
Justesse : cart systmatique entre la moyenne de plusieurs mesures et
la valeur de rfrence.
Linarit : diffrence de justesse sur la plage dutilisation de linstru-
ment.
Dispersion
vue
Moyen
R&R
Dispersion
due au
processus
de mesure
Justesse
Linarit
Stabilit
Milieu
Mesurande
Main-d'uvre
Mthode
Reproductibilit
Rptabilit
Gestion
des moyens
de mesure
Dispersion
due au
processus
de production
T
2
P
2
M
2
+ =
T
2
P
2
M
2
tape 2 Mesurer
Stabilit : variation des rsultats dun systme de mesure sur une
mme caractristique et le mme produit sur une priode de temps
prolonge.
Ces trois points dpendent principalement du moyen de mesure et doi-
vent tre vris priodiquement par lentreprise. Cest le rle de la
Gestion des moyens de mesure .
Rptabilit : variations de mesures successives obtenues sur un
mme mesurande dans les mmes conditions.
Reproductibilit : variations de mesures obtenues sur un mme mesu-
rande en faisant varier une condition.
Les parties rptabilit et reproductibilit dpendent principalement
des 4 M autres que Moyen dans le processus de mesure. Une bonne
gestion des moyens de mesure dans une entreprise ne garantit pas la
rptabilit et la reproductibilit. Cest la raison pour laquelle il faut
raliser une tude spcique.
2.4 Gestion des moyens de mesure
Pour mesurer, on dispose dun instrument. La premire des vrica-
tions raliser, cest de valider cet instrument. Pour cela, on doit
vrier :
la justesse,
la linarit,
la stabilit.
La plupart des entreprises ont mis en place dans le cadre de lISO 9000
une Gestion des moyens de mesures qui permet :
didentier tous les instruments disponibles dans lentreprise ;
de rattacher les instruments aux chanes dtalonnage ;
de planier une vrication et un talonnage avec un intervalle
adapt de lensemble des instruments.
La plupart du temps, ces talonnages sont sous-traits des entrepri-
ses spcialises.
Six Sigma
tude de linarit
Ltude de linarit consiste tudier la linarit de linstrument de
mesure partir de plusieurs talons dont la valeur est connue et garan-
tie.
Dans lexemple prsent (gure 4.3), on a pris 5 talons (5, 10, 15, 20,
25) qui ont chacun t mesur 10 fois.
Figure 4.3 Donnes dune tude de linarit
En dessinant lcart entre les valeurs et les talons en fonction des
valeurs des talons, on peut visualiser lerreur de linarit et la disper-
sion de mesure sur un talon (gure 4.4).
talon Y talon Y talon Y talon Y talon Y
5 5,011 10 10,006 15 15,002 20 19,995 25 24,996
5 5,009 10 10,01 15 15,001 20 19,996 25 24,989
5 5,013 10 10,002 15 14,997 20 20,003 25 24,992
5 5,016 10 10,005 15 15 20 20 25 24,994
5 5,014 10 10,006 15 15,004 20 19,999 25 24,994
5 5,019 10 9,999 15 15,001 20 19,997 25 24,991
5 5,014 10 10,007 15 14,998 20 19,999 25 24,997
5 5,009 10 10,005 15 15,001 20 19,997 25 24,993
5 5,008 10 10,002 15 15,001 20 19,996 25 24,989
5 5,015 10 10,009 15 14,998 20 19,991 25 24,99
tape 2 Mesurer
Figure 4.4 tude de linarit
Ce graphique est complt par deux tudes statistiques :
le test de Student (gure 4.5) sur la caractristique de la droite
(le lecteur pourra se reporter au chapitre 5, Analyser, dans lequel
on dtaille ce test et la rgression linaire).
Lanalyse du biais (gure 4.6) pour chaque position teste avec
un test t pour savoir si ce biais est signicatif (se reporter gale-
ment au chapitre 5 pour plus de dtail sur le test t). On peut
ventuellement compenser ce biais qui forme une erreur syst-
matique.
Figure 4.5 quation de rgression
quation de rgression : cart = 0,0161 0,000968 talon
Prdicteur Coef. Sigma t P
Constant 0,0161 0,001050 15,25 0,000
talon 0,000968 0,00006334 15,28 0,000
tude de linarit
y = 0,000968x + 0,0161
0 10 20 30
0,0200
0,0150
0,0100
0,0050
0,0000
0,0050
0,0100
0,0150
c
a
r
t
talon
0,0250
R
2
= 0,8295
Six Sigma
Figure 4.6 Biais par position
Dans notre exemple, linstrument a une erreur de linarit importante,
double dune dispersion de mesure autour de cet cart de linarit, ga-
lement importante. Ce test est ralis partir de pices talon, dans des
conditions de laboratoire de mtrologie. Pour tre acceptable, linstru-
ment doit avoir un cumul derreurs de linarit et de dispersion ngligea-
ble par rapport la tolrance que lon cherche mesurer.
Une tude de linarit satisfaisante ne dispense pas de faire le test R&R
que nous dcrivons ci-aprs.
2.5 Conduire une tude R&R
Cas des grandeurs mesurables
Le but de ltude est de vrier que la mesure ralise nest pas trop
sensible au problme de rptabilit et de reproductibilit.
Pour tester la rptabilit, on fait mesurer plusieurs fois par le
mme oprateur, sur la mme caractristique, la mme mesure.
Pour tester la reproductibilit, on identie quelles sont les condi-
tions de mesure qui sont susceptibles de changer (oprateurs dif-
frents par exemple) et on ralise une mesure dans les deux
conditions.
talon Moyenne Sigma t p Biais
5 0,013 0,0033089 12,2658718 0,000 Signicatif
10 0,00518275 0,00331817 4,93925957 0,001 Signicatif
15 0,00026431 0,00203675 0,41036934 0,692 Non signicatif
20 0,00276747 0,0032677 2,67818922 0,025 Signicatif
25 0,007478 0,00280676 8,42519325 0,000 Signicatif
Interprtation
tape 2 Mesurer
Il est galement important de raliser ce test sur plusieurs produits dif-
frents. En effet, il peut y avoir des carts entre deux oprateurs selon
la pice mesure.
Prenons lexemple dune mesure de diamtre sur un produit ayant un
dfaut de circularit, ralise par deux oprateurs. Le premier a comme
habitude de prendre le diamtre maximal, alors que le second prend le
diamtre moyen. Dans le cas dun produit o le dfaut de circularit
est faible, il y aura peu dcart entre les deux oprateurs mais, dans le
cas dun dfaut important de circularit, les diamtres donns par les
deux oprateurs seront trs diffrents.
Gnralement, une tude R&R se conduit partir dune dizaine de pro-
duits, mesurs au moins deux fois, par au moins deux oprateurs diff-
rents. Les oprateurs choisis pour raliser ce test seront bien sr ceux
qui devront mesurer les produits lors du projet Six Sigma.
Figure 4.7 tude R&R
Variation dune condition (oprateur)
Tolrance :
7,7 0,01
Mesures dans les mmes
conditions
Mesures dans les mmes
conditions
N Pice 1
re
Mesure 2
e
Mesure 1
re
Mesure 2
e
Mesure
1 7,700 7,699 7,700 7,700
2 7,699 7,700 7,699 7,699
3 7,702 7,703 7,702 7,702
4 7,703 7,703 7,702 7,702
5 7,703 7,703 7,702 7,703
6 7,703 7,703 7,703 7,703
7 7,699 7,698 7,699 7,699
8 7,701 7,700 7,700 7,700
9 7,704 7,704 7,702 7,703
10 7,699 7,699 7,699 7,700
Six Sigma
Lanalyse R&R va consister analyser la dcomposition de la variance
totale par rapport aux diffrentes sources de dispersion :
les pices sont diffrentes (carts du mesurande) ;
les oprateurs sont diffrents (reproductibilit) ;
il peut y avoir une interaction entre les oprateurs et les pices
(reproductibilit) ;
la variance rsiduelle (rptabilit).
Le lecteur trouvera plus de dtails sur les principes de bases de lana-
lyse de la variance dans le chapitre 5, Analyser.
Soit Y
ijr
reprsentant la mesure de loprateur i pour la pice j lors de
la rptition r. On considre que lon a :
Y
ijr
= +
i
+
j
+ ()
ij
+
ijr
reprsente la moyenne de lensemble des valeurs ;

i
reprsente leffet (ou biais) d loprateur i ;

j
reprsente leffet d la pice j ;
()
ij
reprsente leffet d linteraction oprateur/pices ;

ijr
reprsente lerreur distribue normalement avec une
moyenne de 0 et une variance de .
Ladditivit des variances donne donc :
Notations :
a nombre doprateurs (a = 2 dans lexemple) ;
b nombre de pices (b = 10 dans lexemple) ;
n nombre de rptitions de mesures (n = 2 dans lexemple) ;
Y
ijk
reprsente la mesure de loprateur i, sur la pice j, pour la
k
e
rptition ;
Y
= moyenne gnrale =
Y
ij
reprsente la notation abrge de
y
2
( )
2
2
+ + + =
1
abn
----------
Y
ijk
k 1 =
n
j 1 =
b
i 1 =
a
1
n
---
y
ijk
k 1 =
n
tape 2 Mesurer
Y
j
Rappelons que lanalyse de la variance part de la dcomposition de la
somme totale des carrs des carts de toutes les observations :
SS
T
= SS
O
+ SS
P
+ SS
OP
+ SS
E
Avec :
Somme des carrs oprateurs :
Somme des carrs pices :
Somme des carrs interactions
Le tableau danalyse de la variance scrit de la faon suivante :
Figure 4.8 Tableau danalyse de la variance
Source SS
2
ddl Moyenne des carrs Test stat.
Pices SS
P

P
= b 1

Oprateurs
(reproductibilit)
SS
O

o
= a 1

Interaction SS
OP

OP
=
(a 1)(b 1)

Rsidus
(rptabilit)
SS
R

R
= ab(n 1)
Totale SST
T
= abn 1
1
an
------
y
ijk
k 1 =
n
i 1 =
a
SS
O
bn Y
i..
Y
...
( )
2
i 1 =
a
=
SS
P
an Y
.j.
Y
...
( )
2
j 1 =
b
=
SS
OP
n Y
ij.
Y
i..
Y
.j.
Y
...
+ ( )
2
j 1 =
b
i 1 =
a
=
MS
P
SS
P
b 1
------------ =
F
0
MS
P
MS
OP
--------------- =
MS
O
SS
O
a 1
------------ =
F
1
MS
O
MS
OP
--------------- =
MS
OP
SS
OP
a 1 ( ) b 1 ( )
----------------------------------- = F
2
MS
OP
M
R
--------------- =
MS
R
SS
r
ab n 1 ( )
------------------------ =
N-1
2
Six Sigma
En cas dinteraction non signicative, on fusionne linteraction avec la
dispersion rsiduelle, les ratios MS
R
, F
0
et F
1
se calculent alors par la
relation :
Lanalyse du tableau dANAVAR nous permet de dissocier les diffren-
tes sources de variabilit :
Figure 4.9 Dcomposition des dispersions
Source Variance Interprtation
Dispersion
du moyen
(rptabilit)
La dispersion de rptabilit
reprsente limportance des
variations observes lors de
mesures par un mme oprateur
sur une mme pice.
Estimateur
de la dispersion
oprateur
Cette dispersion reprsente
limportance des variations
observes par le mme oprateur
sur plusieurs pices.
Dispersion
de linteraction
limportance des diffrences
observes sur les moyennes de
plusieurs mesures par diffrents
oprateurs sur diffrentes pices.
Dispersion
de reproductibilit
Cette dispersion reprsente la
reproductibilit qui est le cumul
de la dispersion des oprateurs et
de linteraction.
Dispersion
sur les pices
limportance des variations
observes sur une mme pice
par plusieurs oprateurs.
Dispersion
de linstrument
R&R reprsente la somme de tou-
tes les dispersions indsirables.
MS
R
SS
r
SS
OP
+
ab n 1 ( ) a 1 ( ) b 1 ( ) +
----------------------------------------------------------------- = F
O
MS
P
MS
R
----------- = F
1
MS
O
MS
R
----------- =
D
Rp
6 MS
R
=
D
O
6
MS
O
MS
OP
bn
----------------------------------
=
D
OP
6
MS
OP
MS
R
n
---------------------------------
=
D
Repro
D
O
2
D
OP
2
+ =
D
P
6
MS
P
MS
OP
an
---------------------------------
=
R&R D
R
2
D +
O
2
D
OP
2
+ =
tape 2 Mesurer
On calcule ainsi le Cmc :
Dans notre exemple, nous aurions :
Figure 4.10 ANAVAR en tenant compte de linteraction
Lanalyse des sources de dispersion donne :
Figure 4.11 Dcomposition de la dispersion
Source
Somme
des carrs
ddl
Moyenne
des carrs
F
F
limite
Sign Risque
Pices SS
P

= 0,0001166 9 V
P
= 1,29E-5 28,43 3,17 OUI 0,000
Oprateurs SS
O
= 9E-7 1 V
O
= 9E-7 1,975 5,11 NON 0,193
Op*Pices SS
OP
= 4,1E-6 9 V
OP
= 4,5E-7 2,278 2,39 OUI 0,060
Rsidus
(rptabilit)
SS
r
= 4E-6 20 Vr

= 2E-7
Totale 0,0001256 39 3,22E-6
Source Dispersion % tolrance
Dispersion du moyen
(rptabilit)
13,42 %
Dispersion
oprateur
4,47 %
Dispersion
de linteraction
10,72 %
Dispersion
de reproductibilit
11,62 %
Dispersion
sur les pices
53,03 %
Dispersion
de linstrument
17,75 %
Cmc
Intervalle de tolrance
Dispersion de linstrument
-------------------------------------------------------------------- =
D
Rp
6 2E-7 0,0026833 = =
D
O
6
9E-7 4,55E-7
10 2
---------------------------------------
0,0008944 = =
D
OP
6
4,55E-7 2E-7
2
--------------------------------------
0,0021448 = =
D
Repro
0,0008944
2
0,002145
2
+
0,00232382
=
=
D
P
6
1 29E-7 , 4,55E-7
2 2
------------------------------------------------
0,0106066 = =
R&R D
R
2
D +
O
2
D
OP
2
+ 0,00354968 = =
Six Sigma
Soit
Cmc > 4 (ou R&R% < 25 %), linstrument est jug acceptable.
Lanalyse de la variance nous fournit galement de prcieux renseigne-
ments, notamment grce aux reprsentations graphiques
(gure 4.12) :
La contribution la somme des carrs nous donne une informa-
tion prcieuse sur le ratio entre la part prise par les pices (ida-
lement 100 %, ici 53 %) et les parts respectives des oprateurs et
de la rptabilit.
La contribution la variance de linstrument nous donne la part
de loprateur (reproductibilit) et de la variance rsiduelle
(rptabilit) dans , variance de linstrument.
Le graphe des effets (gure 4.12) nous indique graphiquement
les effets respectifs des oprateurs et de la pice.
Le graphe des interactions montre la moyenne des mesures que
chaque oprateur a trouve sur les 10 pices. Sil ny a quun
effet de loprateur (pas dinteraction), on devrait trouver des
courbes parallles.
Le graphe des tendues nous indique une mesure qui peut tre
aberrante (tendue hors des limites de contrle). Dans ce cas, il
faudrait recommencer la mesure.
Cmc
Tolrance
R&R
-------------------------
0,02
0,00355
-------------------- 5,36 = = =
R&R %
R&R
Tolrance
------------------------- 100 =
instrument
2
tape 2 Mesurer
Figure 4.12 Rsultat dune analyse R&R
10
2.6 Conduire une tude R&R
Cas des grandeurs non mesurables
Bien que lon cherche toujours disposer dun moyen de mesure con-
tinu, il arrive que lon doive recourir dans un projet Six Sigma des
moyens non mesurables donnant une valuation du rsultat (Bon/Pas
Bon), plutt quun chiffre. Dans ce cas de gure, il faut nanmoins tre
capable danalyser la rptabilit et la reproductibilit du processus de
mesure.
Ltude R&R dans le cas de contrle des attributs se conduit de la
mme faon que dans le cas des mesures :
On slectionne au moins 15 produits.
10. Les graphiques et analyses sont raliss avec Minitab Logiciel danalyse statistique
www.minitab.com
P
e
r
c
e
n
t
S
a
m
p
l
e
S
a
m
p
l
e
A
v
e
r
a
g
e
100
50
0
0,0010
0,0005
0,0000
7,704
7,701
7,698
% Contribution
% Study Var
% Tolerance
UCL = 0,001307
R = 0,0004
LCL = 0
UCL = 7,70185
X = 7,7011
LCL = 7,70035
7,704
7,701
7,698
R&R par l'analyse de la variance
Gage name: montage P121 Reported by: PPI
Date of study: 27/06/2003 Tolerance: 7,7+/-0,01
Misc:
Part-to-part
Piece
Diam by Piece Components of Variation
R Chart by Op
Xbar Chart by Op
1
1 3 4 5 6 7 9 10 8 2
2 4 5 6 7 8 9 10 3
Op
Piece
Op * Piece Interaction
Diam by Op
8 3
7,704
7,702
7,700
7,704
7,702
7,700
Op 1
Op 2
1 2
1 2
1 2
1 2
Gage R&R Repeat Reprod
Six Sigma
On prend toutes les prcautions pour viter que les manipula-
tions dgradent les produits tests.
Chaque produit est examin (si possible) par un groupe dexperts
an daffecter un attribut au produit (par exemple, Conforme/
Non-conforme) : lattribut peut ventuellement possder plus de
deux classes (par exemple, une chelle de 1 5).
Chaque produit est valu deux fois par au moins deux opra-
teurs.
On obtient ainsi le tableau suivant (gure 4.13).
Figure 4.13 Test R&R aux attributs
N
o
Rf.
Opr1 Opr2 Pb rpt. Pb reprod.
Insp 1 Insp 2 Insp 1 Insp 2 Opr1 Opr2
Entre
opr
Avec
rf.
1 C C C C C
2 NC NC NC NC NC
3 C C C C C
4 C C C C C
5 C C C C C
6 C C C C C
7 C C C C C
8 C C C C NC 1
9 C C C C C
10 C C C C C
11 C C C C C
12 NC NC NC C C 1
13 NC NC NC NC NC
14 C C C C C
15 C C NC C C 1
tape 2 Mesurer
Le produit 8 a pos un problme de rptabilit loprateur 2.
Le produit 15 a pos un problme de rptabilit loprateur 1.
Le produit 12 a pos un problme de reproductibilit aux opra-
teurs. Loprateur 2 a t plus svre que lexpert.
Aucun produit na pos de problme de reproductibilit par rapport
la rfrence. Lorsque les oprateurs sont daccord entre eux, ils
sont galement daccord avec la rfrence.
On conduit alors une analyse statistique pour chaque oprateur
(gure 4.14). Pour tre acceptable, le score de chaque oprateur doit
tre suprieur 90 %. Dans lexemple que nous avons pris, loprateur
2 natteint pas le critre cause du problme de reproductibilit sur la
pice 12.
Les limites 95 % forment lintervalle de conance 95 % de la loi
binomiale sur le score obtenu. Pour resserrer ces limites, il faut aug-
menter la taille de lchantillon type.
Figure 4.14 Analyse par oprateur
Opr 1 Opr 2
Total inspect 15 15
Problmes rptabilit 1 1
Problmes vs expert 0 1
Plus svre 0 0
Moins svre 0 1
Total problmes 1 2
95 % LSC 99,8 % 98,3 %
Score % 93,33 % 86,67 %
95 % LIC 68,1 % 59,5 %
Conclusion Adapt Pas adapt
Interprtation
Six Sigma
Cette analyse est complte par une analyse globale (gure 4.15).
Figure 4.15 Analyse globale
Lanalyse globale fait le cumul des problmes de rptabilit et de repro-
ductibilit. On peut ainsi calculer un score qui doit tre suprieur ou gal
80 % an quil soit acceptable.
Entre oprateurs Avec lexpert
Total inspect 15 15
Problmes rptabilit 2 2
Problmes reproductibilit 1 1
Total problmes 3 3
95 % LSC 95,67 % 95,67 %
Score s % 80,00 % 80,00 %
95 % LIC 51,91 % 51,91 %
Adapt Adapt
P
e
r
c
e
n
t
P
e
r
c
e
n
t
R&R Attribut
Oprateurs vs Experts Entre oprateurs
Oprateurs Oprateurs
1 2 1 2
100
90
80
70
60
100 95,0 % Cl
Percent
95,0 % Cl
Percent
90
80
70
60
tape 2 Mesurer
3. Mesurer le processus
Dans la seconde phase de ltape Mesurer , on va runir des infor-
mations qui soient mesurables sur le processus. Ces donnes peuvent
provenir :
de rsultats disponibles sur le processus ;
dune campagne de mesures qui sera spcialement ralise.
Cependant, pour faire en sorte que ces mesures soient pertinentes, on
doit chercher limiter la variabilit. Pour cela, on commence par am-
liorer le processus sans recourir des statistiques, simplement en
geant le plus possible de facteurs suite une analyse des 5M.
3.1 Analyse des 5M du processus
Lanalyse doit commencer par une analyse qui soit la plus exhaustive
possible des sources de dispersion. Quelles sont les causes de la varia-
bilit sur le processus source de non-satisfaction des clients ? On
recherchera tous les X inuents sur le centrage et sur la dispersion de
Y.
Figure 4.16 Diagramme des 5M
Matire
Moyens Mthodes
Milieu Main-d'uvre
Dispersion forte
Capabilit
insuffisante
Pices sales
Vitesse
d'avance
Dispersion
de positionnement
sur les posages
Diffrences
entre les postes
Influence
de l'opration amont
Variation
de la composition
Diffrence
entre fournisseurs
Prise pices
non adapte
Flexion
des butes franches
Vibration machine
Paramtres de coupe
non robustes
Afftage des outils
Temprature extrieure
Variation de la pression
dans le rseau
Diffrence de rglage
entre les oprateurs
Formation des nouveaux
oprateurs
Six Sigma
Un des outils danalyse parmi les plus utiliss est le diagramme en
arte de poisson (diagramme dIshikawa). On identie cinq causes fon-
damentales de variabilit :
Main-duvre directe ou indirecte du processus.
Moyens mis en uvre (machine, outillage).
Mthodes retenues pour la conduite du processus.
Matires utilises.
Milieu dans lequel le processus volue.
Il ny a pas lieu de rajouter dautres M comme cela est parfois crit. En
effet, la mesure nest pas un M supplmentaire, mais un autre proces-
sus avec ses propres 5M qui doit tre matris, et le management rentre
dans la main-duvre.
partir de cette analyse, on doit identier les lments dont on a la
garantie quils ont une faible inuence sur la variabilit. On fait par
exemple apparatre en couleur ces lments. Dans lexemple prsent,
deux lments seulement taient matriss :
Temprature extrieure ;
Flexion des butes franches.
3.2 Figer les lments non matriss
Une des premires tches damlioration de Six Sigma commence ds
lanalyse des 5 M. Il sagit de Ramasser les fruits au pied de larbre .
En effet, avant de mettre en place de grosses amliorations ( aller
chercher les fruits au sommet de larbre ) qui feront lobjet de ltape
Innover/amliorer , on doit chercher matriser la variabilit en blo-
quant le plus possible toutes les petites sources de variabilit. Lana-
lyse des 5M nous montre quil existe de nombreuses sources de
variabilit, qui peuvent tre bloques moindres frais trs rapidement.
Ce serait dommage de sen priver.
Figer les lments non matriss consiste donc passer en revue
lensemble des sources de variabilit qui a t identi (dcentrage et
dispersion), et trouver pour chacune sil existe une solution simple
permettant de rduire cette variabilit moindres frais. Le tableau pr-
tape 2 Mesurer
sent ci-aprs (gure 4.17) montre quelques exemples simples de
rduction de variabilit qui ont t raliss partir du diagramme des
5M (gure 4.16).
Figure 4.17 Rduction des sources de variabilit
Voici les principaux moyens mis en uvre pour ger les paramtres :
modier le processus pour ger une position ;
xer les valeurs des constantes, mme l o cela na a priori
pas dinuence, lorsque cela ne cote rien ;
amliorer les procdures ;
ger davantage de consignes ;
systmatiser la faon de faire ;
formaliser la faon de faire sur des documents et vrier lappli-
cation
partir de ces actions, on constate gnralement une rduction impor-
tante de la variabilit. Cette rduction du bruit permettra de mieux
faire ressortir dans ltape Analyser les X susceptibles de faire pro-
gresser de faon importante le processus.
Source de variabilit Solution envisage
Diffrence de rglage entre
les oprateurs
Formation des nouveaux oprateurs
Rdaction dune che de poste formalisant le
rglage
Mise en place dune formation au poste
Variation de la pression
dans le rseau
Mise en place dun dispositif damortissement
des variations de pression
Pices sales Modication de la gamme
passage systmatique en machine laver
Six Sigma
3.3 tablir la matrice dimpact
Il est trs important au dbut d'un projet de bien formaliser le savoir
faire mais aussi les a priori des membres du groupe ds le dbut d'un
chantier Six Sigma. Plusieurs outils adapts cet objectif dj t pr-
sents tels que les 5 pourquoi, le Diagramme Est, N'est Pas, les 5 M
La matrice d'impact vient en complment de ces outils. Le but est de
faire apparatre les relations qui existent a priori entre les X du pro-
blme (les entres) et les Y (les sorties). On demande aux participants
la sance de travail de citer et si possible d'valuer l'impact des X sur
l'ensemble des Y du processus. Il ne s'agit pas ici de trouver les fac-
teurs responsables du problme, mais de simplement prciser l'impact
de chaque X sur l'ensemble des Y. Cette analyse a beaucoup de simili-
tude avec une analyse de type 5M. Elle est particulirement utile pour
faire apparatre les relations complexes lorsqu'il y a plusieurs CTQ
optimiser.
La gure 4.18 montre un exemple simple de matrice d'impact avec 3
caractristiques critiques Y et 4 caractristiques X.
Pour chaque CTQ, on affecte un poids (en gnral de 1 5 en fonction
de son importance. L'analyse consiste identier pour chaque X son
impact sur tous les Y. S'il impacte fortement on mettra , moyenne-
ment , faiblement . Le poids de chaque X est automatiquement
calcul en faisant la somme des produits poids impact. Ainsi la
caractristique Lubrication a un poids de 5 9+4 9+3 3=90.
Pour chaque X, on affecte une note de capabilit (de 1 10) soit en
fonction de la connaissance prcise de celle-ci, soit de manire empiri-
que. Cette note permet de calculer un coefcient de satisfaction poten-
tiel sur chaque CTQ fonction de l'impact des X et de leur capabilit.
Ainsi le coefcient de satisfaction du premier CTQ est calcul par la
relation :
Le coefcient CS est gal 100 % si chaque X impactant le Y a une
capabilit gale 10. Le prol des coefcients de satisfaction doit re-
ter le prol des problmes rencontrs sur les CTQ.
CS
9 3 3 + 10 9 + 5 1 + 6
9 10 3 + 10 9 + 10 1 + 10
---------------------------------------------------------------------------------
22 % = =
tape 2 Mesurer
Figure 4.18 Matrice dimpact
3.4 Mettre en uvre une campagne de relevs
La mise en uvre dune campagne de relevs sappuie sur lanalyse
des 5M du processus et sur la matrice dimpact. lissue de ce travail,
on doit avoir une ide prcise des lments pouvant expliquer les
C
a
r
a
c
t
r
i
s
t
i
q
u
e

X

i
m
p
a
c
t
a
n
t

l
e
s

Y
L
u
b
r
i
c
a
t
i
o
n
P
r
o
l

d
e
s

d
e
n
t
u
r
e
s
Q
u
a
l
i
t

d
e
s

l
a
v
a
g
e
s
D
f
o
r
m
a
t
i
o
n

a
u

m
o
n
t
a
g
e
N CQT :
caractristiques
critiques
du produit (Y)
Objectifs Poids 90 51 54 32 Somme des
coefcients
Niveau de
satisfaction
1 Prcision
de marche
10 5

22 49 %
2 Robustesse
aux positions
10 4

18 65 %
3 Vitesse
de remontage
25 3

15 52 %
C
i
b
l
e

e
t

t
o
l
r
a
n
c
e
o
u

o
b
j
e
c
t
i
f
P
r
s
e
n
c
e

s
y
s
t
m
a
t
i
q
u
e
P
r
o
l

V
S
a
n
s

r
s
i
d
u
s
A
b
s
e
n
c
e
Note de
capabilit
3 10 5 6
Six Sigma
variations sur le Y du processus. La campagne de relev de donnes
doit viser collecter les mesures qui permettront dapporter la preuve
statistique.
Les relevs doivent permettre :
de mesurer le z du processus (sur le Y) ;
dtablir des relations entre les X et les Y, do limportance de
pouvoir reprer par produits quels sont les X et les Y.
Pour pouvoir mettre en uvre une campagne de relevs efcace, il faut
dj connatre les analyses que lon veut raliser partir de ces don-
nes. Cette tape est trs consommatrice en termes de dlai dans le
projet ; il est donc trs important dviter de devoir raliser plusieurs
sries conscutives de campagnes de relevs.
Dans lexemple prsent (gure 4.16), plusieurs sources de variabilit
potentielle ont t souleves (fournisseurs, postes) sans que lon ait
prouv rellement leur inuence. La campagne de relevs devra per-
mettre de mettre en vidence linuence de ces diffrents facteurs.
cette n, on doit raliser un tableau de donnes mettant en relation le
Y (la rponse) avec les X potentiels (fournisseurs, postes).
Pour simplier le travail de relev, la feuille devra tre conue de telle
faon quelle soit trs simple dutilisation et quelle demande le moins
dcriture possible. Dans lexemple choisi (gure 4.19), loprateur
entourera simplement le fournisseur concern et le numro de
poste, et crira la valeur de Y.
Figure 4.19 Feuille de relevs
N
o
relev Fournisseurs N
o
Poste Y obtenu
1 A B 1 2 3 4 10,25
2 A B 1 2 3 4 10,27

n A B 1 2 3 4 10,22
tape 2 Mesurer
Les relevs formeront un chantillon permettant danalyser le compor-
tement du systme et de dterminer sa performance au travers des
indicateurs de capabilit. Pour pouvoir remplir ce rle, un chantillon
doit :
1. tre reprsentatif. Il est prfrable de faire plusieurs chantillon-
nages de petite taille des moments diffrents plutt quun seul
prlvement important un moment prcis. Cela permet dviter
que des donnes soient biaises par une conguration parti-
culire, et aussi dobserver dventuelles drives dans le temps.
Lorsque plusieurs machines sont impliques dans le projet, il
convient de relever des donnes pour chaque machine. Lchan-
tillonnage retenu doit donc couvrir tout le primtre (lieu) pour
toute la priode (temps).
2. Avoir un nombre sufsamment important de valeurs. En effet,
il sera trs difcile de tirer des conclusions signicatives partir
dune dizaine de valeurs. Plus il y a de valeurs, et plus les rsul-
tats seront pertinents. Pour donner un ordre de grandeur, une
trentaine de donnes est ncessaire pour calculer le z du proces-
sus. Mais si la mesure est discrte, la taille des chantillons peut
tre beaucoup plus importante. Pour dterminer la taille nces-
saire, il faut identier les risques alpha et bta sur les tests que
lon veut raliser. Le lecteur se reportera au chapitre 5 pour plus
de dtails sur ces deux risques.
4. Estimer le z du processus
4.1 Cas des dfauts mesurables
Lorsquon dispose dun moyen de mesure, on veut identier le niveau
de qualit atteint. Pour cela, on doit mesurer le z du procd. Rappe-
lons que lobjectif dune dmarche Six Sigma est datteindre un z sup-
rieur 6, ce qui correspond moins de 6,4 dfauts par million
dopportunits.
Six Sigma
4.1.1 Reprsentation graphique des Y
Pour pouvoir calculer le z du processus, il faut disposer dun certain
nombre de valeurs de Y (au moins un trentaine). Le premier travail
consiste reprsenter ces donnes sous forme graphique.
Le diagramme des frquences (gure 4.20) en est une premire repr-
sentation. Il prsente linconvnient de donner une image difcilement
interprtable lorsque les donnes sont tales selon une grande plage
de mesure.
Figure 4.20 Diagramme des frquences
Pour les raisons qui viennent dtre dites, on lui prfre la reprsenta-
tion sous forme dhistogramme (gure 4.21) qui donne une meilleure
image de la rpartition des valeurs.
Diamtre 7,7 0,03
7,682 7,696 7,706 7,702 7,711 7,706 7,711 7,717 7,703 7,702
7,705 7,714 7,703 7,698 7,711 7,698 7,704 7,689 7,717 7,710
7,695 7,711 7,696 7,724 7,708 7,694 7,703 7,703 7,699 7,711
7,703 7,692 7,709 7,704 7,703 7,702 7,708 7,703 7,702 7,700
7,703 7,703 7,699 7,700 7,712 7,692 7,708 7,695 7,706 7,712
Diam 7,7
7,682 7,688 7,694 7,700 7,706 7,712 7,718 7,724
tape 2 Mesurer
Figure 4.21 Histogramme
Dnition
Un histogramme est un diagramme barres (rectangles) contigus
dont les aires sont proportionnelles aux frquences.
Chaque rectangle correspond un regroupement en classe. Le nombre
de classes N
C
est proportionnel au nombre de valeurs N ; on prend en
gnral ou
La largeur de classe doit correspondre un multiple de la rsolution de
linstrument de mesure. Ainsi, sur lhistogramme (gure 4.21), la lar-
geur de classe est gale 0,005 pour un instrument de mesure qui don-
nait des valeurs avec une rsolution de 0,001.
Diam 7,7
Moyenne
Classe
Largeur
de classe
tendue
cart type
Mean 7,704
St Dev 0,007686
N 50
Histogramme du Diam 7,7
Normal
F
r
q
u
e
n
c
e
7,68
0
2
4
6
8
10
12
14
16
7,69 7,70 7,71 7,72
N
C
N = N
C
1
10 N ( ) log
3
----------------------- + =
Six Sigma
4.1.2 Calcul des paramtres de position et de dispersion
Une fois que lon dispose de ces donnes, on va chercher qualier la
position et la variabilit de la population. Pour qualier cette position,
on calcule la moyenne X et, pour la dispersion, on calcule lcart
type S. Dautres calculs peuvent tre raliss tant en dispersion quen
position, nous y reviendrons au chapitre 5 en dtaillant galement
davantage les lois de distribution des moyennes et des carts types.
X est un estimateur de la valeur de la moyenne de la population . En
effet, un autre chantillonnage issu de la mme population donnerait
une valeur diffrente de X pour une valeur inchange.
De mme, S est un estimateur de la vraie valeur de lcart type . Dun
point de vue pratique, lcart type dans une courbe de Gauss repr-
sente la distance entre la moyenne et le point dinexion de la courbe.
X
X
i
i 1 =
n
n
-------------- =
n 1
S
X
i
X ( )
2
i 1 =
n
n 1
--------------------------------
= =
Loi de Gauss :
Modle : loi de Gauss
Moyenne ?
cart type ?
Observation d'un chantillon
Moyenne X
cart type S
tendue
Moyenne
cart type
Point d'inflexion
1
2
--------------e
1
2
---
X
-------------
,
_
2
tape 2 Mesurer
4.1.3 Dispersion court terme et dispersion long terme
Dans un processus, on dissocie deux types de dispersion (gure 4.22) :
la dispersion court terme qui est une caractristique intrinsque
du processus ;
la dispersion long terme qui dpend de la dispersion court terme
et de la faon dont on pilote le processus.
Lorsque lon calcule un cart type, il faut bien savoir si on calcule un
cart type court terme ou un cart type long terme. La diffrence nest
pas due la formule qui est toujours la mme, mais aux donnes sur
lesquelles on applique la formule.
Par exemple, un prlvement de 30 relevs est ralis de faon rgu-
lire sur une semaine de production pour calculer sigma, un autre de
30 relevs galement reprsente 5 minutes de production. En appli-
quant la mme formule sur les deux prlvements, on trouvera des
choses trs diffrentes : le premier sera un cart type long terme alors
que le second sera un cart type court terme.
Le z du processus correspond la dispersion court terme
Six Sigma
Figure 4.22 Sigma court terme et long terme
Lobjectif Six Sigma est dobtenir une capabilit court terme telle que z
soit suprieur 6. Dans lapproche Six Sigma classique, il ny a pas
dexigence sur le niveau de capabilit long terme atteindre. Cepen-
dant, les entreprises qui pratiquent de manire intensive la mthode
demandent en gnral une performance du processus telle que
Z
LT
= 4, ce qui correspond un Ppk = 1,33 (on dnira dans la pro-
chaine section de ce chapitre la notion de Ppk).
0 2 4 6 2 4 6
3,4
ppm
3,4
ppm
Court terme :
Z
ST
= 6 ou Cp = 2
6
ST
LT
Long terme :
Z
LT
= 4 ou Cpk = 1,33
4
LT
tape 2 Mesurer
4.1.4 Dtermination du z partir dun chantillon
Figure 4.23 Loi normale et capabilit
Un processus sera capable de donner satisfaction aux clients si sa dis-
persion est faible devant la tolrance. Pour caractriser la dispersion,
on a vu que le meilleur indicateur tait lcart type. Il est donc possible
de caractriser la capabilit du processus par le ratio :
Sil existe une spcication Sup et Inf, on peut calculer un z pour cha-
que spcication.
Relation entre le z et le % de non conformes
Figure 4.24 Relation entre le z et la proportion hors tolrance
z
1
z
2
Limite
spcification
Sup(LSS)
Dfauts
(LSS)
Mauvaise capabilit, z faible Bonne capabilit, z lev
z
LSS X
-------------------
=
z
1
= 2
LSS = 10
10 6,98
Z
1
= = 1,51
2
Y = 6,98
% dfauts
= 6,55 %
z 0,00 0,01 0,02
0,0 0,5000 0,4960 0,4920
0,5 0,3085 0,3050 0,3015
1,0 0,1587 0,1562 0,1539
1,5 0,0668 0,0655 0,0643
2 0,0228 0,0222 0,0217
Six Sigma
Pour un z donn, dans le cas dune loi de distribution de Gauss, on
peut dterminer facilement la proportion de non conformes en utilisant
la table de la loi normale donne en T2, au chapitre 10, Tables et rsu-
ms. Dans lexemple prsent (gure 4.24), le z
1
= 1,51 correspond
une proportion de non conformes de 0,0655 soit 6,55 %.
Dans le cas de tolrances bilatrales (Min et Max), lorsquun procd
est centr, la reprsentation (gure 4.25) donne les proportions de non
conformes en fonction du z.
Figure 4.25 Relation entre le z et la proportion de non conformes
Ainsi entre 3, on a 99,73 % de la population et seuls 2 produits par
milliard excdent 6.
Dnition de la dispersion : la dispersion du procd est dnie par
lintervalle 3 .
Calcul du z
process
en tenant compte dun dcentrage
Point d'inflexion
68,26 %
95,44 %
99,73 %
99,9999976 %
1 0
2 3 4 5 6 6 -5 4 3 2 1
tape 2 Mesurer
Figure 4.26 Calcul de z en tenant compte dun dcentrage de 1,5
Pour dterminer le z du process, il faut tenir compte des dcentrages
invitables qui vont se produire au cours de la vie du processus. Mme
avec les mthodes de pilotage par carte de contrle que nous dvelop-
perons au chapitre 7, Contrler/matriser, on ne sait pas bien dtecter
un dcentrage infrieur 1,5 cart type. Le lecteur averti pourra vri-
er sur les courbes defcacit des cartes de contrle de Shewhart
quavec une taille dchantillon de 5, la probabilit de ne pas dtecter
un dcentrage de 1,5 est de 37,4 %.
De manire arbitraire, on enlve donc 1,5 cart type pour dterminer la
proportion de non-conformits dun z
processus
Ce qui permet de dterminer le tableau des non-conformits en fonc-
tion du z
processus
(gure 4.27).
1,5
LSS LSI
% dfauts
Six Sigma
Figure 4.27 Dfauts par million en fonction du niveau de qualit z
4.2 Cas des critres mesurables
qui ne suivent pas une loi normale
Dans un certain nombre de cas, la loi de distribution ne suit pas une
loi normale. Pour prendre en compte cette caractristique, on effectue
un test de normalit qui sera prsent au chapitre 5, Analyser.
4.2.1 Utilisation de lois de distribution diffrentes
En cas de non-normalit, on dispose de deux solutions pour calculer la
proportion de non conformes. La premire consiste utiliser une autre
loi que la loi normale. On peut citer par exemple :
la loi Log normale ;
la loi de Weibull ;
la loi exponentielle
Niveau de qualit z
ppm centr
dans les tolrances
ppm avec un dcalage
de 1,5
1 317310,52 697672
1,5 133614,46 501350
2 45500,12 308770
2,5 12419,36 158687
3 2699,93 66811
3,5 465,35 22750
4 63,37 6210
4,5 6,80 1350
5 0,574 233
5,5 0,03807 32
6 0,00198 3,4
6,5 0,00008 0,29
7 0,00000 0,019
7,5 0,00000 0,0010
8 0,00000 0,000040
tape 2 Mesurer
Figure 4.28 Distribution de Weibull
Dans cet exemple (gure 4.28), on observe une rpartition de Weibull
traite avec une loi normale. Alors que, physiquement, on ne peut pas
avoir de valeur ngative, la loi normale trouve 45 894 ppm en dessous
de la valeur 0. La modlisation du comportement par la loi de Weibull
permet de rsoudre ce problme et donne une loi de distribution qui
colle mieux lhistogramme.
CP 1,65
CPL 0,59
CPU 2,71
Cpk 0,59
Pp 1,58
PPL 0,56
PPU 2,59
Ppk 0,56
Cpm *
Analyse de capabilit de Y
Analyse de capabilit de Y
Distribution de Weibull
0,0 1,5 3,0 4,5 6,0 7,5 9,0 10,5
USL = 10
LSL 0,00000
Target *
USL 10,00000
Mean 1,78227
Sample N 100
St Dev (Within) 1,00989
St Dev (Overall) 1,05708
Process Data
PPM < LSL 0,00
PPM > USL 0,00
PPM Total 0,00
PPM < LSL 38797,50
PPM > USL 0,00
PPM Total 38797,50
PPM < LSL 45894,87
PPM > USL 0,00
PPM Total 45894,87
Overall Capability
LSL = 0
Pp 1,66
PPL 1,03
PPU 1,89
Ppk 1,03
0,0 1,5 3,0 4,5 6,0 7,5 9,0 10,5
USL = 10
Overall Capability
LSL 0,00000
Target *
USL 10,00000
Mean 1,77445
Sample N 100
Shape 1,69661
Scale 1,98847
Process Data
PPM < LSL 0
PPM > USL 0
PPM Total 0
PPM < LSL 0,000000
PPM > USL 0,186817
PPM Total 0,186817
LSL = 0
Six Sigma
La loi de Weibull est une loi de distribution souvent utilise en abilit
qui permet de reprsenter diffrentes formes de distribution en fonc-
tion des paramtres de la loi (gure 4.29). Il existe deux types de loi de
Weibull :
la loi de Weibull 2 paramtres ;
la loi de Weibull 3 paramtres.
Nous dtaillerons la loi de Weibull 2 paramtres, dont la fonction de
distribution cumulative de la loi est la suivante :
Et voici la fonction de densit de probabilit :
Avec :
x : point considr de la distribution
F(x) : cumul du pourcentage de la rpartition
e : constante = 2,718
: paramtre dchelle de la distribution (pseudo cart type)
: paramtre de forme de la distribution
Figure 4.29 Diffrentes lois de Weibull
Le choix du paramtre sera trs important pour dnir le type
de distribution modlis par la loi de Weibull.
Le choix du paramtre dnit le changement de lchelle de la
distribution.
F x ( ) 1 e
x
---
,
_
=
f t ( )

------
,
_
x
1
e
x
---
,
_
=
0,3
0,25
0,2
0,15
0,1
0,05
= 5 = 3,5
= 10 = 5
= 10 = 3,5
= 10 = 2
= 10 = 0,5
tape 2 Mesurer
Toute la difcult dans lutilisation de la loi de Weibull rside dans
lestimation des paramtres. Plusieurs mthodes permettent dy satis-
faire, des mthodes manuelles utilisant un papier spcial de Weibull
jusquaux mthodes numriques fondes sur la rgression linaire.
4.2.2 Transformation mathmatique des valeurs
Une autre approche consiste raliser une transformation mathmati-
que de la grandeur an de la ramener une loi normale. En voici les
principales transformations :
Y = Log Y utilis dans le cas de mesure de pression de vide par
exemple.
Y = Y
appel transformation de Box ; les logiciels statistiques dis-

posent dalgorithmes permettant de trouver la valeur du coefcient
qui optimise la transformation.
Exemple de transformation de Box
Un relev de donnes a conduit lhistogramme prsent ci-
aprs (gure 4.30) qui visiblement ne suit pas une loi normale.
Aprs transformation des donnes par la relation Y1 = Y
0,3
, on
trouve un second histogramme qui suit une loi normale.
Figure 4.30
Distribution non normale et transformation de Box
Ex
Histogramme de Y
Loi normale
Histogramme de Y1 = Y
0,3
Normal
0,0 0,2
0
5
10
15
20
0,2 0,4
Y
F
r
q
u
e
n
c
e
0,6 0,8 1,0 1,2
Mean 0,7492
St Dev 0,1264
N 100
0,55 0,45
0
5
10
15
20
0,65 0,75
Y
F
r
q
u
e
n
c
e
0,85 0,95 1,05
Mean 0,7492
St Dev 0,1264
N 100
Six Sigma
Pour calculer la probabilit de produits hors spcication, on uti-
lise dans ce cas la rponse Y1 plutt que la rponse Y.
4.3 Cas des critres non mesurables
4.3.1 DPU et DPO
Dans le cas de dfaut non mesurable tel quun dfaut daspect, on ne
sait pas calculer une moyenne et un cart type. Il nest donc pas possi-
ble de calculer le z du procd au moyen des mthodes exposes pr-
cdemment.
Pour estimer malgr tout le niveau de qualit atteint, on va convertir le
nombre de pices par million dfectueuses en nombre de sigma. On va
dissocier deux cas de gure :
le cas o on traite le nombre de Dfauts Par Unit (DPU) ;
le cas o on traite le nombre de Dfauts Par Opportunit (DPO).
La notion de DPO ( Dfaut Par Opportunit ) a t introduite pour
quil soit tenu compte de la complexit des produits raliser.
Prenons pour exemple une chaussure pour laquelle on a deux opportu-
nits de dfauts (semelle dcolle et couture dcousue). Sur une jour-
ne de production de 500 chaussures, on a trouv 5 dfauts de
semelles et 25 dfauts de couture.
DPU = 30/500 = 6 %
DPO de 30/1000 = 3 % car il y a 1000 (500 2) opportunits de
dfauts.
On pourra ainsi mieux comparer les niveaux de qualit atteints par
deux produits de complexit diffrente, comportant par exemple une
opportunit de dfaut pour le premier et 10 opportunits de dfaut
pour le second.
tape 2 Mesurer
4.3.2 Dfaut par Unit
Dans le cas des dfauts non mesurables par unit, on caractrise le
dfaut par le ratio entre le nombre de dfauts et le nombre dunits
ralises. Lvaluation du z du processus est relativement simple par-
tir du tableau T1 des Tables et rsums et galement dans le
tableau prsent en gure 4.26
Exemple : un processus gnre 0,5 % de dfaut par unit, soit
5000 ppm (pices par million). La lecture du tableau T1 nous donne
un z compris entre 4 et 4,2. Pour calculer une valeur plus exacte du z,
on peut utiliser lquation dapproximation suivante :
Ce qui donne pour 5000 ppm une valeur de z = 4,07.
Calcul du z partir dun tableur
Pour calculer le z, on doit calculer le z dun processus quivalent qui
suivrait une loi normale avec un dcalage de 1,5 cart type et qui don-
nerait un pourcentage de dfauts de 5000 ppm.
Figure 4-31
Six Sigma en tenant compte dun dcentrage de 1,5 sigma
En utilisant sur Excel la fonction LOI.NORMALE.STANDARD.INVERSE
(0,005), on trouve le z
quivalent
= 2,57, auquel il convient de rajouter le
dcalage de 1,5. Ce qui donne : z
process
= 2,57+ 1,5 = 4,07
z 0,8406 29,37 2,221 ln(ppm) + =
5 000
ppm
0
ppm
1,5
0 1 2 3 1 2 3
Six Sigma
Remarque
Le z
process
est parfois appel z
court terme
. Le z
quivalent
est alors appel
z
Long terme
Relations
Nombre de dfauts = D
Nombre dunits = U
Dfaut par unit = DPU=D/U
z
quivalent
= z
long terme
= z dune loi normale (0,1) pour p = DPU
z
court terme
= z
quivalent
+ 1,5
4.3.3 Dfaut par opportunit
Dans le cas dun suivi des non-conformits, la performance nest pas la
mme si on travaille sur un produit trs simple nayant quune seule
opportunit de dfaut ou si on travaille sur un produit complexe com-
prenant dix opportunits de dfauts. Si lon veut pouvoir faire des
comparaisons entre plusieurs processus ayant des niveaux de com-
plexit diffrents, il est parfois intressant dutiliser la notion de DPO
plutt que celle de DPU.
Le tableau prsent ci-aprs (gure 4.32) donne un exemple de calcul
du z partir des DPO.
Figure 4.32 DPO et DPU
Nb de
produits
Nb de
dfauts
DPU
Nb
opportunits
DPO p Z
quiva
Z
process
P D D/U Op D/(UOp) 1e
DPO
Z
e
Z
e
+1,5
500 14 0,028000 25 0,00112 0,00112 3,06 4,56
2563 25 0,009754 1 0,00975 0,00971 2,34 3,84
1462 1 0,000684 5 0,00014 0,00014 3,64 5,14
250 4 0,016000 1 0,01600 0,01587 2,15 3,65
120000 12 0,000100 5 0,00002 0,00002 4,11 5,61
tape 2 Mesurer
Relations
Nombre de dfauts = D
Nombre dunits = U
Opportunits pour un dfaut = O
Dfaut par unit = DPU = D/U
Dfaut par opportunit = DPO = DPU/O = D/(UxO)
Dfaut par million dopportunits = DPMO = DPO 10
6
Proportion dunits dfectueuses = p = 1 e
DPO
z
quivalent
= z
long terme
= z ~ (0,1)
z
process
= z
court terme
= z
quivalent
+ 1,5
Pour trouver le z dans ce cas de gure, il faut dterminer le pourcen-
tage dunits dfectueuses, qui nest pas forcment gal au nombre de
dfauts. En effet, une mme unit peut comporter plusieurs dfauts.
On procde au calcul de p partir de la loi de Poisson en calculant la
probabilit davoir un produit ayant zro dfaut (e
DPO
), sachant que la
probabilit dopportunit de dfaut est gale DPO. Le nombre duni-
ts avec un ou plusieurs dfauts sera donc le complment et p est cal-
cul au moyen de la relation :
p = 1 e
DPO
Comme dans le cas des DPU, le z
quivalent
est dtermin par assimila-
tion une loi normale qui donnerait un pourcentage p de dfaut.
Le z
process
(ou z
court terme
) est calcul en ajoutant le dcalage de 1,5
cart type.
4.3.4 Calcul du z dans le cas dun rendement de sortie
dun process
Il est galement possible de convertir en nombre de sigma ltude dun
rendement de sortie dun processus an de faire un benchmark avec
un autre processus. Prenons lexemple dun processus comprenant dix
tapes ; les rendements pour chaque tape sont donns dans le tableau
ci-aprs (gure 4.33).
Six Sigma
Relations
Nombre dtapes du processus = k
Nombre de dfauts sur une opration = D
Nombre dunits = U
Dfaut par unit pour une opration = DPU = D/U
z
Long terme
opration = z ~ (0,1) qui aurait une proportion DPU de
non conformes
z
court terme
opration = z
Long terme
+ 1,5
Rendement de lopration = Y
Op
= e
DPU
Rendement cumul du processus = Y
cumul
=Y
Ope
(produit des Y
Ope
)
Nombre dunits ncessaires pour produire 1 unit conforme
=1/Y
cumul
Rendement normalis =
Dfaut par unit normalis = DPU
norm
= ln(Y
Norm
)
z du processus complet = z
Ynorm
+1,5
Dans lexemple (gure 4.32), le rendement cumul du processus est de
0,32.
Il faut donc 1/0,32 = 3,17 produits en entre pour avoir 1 produit en
sortie du processus.
On a calcul pour chaque tape un z ; il est galement possible de cal-
culer un z du processus qui tiendra compte de la complexit de celui-ci
et donc du nombre dtapes.
DPU
norm
= ln(Y
Norm
) = 0,115
z
Processus
= 1,20 + 1,5 = 2,7
Y
norm
Y
Cumul
k
=
Y
norm
Y
Cumul
k
0,32
10
0,89 = = =
tape 2 Mesurer
Figure 4.33 Rendements par opration et cumul
5. Identier la chute des capabilits
Le z du procd est trs intressant car il fournit un chiffre que lon
peut placer sur une chelle de la qualit. Un projet Six Sigma a pour
objectif de monter cet indicateur de telle sorte que lon ait z > 6.
Cest donc un excellent outil de communication partir duquel on
peut comparer plusieurs processus diffrents en tenant compte de la
complexit, comme nous venons de lexposer.
1 2 3 4 5 6 7 8 9 10
Unit 1000 950 800 1050 660 860 900 650 980 680
Dfaut 105 312 130 122 13 62 115 7 82 87
DPU 0,11 0,33 0,16 0,12 0,02 0,07 0,13 0,01 0,08 0,13
z
LT
Ope 1,25 0,44 0,98 1,19 2,06 1,46 1,14 2,30 1,38 1,14
z
CT
Ope 2,75 1,94 2,48 2,69 3,56 2,96 2,64 3,80 2,88 2,64
Opration 0,9 0,72 0,85 0,89 0,98 0,93 0,88 0,99 0,92 0,88
Cumul 0,9 0,65 0,55 0,49 0,48 0,45 0,39 0,39 0,36 0,32
Oprations
Rendements
Opration
Cumul
R
e
n
d
e
m
e
n
t

e
n

p
r
o
p
o
r
t
i
o
n
1 2 3 4 5 6 7 8 9 10
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
Six Sigma
Cependant, il demeure malgr tout un indicateur de capabilit relative-
ment pauvre. Avec un seul chiffre, on ne peut pas faire une analyse
pousse des sources de la variabilit. Les indicateurs de capabilit que
nous prsentons dans cette section sont donc des lments indispensa-
bles danalyse dans un projet Six Sigma.
5.1 Capabilit et performance
Dans le schma prsent plus haut en gure 4.22, nous avons montr
quon pouvait identier deux types de dispersion : le court et le long
terme. En matire de capabilit, il est trs important de bien savoir de
quelle dispersion on parle.
partir de la dispersion court terme, on calculera des indices de
capabilit Cp, Cpk et Cpm.
partir de la dispersion long terme, on calculera des indices de
performance Pp, Ppk et Ppm.
5.1.1 Capabilit Cp, Cpk, Cpm
Dans le cas de tolrance bilatrale, avec un processus centr, une
bonne capabilit correspondra une situation dans laquelle la disper-
sion (dnie comme tant lintervalle 3) sera faible devant linter-
valle de tolrance (gure 4.34). On peut donc dnir un indicateur de
capabilit du procd , Cp, par la relation :
Dans cette situation, on peut tablir une relation entre le Cp et le z du
processus z = 3 Cp. Lobjectif dune dmarche Six Sigma est donc
dobtenir un ratio Cp > 2.
C
p
Tolrance
Dispersion court terme
----------------------------------------------------------
LSS LSI
6
Court terme
----------------------------- = =
tape 2 Mesurer
Figure 4.34 Cp : capabilit du procd
Prise en compte du dcentrage Cpk
Figure 4.35 Indice Cpk
Lindicateur Cp est calcul dans une situation centre. En cas de dcen-
trage du processus, compte tenu de la relation utilise pour le calculer,
cela ne change rien. Pourtant, la qualit est dgrade. Pour tenir
compte du dcentrage, on calcule un autre indicateur : Cpk
(gure 4.35).
Le Cpk est un indicateur qui se dgrade proportion du pourcentage
de produits non conformes.
Dispersion = 6
LSS LSI
Dispersion = 6
LSS LSI
Mauvaise capabilit, faible Cp Bonne capabilit, lev Cp
LSS
Cpk
u
=
3
LSI
Cpk
l
=
3
Dispersion = 6
3
LSS
LSS
LSI
Cible
Cpk min =
LSI
3
Court terme
-----------------------------
LSS
3
Court terme
----------------------------- ;
,
_
Six Sigma
Prise en compte du dcentrage Cpm
Figure 4.36 Indice Cpm
Une autre faon de tenir compte du dcentrage consiste considrer la
perte nancire qui en dcoule. Taguchi a dmontr que cette perte
nancire est proportion de lcart entre la valeur et la cible leve
au carr :
L = K(Y Cible)
2
La valeur K est une constante. La perte moyenne pour une production
de moyenne et dcart type se calcule par la relation :
L = K[
2
+( Cible)
2
]
Lindice Cpm est calcul de faon tre proportionnel cette perte. Il
est dni par la relation :
Le Cpm est un indicateur qui se dgrade proportion du cot de non-
qualit.
Relations entre Cp, Cpk, Cpm et z
Compte tenu des relations que nous venons de dnir, nous avons :
Cp Cpk ; les deux indicateurs sont gaux lorsque le procd est
centr.
Dispersion = 6
3
LSS
LSS
LSI
Cible
L = K(Y Cible)
2
L = K[
2
+ ( Cible)
2
]
LSS LSI
Cpm =
6
2
+ ( Cible)
2
Cpm
LSS LSI
6
2
( Cible )
2
+
-------------------------------------------------- =
tape 2 Mesurer
Cp Cpm ; les deux indicateurs sont gaux lorsque le procd est cen-
tr.
Cpm est reli Cp et Cpk par la relation :
Lobjectif Six Sigma (z > 6) avec un dcentrage de 1,5 peut se tra-
duire par la relation :
5.1.2 Performance Pp, Ppk, Ppm
Les indicateurs Pp, Ppk, Ppm sont des indicateurs de performance cal-
culs partir de la dispersion long terme. Les formules permettant de
les calculer sont donc les mmes que pour Cp, Cpk et Cpm ; il suft de
remplacer
court terme
par
Long terme
. On a donc :
Pour ces indicateurs, on considre gnralement un procd perfor-
mant sur le long terme si Ppk > 1,33.
5.2 Calcul du sigma court terme et long terme
5.2.1 Estimation du sigma long terme
Il est plus facile destimer le sigma long terme dun processus. Pour
cela, il suft de calculer lestimateur
n-1
sur un chantillon reprsen-
tatif de la production sur le long terme.
z > 6 Cp >2 et Cpk > 1,5 ; Cpm > 1,11
Cpm
Cp
1 9 + Cp Cpk ( )
2
----------------------------------------------- =
P
p
Tolrance
Dispersion long terme
--------------------------------------------------------
LSS LSI
6
Long terme
---------------------------- = =
Ppk min =
LSI
3
Long terme
----------------------------
LSS
3
Long terme
---------------------------- ;
,
_
Ppm
LSS LSI
6
Long terme
2
( Cible )
2
+
---------------------------------------------------------------------- =
Six Sigma
Par exemple, on peut estimer lcart type long terme en contrle de
rception dun lot. On prlve 50 units dun lot de production. par-
tir de ces 50 valeurs, on calcule
n-1
et X qui permettent destimer et
, et ainsi de calculer les indicateurs Pp, Ppk et Ppm.
Dans le cas o on prlve rgulirement des chantillons en produc-
tion (cas des cartes de contrle par exemple), on estimera et long
terme partir de lhistogramme reprsentant lensemble des units
contrles.
5.2.2 Estimation du sigma court terme
Lestimation de lcart type court terme peut se calculer de diffrentes
faons.
Mthode 1
Par prlvement dun chantillon reprsentatif.
Dans ce cas, on suppose que lon peut prlever un chantillon de taille
importante (n > 30) qui soit reprsentatif dune dispersion court
terme. Il faut donc tre dans un cas de production en srie, avec un
cycle de production rapide.
Dans ces conditions, on estime
court terme
et par le
n-1
et X de
lchantillon, et on peut calculer les indicateurs Cp, Cpk et Cpm.
Mthode 2
Par prlvement dun chantillon exhaustif sur une priode de pro-
duction.
Dans ce cas, on dispose des mesures de toutes les units produites. En
faisant lhypothse que lcart entre deux units traduit la dispersion
court terme, on peut la calculer partir de la moyenne des tendues
mesures sur deux units conscutives (R) par la relation :
court terme
= R/d
2
= R/1,128
n 1
S
X
i
X ( )
2
i 1 =
n
n 1
--------------------------------
= =
tape 2 Mesurer
Exemple mthode 2
Une entreprise fabrique des tubes haute frquence en petite srie
(production journalire de 3 tubes). Un relev sur une caractris-
tique 120 15 de 30 tubes raliss conscutivement a donn :
Figure 4.37 chantillonnage exhaustif
Pour chaque couple de produits conscutifs, on calcule ltendue
R entre les deux valeurs. Dans lexemple choisi (gure 4.37), il y
a eu une intervention entre lunit 19 et 20 ; cette intervention ne
fait pas partie de la dispersion court terme ; on ne calcule pas
ltendue glissante entre ces deux valeurs.
N
o
Interv Y R N
o
Interv Y R N
o
Interv Y R
1 122,1 11 124,6 1,5 21 119 0,1
2 119,4 2,7 12 121,9 2,7 22 118,9 0,1
3 124,2 4,8 13 121,7 0,2 23 124 5,1
4 127,8 3,6 14 124,6 2,9 24 119,7 4,3
5 128,1 0,3 15 125,4 0,8 25 119,4 0,3
6 130,1 2 16 121,6 3,8 26 118,5 0,9
7 122 8,1 17 126,5 4,9 27 125,9 7,4
8 125 3 18 127,3 0,8 28 122,6 3,3
9 129,3 4,3 19 129,1 1,8 29 127,1 4,5
10 123,1 6,2 20 I 118,9 30 118 9,1
Ex
Film de la production de Y
Intervention
1 3 5 7 9 11 13 15 17 19 21 23 25 29 27
105
110
115
120
125
130
135
140
Six Sigma
On obtient :
R = 3,20 donc
Court terme
= R/d
2
= 3,20/1,128 = 2,83
X = 123,53
Sur lensemble des valeurs, on peut calculer
Long terme
= 3,62
Do les indicateurs :
Mthode 3
Par prlvement de petits chantillons des moments diffrents
(cas des cartes de contrle)
Dans ce cas, on suppose que la dispersion court terme est donne par
la dispersion lintrieur des petits chantillons. On peut donc estimer
lcart type court terme par plusieurs relations :
partir de la moyenne des tendues R :
court terme
= R/d
2

partir de la moyenne des carts types S :
court terme
= S/c
4
Cp
LSS LSI
6
Court terme
-----------------------------
30
6 2,83
-------------------- 1,76 = = =
Cpk
LSS
3
Court terme
-----------------------------
135 123,5
3 2,83
----------------------------- 1,35 = = =
Cpm
LSS LSI
6
Court terme
2
Cible ( )
2
+
----------------------------------------------------------------------
30
6 2 83 ,
2
123,53 120 ( )
2
+
--------------------------------------------------------------------- 1,10
=
= =
Pp
LSS LSI
6
Long terme
----------------------------
30
6 3,62
-------------------- 1,38 = = =
Ppk
LSS
3
Long terme
----------------------------
135 123,5
3 3,62
----------------------------- 1,06 = = =
Ppm
LSS LSI
6
Long terme
2
Cible ( )
2
+
---------------------------------------------------------------------
30
6 3,62
2
123,53 120 ( )
2
+
------------------------------------------------------------------- 0,99
=
= =
tape 2 Mesurer
partir de la moyenne pondre des variances lintrieur de chaque
chantillon :
avec
i
nombre de degrs de libert = n 1
S
i
: estimateur de lcart type calcul sur les n valeurs de lchantillon
Exemple mthode 3
Prenons lexemple de donnes dune carte de contrle avec
comme tolrance 07 (gure 4.38).
Figure 4.38 Donnes dune carte de contrle
1 2 3 4 5 6 7 8 9 10
1 2 4 1 0 4 0 3 0 1 1
2 0 3 0 2 1 2 0 1 1 2
3 1 0 3 1 0 0 1 1 3 1
4 1 1 2 2 2 0 1 0 4 0
5 1 1 3 0 0 3 3 2 1 0
Total 3 7 9 1 7 1 6 2 8 2
Moyenne 0,6 1,4 1,8 0,2 1,4 0,2 1,2 0,4 1,6 0,4
tendue 3 5 3 4 4 5 4 3 5 3
cart type 1,14 2,07 1,30 1,48 1,67 1,79 1,79 1,14 1,95 1,14
Court terme
v
i
S
i
2
v
i
---------------- =
Ex
Six Sigma
Carte Xbar/R
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
Sample
Sample
S
a
m
p
l
e

R
a
n
g
e
S
a
m
p
l
e

M
e
a
n
2
1
0
1
2
8
6
4
2
0
UCL = 2,24953
LCL = 2,24953
X = 0
UCL = 8,24650
LCL = 0
R = 3,9
Analyse de capabilit
LSL 7,00000
Target 0,00000
USL 7,00000
Mean 0,12000
Sample N 50
StDev (Within) 1,59423
StDev (Overall) 1,81217
Process Data
PPM < LSL 0,00
PPM > USL 0,00
PPM Total 0,00
PPM < LSL 3,98
PPM > USL 7,96
PPM Total 11,94
PPM < LSL 42,65
PPM > USL 73,36
PPM Total 116,01
Cp 1,46
CPL 1,49
CPU 1,44
Cpk 1,44
Pp 1,29
PPL 1,31
PPU 1,27
Ppk 1,27
Cpm 1,29
Overall Capability
6 3 0 3 6
LSL = 7 Tar = 0 USL = 7
tape 2 Mesurer
partir de ce tableau, nous pouvons tirer la moyenne des
moyennes et la moyenne des tendues R ou des carts types S
(selon que lon travaille avec une carte Moyennes/tendues ou
Moyennes/carts types).
= 0,12 ; R = 3,9 et S = 1,548
Ces valeurs nous permettent de calculer lcart type court terme
du procd :
partir de S :
court terme
= S/c
4
= 1,548/0,94 = 1,64
partir de R :
court terme
= R/d
2
= 3,9/2,326 = 1,68
partir de la moyenne des variances
Nous pouvons donc calculer :
Lcart type long terme se calcule sur lensemble des valeurs
individuelles :
Long terme
= 1,80
5.3 La chute des capabilits
Dans ce chapitre, nous avons montr comment mesurer diffrents indi-
cateurs de capabilit :
Cmc : Capabilit du moyen de contrle.
Cp, Cpk, Cpm : Capabilit court terme du procd.
Pp, Ppk, Ppm : Performance long terme du procd.
X
X
Court terme
S
i
2
10
----------- 1,58 = =
Cp
IT
6
Court terme
----------------------------------- 1,46 = = Cpk

TS X
3
Court terme
----------------------------------- 1,44 = =
Pp
IT
6
Long terme
----------------------------------
14
6 1,80
-------------------- 1,29 = = =
Ppk
TS X
3
Long terme
----------------------------------
6,88
3 1,80
-------------------- 1,27 = = =
Six Sigma
Figure 4.39 Lorigine de la non-qualit
Pour les indicateurs Cmc, Cp, Pp, nous avons montr quil sagit tou-
jours du ratio entre la tolrance et la dispersion (6). La relation qui
existe entre tous ces indicateurs est charge dune information consi-
drable quil faut absolument exploiter dans une dmarche Six Sigma.
Cible Cible
Cible Cible
Problme de dispersion
court terme, Cp < 1
Problme de stabilit
Chute entre Cp et Pp
Problme de centrage
Chute entre Pp et Ppk
Problme de stabilit (chute entre Cp et Pp)
et de centrage (chute entre Pp et Ppk)
tape 2 Mesurer
Figure 4.40 Chute des capabilits (court terme et long terme)
La premire capabilit quil faudra mesurer est la capabilit du moyen
de contrle (Cmc ou R&R %). La tolrance devra tre au moins 4 fois
suprieure la dispersion de mesure (Cmc > 4).
Ds lors que lon dispose dun moyen de mesure adapt, on pourra
connatre la capabilit court terme du processus. Pour tre accepte, il
faudra que la tolrance soit au moins 2 fois suprieure la dispersion
court terme (Cp = 2 ou z
Court terme
= 6).
La chute de capabilit entre Cp et Pp traduit linstabilit du procd. En
effet, si on sait stabiliser un procd, on limite les variations de consi-
gnes et la dispersion long terme sera proche de la dispersion court
terme.
Perte de capabilit
Mesure
R&R < 0,25
ou Cmc > 4
Pp
Z
ST
> 6
ou Cp > 2
Z
LT
> 4
Ppk > 1,33
Condition
d'acceptation
d'un processus
Condition
d'acceptation
d'un lot
Long terme
avec dcentrage
Long terme
Court terme
Stabilit
du procd
Centrage
du procd
Six Sigma
Figure 4.41 Chute entre Cp et Pp
On peut quantier cette chute entre le Cp et le Pp par le rendement de
stabilit (Rs) :
Rs % = 100(Pp/Cp)
Nous avions vu prcdemment que la chute de capabilit entre Pp et
Ppk tait due au drglage. Lorsquun procd est centr, on a lgalit
entre Pp et Ppk. Plus la chute entre Pp et Ppk est importante, plus le
dcentrage est fort. On peut quantier cette chute entre le Pp et le Ppk
par le rendement de rglage (Rr) :
Rr % = 100(Ppk/Pp)
Enn, aprs la production, pour accepter le lot, il faut que la moyenne
se situe au moins 4
LT
de la tolrance (Ppk = 1,33 ou Z
LT
= 4).
Lanalyse des chutes de capabilit pour un procd est souvent trs
intressante. En effet, nous partons dun procd avec un potentiel de
capabilit Cp pour arriver un produit livr au client avec une perfor-
mance Ppk. Limportant est bien entendu davoir un Ppk (ou un Ppm)
suprieur 1,33 selon le critre choisi. Si ce nest pas le cas, il est fon-
damental, pour rsoudre le problme, de dterminer lorigine de ce
manque de capabilit.
Nous pouvons alors interprter lensemble du tableau des capabilits
comme dans lexemple suivant (gure 4.42) qui concerne un produit
ayant cinq caractristiques pour lesquelles le centrage est assez facile
obtenir. Dans ce cas, le Cpk nest pas dune grande utilit car un dr-
glement sur le court terme peut trs rapidement tre compens.
Cote
Temps
Procd non stabilis
Cote
Temps
Procd stabilis
Dispersion
court terme
Dispersion
long terme
Dispersion
court terme
Dispersion
long terme
Variation de consigne Variation de consigne
tape 2 Mesurer
Figure 4.42 Tableau des capabilits
Ce tableau permet une apprhension immdiate des problmes lors de
la runion des lments pour peu que toutes les personnes concernes
aient t formes la notion de capabilit. Nous avons fait apparatre
en gris dans le tableau tous les cas de gure o le Ppk (ou le Ppm) est
infrieur 1,33.
Chaque caractristique qui a une case grise doit tre discute pour
permettre une amlioration. On note lintrt du Ppm qui globalise
lensemble de la chute de capabilit. Voici comment on interprte ce
tableau :
Caractristique 1 : aucun problme, Ppm est suprieur 1,33. Le Ppk
est galement suprieur 1,33.
Caractristique 2 : Ppm est infrieur 1,33 et il y a une chute entre Cp
et Pp (Rs = 44 %). Il faut stabiliser les variations de consigne au cours
du temps. Une surveillance du procd par carte de contrle simpose.
Caractristique 3 : Ppm est infrieur 1,33 et le Ppk est mdiocre. Au
dpart, la capabilit court terme est insufsante. Une action mthode
ou maintenance simpose. Nous ne pouvons probablement pas rsou-
dre le problme dans latelier. Il faut soit modier la gamme de fabrica-
tion, soit rparer la machine dans le cas dune dtrioration de la
capabilit court terme par rapport la capabilit court terme histori-
que.
Caractristiques Cp Pp Ppk Ppm Rs Rr
1 10 0,05 2,5 2,2 1,9 1,63 88,0 % 86,4 %
2 12 0,05 2,5 1,1 1,0 1,05 44,0 % 90,9 %
3 8 0,02 1,1 0,9 0,8 0,86 81,8 % 88,9 %
4 20 0,06 3,2 2,5 1,1 0,57 78,1 % 44,0 %
5 10 0,04 2,5 2,2 1,6 1,07 88,0 % 72,7 %
Six Sigma
Caractristique 4 : Ppm est infrieur 1,33. Il y a un gros cart entre
le Pp et le Ppk d un dcentrage (Rs = 44 %). Il est souvent ais de
remdier ce type de problme en matrisant mieux le centrage de la
caractristique. Une surveillance par carte de contrle simpose.
Caractristique 5 : Ppm est infrieur 1,33 et pourtant Ppk est sup-
rieur 1,33. Une amlioration est encore possible en centrant mieux le
procd pour tre plus sur la cible (Rr = 73 %). Bien que le Ppk soit
suprieur 1,33, ce cas de gure gnre une perte suprieure au cas
Pp = 1,33 et Ppk = 1,33. Cela peut tre dlicat dans le cas dun tol-
rancement statistique.
163
Chapitre 5
tape 3 Analyser
1. Introduction
Aprs avoir accompli les tapes Dnir et Mesurer , on a parfai-
tement identi les caractristiques critiques pour la qualit (CTQ) et
on dispose dun moyen de mesure permettant de les quantier. Lors de
ltape Mesurer , on a galement pu mettre en place une campagne
dobservation du processus an de rcolter des donnes ables.
Ltape Analyser a pour objectif daugmenter notre connaissance du
processus an de dcouvrir les causes racines de la variabilit et de
la performance insufsante. la n de cette tape, on doit avoir une
ide trs prcise des sources dinsatisfaction et des paramtres qui
devront tre modis pour atteindre la performance attendue.
Un des expressions cls de cette tape est la preuve statistique . En
effet, lanalyse des donnes rcoltes dans ltape Mesurer doit tre
conduite de manire rigoureuse en utilisant les outils statistiques. Dans
Six Sigma
cette tape, on recourt principalement aux outils de visualisation des
donnes, aux outils de comparaison de moyennes, de variances, aux
tests danalyse de la variance et aux tests de corrlation.
Il peut tre procd lanalyse dun problme selon diffrents
niveaux :
1. On se sert de son exprience, pas des donnes.
2. On utilise des donnes mais on ne reporte son attention que sur
les chiffres.
3. On visualise les donnes sous forme graphique.
4. On utilise la statistique descriptive.
5. On met en uvre la statistique infrentielle.
chacun de ces niveaux dutilisation correspond un niveau de
comprhension du phnomne tudi. Do lintrt dtre capable de
monter le plus haut possible an de dterminer le plus prcisment
possible les vritables causes de la non-performance. Nous insisterons
tout particulirement sur les niveaux 3, 4 et 5 dans ce chapitre.
Lanalyse statistique doit porter sur les Y, mesures reprsentant les
CTQ, et sur les relations entre les X (variables dentres) et les Y.
tape 3 Analyser
Figure 5.1 tape Analyse
Pour analyser les X et les Y, on fait appel la reprsentation graphique
et la statistique descriptive. Pour ltablissement de relations entre les
X et les Y, on sappuie sur la statistique infrentielle.
10,5
10,4
10,3
10,2
10,1
10,0
9,9
9,8
Aprs-midi Matin
X
Y
Histogramme des aptitudes
Process Capability Sixpack pour Y
9,8
10 9 8 7 6 5 4 3 2 1
10,35
1 1 1 1
10,20
10,05
9,90
0,6
0,4
0,2
0,0
0 Sous-grp.
10 9 8 7 6 5 4 3 2 1
10,55
10,30
10,05
9,80
0
10,2 10,6
Droite de Henry
10,00 10,25 10,50
Graphique des aptitudes
Carte X barre et R
V
a
le
u
rs
M
o
y
e
n
n
e
te
n
d
u
e
UCL = 10,28
Ec Typ : 0,106871
CP : 1,25
Cpk : 0,81
Ec Typ : 0,184410
CP : 0,72
Cpk : 0,47
Moy = 10,14
LCL = 9,996
l'intrieur de
Global(e)
R = 0,2486
LCL = 0
Dern 10 sous-groupes
Nombre de sous-groupes
Tolrance d'un procd
l'intrieur de
Global(e)
Spcifications
96 104
Normalit
Causes spciales
Valeurs aberrantes
Chute des capabilits
Graphe multivari
Test de comparaison
Analyse de la variance
Test de corrlation
Observation des Y Analyse des X
Bruits
X
(S)
Six Sigma
2. Reprsentation graphique de donnes
La reprsentation graphique des donnes est un premier niveau
dinterprtation. Lorsque lon dispose simplement dun tableau de rele-
vs tel que celui du tableau prsent ci-aprs (gure 5.2), il est trs dif-
cile de se faire une ide de la rpartition de ces donnes. Nous avons
dj abord certaines prsentations graphiques dans les chapitres pr-
cdents, notamment le diagramme des frquences et lhistogramme.
Nous prsenterons dans cette partie dautres reprsentations souvent
utilises :
la bote moustache (Box Plot) ;
le diagramme multi-vari ;
le graphe des effets et des interactions.
2.1 La bote moustache
Figure 5.2 Relev de donnes
La bote moustache est couramment utilise pour reprsenter les dis-
tributions de population. Dans cette reprsentation (voir gure 5.3),
on distingue :
La bote dont la largeur correspond 50 % de la population.
Ainsi, le bas de la bote correspond au premier quartile (25 %),
et le haut de la bote au troisime quartile (75 %).
Les moustaches qui sont les lignes qui stendent de part et
dautre de la bote, reprsentant ltendue des donnes sil ny a
pas de valeur aberrante.
Diamtre 7,7 0.03
7,682 7,696 7,706 7,702 7,711 7,706 7,711 7,717 7,703 7,702
7,705 7,714 7,703 7,698 7,711 7,698 7,704 7,689 7,717 7,710
7,695 7,711 7,696 7,724 7,708 7,694 7,703 7,703 7,699 7,711
7,703 7,692 7,709 7,704 7,703 7,702 7,708 7,703 7,702 7,700
7,703 7,703 7,699 7,700 7,712 7,692 7,708 7,695 7,706 7,712
tape 3 Analyser
Pour dnir une valeur aberrante, on calcule :
une limite basse par la relation Q1 1,5 (Q3 Q1)
une limite haute par la relation Q3 + 1,5 (Q3 Q1)
Q1 tant le premier quartile (25 % des valeurs) et Q3 le troisime
quartile (75 % des valeurs).
Les points aberrants sont les points qui se situent en dehors des
limites haute et basse dnies prcdemment. Ils sont gnrale-
ment reprsents par des astrisques (*).
Le trait sparant la bote reprsente la mdiane (50 % des
valeurs).
Figure 5.3 Bote moustache
Ce type de reprsentation est particulirement utile pour visualiser la
symtrie dune rpartition.
Bote moustache du Diam 7,7
7,73
Troisime quartile
(75 %)
Mdiane
Premier quartile
(25 %)
Moustaches
Bote
D
i
a
m

7
,
7
Valeur aberrante
7,72
7,71
7,70
7,69
7,68
*
Six Sigma
2.2 Le diagramme multi-vari
Le diagramme multi-vari prsente lintrt de reprsenter sur un mme
graphique linuence de plusieurs X sur une rponse Y. Ce diagramme
doit beaucoup Dorian SHAININ
11
qui a identi trois grandes classes
de variations dans un processus.
Variations de position ou lintrieur dune unit
Position sur une machine multi-posages
Chip particulier dans un wafer
Empreinte dans un moule sur une presse injecter
Variation entre 2 machines, 2 oprateurs, 2 ateliers
Variations cycliques ou dune unit lautre
Variation dun lot un autre
Variation dune coule une autre
Variation parmi un groupe dunits (usure doutils)
Variation dune quipe lautre,
Variation matin et soir,
Variation entre les jours de la semaine
Aprs avoir recherch les grands types de variations pouvant concer-
ner le processus tudi, on doit recueillir des donnes permettant de
les mettre en vidence. Illustrons notre propos par un exemple. Une
entreprise de mcanique ralise un usinage sur une machine quatre
postes. Une tude sur les causes de dispersion possibles (gure 5.4) a
permis didentier :
La position sur le plateau
Le lot matire
Le fournisseur
Loprateur
Le matin ou soir
11. LAmricain Dorian SHAININ a dvelopp toute une approche de lamlioration des produits et
des processus industriels trs complmentaire de lapproche Six Sigma.
tape 3 Analyser
Figure 5.4 Type de variations
La saisie de donnes pour pouvoir raliser le multi-vari est en fait un
plan dexpriences complet (voir chapitre Innover/amliorer) et se rap-
porte ainsi :
Variations de position
ou l'intrieur d'une unit
P4
P2
P3 P1
Variations cycliques
ou d'une unit l'autre
Lot matire
Fournisseur
Oprateur
Matin/A-M
Position sur le plateau
Six Sigma
Figure 5.5 Donnes du diagramme multi-vari
Lot Heure Poste N1 N2 N3
Lot 1 Matin P1 10,019 110,004 19,982
Lot 1 Matin P2 110,000 19,985 19,998
Lot 1 Matin P3 110,030 110,032 110,007
Lot 1 Matin P4 110,030 110,013 110,025
Lot 1 Aprs-midi P1 110,022 110,012 110,022
Lot 1 Aprs-midi P2 110,028 110,001 110,012
Lot 1 Aprs-midi P3 110,031 110,052 110,043
Lot 1 Aprs-midi P4 110,046 110,041 110,058
Lot 2 Matin P1 19,998 19,999 19,992
Lot 2 Matin P2 110,008 19,980 110,012
Lot 2 Matin P3 110,020 110,016 110,022
Lot 2 Matin P4 110,033 110,004 110,040
Lot 2 Aprs-midi P1 110,023 110,030 110,016
Lot 2 Aprs-midi P2 110,015 19,999 110,006
Lot 2 Aprs-midi P3 110,031 110,039 110,045
Lot 2 Aprs-midi P4 110,053 110,037 110,051
Lot 3 Matin P1 110,005 110,005 19,997
Lot 3 Matin P2 110,003 19,987 19,989
Lot 3 Matin P3 110,038 110,007 110,004
Lot 3 Matin P4 110,010 110,017 110,041
Lot 3 Aprs-midi P1 110,020 110,030 110,022
Lot 3 Aprs-midi P2 110,003 110,008 110,006
Lot 3 Aprs-midi P3 110,040 110,040 110,053
Lot 3 Aprs-midi P4 110,048 110,057 110,041
tape 3 Analyser
Le multi-vari se prsente de la faon suivante :
Figure 5.6 Multi-vari
Le n
o
de lot na pas dinuence sur la hauteur usine, on ne retrouve pas
dcart systmatique entre les lots 1, 2 et 3.
La position sur le plateau semble avoir une inuence forte, la position 4
donnant la hauteur la plus forte et la position 2 la plus faible.
La diffrence entre le matin et laprs-midi est conrme avec une chute
de la hauteur entre ces deux modalits.
Ce diagramme multi-vari donne une forte indication visuelle, mais ne
fournit pas de preuve statistique. On doit lutiliser conjointement une
analyse de la variance (ANAVAR) pour pouvoir conclure de faon
rigoureuse.
Multi-vari pour pb usinage
Am Midi Matin Am Midi Matin
Am Midi Matin Am Midi Matin
Lot
Lot 1
Lot 2
Lot 3
P1 P2 P3 P4
Heure
Panel variable : Poste
H
a
u
t
e
u
r
9,99
10,00
10,01
10,02
10,03
10,04
10,05
Interprtation
Six Sigma
2.3 Diagramme des effets
et diagramme des interactions
Le diagramme des effets et le diagramme des interactions sont des dia-
grammes proches du diagramme multi-vari. Ils ont pour but de mon-
trer graphiquement des relations entre un Y et des X.
Si nous reprenons les donnes du diagramme multi-vari (gure 5.5),
nous pouvons tablir le tableau des moyennes (gure 5.7). Par exem-
ple, la moyenne de la modalit Matin du facteur Heure est obte-
nue en faisant la moyenne de toutes les mesures ralises le matin (36
mesures).
Figure 5.7 Tableau des moyennes
Lot Heure Poste
Modalits Moyenne Modalits Moyenne Modalits Moyenne
Niveau 1 1 10,0205 Matin 10,0097 1 10,0109
Niveau 2 2 10,0176 Aprs-midi 10,030 2 10,0023
Niveau 3 3 10,0195 3 10,0305
Niveau 4 4 10,0358
tape 3 Analyser
Figure 5.8 Graphe des effets
Le graphe des interactions va montrer linuence dun facteur dans les
conditions particulires dun autre facteur. En reprenant les deux effets
importants : Poste et Heure, nous pouvons tablir le tableau des inte-
ractions (gure 5.9).
Figure 5.9 Tableau des interactions
Poste
P1 P2 P3 P4
Heure
Matin 10,0001 9,9958 10,0196 10,0237
Aprs-midi 10,0219 10,0087 10,0416 10,0480
Graphe des effets
Am Midi Matin
Moyenne des mesures
du matin
P1 P2 P3
Lot 1 Lot3 Lot3
P4
Heure
M
e
a
n

o
f

M
o
y
e
n
n
e
Lot
Poste
10,03
10,00
10,01
10,02
10,04
10,03
10,00
10,01
10,02
10,04
Six Sigma
Figure 5.10 Graphe des interactions
Linteraction est forte si leffet du poste est trs diffrent entre le matin
et laprs-midi. Dans notre exemple, les deux effets tant presque
parallles, on ne conclut pas une interaction importante.
3. Statistique descriptive
La statistique descriptive a pour objectif de donner une description sta-
tistique dun ensemble de donnes se dcomposant en trois lments :
identication de la forme de la distribution ;
paramtres de position de la distribution ;
paramtres dchelle de la distribution.
Pour caractriser ces trois critres, on peut utiliser des outils graphi-
ques ou des paramtres numriques. Le tableau suivant (gure 5.11)
donne les lments le plus souvent utiliss pour les caractriser.
Graphe des interactions
Poste
Effet du poste
mesur l'aprs-midi
Effet du poste
mesur le matin
P1 P2 P3
Heure
Ap Midi
Matin
P4
M
e
a
n
10,03
10,00
10,01
10,02
10,04
10,05
9,99
tape 3 Analyser
Figure 5.11 Caractrisations les plus communes
Figure 5.12 Rpartition de Gauss
La statistique descriptive doit fournir une estimation des paramtres.
En effet, les paramtres de position et dchelle sont calculs partir
dun chantillon. Si on prend un autre chantillon, on aura dautres
estimations. Il convient donc de diffrencier la vraie valeur de la
moyenne de son estimateur . De mme, la vraie valeur de lcart
type est note , et son estimateur S.
Numrique Graphique
Forme
Skewness
Kurtosis
Bote moustaches
Histogramme
Diagramme des probabilits
Position
Moyenne
Mdiane
Bote moustaches
Histogramme
Diagramme de corrlation
Dispersion
tendue
cart type
Variance
Inter-percentile
Bote moustaches
Histogramme
Modle : loi de Gauss
Moyenne
cart type
Observation d'un chantillon
Moyenne X
cart type S
tendue
Moyenne
cart type
X
Six Sigma
La gure suivante (gure 5.13) donne un exemple de rsum graphi-
que de statistique descriptive, fourni par Minitab. Lestimation des
paramtres dchelle et de position est donne par une estimation et
par un intervalle de conance. Dans ce cas, lestimation de la moyenne
est de 7,7037, et lintervalle de conance ayant 95 % de chance
dinclure est de [7,7015 7,7059].
Figure 5.13 Statistiques descriptives avec Minitab
3.1 Paramtres de position
Comme son nom lindique, un paramtre de position donne une indi-
cation sur la position de la distribution par rapport la grandeur mesu-
re. Voici les principaux indicateurs :
la moyenne
Statistiques descriptives du Diam 7,7
95 % Confidence intervals
7,701
7,68
7,68 7,69 7,70 7,71 7,72
*
7,69 7,70 7,71 7,72 7,73
7,702 7,703 7,704 7,705 7,706
Mean
Median
A-Squared 0,24
P-Value 0,316
Mean 7,7037
St Dev 0,0077
Variance 0,0001
Skew ness 0,117743
Kurtosis 0,823668
N 50
Minimum 7,6820
1st Quartile 7,6990
Median 7,7030
3rd Quartile 7,7093
Maximum 7,7240
7,7015 7,7059
7,7020 7,7060
0,0064 0,0096
Anderson-Darling Normality Test
95 % Confidence Interval for Mean
95 % Confidence Interval for Median
95 % Confidence Interval for St Dev
X
X
i
i 1 =
n
n
----------------------- =
tape 3 Analyser
la mdiane qui reprsente la valeur telle quil y a autant de
valeurs dun ct que de lautre. Dans le cas de rpartition sym-
trique, la mdiane et la moyenne sont thoriquement identiques.
Sur chacun de ces indicateurs, on peut calculer un intervalle de con-
ance. Prenons le cas de la moyenne. On dispose dun chantillon
partir duquel on calcule une estimation de la moyenne . Un autre
tirage dchantillon aurait donn une autre estimation . Mais ce qui
nous intresse, ce nest pas , mais , la vraie moyenne de la popula-
tion.
Comme il nest pas possible de connatre ( moins de mesurer la
totalit de la population), on peut nanmoins calculer lintervalle dans
lequel on a 95 % de chances de trouver . Pour cela, on utilise la loi de
distribution des moyennes . Les moyennes suivent une loi normale
dcart type (gure 5.14).
Figure 5.14 Intervalle de conance sur les moyennes
Lorsque est connu, compte tenu de la position de X, il est facile de
trouver lintervalle de conance donnant 95 % de chances de trouver
.
Y
X
1
X
2
X
X
n
X
X
= / n
X
=
X
/ n
X
= / n
Rpartition
des moyennes
Rpartition
des moyennes
Relation entre l'cart type de la
population () et l'cart type de la
rpartition des moyennes
Population
/2 = 2,5 % 2,5 %
Min ( ) X t
2
S
n
------- = < < Max ( ) X t
2
S
n
------- =
Six Sigma
avec z
/2
variable rduite de la loi de Gauss pour un risque de /2.
On trouve la valeur de z dans la table de Gauss donne au chapitre 10
de notre ouvrage.
Pour calculer cet intervalle, on doit connatre lcart type de la popu-
lation. Mais gnralement, sigma est inconnu. On doit le remplacer par
son estimateur S et utiliser la loi de Student. La relation devient :
Avec t
/2
variable rduite de la loi de Student pour un risque de /2.
On trouve la valeur de t dans la table de Student donne galement au
chapitre 10.
Exemple
Dans le cas de la gure 5.13, on avait :
=7,7037
S = 0,0077
n = 50 soit 49 ddl
t
/2
= 2,0096
Lintervalle se calcule par la relation :
Soit 7,7015 < < 7,7059
X z
2
n
--------- X z
2
n
--------- + < <
X t
2
S
n
--------- X t
2
S
n
--------- + < <
Ex
X
7,7037 2,0096
0,0077
50
-------------------- 7,7037 2,0096
0,0077
50
-------------------- + < <
tape 3 Analyser
3.2 Paramtres dchelle
Les paramtres dchelle donnent une ide de la dispersion des mesu-
res.
Voici les paramtres qui sont le plus utiliss :
ltendue ;
lcart type ;
la variance ;
la position des quartiles.
Parmi tous ces lments, ltendue est la plus naturelle. Elle reprsente
lcart qui existe entre la plus grande valeur et la plus petite. Mais
ltendue a un inconvnient majeur : sa valeur dpend de la taille de
lchantillon. Plus lchantillon est grand et plus on a de chance de
trouver une valeur trs grande ou trs petite.
Cest la raison pour laquelle les statisticiens ont cherch exprimer la
dispersion des valeurs en utilisant un critre qui soit indpendant de la
taille de lchantillon. Lcart type a cette proprit de convergence
vers une valeur dnie lorsque la taille des chantillons augmente.
est un estimateur de lcart type
Il existe une relation entre ltendue pour une taille dchantillon don-
ne et lcart type.
Le coefcient dpend la fois de la taille de lchantillon et du
nombre dchantillons qui ont permis de calculer . Lorsque ce nom-
bre est lev (> 15), on remplace par .
n 1
S
X
i
X ( )
2
i 1 =
n
n 1
-------------------------------- = =
R
d
2
*
-------
=
d
2
*
R
d
2
*
d
2
Six Sigma
Figure 5.15 Coefcient pour lestimation de partir de
La variance est le carr de lcart type ; on a donc la relation V(X)
2
(X). La variance possde la proprit dadditivit, ce qui nest pas le
cas de lcart type.
Si nous avons la relation : , en supposant lindpen-
dance de X
1
et X
2
, on peut crire (additivit des moyen-
nes) et V( ) V( ) + V( ) (additivit des variances).
En revanche, la relation ( ) ( ) + ( ) est fausse. Cela a plu-
sieurs consquences, notamment pour le calcul de lestimation dun
cart type partir de la moyenne de plusieurs carts types issus de k
chantillons de taille n. On doit alors introduire un coefcient correc-
teur c
4
et on obtient les relations suivantes :
et
Figure 5.16 Coefcient c
4
pour lestimation de partir de
Lintervalle de conance pour les carts types peut galement tre
donn en utilisant les proprits de la loi de distribution des estima-
teurs S par rapport lcart type .
Nombre dchantillons
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 >15
N
o
m
b
r
e

d
e

m
e
s
u
r
e
s

p
a
r

c
h
a
n
t
i
l
l
o
n
2 1,414 1,279 1,231 1,206 1,191 1,181 1,173 1,168 1,163 1,160 1,157 1,154 1,153 1,151 1,149 1,128
3 1,912 1,806 1,769 1,750 1,739 1,731 1,726 1,722 1,719 1,716 1,714 1,712 1,711 1,710 1,708 1,693
4 2,239 2,151 2,121 2,105 2,096 2,090 2,086 2,082 2,08 2,078 2,076 2,075 2,073 2,072 2,071 2,071
5 2,481 2,405 2,379 2,366 2,358 2,353 2,349 2,346 2,344 2,342 2,34 2,339 2,338 2,337 2,337 2,326
n 2 3 4 5 6 7 8 9 10
c
4
0,7979 0,8862 0,9213 0,9400 0,9515 0,9594 0,9650 0,9693 0,9727
d
2
*
R
Y X
1
X
2
+ =
Y X
1
X
2
+ =
Y X
1
X
2
Y X
1
X
2
V
V
i
k
------------ =
1
k
--- S
i
c
4
---------------
S
c
4
---- = =
S
tape 3 Analyser
Si on pose comme notation :
S
i
:
n-1
de lchantillon i (estimation de lcart type calcul sur
n valeurs)
: cart type de la population totale
on peut montrer que le rapport : est distribu selon
une loi du
2
.
Les valeurs de
2
pour une probabilit p donne se trouvent en fonc-
tion du nombre de degrs de libert (n1) dans la table de
2
.
On peut crire : qui permet de donner
lintervalle de conance sur lcart type :
Exemple
Dans le cas de la gure 5.13, on avait :
S = 0,0077
n = 50 soit = 31,55 et = 70,22 pour 49 degrs de
libert
ce qui permet de calculer lintervalle :
soit [0,0062 0,0092]
R n 1 ( )
S
i
2
2
------
=
2 ( )
2
n ( 1)
S
i
2
2
------

1 2 ( )
2
< <
S
2 ( )
2
n 1 ( )
----------------- S
1 2 ( )
2
n 1 ( )
--------------------- < <
Ex
0,025
2
0,975
2
0,0077
31,55
49
-------------- 0,077
70,22
49
-------------- < <
Six Sigma
3.3 Identication de la forme de la distribution
La forme de la distribution est un paramtre important. En effet, voici
ce que stipule le thorme central limite :
Pour montrer ce phnomne, prenons lexemple dun jeu consistant
lancer 10 ds. Chaque d a une valeur qui peut varier de faon uni-
forme de 1 6. Mais le rsultat dun jet de 10 ds donnera une
rpartition proche dune loi normale qui variera entre 10 (tous les ds
1 une seule possibilit) et 60 (tous les ds 6 une seule possibi-
lit). Le nombre de possibilits dobtenir un total de 11 ou 59 est gal
10 (1 des ds est sur 2, les autres 1), etc.
Figure 5.17 Illustration du thorme central limite
Tout systme, soumis de nombreux facteurs, indpendants les
uns des autres, et dun ordre de grandeur de leffet quivalent,
gnre une rpartition qui suit une loi de Gauss.
Un d 1
f(x)
f(x)
10 60
X
X
2 3 4 5 6
Dix ds
tape 3 Analyser
Lillustration que nous venons de faire avec les ds est facilement gn-
ralisable tous les systmes soumis de nombreux facteurs indpen-
dants. Les combinaisons donnant des valeurs extrmes sont rares,
alors que les combinaisons moyennes ont une forte probabilit. La
rpartition doit donc suivre une loi normale.
Figure 5.18 Causes communes et causes spciales
Illustrons ce thorme central limite avec un autre exemple : le temps
quil faut pour aller au travail une personne devant passer de nom-
breux feux non synchroniss (indpendance des facteurs).
Lobservation de son temps de trajet doit donner une rpartition qui
suit une loi normale. Pourtant, si on observe ces temps sur deux
priodes distinctes priode de vacances scolaires et priode
normale , on observe deux lois normales diffrentes.
Lobservation des valeurs sur une priode mlangeant vacances scolai-
res et priode courante ne donnera pas une rpartition normale, mais
un mlange de deux lois. Il est donc important lorsque lon observe
une rpartition de savoir si elle suit une rpartition normale ou non.
cette n, on peut mettre en uvre diffrents tests, tels que :
test du
2
;
test dANDERSON-DARLING ;
test de SHAPIRO-WILK ;
test de KOLMORONOV-SMIRNOV
Le principe dun test de normalit est toujours le mme : vrier que
les carts entre une distribution thorique parfaite dune loi normale
Variations alatoires
dues aux causes communes
Vacances scolaires Priode courante
Temps de trajet
f(t)
Cause spciale
Six Sigma
(la droite sur la gure 5.19) et une distribution relle (les points) peu-
vent tre attribus des variations alatoires.
Pour ce faire, on calcule la probabilit (p-Value 0,316) que ces carts
proviennent de variations alatoires. Si, comme dans le cas prsent
(gure 5.19), cette probabilit est suprieure 0,05, on considre que
la loi suit une rpartition normale. Dans le cas contraire (p-
value < 0,05), on ne peut pas considrer que la distribution suit une
loi normale.
Figure 5.19 Graphique des probabilits
3.4 Identication de valeurs aberrantes
Il existe de nombreux tests de valeurs aberrantes. La construction de la
bote moustaches (paragraphe 2.1) est un exemple. Dans le paragra-
phe 4, nous prsentons deux tests pour dtecter des valeurs aberrantes
dans une loi normale :
Le test de Dixon ;
Le test de Grubb.
Test anderson Darling
Rpartition thorique parfaite
Diam 7,7
P
e
r

c
e
n
t
7,68 7,69 7,70 7,71 7,72 7,73
99
1
95
90
80
70
60
50
40
30
20
10
5
Mean 7,704
St Dev 0,007686
N 50
AD 0,4185
PValue 0,316
tape 3 Analyser
4. Statistique infrentielle
Tests de comparaison
Figure 5.20 Variables dpendantes et indpendantes
La statistique infrentielle a pour objectif de vrier sil existe une rela-
tion entre les X et les Y. Par exemple, on ralise un produit sur lequel
on a mesur un dfaut daspect (Y). On suspecte un des fournisseurs
(X) de lune des matires premires utilises dans ce produit dtre
lorigine de ce dfaut.
Cette matire premire est approvisionne chez deux fournisseurs A et
B. Une premire livraison du fournisseur A a donn 12 % de rebuts sur
120 produits alors que le fournisseur B a livr 6 % de rebuts sur
25 produits. La statistique infrentielle nous permettra de pouvoir afr-
mer au risque statistique prs la relation qui existe entre le fournis-
seur et le pourcentage de rebuts.
Les X sont des variables indpendantes. On les nomme parfois des fac-
teurs. Y est une variable dpendante (elle dpend de la conguration
des X). On la nomme parfois rponse.
La statistique infrentielle est un lment trs important du vaste
domaine des statistiques. Nous nous limiterons aux tests les plus sim-
ples et les plus couramment pratiqus :
les tests de comparaison ;
les corrlations.
Il sagit de trouver les quelques X qui ont la plus forte inuence sur Y.
En effet, laction sur la variabilit de Y sera principalement dpendante
des relations les plus fortes.
Supposons que Y = X
1
+ X2,
ladditivit des variances donne V(Y) = V(X
1
) + V(X
2
)
Systme
X
Variables
indpendantes
Y
Variables
dpendantes
Six Sigma
ce qui scrit galement .
Supposons que
X1
= 5 et
X2
= 1, on a alors
Y
= 5,099
Quapporterait sur Y une amlioration qui consisterait diminuer de 1
lcart type sur un X ?
Figure 5.21 Inuence relative des X
Comme on le voit sur lexemple, la rduction 0 de lcart type sur la
variable X
2
(ce qui est sans doute trs coteux) aurait un impact
10 fois plus faible que de rduire de 20 % lcart type sur X
1
.
4.1 Les tests de comparaison
4.1.1 Diffrents tests
Les tests de comparaison doivent conduire la conclusion de lexis-
tence dun cart signicatif, ou non, entre deux ou plusieurs situa-
tions. On peut comparer des moyennes, des carts types ou des
frquences.
Lors de la mise en uvre dun test de comparaison dans une entre-
prise, on cherche soit comparer une situation par rapport une situa-
tion thorique, soit comparer plusieurs situations. Il y aura donc
deux types de problmes traiter.
Diminution de 1 sur
X1
(20 %) Diminution de 1 sur
X2
(100 %)
Y = 0,976 Y = 0,099
Y

X1
2
X2
2
+ =
Y
5
2
1
2
+ 5,099 = =
Y
5
2
1
2
+ 5,099 = =
Y
4
2
1
2
+ 4,123 = =
Y
5
2
0
2
+ 5,000 = =
tape 3 Analyser
Problme de type 1 Comparaison une valeur thorique
Mon produit possde actuellement une caractristique que je souhaite
amliorer. Je fais un essai et les rsultats semblent indiquer une am-
lioration. Puis-je rellement conclure une amlioration ou est-ce sim-
plement d leffet de la dispersion ?
Ce type de problme peut se poser au niveau de la moyenne ou de
lcart type, mais galement au niveau de la frquence dapparition
dun phnomne.
Pour rpondre ce type de problme, nous devons tre en mesure de
faire :
la comparaison dune moyenne un rsultat thorique ;
la comparaison dune variance un cart type thorique ;
la comparaison dune frquence une frquence thorique.
Problme de type 2 Comparaison de deux (ou plusieurs)
valeurs
Jhsite entre le choix de deux types de colle, la colle numro 2 teste
sur 2 prototypes semble donner de meilleurs rsultats que la colle 1
teste sur 5 prototypes ; la diffrence que prsentent ces produits est-
elle sufsante pour conclure ?
Les tests de comparaison ont pour objectif de rpondre ces deux
types de questions. Le problme de type 1 revient comparer les rsul-
tats dune population des valeurs thoriques. Le problme de type 2
revient comparer deux populations distinctes.
Comme prcdemment, ce problme peut se poser pour une moyenne,
un cart type ou une frquence.
Pour rpondre ce type de problme, nous devons tre capable de
faire :
la comparaison de deux ou plusieurs moyennes ;
la comparaison de deux ou plusieurs variances ;
la comparaison de deux ou plusieurs frquences.
Six Sigma
Les tableaux suivants (gure 5.22 et gure 5.23) rcapitulent les diff-
rents tests que nous dcrirons dans ce chapitre.
Figure 5.22 Les diffrents tests
Figure 5.23
Tableau rcapitulatif des diffrents tests de comparaison
Comparaison
par rapport une
valeur thorique
Comparaison
entre deux valeurs
Comparaison entre
plusieurs valeurs
Comparaison
de moyennes
Test z
thorique
Test z
Test t
B to C
ANAVAR
Comparaison
de variances
Test
2
Test F Hartley
Comparaison
de frquences
1P 2P Tableau
dindpendance
Test Application
Test
2
Comparaison dun cart type une valeur thorique
Jai un problme pour atteindre une capabilit court terme qui
soit acceptable. Je fais un essai en modiant le systme de lubri-
cation de la machine. Il semble que la variance (lcart type)
samliore par rapport ce que jobtiens habituellement. Puis-je
rellement conclure une amlioration ?
Test F
Comparaison de deux carts types
Pour amliorer un systme de fermeture par clips, je teste deux
matires diffrentes. Puis-je conclure quune matire donne un
rsultat plus robuste (moins de dispersion) que lautre ?
Test z thorique
Comparaison dune moyenne une valeur thorique, connu
Mon produit possde actuellement une caractristique que je
souhaite amliorer. Je suppose connatre lcart type. Je fais un
essai et les rsultats semblent montrer une amlioration. Puis-je
rellement conclure une amlioration ou est-ce simplement
leffet de la dispersion ?
tape 3 Analyser
Test t thorique
Comparaison dune moyenne une valeur thorique, inconnu
Je veux dvelopper un nouveau produit dont une caractristique
doit atteindre une valeur mini. Je fais plusieurs prototypes. Puis-
je rellement conclure que jatteins cet objectif ou est-ce simple-
ment leffet de la dispersion ?
Test z
Comparaison de deux moyennes, connu
Mon produit possde actuellement une caractristique que je
souhaite amliorer. Je suppose connatre lcart type. Je fais deux
essais en parallle, un sur la solution actuelle, lautre sur la solu-
tion innovante. Les rsultats semblent montrer une amlioration.
Puis-je rellement conclure une amlioration ou est-ce simple-
ment leffet de la dispersion ?
Test t
Comparaison de deux moyennes, inconnu
Je veux dvelopper un nouveau produit dont une caractristique
doit atteindre une valeur mini. Je veux tester deux solutions tech-
nologiques diffrentes. Puis-je rellement conclure quune solu-
tion donne de meilleurs rsultats ou est-ce simplement leffet de
la dispersion ?
B to C
Comparaison de deux moyennes Test non paramtrique
Le test B to C a la mme fonction que le test t, mais cest un test
non paramtrique. Cela signie quil ne suppose pas la normalit
des distributions. Il est de plus trs simple raliser.
ANAVAR
Comparaison de plusieurs moyennes par Analyse de la variance
Un poste de fabrication dusinage possde plusieurs posages.
Lanalyse de la production montre une forte dispersion sur les
rsultats. Comment tester si un des postes est signicativement
diffrent des autres ?
Hartley
Comparaison de plusieurs variances
Un poste de fabrication dusinage possde plusieurs posa-
ges. Lanalyse de la production montre une forte dispersion
sur les rsultats. Comment tester lhomognit des varian-
ces sur chacun des postes ?
Test hyper-
gomtrique
(2P)
Comparaison de deux frquences
Jai fait un contrle sur deux de mes fournisseurs concernant le
mme produit ; le premier ma livr 1 dfaut sur 50 produits, le
second 3 sur 80 produits. Puis-je conclure une diffrence
signicative ?
Six Sigma
4.1.2 Notion de risque alpha () et de risque bta ()
Lorsque lon fait un test statistique, on cherche vrier une des deux
hypothses suivantes :
Hypothse H
0
: il ny a pas dcart signicatif entre deux situa-
tions.
Hypothse H
1
: il y a un cart signicatif entre deux situations.
Comme on raisonne sur des chantillons, il y a toujours le risque de
conclure tort comme le montre le tableau suivant (gure 5.24).
Figure 5.24 Risque et risque
Risque alpha () = cest le risque de conclure quil y a une diffrence
signicative (H
1
) alors que cela nest pas vrai.
Risque bta () = cest le risque de conclure quil ny a pas de diff-
rence signicative (H
0
) alors que cette diffrence existe bien.
Tableau
dindpendance
Comparaison de plusieurs frquences
Je fais un test sur 4 produits diffrents pour valuer linuence
dun (ou plusieurs) X sur un dfaut qui prend sous 3 modalits
(Bon, bruyant, non-fonctionnement). Comment conclure sil y a
un cart signicatif ?
Conclusion du test
Hypothse H
0
vrai Hypothse H
1
vrai
S
i
t
u
a
t
i
o
n

r
e
l
l
e
Hypothse H
0
vrai ;
il ny a pas dcart entre
les situations
Conclusion juste
Conclusion fausse
Risque
Hypothse H
1
vrai ;
il y a un cart entre les
situations
Conclusion fausse
Risque
Conclusion juste
tape 3 Analyser
4.1.3 Dtermination du risque et (cas du test z
thorique
)
Figure 5.25 Illustration du risque
Le test z
thorique
permet de raliser une comparaison entre la moyenne
dun chantillon et la valeur thorique de la moyenne . On considre
que lchantillon est prlev dans une population dont lcart type
est connu.
Pour illustrer le risque , mettons-nous dans une situation o lhypo-
thse H
0
est vraie. En prlevant un chantillon de taille n, on calcule
une moyenne qui ne sera pas gale la valeur . Le test consiste
vrier si lcart entre et est sufsamment petit pour tre expliqu
par les uctuations dchantillonnage. On sait que les moyennes sui-
vent une loi de distribution normale de moyenne et dcart type
.
En fonction du risque , on va placer deux limites aux variations
acceptes de autour de ( ).
Si se situe entre ces deux limites, on conclura de faon juste
que lhypothse H
0
est accepte.
Si se situe hors de ces deux limites (ce qui peut arriver avec
un risque ), on conclura de faon fausse que lhypothse H
0
est
refuse.
z
0
zz
n
X
X
=
X
/ n
Rpartition des moyennes
Population totale
Risque /2
X
X
n
X z
0
n
X
X
Six Sigma
Figure 5.26 Illustration du risque
Pour illustrer le risque , considrons dsormais que lchantillon nest
pas issu dune population centre sur mais sur une moyenne dcale
de . La moyenne de lchantillon sera distribue selon une loi
normale dcart type . Il y a un risque (risque ) que cette
moyenne se situe dans les limites xes pour accepter lhypothse
H
0
. Dans ce cas, on acceptera tort lhypothse H
0
.
4.1.4 Incidence de la taille des chantillons
Sur les schmas suivants (gure 5.27, gure 5.28), on note que les
quatre variables ayant une inuence sur les risques derreurs sont : ,
, , .
X
= / n
z
0
zz
n
Vraie moyenne
Risque
Population totale
Risque /2
X
n
X
tape 3 Analyser
Figure 5.27 Inuence de la taille des chantillons
Si on augmente la taille de lchantillon, on note (gure 5.27) quun
cart qui pouvait donner lieu un risque dans la premire situation
voit ce risque considrablement rduit dans la seconde situation.
En fait, les quatre variables , , , sont lies et le tableau
(gure 5.28) donne les relations entre ces variables.
X
X
X
=
X
/ n
X
=
X
/ n
Risque
Population totale
Population totale
Risque /2
Six Sigma
Figure 5.28 Relations entre , , ,
Taille des chantillons pour le test t
Dans ce test, on considre que lcart type est inconnu, on utilise la loi
de Student. Le tableau suivant (gure 5.29) donne la taille des chan-
tillons pour un risque alpha de 5 % et un risque bta de 10 %.
Figure 5.29 Taille des chantillons pour le test t
Exemple dutilisation de la table
On veut dtecter une amlioration provoquant un dcalage de
0,9 partir dun premier chantillon de taille n. On estime que
lcart type sera de lordre de grandeur de 0,6. On veut donc
dtecter un cart de = 0,9/0,6 = 1,5.
Il faut donc raliser deux chantillons de 11 produits pour mettre
en vidence un tel cart.
Situation Risque Risque Dcalage Taille n
1 Constant Constant
2 Constant Constant
3 Constant Constant
4 Constant Constant
5 Constant Constant
6 Constant Constant
Dcentrage 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6
Taille 527 235 133 86 60 45 35 28 23 19 17 14 13 11 10
Dcentrage 1,7 1,8 1,9 2 2,1 2,2 2,3 2,4 2,8 2,9 3,6 3,7 4 5 6
Taille 9 8 8 7 7 6 6 5 5 4 4 3 3 3 2
Ex
tape 3 Analyser
Taille des chantillons pour le test z
Dans ce test, on considre que lcart type est connu. On utilise la loi
de Gauss. Le tableau suivant (gure 5.30) donne la taille des chan-
tillons pour un risque alpha de 5 % et un risque bta de 10 %.
Figure 5.30 Taille des chantillons pour le test z
Exemple dutilisation de la table
On veut dtecter une amlioration provoquant un dcalage de
0,9 partir dun premier chantillon de taille n. On estime que
lcart type sera de lordre de grandeur de 0,6. On veut donc
dtecter un cart de = 0,9/0,6 = 1,5.
Il faut donc raliser deux chantillons de 9 produits pour mettre
en vidence un tel cart.
Le tableau T7 dans le chapitre 10 de notre ouvrage donne les tailles
dchantillons ncessaires pour le test z, et ce pour diffrents niveaux
de risque.
4.1.5 Les diffrents tests
Il exixte de nombreux tests de comparaison, et nous avons choisi de
prsenter dans ce chapitre ceux qui sont le plus couramment utiliss
dans une dmarche Six Sigma.
Nous nous sommes servi pour cette illustration du logiciel Minitab qui
permet de raliser trs simplement la plupart des tests prsents dans
cet ouvrage.
On peut galement pour les raliser utiliser une feuille de calcul Excel,
Tests statistiques , tlchargeable gratuitement sur le site
www.ogp.univ-savoie.fr.
Dcentrage 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6
Taille 525 234 131 84 58 43 33 26 21 17 15 12 11 9 8
Dcentrage 1,7 1,8 1,9 2 2,1 2,2 2,4 2,5 2,8 2,9 3,7 3,8 4 5 6
Taille 7 6 6 5 5 4 4 3 3 2 2 1 1 1 1
Ex
Six Sigma
Fiche Test de Dixon
Teste sil y a une valeur aberrante suprieure ou infrieure
Ce que fait le test
Ce test permet de dtecter la prsence d'une valeur aberrante dans un chan-
tillon suppos suivre une loi normale. Ce test est rserv aux chantillons de
petites tailles.
Pour les chantillons de grande taille, utiliser la mthode des quartiles (Bote
moustaches) ou le test de Grubb.
Comment faire le test ?
Pour une valeur aberrante ct sup-
rieur
Exemple ct suprieur
Soit 5 valeurs
1. On range les valeurs dans lordre
croissant.
25, 26, 26, 29, 35
2. On calcule la longueur de la maille
extrme par rapport l'tendue de
l'chantillon.
3. Comparer la valeur de D
n
la
valeur limite c donne dans le
tableau ci-dessous
Si D
n
> c, la valeur maxi est
considre comme aberrante
n = 5 c = 0,642
Conclusion
Dn < c, la valeur 35 ne peut pas tre
considre comme aberrante
Remarque 1 : dans ce test, une valeur
aberrante peut tre masque par une
seconde valeur aberrante.
D
n
X
n ( )
X
n 1 ( )
X
n ( )
X
1 ( )
---------------------------------
=
D
n
35 29
35 25
------------------
0,6 = =
N 5 %
3 0,941
4 0,765
5 0,642
6 0,560
7 0,507
8 0,468
9 0,437
10 0,412
tape 3 Analyser
Remarque 2 : pour rechercher une
valeur aberrante infrieure, on fait le
mme test mais en calculant Dn par la
relation :
Exemple ct infrieur
Soit 7 valeurs
100, 125, 127, 127, 128, 130, 130
n = 7 c = 0,507
Conclusion
Dn > c, la valeur 100 est considre
comme aberrante
Fiche Test de Grubb
Test siil y a au moins une valeur aberrante
Ce que fait le test
Ce test permet de dtecter la prsence d'une valeur aberrante dans un chan-
tillon suppos suivre une loi normale.
Comment faire le test ? Exemple
Soit 5 valeurs 25, 26, 26, 29, 35
1. Calculer la moyenne et l'cart type
de l'chantillon.
S = 4,087
2. Calculer la statistique.
3. Calculer G
Limite
pour un risque
=0,05 t
(0,05/5,3)
= 5,84
4. Comparer G G
Limite
Si G > G
Limite
le point est aber-
rant, on le retire de l'chantillon et
on recommence la procdure
Si G<G
Limite
le point n'est pas
aberrant
Conclusion
1.66 < 1.715, la valeur 35 ne peut pas
tre considre comme aberrante
D
n
X
2 ( )
X
1 ( )
X
n ( )
X
1 ( )
--------------------------
=
D
n
125 100
130 100
------------------------
0,83 = =
X 28,2 =
G
Max X
i
X ( )
S
---------------------------------
=
G
35 28,2
4,087
-----------------------
1,66 = =
G
Limite
N 1 ( )
N
------------------
=
t
N,N2 ( )
N 2 t
N,N2 ( )
2
+
-------------------------------------------
G
Limite
4 ( )
5
-------
=
34,12
5 2 34,12 +
-------------------------------- 1,715 =
Six Sigma
Fiche Test
2
Comparaison dune variance une valeur thorique
Ce que fait le test
tant donn un chantillon de taille n, dont les valeurs observes ont pour
variance S
2
. Peut-il tre considr comme reprsentatif de la population totale
de variance
2
?
Le ressort que je produis a une force
moyenne = 1,2 N et un cart type
= 0,1 N. Ces valeurs ont t calcu-
les sur 150 donnes, on suppose
donc et connus. On conoit un
nouveau ressort an de diminuer la
dispersion sur la force.
Les 8 prototypes du nouveau ressort
donnent :
1,32 1,22 1,18 1,29 1,21 1,23 1,25 1,20
1. partir des valeurs releves, cal-
culer lcart type S.
S = 0,047
2. Vrier lhypothse sigma connu
en calculant lintervalle bilatral
5 % devant contenir S.
Le
2
est pris pour n1 ddl et pour
les risques 0,975 et 0,025.
soit 0,049 < S < 0,15
3. Conclure.
Si S est dans lintervalle, on con-
clut que lcart nest pas signica-
tif.
Si S est hors de lintervalle on con-
clut que lcart est signicatif.
S tant hors de lintervalle, on refuse
lhypothse connu.
On conclut que le nouveau ressort est
signicativement plus rgulier que
le ressort prcdent.
4. En cas de doute sur le rsultat (ris-
que ), augmenter la taille de
lchantillon et recommencer la
procdure.
X 1,23 =
2 ( )
2
n 1 ( )
----------------- S
1 2 ( )
2
n 1 ( )
---------------------- < <
0,1
1,69
7
----------- S 0,1
16
7
------ < <
tape 3 Analyser
Fiche Test F
Comparaison de deux variances
Ce que fait le test
Permet de comparer deux carts types (ou deux variances) an de conclure sil
y a un cart signicatif entre les deux.
On conoit un nouveau ressort an de
diminuer la dispersion sur la force. On
hsite entre deux matriaux. Pour
valider, on fait deux chantillons avec
ces deux matriaux.
Le premier matriau donne :
1,32 1,22 1,18 1,29 1,21 1,23 1,25 1,20
Le second matriau donne :
1,25 1,23 1,26 1,18 1,22 1,21
culer les carts types.
S
1
= 0,047 ; S
2
= 0,029
2. On nomme S
1
lcart type maxi et
S
2
lcart type mini.
3. Faire le ratio F entre la variance la
plus leve et la variance la plus
faible.
4. Rechercher dans la table de Snede-
cor 0,05 la valeur F
limite
pour
(n
1
1) ddl au numrateur et
(n
2
1) ddl au dnominateur.
Colonne 7 ligne 5
F
limite
= 4,88
5. Conclure. Si F > F
limite
, on conclut
que lcart est signicatif. Sinon,
lcart nest pas signicatif.
procdure.
2,67 < 4,88
On conclut que lcart nest pas signi-
catif.
F
S
Max
2
S
Min
2
----------- = F
0,047
2
0,029
2
---------------- 2,67 = =
Six Sigma
Figure 5.31 Traitement par logiciel danalyse statistique
F-Test (normal distribution)
Test statistic = 2,68; p-value = 0,296
La valeur p-value (risque alpha) tant suprieure 5 %, on accepte
lhypothse H
0
. Il ny a pas dcart signicatif.
Test F
95 % Bonferroni Confidence intervals for StDevs)
1,20 1,23 1,26 1,29 1,32
0,02
Matriau 1
Matriau 2
Matriau 1
Matriau 2
0,04 0,06 0,08 0,10 0,12
Data
Test Statistic 2,68
P-Value 0,296
F-Test
Test Statistic 0,88
P-Value 0,367
Levene's Test
Interprtation
tape 3 Analyser
Fiche Test z thorique
Comparaison dune moyenne une valeur thorique ( connu)
Ce que fait le test
moyenne . Peut-il tre considr comme reprsentatif de la population totale
de moyenne et dcart type ?
Domaine dapplication
Les moyennes doivent suivre une loi
normale. Cette condition est robuste
sur la rpartition des valeurs indivi-
duelles.
Exemple
= 0,1 N. Ces valeurs ont t calcu-
nouveau ressort an daugmenter
cette force.
donnent : 1,32 1,45 1,18 1,29.
culer la moyenne et lcart type
S.
S = 0,111
5 % devant contenir S
Si ce nest pas le cas, passer au
test t thorique.
soit 0,027 < S < 0,18
S tant dans lintervalle, on accepte
lhypothse connu.
3. Calculer la variable rduite z
0
4. Chercher dans la table de Gauss la
valeur z
lim
pour le risque choisi
(5 % en bilatral, soit 2,5 % de
chaque ct).
z
lim
= 1,96
X
X
X 1,31 =
2 ( )
2
n 1 ( )
----------------- S
1 2 ( )
2
n 1 ( )
---------------------- < <
0,1
0,216
3
-------------- S 0,1
9,35
3
----------- < <
z
0
X
n
----------------
=
z
0
1,31 1,2
0,1 4
----------------------------
2,2 = =
Six Sigma
Test of mu = 1,2 vs not = 1,2
The assumed standard deviation = 0,1
Variable N Mean StDev SE Mean 95% CI Z P
proto 4 1,31 0,111 0,05 (1,212; 1,408) 2,20 0,028
La valeur p-value (risque alpha) tant infrieure 5 % on refuse lhypo-
thse H
0
. Il y a un cart signicatif. Graphiquement, lhypothse H
0
est
en dehors de lintervalle de conance sur la moyenne, lcart est donc
signicatif.
5. Conclure.
Si z
0
> z
lim
, on conclut que lcart
est signicatif.
Si z
0
z
lim
nest pas signicatif.
2,2 tant suprieur 1,96, on conclut
que le nouveau ressort est signicati-
vement plus puissant que le ressort
prcdent.
lchantillon.
Boxplot of proto
(with H0 and 95 % z-confidence interval for mean, and StDev = 0,1)
1,20
H0
1,25 1,30
X
1,35 1,40 1,45
proto
Interprtation
tape 3 Analyser
Fiche Test t thorique
Comparaison dune moyenne une valeur thorique ( inconnu)
Ce que fait le test
moyenne et un cart type estim S. Peut-il tre considr comme reprsenta-
tif de la population totale de moyenne ?
duelles.
Exemple
Je veux produire des ressorts dont la
force moyenne doit tre suprieure
la valeur thorique = 1,2 N. Les
prototypes du nouveau ressort
donnent : 1,32 1,45 1,18 1,29
culer la moyenne et lcart type S.
On suppose que lcart type est
estim par S. On utilise alors la loi
de Student.
S = 0,111
2. Calculer la variable rduite t
o
3. Chercher dans la table de Student
la valeur t
lim
chaque cot) et le nombre de ddl
(n1).
t
lim
= 3,182
risque bilatral, = 4-1 =3
4. Conclure.
Si t
0
> t
lim
est signicatif.
Si t
0
t
lim
1,98 tant infrieur 3,182, on con-
clut que le nouveau ressort nest pas
signicativement suprieur 1,2 N.
procdure.
Si on veut amliorer le test, il faut
refaire des prototypes an daugmen-
ter la taille de lchantillon.
X
X 1,31 =
t
0
X
S n
----------------
=
t
0
1,31 1,2
0,111 4
----------------------------
1,98 = =
Six Sigma
Test of mu = 1,2 vs not = 1,2
Variable N Mean StDev SE Mean 95% CI T P
proto 4 1,31 0,111 0,05553 (1,1333; 1,487) 1,98 0,142
La valeur p-value (risque alpha) tant suprieure 5 %, on accepte
lhypothse H
0
. Il ny a pas dcart signicatif. Graphiquement, lhypo-
thse H
0
est dans lintervalle de conance sur la moyenne, lcart nest
donc pas signicatif.
Boxplot of proto
(with H0 and 95 % t-confidence interval for the mean)
1,1 1,2 1,3 1,4 1,5
X
proto
H0
Interprtation
tape 3 Analyser
Fiche Test z
Comparaison de deux moyennes ( connu)
Ce que fait le test
tant donn deux chantillons de taille n
1
et n
2
, dont les valeurs observes ont
pour moyenne et On considre connus les carts types
1
et
2
. Peut-on
conclure que la diffrence entre et est signicative ?
duelles.
Exemple
= 0,1N. Ces valeurs ont t calcu-
nouveau ressort an daugmenter
cette force. On teste en parallle la
solution actuelle et la solution inno-
vante.
Les 5 ressorts actuels en test
donnent :
1,21 ; 1,26 ; 1,15 ; 1,12 ; 1,18
donnent :
1,32 ; 1,45 ; 1,18 ; 1,29
culer les moyennes , et les
carts types S
1
et S
2
.
= 1,18 ; = 1,31
S
1
= 0,054 ; S
2
= 0,111
5 % devant contenir S pour les
deux carts types.
Si ce nest pas le cas, passer au
test t.
0,035 < S
1
< 0,17
0,027 < S
2
< 0,18
S
1
et S
2
tant dans lintervalle, on
accepte lhypothse connu = 0,1 N.
3. Calculer la distance entre les deux
moyennes
d = 1,31 1,18 = 0,13
X
1
X
2
X
1
X
2
X
1
X
2
X
1
X
2
2 ( )
2
n 1 ( )
----------------- S
1 2 ( )
2
n 1 ( )
---------------------- < <
d X
1
X
2
=
Six Sigma
Figure 5.34 Bote moustache du problme
4. Calculer lcart type de la distance
5. Calculer la variable z
0
6. Chercher dans la table de Gauss la
valeur z
lim
chaque ct).
z
lim
= 1,96
7. Conclure.
Si z
0
> z
lim
est signicatif.
Si z
0
z
lim
procdure.
1,88 tant infrieur 1,9, on conclut
que le nouveau ressort nest pas signi-
cativement plus puissant que le res-
sort prcdent.
Pour diminuer le doute, il faut aug-
menter la taille de lchantillon.
1
n
1
----------
,

_
2
2
n
2
----------
,

_
2
+
=
d
0,1
5
-------
,
_
2
0,1
4
-------
,
_
2
+
0,07 = =
z
0
d
d
------ = z
0
0,13
0,07
----------- 1,88 = =
Boxplot of actuel ; proto
actuel proto
D
a
t
a
1,45
1,40
1,35
1,30
1,25
1,20
1,15
1,10
tape 3 Analyser
Fiche Test t
Comparaison de deux moyennes ( inconnu)
Ce que fait le test
tant donn deux chantillons de taille n1 et n2, dont les valeurs observes ont
pour moyenne et et pour carts types S
1
et S
2
. Peut-on conclure que la
diffrence entre et est signicative ?
Attention : si les deux chantillons peuvent tre appairs, cest--dire que cha-
que valeur dun chantillon peut tre mise en regard dune valeur dun second
chantillon par un caractre commun, il faut utiliser le test t appair.
duelles.
Exemple
Dans la conception dun assemblage
coll, on veut tester deux types de
colles diffrentes pour augmenter la
force larrachement.
La colle 1 a donn :
3,1 ; 5,2 ; 3,8 ; 6,3 ; 4,5
La colle 2 a donn :
4,7 ; 8,2 ; 5,6 ; 6,3 ; 7,5 ; 6,5
1. partir des valeurs releves, calcu-
ler les moyennes , et les
carts types S
1
et S
2
.
= 4,58 ; = 6,47
S
1
= 1,24 ; S
2
= 1,26
2. Vrier lhomognit des deux
variances par le test F.
comparer F
thor
pour
1
et
2
ddl
; F
thr
= 6,26
F < F
thor
,
on accepte lhomognit des
variances.
3. En cas dhomognit des varian-
ces, calculer la variance intra-srie
4. Calculer la distance entre les deux
moyennes
d = 6,47 4,58 = 1,89
X
1
X
2
X
1
X
2
X
1
X
2
X
1
X
2
F
S
Max
2
S
Min
2
------------
=
F
1,26
2
1,24
2
-------------
1,04 = =
S
2

1
S
1
2
2
S
2
2
+
1

2
+
------------------------------
=
S
2
4 1,24
2
( ) 5 1,26
2
( ) +
4 5 +
--------------------------------------------------------------
1,57 = =
S 1,57 1,25 = =
d X
1
X
2
=
Six Sigma
5. Calculer lcart type de la distance
6. Calculer la variable t
0
7. Chercher dans la table de Student la
valeur t
lim
(5 % en bilatral, soit 2,5 % de cha-
que ct) et le nombre de ddl
(n
1
+ n
2
2).
t
lim
= 2,26
8. Conclure.
Si t
0
> t
lim
est signicatif.
Si t
0
t
lim
lchantillon et recommencer la pro-
cdure.
2,49 est suprieur 2,26
On conclut que la colle 2 est signi-
cativement plus rsistante (au risque
de 2,5 %) que la colle 1.
d
S
n
1
----------
,
_
2
S
n
2
----------
,
_
2
+
S
n
1
n
2
+
n
1
n
2
------------------
= =

d
1,25
5 6 +
30
------------ 0,76 = =
t
0
d
d
------ = t
0
1,89
0,76
----------- 2,49 = =
tape 3 Analyser
N Mean StDev SE Mean
Colle 1 5 4,58 1,24 0,55
Colle 2 6 6,47 1,26 0,52
Difference = mu (Colle 1) - mu (Colle 2)
Estimate for difference: -1,88667
95% CI for difference: (-3,60250; -0,17083)
T-Test of difference = 0 (vs not =): T-Value = -2,49 P-Value =
0,035 DF = 9
La valeur p-value (risque alpha) tant infrieure 5 %, on refuse lhypo-
thse H
0
. Il y a un cart signicatif.
Boxplot of actuel ; proto
Colle 1 Colle 2
D
a
t
a
3
4
5
6
7
8
Interprtation
Six Sigma
Fiche Test t appair
Comparaison de deux moyennes Cas des chantillons appairs
Ce que fait le test
Il permet de comparer la moyenne de deux chantillons en tenant compte de
lappairage existant entre les deux.
chantillons appairs : cest le cas des chantillons dans lesquels chaque indi-
vidu du premier chantillon a un point commun avec un individu du second
chantillon.
Une machine de production (presse
injecter) possde six empreintes dans
le moule. Pour comparer leffet de la
pression dinjection, on ralise un pre-
mier cycle avec 250 bars.
E1 E2 E3 E4 E5 E6
1,02 1,05 1,03 1,07 1,08 1,01
et un second cycle avec 280 bars
E1 E2 E3 E4 E5 E6
1,03 1,07 1,05 1,09 1,09 1,03
Peut-on conclure une inuence
signicative de la pression ?
Les deux chantillons sont coupls
par le numro de lempreinte.
1. On calcule pour chaque couple de
points la diffrence.
Tableau des diffrences
E1 E2 E3 E4 E5 E6
0,01 0,02 0,02 0,02 0,01 0,02
2. On calcule la moyenne et lcart
type du tableau des diffrences.
On vrie que d est signicative-
ment diffrent de zro en ralisant
le test t
thorique
.
= 0,0167
S
d
= 0,00516
3. Calculer la variable rduite t
o
X
d
t
0
X
d
S
d
n
-----------------
= t
0
0,0167
0,00516 6
-------------------------------
7,91 = =
tape 3 Analyser
Paired T for 250B - 280B
N Mean StDev SE Mean
250B 6 1,04333 0,02805 0,01145
280B 6 1,06000 0,02757 0,01125
Diffrence 6 -0,016667 0,005164 0,002108
95% CI for mean difference: (-0,022086; -0,011247)
T-Test of mean difference = 0 (vs not = 0): T-Value = -7,91
P-Value = 0,001
4. Chercher dans la table de Student
la valeur t
lim
chaque ct) et le nombre de ddl
(n1).
t
limite
= 2,57
5. Conclure.
Si t
0
> t
lim
est signicatif.
Si t
0
t
lim
procdure.
7,91 > 2,57
On conclut que lcart est signicatif.
Boxplot of Differences
(with H0 and 95 % t-confidence interval for the mean)
0,025 0,020 0,015 0,010 0,005 0,000
X
Differences
H0
Six Sigma
La valeur p-value (risque alpha) tant infrieure 5 %, on refuse lhypo-
thse H
0
. Il y a un cart signicatif.
Fiche Test B to C
Comparaison de deux moyennes
Ce que fait le test
Il permet de comparer la moyenne de deux chantillons mme lorsque la distri-
bution ne suit pas une loi connue (loi normale, par exemple). Il peut tre utilis
pour faire une comparaison sur des critres daspect (gure 5. 37).
On veut rgler une tension lectrique sur
un produit. Deux rglages sont possibles
et on les effectue sur deux lots de pro-
duits. Peut-on conclure un cart
signicatif ?
Rglage1 125,6 123,5 128,2 125,0 127,9 126,5
Rglage2 128,1 126,7 130,4 128,6 127,6 134,4
1. Ranger les essais dans lordre
croissant des rsultats.
Rglage1 123,5 125,0 125,6 126,5 127,9 128,2
Rglage2 126,7 127,6 128,1 128,6 130,4 134,4
2. Compter le nombre de pro-
duits en n sans recouvre-
ment.
Ici, le nombre de produits en n
= 4 + 3 = 7.
3. Conclure en utilisant la rgle
suivante (risque = 10 %)
dans le cas o le nombre de B
est gal au nombre de C, ou
nB/nC ne dpasse pas 0,75.
Risque produits en n
0,1 6
0,05 7
0,01 10
0,001 17
Lcart est signicatif avec un risque de
5 %.
Interprtation
4
3
tape 3 Analyser
Figure 5.37 Utilisation du test B to C pour le contrle daspect
Aprs classement dans lordre dcroissant de qualit daspect, on note
que les 3 meilleures ralisations lont t aprs modication et les 5
plus mauvaises avant modication. Le nombre de bouts (3 + 5 = 8)
est suprieur 7, lcart est donc signicatif.
Lot ralis avant modification
1
2
3
4
5
11
12
13
14
15
6
7
8
9
10
3B 5C
16
17
18
19
20
Lot ralis aprs modification
Ordre dcroissant sur l'aspect visuel
Peut-on dire si la modification a apport queque chose et avec quels risques ?
B to C test de comparaison visuel
Six Sigma
Fiche Test de Hartley
Comparaisons de plus de deux variances
Ce que fait le test
Le test de Hartley consiste comparer plusieurs variances , , , ,
toutes tablies avec le mme nombre de degr de libert. Ce test permet de
tester lgalit de k(k < 13) variances.
Les chantillons sont tirs dune
population normale.
Les chantillons ont une taille identi-
que.
Exemple
On a tir 6 chantillons de taille n = 4
et on souhaite calculer un estimateur
de lcart type partir de lensemble
des carts types de ces chantillons.
On trouve
S 2,5 3,2 1,9 2,8 2,5 1,7
S
2
6,25 10,24 3,61 7,84 6,25 2,89
1. Identier et qui sont
respectivement la plus forte et la
plus faible des estimations des k
variances.
= 10,24 ; = 2,89
2. Former le rapport r tel que
3. Comparer ce rapport la valeur
dans la table de Hartley pour k,
et .
r
limite
=62
4. Si r < r
table
on accepte lhypo-
thse dhomognit et on peut
calculer un estimateur plus prcis
partir de :
Comme
1
=
2
=
k
on peut
simplier lexpression prc-
dente qui devient :
r < r
limite
on accepte lhypothse
dhomognit.
On peut calculer
S
1
2
S
2
2
S
k
2
S
max
2
S
min
2
S
max
2
S
min
2
r
S
Max
2
S
Min
2
------------ = r
S
Max
2
S
Min
2
------------
10,24
2,89
-------------- 3,54 = = =
S
1
S
1
2
2
S
2
2

k
S
k
2
+ + +
1

2

k
+ + +
------------------------------------------------------------ =
S
S
1
2
S
2
2
S
k
2
+ + +
k
------------------------------------------ = S
6,25 10,24 2,89 + + +
6
------------------------------------------------------------- 2,49 = =
tape 3 Analyser
Fiche Test Hypergomtrique
Comparaisons de deux frquences
Ce que fait le test
Le test hypergomtrique consiste comparer deux frquences dapparition
dun phnomne an de dterminer si la diffrence est signicative ou non.
Lutilisation de cette loi nentrane
aucune restriction sur les valeurs des
effectifs n
1
et n
2
des deux chantillons
ni sur les frquences observes (sur
les nombres dindividus x
1
et x
2
ayant
le caractre A).
Exemple
Deux machines sont mises en concur-
rence pour raliser un chantillon de
25 pices pour la premire machine et
de 30 pices pour la seconde. La pre-
mire machine a donn 1 pice dfec-
tueuse, alors que la seconde a donn
3 pices dfectueuses. Peut-on pour
autant conclure que la premire
machine est meilleure que la
seconde ?
1. Par convention, lindice 1 sera
affect lchantillon contenant la
frquence des individus A la plus
faible.
n
1
= 25 ; x
1
= 1
n
2
= 30 x
2
= 3
2. Calculer les frquences f
1
et f
2
.
;
3. Calculer lchantillon total.
N = n
1
+ n
2
; X = x
1
+ x
2
N = 55 ; X = 4
4. Calculer la probabilit de tirer x1
dfectueux ou moins dfectueux
dans lchantillon de taille n1
partir dun lot de taille N avec X
dfectueux.
(loi hypergomtrique)
P(0)=0,08
P(1)=0,30
P = P(0) + P(1) = 0,38
5. Conclure.
Si p < 0,05, lcart est signicatif ;
sinon, lcart nest pas signicatif.
0,38 > 0,05
Lcart nest pas signicatif.
f
1
1
25
------
0,04 = = f
2
3
30
------
0,1 = =
P
C
X
k
C
N X ( )
n
1
k ( )
C
N
n
1
-------------------------
k 0 =
x
1
=
Six Sigma
Fiche Test dindpendance
Comparaisons de frquences ventiles selon deux critres
Ce que fait le test
Le test dindpendance consiste comparer les frquences dapparition dun
phnomne ventil selon deux critres an de dterminer si la diffrence est
signicative ou non.
1. tablir le tableau des rpartitions
des frquences observes
X1 X2 total %
Y1 f
11
f
21
p
1
Y2 f
12
f
22
p
2
Y3 f
13
f
23
p
3
Total
% p
4
p
5
avec
Exemple
Un fabricant de moteurs lectriques
cherche dterminer lorigine des
bruits dans ses moteurs. Le suivi
seffectue partir du nombre de
moteurs refuss et accepts en fonc-
tion dune pice achete chez trois
fournisseurs diffrents. On veut savoir
si le fournisseur a un effet signicatif
sur la qualit des moteurs.
Accep Refus total %
F1 253 16 269 28,71
F2 150 8 158 16,86
F3 458 52 510 5,44
Total 861 76 937 100
% 91.89 8,11 100
Les pourcentages de moteurs refuss
sont-ils dpendants du fournisseur ?
2. tablir le tableau des rpartitions
des frquences thoriques.
X1 X2 Tot. %
Y1 p
1
Y2 p
2
Y3 p
3
Tot.
% p
4
p
5
Rpartition des frquences thoriques :
Accep Refus total %
F1 247,18 21,82 269 28,71
F2 145,18 12,82 158 16,86
F3 468,64 41,36 510 5,44
Total 861 76 937 100
% 91,89 8,11 100
f
i1
f
i2
f
i3
f
1j
f
2j
f
ij
p
1
f
i1
( ) f
ij
( ) =
p
1
f
1j
p
1
f
2j
f
i1
p
2
f
1j
p
2
f
2j
f
i2
p
3
f
1j
p
3
f
2j
f
i3
f
1j
f
2j
f
ij
tape 3 Analyser
Accep Refus All
F1 253 16 269
247,2 21,8 269,0
F2 150 8 158
145,2 12,8 158,0
F3 458 52 510
468,6 41,4 510,0
All 861 76 937
861,0 76,0 937,0
Pearson Chi-Square = 6,633 ; DF = 2 ; P-Value = 0,036
3. On forme le
pour chacune des cases du
tableau avec :
N
i
: Frquence observe
N
pi
: Frquence thorique
X1 X2
Y1
Y2
Y3
avec
Tableau du
2
Accep Refus Total
F1 0,14 1,55 1,69
F2 0,16 1,81 1,97
F3 0,24 2,74 2,97
tot. 0,54 6,1 6,63
avec
Le est gal la somme des
2
de chacune des cases que lon com-
pare avec admissible pour
un nombre de degrs de libert gal
(Nb de ligne 1) (Nb de colonne 1).
= 6,63
= 5,89
pour (2 1) (3 1) =2 ddl
4. Conclusion
Si > on refuse
lhypothse H
0
. Il y a un cart signi-
catif.
6,63 > 5,89
On refuse lhypothse H
0
; le fournis-
seur a bien une inuence sur le nom-
bre de dfauts constats.
2
N
i
N
pi
( )
2
N
pi
--------------------------- =
11
2
21
2
12
2
22
2
13
2
23
2
11
2
f
11
p
1
f
1j
( )
2
p
1
f
1j
-------------------------------------- =
0,14
253 247,18 ( )
2
247,18
---------------------------------------- =
Total
2
Maximum
2
Total
2
Maximum
2
Total
2
Maximum
2
Six Sigma
5. Lanalyse de la variance
5.1 Introduction
Lanalyse de la variance est particulirement importante. Elle permet
de comparer la position de deux (ou plus) populations rparties selon
deux (ou plus) critres.
Par exemple, on veut vrier linuence de la position dune pice et
dun type doutil sur une caractristique Y. On a ralis deux relevs
pour chaque combinaison position/outil. Les donnes disponibles sont
prsentes dans le tableau suivant (gure 5.39). Peut-on conclure
linuence de la position et de loutil ? Linteraction position*outil est-
elle signicative ?
Les tests simples de comparaison de moyennes ne peuvent pas rpon-
dre cette question, et ce pour deux raisons :
Il y a plus de deux modalits par facteur (il y a 3 positions).
Plusieurs facteurs ont vari simultanment dans lexprience (la
position et loutil).
Lanalyse de la variance (ANAVAR) permet de raliser ce type de test.
Ce type danalyse sera trs utile galement pour conclure sur les rsul-
tats dun plan dexpriences comme nous le verrons au chapitre 6.
Figure 5.39 Exemple de donnes pour lanalyse de la variance
Position Outil Y
1
Y
2
P1 O1 120,8 120,0
P1 O2 119,2 119,8
P2 O1 121,2 121,7
P2 O2 122,8 121,3
P3 O1 125,8 125,2
P3 O2 122,9 122,0
tape 3 Analyser
5.2 Analyse de la variance sur un facteur
5.2.1 Principe
Lanalyse de la variance sur un facteur permet de tester dventuelles
diffrences signicatives entre plusieurs modalits dun facteur.
Par exemple, on a ralis un essai avec trois types de joints pour dimi-
nuer une fuite. Le montage de chaque type de joint a t ralis sur
cinq produits ; le rsultat est prsent au tableau suivant (gure 5.40).
Figure 5.40 Inuence du joint sur la fuite
La question pose est la suivante : peut-on conclure que le joint 2, qui
a donn la plus faible moyenne de fuite, est signicativement
meilleur ?
Le schma prsent ci-aprs (gure 5. 41) donne une reprsentation
intuitive du principe de lanalyse de la variance. Dans le cas o lhypo-
thse H
0
est vraie, lcart constat sur les moyennes ne sera en fait que
lexpression de la dispersion alatoire. La variance de leffet sera donc
du mme ordre de grandeur que la variance rsiduelle. Dans le cas o
H
0
est fausse, la variance de leffet sera trs suprieure la variance
rsiduelle.
Le principe de lanalyse de la variance consiste donc comparer deux
variances : la variance de leffet du facteur et la variance rsiduelle.
Pour y procder, on utilise le test F que nous avons dj prsent.
Si la variance de leffet est signicativement suprieure la variance
rsiduelle, on conclut que lhypothse H
0
est fausse ; le facteur est
signicatif.
1 2 3 4 5
Joint 1 11 9 9 7 8 8,8
Joint 2 9 8 10 8 7 8,4
Joint 3 13 9 11 10 9 10,4
Six Sigma
Figure 5.41 Hypothse H
0
5.2.2 Dcomposition de la variance
Notations
Moyenne de lensemble des valeurs
Y
ij
Mesure de la rptition j de modalit i
Moyenne des mesures de la modalit i
m nombre de modalits
n nombre de rptitions pour chaque modalit
Y
1
Y
2
Y
2
Y
1
Facteur modalit 1
Cas o le facteur n'est pas significatif (H
0
vraie)
Cas o le facteur est significatif (H
0
fausse)
Y
Y
Y
Y
Facteur modalit 2
Facteur modalit 1
Facteur modalit 2
Effet suppos du facteur
Effet suppos du facteur
Y
Y
i
tape 3 Analyser
Lexemple prsent la gure 5.40 comporte 15 valeurs (m modalits
et n rptitions sur chaque modalit) sur lesquelles on peut calculer la
variance totale :
Cette variance a deux origines.
La variance rsiduelle que lon peut observer lorsque le facteur
reste sur la mme modalit (le mme joint) Variance intra-
chantillon.
La variance due aux variations de modalits du facteur (variation
sur en changeant de joint) Variance inter-chantillon.
V
T
Y
ij
Y ( )
2
j 1 =
n
i 1 =
m
nm 1
------------------------------------------ 36,4 = =
V
R
Y
ij
Y
i
( )
2
j 1 =
n
i 1 =
m
m n 1 ( )
-------------------------------------------- =
Y
V
A
Y
i
Y ( )
2
j 1 =
n
i 1 =
m
m 1
-----------------------------------------
n Y
i
Y ( )
2
i 1 =
m
m 1
----------------------------------- = =
Six Sigma
Figure 5.42 Dcomposition de la variance
Dans cette dcomposition de la variance, les numrateurs sont appels
Somme des carts au carr (SS) et les numrateurs degrs de
libert () .
On a ainsi , ,
On montre facilement que lon a : SS
T
= SS
A
+ SS
R
et
T
=
A
+
R
SS
T
= SS
R
+ SS
A
de mme,
T
= nm 1 = nm m + m 1 = m(n 1) + m 1 =
R
+
A
Y
2
YY
Y
Y
1
YY
m modalits
Variance de l'effet du facteur
Y
Y
Variance rsiduelle
Variance totale
Variance
rsiduelle
n rptitions
1 nm
) Y Y (
V
m
1 i
2
n
1 j
ij
T
-
-
=
= =
) 1 n ( m
) Y Y (Y
V
m
1 i
2
n
1 j
i ij
R
-
-
=
= =
1 m
) Y Y ( n
V
2
m
1 i
i
A
-
-
=
=
V
T
SS
T
T
---------
= V
R
SS
R
R
---------
= V
A
SS
A
A
---------
=
SS
T
Y
ij
Y ( )
2
j 1 =
n
i 1 =
m
Y
ij
Y
i
Y
i
Y + ( )
2
j 1 =
n
i 1 =
m
= =
SS
T
Y
ij
Y
i
( )
2
Y
i
Y ( )
2
2 Y
ij
Y
i
( ) Y
i
Y ( ) +
j 1 =
n
i 1 =
m
=
SS
T
Y
ij
Y
i
( )
2
Y
i
Y ( )
2
j 1 =
n
i 1 =
m
2 Y
ij
Y
i
( ) Y
i
Y ( )
j 1 =
n
i 1 =
m
+
j 1 =
n
i 1 =
m
=
= 0
tape 3 Analyser
En cas dhypothse nulle, la variance V
A
nest que la manifestation de
la variance rsiduelle V
R
. V
A
et V
R
sont donc gales sous lhypothse
H
0
. Le test de lanalyse de la variance consiste comparer V
A
et V
R
par
un test F en calculant le ratio :
Figure 5.43 Test de Snedecor
Le facteur sera signicatif si la valeur F est suprieure la limite maxi-
male admissible en fonction du risque alpha choisi dans la table de
Snedecor pour
A
et
R
degrs de liberts.
F
V
A
V
R
------- =
Y
1
YY
Y
2
YY
V
R
f
Rpartition du rapport V
A
/V
R
0 1 F
limite
V
A
/V
R
5 %
V
R
V
A
V
Zone non significatif Zone cart significatif
Six Sigma
5.2.3 Tableau danalyse de la variance
Cette analyse se pose traditionnellement sous forme de tableau :
Figure 5.44 Tableau danalyse de la variance
Ce qui donne dans le cas de notre exemple (gure 5.45) :
Figure 5.45 Application sur les fuites
Origine Somme des carrs SS ddl V F F
limite
p Contrib.
A
A
=
m1
Table
Rsidus
R
=
m(n1)
Total
T
=
nm-1
Origine Somme des carrs SS ddl V F F
limite
p Contrib.
A SS
A
= 5(0,4
2
+0,8
2
+1,2
2
)
= 11,2
A
=2
= 5,6 = 2,67
1
=2
2
=12
F=3,88
0,11 R
2
30,8 %
Rsidus SS
R
= 8,8+5,2+11,2
= 25,2
R
=12
= 2,1
69,2 %
Total SS
T
= 36,4
T
=14
= 2,6
SS
A
n Y
i
Y ( )
2
i 1 =
m
= V
A
SS
A
A
--------- = F
V
A
V
R
------- =
SS
A
SS
T
---------%
SS
R
Y
ij
Y
i
( )
2
j 1 =
n
i 1 =
m
=
V
R
SS
R
R
--------- =
SS
R
SS
T
---------%
SS
T
Y
ij
Y ( )
2
j 1 =
n
i 1 =
m
=
V
T
SS
T
T
--------- =
V
A
11,2
2
----------- = F
5,6
2,1
-------- =
V
R
25,2
12
----------- =
V
T
36,4
14
----------- =
tape 3 Analyser
Le ratio F calcul 2,67 tant plus petit que le ratio limite trouv dans la
table de Snedecor, 3,88, on peut accepter lhypothse H
0
et conclure que
le facteur nest pas signicatif. De mme, lorsquun logiciel calcule la
probabilit p (ici, 0,11), lorsque cette probabilit est suprieure 0,05, on
accepte lhypothse H
0
. La part de la variance rsiduelle est de 69,2 %.
La part du facteur est de 30,8 %. Nous reviendrons sur ce coefcient
appel R
2
, quand nous tudierons les corrlations en section 6.
Pour complter linterprtation, il est utile dafcher la bote moustache
telle que nous lavons dnie au paragraphe 2.1.
Figure 5.46 Bote moustache du problme de fuite
5.3 Gnralisation de lANAVAR
5.3.1 Tableau danalyse de la variance
partir des rsultats prcdents, il est ais de gnraliser lanalyse de
la variance pour des cas comportants :
plusieurs facteurs X ;
Interprtation
Bote moustache pour Fuite ft de joint
Joint
Joint 1 Joint 2 Joint 3
F
u
i
t
e
13
9
11
7
8
10
12
Six Sigma
plusieurs modalits pour chacun des facteurs ;
des interactions entre deux facteurs.
La mme dcomposition de la variance totale nous conduit au tableau
danalyse de la variance dans le cas :
2 facteurs : A comportant a modalits et B comportant b
modalits ;
chaque conguration est repre r fois.
Figure 5.47 Gnralisation du tableau ANAVAR
On pose comme notation :
Y
ijk
reprsente la rponse lorsque A = i ; B = j ; k
e
rptition
Y
= moyenne gnrale =
Y
ij
Y
j
Origine SS ddl V F F
lim
p Contrib.
Facteur
A
SS
A

A
= a1
Facteur
B
SS
B

B
= b1
Interaction
AB
SS
AB

AB
=
(a1)(b1)
Rsidus
SS
R

R
= m(n1)
Total
SS
T

T
=nm1
V
A
SS
A
A
--------- =
F
V
A
V
R
------- =
SS
A
SS
T
---------%
V
B
SS
B
B
--------- = F
V
B
V
R
------ =
SS
B
SS
T
---------%
V
A
SS
AB
AB
------------- =
F
V
AB
V
R
--------- =
SS
AB
SS
T
-----------%
V
R
SS
R
R
--------- =
SS
R
SS
T
---------%
V
T
SS
T
T
--------- =
1
abr
--------
Y
ijk
k 1 =
r
j 1 =
b
i 1 =
a
1
r
---
y
ijk
k 1 =
r
1
ar
-----
y
ijk
k 1 =
r
i 1 =
a
tape 3 Analyser
Les sommes des carts au carr se calculent partir des relations
suivantes :
5.3.2 Application sur un exemple

Nous allons reprendre lexemple (gure 5.39) donn au dbut de cette
section, concernant linuence de la position dune pice et dun type
doutil sur une caractristique Y.
Figure 5.48 Tableau dANAVAR 2 variables
Au vu de la somme des contributions
(71,7 % + 8,3 % + 14,9% = 94,8 %),
on a donc un coefcient R
2
= 0,948
Origine
Somme des
carrs SS
ddl V F F
lim.
p Contrib.
Position 32 522 2 16,26 41,78 5,14 0,000 71,7 %
Outil 3 741 1 3,74 9,61 5,99 0,021 8,3 %
Interaction 6 732 2 3,37 8,65 5,14 0,017 14,9 %
Erreur 2 335 6 0,3892 5,2 %
Total 45 329 11
SS
A
br Y
i..
Y
...
( )
2
i 1 =
a
=
SS
B
ar Y
.j.
Y
...
( )
2
j 1 =
b
=
SS
AB
r Y
ij.
Y
i..
Y
.j.
Y
...
+ ( )
2
j 1 =
b
i 1 =
a
=
SS
R
Y
ijk
Y
ij.
( )
2
k 1 =
r
j 1 =
b
i 1 =
a
=
Six Sigma
Les facteurs et linteraction reprsentent 94,8 % de la variance constate.
La probabilit p tant infrieure 0,05 pour chaque coefcient, on peut
refuser lhypothse H
0
et conclure que chaque lment a un effet signi-
catif.
Linterprtation doit se terminer par lexamen de trois graphiques : la bote
moustache (gure 5.49), le graphe des effets (gure 5.50) et le graphe
des interactions (gure 5.51). Linteraction signicative se note par un
cart important entre les effets des positions selon loutil considr.
Figure 5.49 Bote moustache
Interprtation
Boxplot de Y avec Position ; Outil
Position
Outil
P1 P2 P3
O1 O2 O1 O2 O1 O2
Y
125
121
123
119
120
122
124
126
tape 3 Analyser
Graphe des effets sur Y
Position Outil
P1 P2 P3 O1 O2
M
o
y
e
n
n
e

d
e

Y
123
121
122
124
120
Graphe des interactions pour Y
Position
P1 P2 P3
Outil
O1
O2
Y
124
121
122
123
125
126
120
119
Six Sigma
6. Ltude des corrlations
6.1 Notion de corrlation
Pour tudier la relation quentretiennent deux variables, on utilise le
diagramme de corrlation. Il y a corrlation si ces deux variables vo-
luent de faon commune. Le principe du diagramme est le suivant :
On reprsente les mesures sur un diagramme dont les axes repr-
sentent les deux variables.
Chaque mesure reprsente un point, le relev de plusieurs mesu-
res forme un nuage de points.
La corrlation apparatra si le nuage est orient dans le sens
dune droite.
Figure 5.52 Corrlation entre la taille du pre et du ls
Dans cet exemple (gure 5.52), une corrlation apparat entre la taille
du pre et celle de lenfant, car le nuage de points est orient. Cette
corrlation est positive, les deux variables voluent dans le mme sens.
1,5
1,00
1,10
1,05
1,15
1,20
1,25
1,30
Taille
de l'enfant
Taille du pre
1,6 1,7 1,8 1,9 2
Couple
Pre 1,75
Enfant 1,17
tape 3 Analyser
Figure 5.53 Les cinq types de corrlation
On peut classer les diagrammes de corrlation en cinq types selon le
nuage de points comme lindique le graphique de la gure 5.53. De
plus, les rsultats graphiques peuvent tre utilement enrichis par :
lquation de la droite de rgression qui permet de connatre la
pente et lordonne lorigine de la droite qui passe au mieux
des points ;
le coefcient R
2
qui indique le pourcentage des variations de Y
que lon peut imputer aux variations de X.
Il faut cependant prendre garde ne pas mlanger corrlation et
cause/effet. En effet, si dans lexemple qui prcde la corrlation est
due une relation de cause effet, il nen est pas toujours de mme.
Par exemple, dans le graphe reprsent ci-aprs (gure 5.54), on
observe une corrlation entre le poste automobile dans le budget
familial et le volume moyen de dchets mnagers par foyer. Ce nest
pas pour autant que les voitures gnrent des dchets mnagers, mais
ces deux facteurs ont une mme cause, non tudie ici : le pouvoir
dachat .
Absence
de corrlation
Corrlation
positive
Corrlation
positive
forte
Corrlation
ngative
forte
Corrlation
ngative
Six Sigma
Figure 5.54 Diffrence entre corrlation et cause/effet
6.2 Mthode de la mdiane
An de savoir sil y a corrlation, la mthode la plus simple appli-
quer est celle de la mdiane.
Figure 5.55 Mthode de la mdiane
Tracer la mdiane (autant de valeurs dun ct que de lautre)
sur les deux axes du diagramme de corrlation. On dtermine
ainsi quatre zones.
Identier les quatre zones.
Compter le nombre de donnes situes dans les zones 1 et 4, faire
la mme opration pour les zones 2 et 3 (exemple, zone 1/4 =
12 ; zone 2/3 = 2).
0
0
2
4
6
6
10
Volume moyen
en ordures
mnagres
300 600 900 1 200
Cot moyen du poste automobile
1
2
3
4
tape 3 Analyser
Choisir le total le plus lev entre 1/4 et 2/3 et le comparer au
tableau ci-aprs. (Exemple, pour 14 points, on a 12 points, ce qui
donne une corrlation entre bonne et moyenne. Pour en avoir
conrmation, il faudrait augmenter le nombre de points.)
Tirer les conclusions sur la corrlation entre les variables.
Figure 5.56 Mthode de la mdiane, tableau de dcision
6.3 Mthode de la rgression linaire
La rgression permet de trouver une relation linaire entre les deux
variables. Le problme consiste dterminer quelle quation de la
droite correspond le mieux la liaison qui existe.
Nombre
de points
Total le plus important entre les zones 1/4 et 2/3
10 10 9
12 11 10
13 13 11 10
14 14 13 11
15 14 13 12
16 15 14 13
18 17 15 14
20 18 17 15
26 26 22 20 19
30 28 25 23 21
40 35 32 29 27
50 42 38 35 32
60 49 44 41 38
80 62 56 53 49
100 74 68 64 60
Corrlation
Excellent
risque < 1 %
Trs bonne
risque < 5 %
Bonne
risque < 10 %
Moyenne
risque < 20 %
Six Sigma
Rappel : une droite a pour quation Y =
0
+
1
X.
Figure 5.57 Droite de rgression
6.3.1 Identication des coefcients
Pour chaque couple de points, on peut crire : e
i
= Y
i
(
0
+
1
X
i
)
Ce qui peut scrire sous forme matricielle de la faon suivante :
soit e = Y Xa
X 108 102 112 118 118 119 100 108 117
Y 174 173 185 197 191 197 174 188 204
Corrlation Y/X Y = 1,3947X + 31,719
R
2
= 0,7789
95 100
210
205
200
195
190
185
180
175
170
165
105 110
e
i
Y
i
X
i
115 120
X
Y
e
1
e
i
e
n
Y
1
Y
i
Y
n
1 X
1

1 X
i

1 X
n
1
=
tape 3 Analyser
Il sagit de trouver les coefcients
0
et
1
qui minimisent les carts
ei
2
entre la droite et les points. Lorsque ces carts sont minimaux, on
obtient la droite qui passe au mieux des points. On appelle cette
mthode la minimisation des moindres carrs de Gauss.
Application
Tous les logiciels statistiques calculent facilement les coefcients
0
et
1
; il est possible galement dutiliser un tableur pour retrouver ces
valeurs. Appliquons la relation = (X
t
X)
-1
.X
t
Y sur les donnes de
lexemple partir dun tableur Excel.
Matrices et
X
t
X = ; (X
t
X)
-1
=
= (X
t
X)
-1
.X
t
Y = qui dtermine les coefcients de la droite
de rgression.
Solution
La somme des carts e
i
2
scrit e.
t
e avec
t
e matrice transpose de e.
Minimiser e.
t
e consiste trouver les valeurs de
0
et
1
qui
anulent la drive de e.
t
e par rapport a
e.
t
e = [Y Xa]
t
[Y Xa] = Y
t
Y 2a
t
X
t
Y + a
t
X
t
Xa
= 2X
t
Y + 2X
t
Xa
Pour annuler cette drive, on a alors : = (X
t
X)
-1
.X
t
Y
e
t
e
a
--------------
X
1 108

1 117
= Y
174
204
=
9 1002
1002 111974
29,76 0,266
0,266 0,0024
31,719
1,3947
Six Sigma
6.3.2 Test de Student sur les coefcients
La relation = (X
t
X)
-1
.X
t
Y permet de trouver les valeurs des coef-
cients. Mais il faut se poser la question suivante : ces coefcients sont-
ils signicatifs ? Pour rpondre cette question, on utilise le test de
Student pour voir si le coefcient calcul est signicativement diffrent
de 0 (hypothse nulle).
Hypothse nulle : le coefcient a une valeur alatoire autour de zro.
Figure 5.58 Test de Student sur les coefcients
On rejette lhypothse nulle si lcart entre le coefcient calcul par
rapport 0 ne peut tre expliqu par des variations alatoires (avec un
risque alpha). On doit calculer la variable rduite t = /
; il faut
donc connatre
.
La variance sur les coefcients dpend (voir dmonstration) :
de la dispersion rsiduelle ;
de la position des points tests dans le domaine dtude (matrice
X).
Non significatif
Significatif
Coefficient
0
tape 3 Analyser
Application sur notre exemple
Figure 5.59 Calcul des e
i
On calcule V(e
i
) =
avec ici le nombre de degrs de libert 9 (donnes) 2 (coefcients)
7 soit
r
= 5,74
Connaissant
r
on dtermine facilement V() =
r
2
(X
t
X)
-1

r
2
(X
t
X)
-1
= 32,98 =
Dmonstration
= (X
t
X)
-1
.X
t
Y donc V() = V[(X
t
X)
-1
.X
t
Y]
X est la matrice des essais, cest une constante on peut donc
crire :
V() = (X
t
X)
-1
.X
t
.V(Y).X(X
t
X)
-1
Dans lhypothse nulle, V(Y) = V(e
i
) est la variance des rsultats
des essais, que lon suppose homogne dans tout le domaine
dtude.
On peut crire V(Y) =
r
2
I
(I matrice identit et
r
2
Variance rsiduelle)
V() =
r
2
(X
t
X)
-1
X
t
IX(X
t
X)
-1
=
r
2
(X
t
X)
-1
X 108 102 112 118 118 119 100 108 117
Y 174 173 185 197 191 197 174 188 204
0
+
1
X 182,4 174,0 187,9 196,3 196,3 197,7 171,2 182,4 194,9
e
i
= Y (
0
+
1
X) 8,4 1,0 2,9 0,7 5,3 0,7 2,8 5,6 9,1
r
2
e
i
2
ddl
------------ 32,98 = =
29,76 0,266
0,266 0,0024
981,66 8,78
8,78 0,079
Six Sigma
Ce qui permet de faire le tableau de test de Student :
Figure 5.60 Test de Student
Les valeurs de p sont trouves avec la table de Student pour 7 degrs
de libert. On considre que la corrlation est signicative lorsque p
est infrieur 0,05. Dans notre exemple, on conclut que la constante
0
nest pas signicativement diffrente de 0, mais la pente de
1
est
signicative.
6.3.3 Dtermination du coefcient R
2
Le test de Student permet de savoir si les coefcients calculs sont oui
ou non signicatifs. Mais ce nest pas parce quun facteur X est signi-
catif que lon a expliqu avec ce facteur une part importante des varia-
tions de Y.
Nous allons complter lanalyse en calculant un coefcient R
2
qui
mesure la proportion de la variance sur Y explique par la corrlation
entre X et Y. Comme la totalit des variations ne peuvent pas tre expli-
ques par la relation, R
2
est donc toujours infrieur 1. On peut le
ramener en pourcentage en multipliant par 100.
Le coefcient R
2
se calcule trs simplement par la relation suivante :
Mais si lon veut tenir compte des degrs de libert sur les rsidus, il
est prfrable de calculer le ratio :
Prdicteur Coef. sigma t p
Const
0
31,719 31,72/31,33 = 1,01 0,345
Pente
1
1,3947 1,39/0,28 = 4,97 0,002
981,66 31,33 =
0,079 0,28 =
R
2
V Y ( ) V e
1
( )
V Y ( )
---------------------------------
130,5 28,858
130,5
-------------------------------------
0,779 = = =
R
Ajust
2
V Y ( )
r
2
V Y ( )
-------------------------
130,5 32,98
130,5
----------------------------------
0,747 = = =
tape 3 Analyser
Figure 5.61 Signication de R
2
Pour bien comprendre la signication du ratio R
2
, observons le schma
(gure 5.61). La variance V(Y) correspond la variance totale obser-
ve sur Y. Cette variance peut se dcomposer en deux parties :
une partie imputable la corrlation donne par la pente de la
droite (V(Y)
r
2
) ;
une partie imputable aux dispersions alatoires autour de la
droite (
r
2
).
Le ratio R
2
calcule la proportion de la variance totale que lon peut
imputer la corrlation. Ainsi un coefcient R
2
de 0,3 pourra-t-il tre
interprt de la faon suivante : 30 % de la variance sur Y sont dus
aux variations de X. Cela signie galement que, si on ge la variable
X, on obtiendra une rduction de 30 % de la variance sur Y.
Corrlation Y/X Y = 1,3947X + 31,719
R
2
= 0,7789
95 100
210
205
200
195
190
185
180
175
170
165
105 110 115 120
V(Y)
V(Y)
r
2
r
2
X
Y
Six Sigma
6.4 Mthode de la rgression linaire multiple
Figure 5.62 Bote noire
La rgression simple permet de relier une sortie Y une entre X.
Cependant, dans les projets Six Sigma, il nest pas rare que la sortie Y
soit relie plusieurs entres X. Dans ce cas, une premire solution
consisterait tudier successivement les relations de Y avec chacun
des X. Nous montrerons dans cette section que cette solution nest pas
la bonne. Il est prfrable dtudier en bloc les relations de Y avec
lensemble des X.
La rgression linaire multiple permet de rpondre ce problme.
Cest une simple gnralisation de ce que nous venons de voir avec la
rgression linaire simple.
6.4.1 Les limites de la rgression simple
Lapproche consistant faire plusieurs corrlations simples entre Y et
chacun des X peut mener de graves erreurs. Pour illustrer ce point,
nous allons tudier deux cas :
1. lorsque deux X sont corrls entre eux et quil existe une relation
entre un des X et Y ;
2. lorsque deux X ont une relation avec Y mais quune des relations
est trs suprieure la seconde.
Systme
X1
Y
X2
X3
X4
tape 3 Analyser
Cas 1. Risque de voir une fausse corrlation
Figure 5.63 Risque de voir une fausse corrlation
Dans lexemple de la gure 5.63, la surface de rponse que nous avons
reprsente montre :
une absence de corrlation entre B et Y ;
une corrlation forte entre A et Y ;
une corrlation forte entre A et B ;
labsence de dispersion rsiduelle (
r
= 0).
Dans ces conditions, si on tablit la corrlation entre A et Y, on trou-
vera une corrlation parfaite avec un coefcient R
2
= 1 (100 % expli-
qu).
Mais si on tablit la corrlation entre B et Y, on trouvera une corrla-
tion avec un coefcient R
2
non nulle. Cela tient ce que dans les don-
nes de dpart il y avait corrlation entre A et B. On peut donc croire
une corrlation entre B et Y qui en fait nexiste pas. Le traitement en
rgression multiple vite ce grave inconvnient pour lanalyse.
Ce genre derreur peut arriver souvent. Supposons que lon tudie la
relation entre un Y et la temprature et la pression atmosphrique.
Temprature et pression sont en fait corrles car lorsque les pressions
On croit une corrlation
entre B et Y
On voit la corrlation
entre A et Y
Surface de rponse :
un effet de A sur Y
pas d'effet de B sur Y
Y
B
B
Y
A
A
Y
Six Sigma
sont leves il fait beau et la temprature est galement leve. Si Y
nest reli qu la pression par exemple, on risque de ne pas sen ren-
dre compte si on se contente de faire plusieurs rgressions simples.
Cas 2. Risque de ne pas voir une corrlation
Figure 5.64 Risque de ne pas voir une corrlation
Dans lexemple de la gure 5.64, la surface de rponse que nous avons
reprsente montre :
une corrlation forte entre A et Y ;
une corrlation faible entre B et Y ;
labsence de dispersion rsiduelle (
r
=0) ;
labsence de corrlation entre A et B.
Dans ces conditions, si on tablit la corrlation entre A et Y, on trouve
une corrlation presque parfaite avec un coefcient R
2
proche de 1. Ce
qui apparat comme de la dispersion rsiduelle est en fait leffet projet
de B.
Mais si on tablit la corrlation entre B et Y, on trouve une corrlation
avec un coefcient R
2
proche de zro. Cela tient ce que ce qui appa-
rat comme de la dispersion rsiduelle est en fait leffet projet de A,
On ne voit pas
la corrlation
entre B et Y
On voit la corrlation
entre A et Y
Surface :
effet fort de A
effet faible de B
Y
B
Y
B
A
A
Y
tape 3 Analyser
qui est trs important. Le traitement en rgression multiple vite ce
grave inconvnient car on va traiter en mme temps leffet de A et de
B. On pourra alors montrer dans ce cas lexistence des deux corrla-
tions avec leur part respective.
6.4.2 Corrlation sur plusieurs facteurs
Pour illustrer le traitement en corrlation multiple, nous allons nous
appuyer sur un exemple. Une socit de dcolletage avait un taux de
rebuts important sur un usinage de pices en fonte en raison de la pr-
sence de soufures. On souponnait la composition de la fonte dtre
lorigine de ce dfaut car les pourcentages de rebuts variaient dun lot
lautre. Dans ltape Mesurer , on a cr un historique des dfauts
avec la composition de la matire (gure 5.65).
Figure 5.65 Historique du dfaut soufure
Coule %C %MN %SI %P %NI %CR
Y = %
Soufure
H064 3,35 0,72 2,44 0,04 0,16 1,04 15,08
H096 3,43 0,74 2,39 0,04 0,17 1,03 14,8
H120 3,46 0,75 2,35 0,05 0,16 1,04 11,9
H131 3,44 0,68 2,41 0,06 0,12 1,02 14,21
H135 3,44 0,64 2,36 0,07 0,12 1,04 17,87
H160 3,44 0,71 2,37 0,06 0,1 1,05 10,75
H166 3,51 0,73 2,4 0,06 0,13 1,04 11,48
H201 3,44 0,75 2,32 0,04 0,1 1,04 7,02
H203 3,44 0,69 2,35 0,04 0,17 1,02 18,12
H225 3,52 0,65 2,42 0,05 0,15 1,04 18,52
H236 3,61 0,7 2,43 0,06 0,11 1,05 10,6
H245 3,41 0,62 2,32 0,07 0,14 1,05 19,2
H256 3,46 0,63 2,35 0,06 0,16 1,04 22,3
H259 3,5 0,75 2,36 0,06 0,12 1,04 9,46
Six Sigma
On va chercher expliquer Y (pourcentage de soufures) par les varia-
tions des X (composition de la matire) sous la forme :
=
La rgression multiple a pour objet de trouver ces coefcients , de
savoir sils sont signicatifs et de connatre le pourcentage de la
variance de Y que lon a expliqu avec cette relation (coefcient R
2
).
Le tableau de la gure 5.65 peut scrire sous une forme matricielle :
Y
i
=
i
+e
i
, lobjectif tant de minimiser les e
i
.
soit e = Y Xa
La solution comme dans le cas de la corrlation simple (paragraphe
6.3) est :
= (X
t
X)
-1
.X
t
Y
avec comme variance sur a :
V() =
r
2
(X
t
X)
-1
et comme coefcient R
2
ajust
Y
0

1
C
2
MN
3
SI
4
P
5
NI
6
CR + + + + + +
Y
e
1
e
i
e
n
Y
1
Y
i
Y
n
1 C
1
NI
1
CR
1

1 C
i
NI
i
CR
i

1 C
n
NI
n
CR
n
6
=
R
Ajust
2
V Y ( )
r
2
V Y ( )
-------------------------
=
tape 3 Analyser
Application sur lexemple
On trouve :
=
avec V() =
r
2

soit = 89,9 4,5C 70,9MN + 1,0SI + 16,6P + 88,5NI 24,8CR
Pour chaque coule, on peut calculer la prvision et le rsidu e
i.
Figure 5.66 Prvision et rsidus
N
o
%C %MN %SI %P %NI %CR Y e
i
H064 3,35 0,72 2,44 0,04 0,16 1,04 15,08 15,1 0,06
H096 3,43 0,74 2,39 0,04 0,17 1,03 14,8 14,4 0,36
H120 3,46 0,75 2,35 0,05 0,16 1,04 11,9 12,6 0,69
H131 3,44 0,68 2,41 0,06 0,12 1,02 14,21 14,8 0,62
H135 3,44 0,64 2,36 0,07 0,12 1,04 17,87 17,3 0,59
H160 3,44 0,71 2,37 0,06 0,1 1,05 10,75 10,1 0,61
H166 3,51 0,73 2,4 0,06 0,13 1,04 11,48 11,3 0,14
H201 3,44 0,75 2,32 0,04 0,1 1,04 7,02 7,2 0,15
H203 3,44 0,69 2,35 0,04 0,17 1,02 18,12 18,1 0,03
89,9
4,5
70,9
1,0
16,6
88,5
24,8
1625,7
27,9
68,1
58,2
1 700,1
207,2
1 152,1
Y
Y
Y
Six Sigma
On peut ainsi calculer et V(Y) = 19,26
Soit
Autrement dit, 96,7 % de la variance des Y est explique par les varia-
tions des X, cest une excellente corrlation. Pour savoir si ces coef-
cients sont signicatifs, il faut faire le test de Student :
Les trois coefcients qui apparaissent signicatifs sont la constante, le
manganse (MN) et le nickel (NI). Les autres ntant pas signicatifs,
il convient de refaire la rgression en liminant les coefcients non
signicatifs. Pour aboutir :
= 52,3 72,5MN + 92,5 NI
H225 3,52 0,65 2,42 0,05 0,15 1,04 18,52 18,6 0,07
H236 3,61 0,7 2,43 0,06 0,11 1,05 10,6 11,0 0,42
H245 3,41 0,62 2,32 0,07 0,14 1,05 19,2 20,3 1,12
H256 3,46 0,63 2,35 0,06 0,16 1,04 22,3 21,3 1,04
H259 3,5 0,75 2,36 0,06 0,12 1,04 9,46 9,0 0,42
Const
0
89,94 89,9/32,06 = 2,81 0,026
%C
1
4,56 4,197 4,56/4,197 = 1,09 0,313
%MN
2
70,92 6,561 10,81 0,000
%SI
3
1,004 6,066 0,17 0,869
%P
4
16,58 32,79 0,51 0,629
%NI
5
88,51 11,45 7,73 0,000
%CR
6
24,82 22,99 0,92 0,388
r
2
e
i
2
ddl
------------
4,33
14 7
--------------- 0,632 = = =
R
Ajust
2
V Y ( )
r
2
V Y ( )
-------------------------
19,26 0,632
19,26
----------------------------------
0,967 = = =
0,63*1625,7
Y
tape 3 Analyser
Dsormais, tous les coefcients sont signicatifs, le pourcentage de man-
ganse a un coefcient ngatif ; donc, plus il y a de manganse, moins il
y a de soufures, et en revanche plus il y a de nickel, plus il y a de souf-
ures.
6.4.3 Prise en compte des interactions et effets quadratiques
ce stade, on pourrait tre tent damliorer encore la prvision en
intgrant des termes quadratiques (MN
2
et NI
2
) ou le terme dinterac-
tion MN*NI.
Avec la rgression multiple, cest trs facile ; il suft dintroduire dans
le tableau ces termes (gure 5.69) et de faire les mmes calculs que
prcdemment.
Figure 5.69 Intgration de termes de second ordre
Const. 52,3 3,372 15,51 0,000
%MN 72,494 4,377 16,56 0,000
%NI 92,456 8,069 11,46 0,000
Coule MN MN
2
NI NI
2
MN*NI Y = % Soufure
H064 0,72 0,5184 0,16 0,0256 0,1152 15,08
H096 0,74 0,5476 0,17 0,0289 0,1258 14,8
H256 0,63 0,3969 0,16 0,0256 0,1008 22,3

H259 0,75 0,5625 0,12 0,0144 0,09 9,46
R
Ajust
2
0,972 =
Interprtation
Six Sigma
Ce qui conduit lanalyse :
= 44,83 34,7MN 25,9*MN
2
2,9NI + 476,7NI
2
177,3*MN*NI
Plus aucun coefcient nest signicatif, il sagit donc dune mauvaise ide
de rajouter les termes de second ordre. On revient au modle ne compor-
tant que MN et NI.
6.4.4 Procdure StepWise ( pas pas )
La procdure pas pas propose dans tous les logiciels danalyse sta-
tistique est trs intressante ; elle permet dintroduire ou de supprimer
pas pas des variables an dobtenir le sous-ensemble de variables
qui soit le plus pertinent possible.
La procdure Forward part dun modle sans prdicteur et per-
met dajouter au fur et mesure des variables.
La procdure Backward part dun modle contenant tous les pr-
dicteurs et permet de retirer au fur et mesure des variables.
Const. 44,83 81,42 0,55 0,597
MN 34,7 215,7 0,16 0,876
MN
2
25,9 151,6 0,17 0,868
NI 2,9 160,1 0,02 0,986
NI
2
476,7 791,4 0,60 0,564
MN*NI 177,3 992,7 0,18 0,863
Y
R
Ajust
2
0,964 =
Interprtation
tape 3 Analyser
Les logiciels disposent tous dune procdure mixte permettant dajou-
ter ou denlever les variables du modle en fonction des rsultats du
test de Student. Nous ne pouvons que recommander cette procdure,
surtout lorsque lon dbute dans lutilisation de la rgression multiple.
titre dexemple, cette procdure a donn sur notre exemple :
Figure 5.71 Procdure pas pas
Au premier pas, seul MN a t slectionn.
Au second pas, NI a galement t slectionn et la procdure
sest arrte.
Au bout de deux pas en Forward, la rgression avait trouv le modle
le plus adapt.
6.4.5 Analyse des rsidus
lissue de la rgression multiple, les rsidus e
i
doivent tre alatoires.
Il est utile de tester leur normalit (gure 5.72).
Alpha pour entrer = 0,15 Alpha pour sortir = 0,15
Pas 1 2
Const. 69,12 52,30
MN 78,5 72,5
t 5,25 16,56
p value 0,000 0,000
NI 92,5
t 11,46
p value 0,000
S 2,52 0,731
R
2
69,65 97,65
67,12 97,23 R
Ajust
2
Six Sigma
Figure 5.72 Test de la normalit des rsidus
Dans cet exemple, la valeur p est suprieure 5 %, on peut donc rete-
nir lhypothse dune rpartition alatoire des rsidus.
7. Les tests de Shainin
Dorian Shainin est un Amricain qui a pass sa vie rsoudre des
problmes industriels. Il a mis au point un certain nombre de tests, trs
simple utiliser et extrmement performants. Le test B to C que nous
avons dj prsent fait partie de ces tests. Nous prsentons dans ce
paragraphe deux tests trs utiles dans l'tape Analyser :
Le test d'inversion
Le test de comparaison par paires
Test de normalit des rsidus
(rponse = % Soufflure)
Rsidus
P
o
u
r

c
e
n
t
2 -1 0 1 2
99
1
95
90
80
70
60
50
40
30
20
10
5
N 14
AD 0,4061
PValue 0,304
tape 3 Analyser
7.1. Le test d'inversion
Objectif du test : dterminer quel est le composant coupable d'un pro-
blme qualit dans un assemblage dmontable. Pour pouvoir raliser
ce test, on fait un certain nombre d'hypothses :
On dispose d'un produit bon A et d'un produit mauvais B. Plus
ces produits seront extrmes, mieux marchera le test.
On sait mesurer la rponse optimiser par une rponse continue.
On est capable de dmonter et de remonter le systme.
On dispose d'un certain nombre de composants suspects que
l'on peut inverser entre le produit bon et le produit mauvais.
Ce test est trs proche des dmarches empiriques que l'on rencontre en
milieu industriel. C'est une des raisons pour laquelle il est particulire-
ment apprci. Pour conduire ce test on procde en 5 tapes.
tape 1 Isoler les extrmes
Mesurer un lot de produits, et isoler deux produits trs loigns
Bon (B) et Mauvais (M).
Exemple
Une entreprise a un problme de bruit dans les moteurs qu'elle
produit. Un moteur est constitu de cinq sous-ensembles que
l'on notera I, J, K, L, M.
Sur deux jours de production, on a isol deux moteurs B et M.
Le moteur B est mesur 35 dB, le moteur M est mesur 47 dB.
Il est particulirement bruyant.
tape 2 Identier la variabilit
Dmonter et remonter les produits B et M une premire fois, et
mesurer.
Dmonter et remonter les produits B et M une seconde fois, et
mesurer.
Ex
Six Sigma
Calculer l'tendue moyenne de dmontage remontage R.
Calculer l'cart type de dmontage remontage
est gal 1,806 pour 2 produits et 3 montages
Faire le test de Fisher (test t) pour valider si les deux populations
sont statistiquement diffrentes.
On vrie si la diffrence entre les deux moyennes D > 1,25 R
Si OUI on suspecte les composants
Si NON on suspecte le montage.
Calculer les deux plages de contrle t (95 % de la popula-
tion). Ces plages dnissent les limites des variations alatoires
de dmontage remontage. Pour que le test fonctionne bien, il est
prfrable que les deux plages ainsi dnies soient bien spares.
Figure 5.73 Dnition des plages de variations alatoires
R
d
2
*
------ =
d
2
*
50
45
40
35
30
25 25
D > 1,25 R
R1
R2
Initial Premier
deass/as
Fin du
processus
tape 3 Analyser
Exemple
d
2
= 1,806 t
0,95
pour 4 degrs de libert (2+2) = 2,776
tendue moyenne de dmontage remontage
R = (4 + 3)/2 = 3,5
cart type de dmontage remontage
Test de Fisher
D = 48,67 33,33 = 15,34 > 1,25 R
(=1,25 3,5 = 4,375)
On suspecte les composants
Calcul des deux plages de contrle
t = 2,776 1,94 = 5,38
tape 3 changer les constituants
On change tour tour les composants susceptibles de crer le dfaut
par dmontage remontage et on mesure le rsultat. Pour une plus
grande efcacit, on fait les inversions en commenant par le compo-
sant le plus suspect.
Si le M reste le M et le B reste le B, le composant chang n'inter-
vient pas.
Si le M devient le B, et le B le M, le composant chang et le
principal responsable du dfaut, on peut arrter les changes.
Moteur B Moteur M
Premier montage 35 47
Second montage 31 49
Troisime montage 34 50
Etendue 4 3
Moyenne 33,33 48,67
Ex
R
d
2
*
------
3,5
1,806
-------------- 1,94 = = =
Six Sigma
S'il y a un change partiel entre le composant M et B, le compo-
sant chang n'est pas le seul responsable du dfaut, il y a inte-
raction avec un autre composant, ou un cumul de deux effets il
faut continuer l'change.
chaque dmontage remontage, on remet les pices pralable-
ment changes dans leurs produits originaux pour s'assurer que
les conditions initiales restent les mmes.
Exemple
On a invers le composant I, il ne s'est rien pass, il n'est
donc pas coupable.
On a invers le composant J, cela a dgrad le produit bon
mais sans amliorer le produit mauvais. Le composant J
participe donc au dfaut mais n'est pas le seul responsable.
On a invers le composant K, il ne s'est rien pass, il n'est
donc pas coupable.
On a invers le composant L, cela a dgrad le produit bon
mais sans amliorer le produit mauvais. Le composant J
participe donc au dfaut mais n'est pas le seul responsable.
Tous les composants ont t inverss.
Figure 5.74 - Inversion des composant I L
Ex
50
Initial Premier
deass/as
second
deass/as
Ech
de I
Ech
de J
Ech
de K
Ech
de L
Test
Ech
Chapeau
de J et L
Cause
importante
Cause
importante
Possibilit
dinteraction
54,1
43,3
38,7
27,9
45
40
35
30
Fin du processus
dchange
tape 3 Analyser
tape 4 Faire l'essai chapeau de vrication
On inverse tous les composants qui ont une inuence sur la rponse,
on doit avoir une inversion totale des rsultats
Exemple
Les deux composants suspects sont les composants J et L.
L'essai chapeau consiste inverser simultanment ces deux
composants.
L'inversion de ces deux composants cr l'inversion, le produit B
passe dans la zone M, et le produit M passe dans la zone B. Nous
avons donc bien pig les deux coupables.
tape 5 Plan d'expriences complet
ce stade on connat les coupables, mais on ne sait pas si on est en
prsence de l'addition de deux effets ou de la combinaison d'effets et
d'interactions. Pour valider et chiffrer l'inuence des facteurs dclars
signicatifs par l'inversion, on ralise un plan complet pour dtermi-
ner les effets et les interactions de chaque facteur. (Le lecteur pourra se
reporter au Chapitre 6 pour plus de dtails sur les plans d'expriences)
Exemple
Les facteurs J et L ont t dclars importants, on fait un plan
complet deux facteurs deux niveaux :
N J L Rponse
1 B B 35
2 B M 40
3 M B 41
4 M M 48
Ex
Ex
Six Sigma
Figure 5.75 Plan d'expriences de validation
Remarque : Toutes les combinaisons du plan d'expriences ont
t testes pendant l'inversion, il suft de les identier, en faire
la moyenne et les insrer dans le plan d'expriences.
Dans l'exemple prsent, les deux segments de droite sont paral-
lles, il n'y a pas d'interaction mais simplement addition des
deux effets des composants J et L. Avec seulement deux compo-
sants extrmes on a pu, grce ce test, piger les deux principa-
les causes du bruit sur les moteurs
7.2 Le test de comparaison par paires
Le test de comparaison par paires est le pendant du test d'inversion
lorsque l'on ne peut pas inverser les composants. Il consiste compa-
rer des paires de produits bons et mauvais en notant toutes les diff-
rences. En reproduisant plusieurs fois cette comparaison on peut
identier des diffrences qui se reproduisent systmatiquement. Ce test
est constitu de 5 tapes :
C1
J
C2
M
C3
J/M
3,50
37,50
44,50
Moy Y
41,00
3,00 0,50
L = B L = M
J = B
J = M
50
40
30
tape 3 Analyser
tape 1 : Slectionner un produit bon (B) et un produit mauvais
(M) si possible fabriqus dans les mmes conditions et en mme
temps et qui sont le plus loigns possible.
tape 2 : Observer toutes les diffrences entre ces deux units B
et M. Les diffrences peuvent tre visuelles, dimensionnelles,
lectriques, mcaniques, chimiques Surtout ne pas s'arrter
la premire diffrence constate, mais faire un investigation
complte en utilisant toutes les techniques (visuel, rayons X,
microscope, test de destruction...)
tape 3 : Observer une seconde paire B et M. Observer toutes les
diffrences entre ces deux units comme dans l'tape 2.
tape 4 : Continuer l'observation sur d'autres paires jusqu' ce
que ressorte une typologie de dfauts rptitifs.
tape 5 : Ngliger les observations qui montrent des directions
contraires parmi les paires. Habituellement la 5 ou 6eme paire,
de fortes prsomptions apparaissent sur les X coupables du
dfaut. Valider statistiquement la signication du test par un test
de comparaison de frquence.
D'un point de vue statistique, lorsqu'un caractre est prsent sur les M
et absente sur les B dans 4 paires, cela donne un niveau de signica-
tion de 1,5 %.
Exemple
Dans l'exemple ci-dessous, dans la premire paire on note un
nombre important de diffrences. Sur l'ensemble des 4 paires,
seul l'encoche sur le bord des ellipses est prsente sur les 4 M et
absente sur les 4 B.
Un test hypergomtrique avec n
1
= 4 x
1
=0 n
2
= 4 x
2
= 4
donne un cart signicatif avec un risque alpha de 1,42 %
Ex
Six Sigma
Figure 5.76 Comparaison par paires

Paire 1 Paire 2 Paire 3 Paire 4
Mauvais
Bon
259
Chapitre 6
1. Introduction
Les trois premires tapes de lapplication de la mthodologie Six
Sigma nous ont permis de connatre les facteurs X responsables de la
variabilit de Y. Durant ces trois premires tapes, on na pas modi
le processus en profondeur. Les modications introduites nont port
pour linstant que sur la rduction de la variabilit en geant tous les
facteurs qui pouvaient ltre (voir tape Mesurer ).
Le temps est venu dapporter des modications en profondeur au pro-
cessus an datteindre lobjectif x au dbut du projet. Cette tape
peut se scinder en trois phases :
une phase de gnration des solutions ;
une phase dexprimentation ;
une phase danalyse de risques.
Nous prsentons dans ce chapitre les principaux outils permettant de
traiter cette tape, et notamment les plans dexpriences.
Six Sigma
2. Gnrer des solutions
La gnration de solutions est le fruit dun travail de groupe. De trs
nombreux outils ont t dvelopps pour assister les groupes de travail
dans ce domaine. Nous allons prsenter deux de ces outils :
le dballage dides (ou Brainstorming) qui permet de dvelop-
per la crativit du groupe ;
le vote pondr qui permet de choisir parmi plusieurs solutions.
2.1 Le dballage dides
Le travail de groupe cote cher, il faut donc quil soit efcace pour tre
rentable. Un dballage dides bien anim permet de gagner un temps
prcieux. Le principe de base en est de runir un groupe pluridiscipli-
naire an de provoquer une crativit par mulation. On distingue
trois phases dans un dballage dides : la dnition de lobjectif, le
dballage, la classication.
Dnir un objectif
Le dballage dides doit toujours commencer par une formulation
claire et crite de lobjectif de ltude, ce dernier devant tre accept de
faon consensuelle.
Dballage
Pendant le dballage dides, chaque membre du groupe voque tous
les lments concernant le sujet qui lui passent par la tte. La critique
des ides est interdite pendant le dballage, elle viendra en son temps.
Pour tre efcace, un animateur doit inscrire sur des bouts de papier
les lments au fur et mesure quils sortent et les afcher sur un mur
laide dun adhsif repositionnable. Il est trs important dviter les
tableaux en papier, qui ne permettent pas de structurer efcacement le
travail aprs le dballage. Dans un premier temps, les papiers sont col-
ls en dsordre sur le mur et noncs clairement an de donner des
ides aux autres membres du groupe.
En gnral, il nest pas trs utile de poursuivre trs longtemps le dbal-
lage. Souvent une demi-heure une heure bien conduite suft large-
ment.
Classication
Le dballage nest en effet quune premire tape. Il convient ensuite
de classer les donnes crites en vrac au tableau. Pour cela, on utilise
des outils tels que le diagramme dIshikawa autour des cinq M ou un
diagramme des afnits qui consiste regrouper toutes les ides par
proximit (par afnit). Cest au cours de ce classement que lutilisa-
tion dadhsifs repositionnables est apprcie. On limine les redon-
dances, parfois on dmultiplie une ide qui est comprise diffremment
par deux personnes et, enn, on regroupe sous la forme de macro-
ides les lments les plus proches.
2.2 Le vote pondr
Le vote pondr permet deffectuer un tri parmi les diffrents lments
qui apparaissent aprs un dballage dides.
Supposons que lors dune sance runissant cinq personnes,
15 solutions potentielles aient t voques. Comme il nest pas possi-
ble de mettre en place les 15 solutions, il faut choisir celles qui parais-
sent le plus efcaces. An dviter de longues et striles discussions,
on donne par exemple cinq droits de vote chaque membre du groupe.
Les cinq personnes rchissent individuellement et choisissent les
cinq solutions qui leur semblent le plus efcaces. Aprs rexion, cha-
cun note au tableau les cinq solutions quil a retenues.
En gnral, lissue de ce vote, on trouve trois catgories de solutions :
Celles qui ont reu lunanimit ou presque des votes. Ces solu-
tions seront alors retenues, il nest pas utile de perdre son temps
les discuter.
Celles qui nont pas eu ou trs peu de votes. Ces solutions ne
seront pas retenues au moins dans un premier temps. Il nest pas
non plus utile de perdre son temps discuter sur ces solutions.
Six Sigma
Celles qui obtiennent des avis partags. Elles sont en gnral peu
nombreuses et font lobjet de discussions au sein du groupe an
de savoir sil faut les retenir ou non.
Dans sa forme la plus simple telle que nous venons de lexposer, le
vote ne prend que quelques minutes. Il permet en revanche de gagner
parfois quelques heures de discussions ! On peut cependant avoir
recours un vote plus sophistiqu en incluant plusieurs critres. La
gure 6.1 montre le rsultat dun vote dans lequel on a demand
chaque membre de noter les ides de 1 5 selon trois critres : lefca-
cit, le cot et le dlai de ralisation. Chaque critre nayant pas la
mme importance, on affecte dun poids diffrent lefcacit (9), le
cot (3) et le dlai de ralisation (1). Les notes, qui apparaissent dans
le tableau, sont les moyennes des notes donnes par chaque individu.
La note globale est obtenue en additionnant chaque note pondre
selon le poids du critre correspondant.
Figure 6.1 Rsultat dun vote pondr
Ce vote montre que le meilleur compromis entre lefcacit, le cot et
le dlai de mise en uvre de la solution est ralis par la solution
modier le diamtre de gorge . Bien sr, dans ce type de vote, le
choix des poids affects chaque critre demeure un point dlicat, qui
doit tre bien valu.
Une fois que lon a choisi les solutions ou les paramtres qui doivent
tre modis pour atteindre notre objectif, il faut passer la dmarche
exprimentale, lors de laquelle nous allons modier le processus pour
dnir la meilleure conguration.
Solutions
Efcacit
(poids 5)
Cot
(poids 3)
Dlai
(poids 1)
Note
globale
Changer le type de joint 4,2 1,2 2,5 27,1
Diminuer la rugosit 2,1 1,7 3,6 19,2
Changer le type de uide 1,3 1,3 1,2 11,6
Rajouter une gorge 3,5 2,5 2,1 27,1
Modier le diamtre de gorge 2,8 4,6 4,6 32,4
3. Les dmarches exprimentales
3.1 Limportance de la dmarche exprimentale
Dans toute dmarche de progrs, lexprimentation doit tre privil-
gie. Dans une relation Y = f(X), nous devons rechercher une congu-
ration optimale des X pour atteindre lobjectif sur Y. On peut senqurir
de cette relation au niveau :
de la recherche proprement dite pour dcouvrir de nouvelles
relations ou comprendre une nouvelle technologie ;
de la conception dun produit dans le choix des composants et la
dtermination des caractristiques ;
de lindustrialisation pour le choix des paramtres, ltablisse-
ment des tolrances et la minimisation des cots ;
de loptimisation des processus pour la rsolution des probl-
mes.
Les tapes prcdentes de la dmarche ont permis didentier les fac-
teurs cls et dorienter la recherche de solutions, il va falloir mainte-
nant tre capable de tester ces dernires et doptimiser les
congurations au moyen dexpriences.
La conduite des expriences est une dmarche naturelle doptimisa-
tion. Mais cette phase exprimentale est trop souvent mene de faon
informelle partir dessais dcids au coup par coup. En gnral, les
dmarches dexprimentations traditionnelles prsentent les inconv-
nients suivants :
de nombreux essais, dont le cot est important ;
une faible prcision dans le rsultat ;
une absence de modlisation ;
une solution non optimale.
Six Sigma
Pourtant, depuis bien des dcennies dj, les tudes portant sur lopti-
misation des dmarches exprimentales ont donn lieu des mthodes
structures : les plans dexpriences. Relativement simples mettre en
uvre, ces dmarches sont extrmement efcaces pour amliorer la
pertinence des essais raliss en les limitant le plus possible.
La science des plans dexpriences, appele parfois exprimentique ,
est aujourdhui trs complte. Elle propose des solutions varies
adaptes tous les problmes rencontrs dans le monde industriel. Il
nest pas de notre intention de couvrir lensemble des solutions pro-
poses et nous dcrirons dans ce chapitre les trois principaux types de
plans dexpriences (gure 6.2).
Figure 6.2 Les grands types de plan dexpriences
Les plans de criblage : les plans de criblage ont pour objet de
dcouvrir parmi un grand nombre de facteurs X les quelques variables
ayant une inuence forte sur la rponse Y. Dans ce type de plan, on se
contente de mettre en vidence les effets principaux (on parle de plans
de rsolution III) en faisant varier les facteurs sur deux niveaux.
Les plans de caractrisation : dans ce type de plans, le nombre de fac-
teurs est gnralement limit. On cherche mettre en vidence des
relations plus complexes pour dgager certaines interactions entre les
X. Les facteurs sont gnralement tudis sur deux niveaux et on parle
de plans de rsolution IV ou V.
Temps
Criblage Caractrisation Modlisation
Les plans de modlisation : la modlisation devient ncessaire lors-
que lon veut connatre la relation exacte entre deux ou trois facteurs X
et Y. On cherche alors des relations complexes qui incluent interactions
et effets quadratiques. On utilise des plans de rsolution V, des plans
complets, ou des plans en surface de rponse. Les facteurs sont tudis
sur plus de deux niveaux.
3.2 tude dun facteur la fois
Dans un certain nombre dexpriences, on ne doit faire varier quun
seul facteur X an doptimiser Y. Dans ces conditions, on cherchera
nanmoins apporter la preuve statistique de lamlioration en ra-
lisant un test statistique montrant que la nouvelle conguration du X
apporte un changement signicatif sur le Y. Tous les tests que nous
avons prsents au chapitre 5, Analyser peuvent tre appliqus :
tests de comparaison de moyennes ;
tests de comparaison de variances ;
tests de comparaison de frquences ;
analyse de la variance.
3.3 tude de plusieurs facteurs la fois
Lorsque plusieurs facteurs doivent tre modis, la dmarche tradi-
tionnellement mise en uvre consiste souvent modier successive-
ment chacun des facteurs. On emploie alors la mthode un facteur
la fois de faon squentielle. Ce nest pourtant pas la bonne solution,
ce pour deux raisons :
la prcision sur les rsultats obtenus nest pas optimale ;
ltude des interactions est difcile.
Lorsque plusieurs facteurs doivent tre modis, il est prfrable de
modier lensemble des facteurs en mme temps dans un plan dexp-
riences optimisant le nombre dessais.
Pour illustrer ce point, prenons lexemple dune presse injecter avec
ltude de deux facteurs (gure 6.3). La rponse tudie est la varia-
tion sur une cote de la pice.
Six Sigma
Figure 6.3 Dnition du domaine dtude
Comparons deux stratgies dessais pour couvrir le domaine dtude :
la stratgie traditionnelle qui consiste faire varier un facteur en
plaant lautre facteur au niveau moyen ;
la stratgie plan dexpriences qui consiste se placer aux
extrmes du domaine dtude.
Figure 6.4 Les deux stratgies
Facteur Mini Maxi
Pression 300 500
Temprature 40 60
Stratgie traditionnelle Stratgie plan dexpriences
N Pression Temprature N Pression Temprature
1 400 40 5 300 40
2 400 60 6 300 60
3 300 50 7 500 40
4 500 50 8 500 60
Dnition dune interaction
Il y a interaction lorsque leffet dun facteur dpend de ltat dun autre
facteur.
Sur le schma de la gure 6.4, on va voir que, lorsque la pression
passe de 500 300, la rponse Y monte lgrement. Mais en fait,
comme il y a une interaction, lorsque la temprature est 60, la pres-
sion na pas deffet, alors que lorsque la temprature est 40 le pas-
sage dune pression de 500 300 modie de faon importante la
rponse.
Avec les quatre essais que propose la solution traditionnelle, il nest
pas possible de voir cette interaction, alors quelle apparat de faon
claire avec les quatre essais de la solution plans dexpriences .
Prcision sur les rsultats
Si lon veut calculer leffet de la temprature dans le cas de la stratgie
traditionnelle, il suft de comparer le rsultat de lessai 2 au rsultat de
lessai 1.
On calcule E
T
= Y
2
Y
1
Dans la stratgie plans dexpriences, on doit faire la moyenne des
deux carts constats entre Y
5
/Y
6
et Y
7
/Y
8
On calcule
Comme il y a de la dispersion sur Y lorsque lon fait des essais, cette
dispersion se retrouvera forcment dans la prcision de calcul des
effets des facteurs. Si on suppose que la dispersion est uniforme dans
le domaine dtude, on a alors
Variance(Y
1
) = [] = Variance(Y
8
) = Variance(Y).
Calculons la variance sur leffet de la temprature dans les deux situa-
tions (rappelons que la variance a la proprit dadditivit voir
chapitre 5).
Situation traditionnelle
V(E
R
) = V(Y
2
Y
1
) = V(Y
2
) + V(Y
1
) = 2V(Y)
E
T
1
2
--- Y
6
Y
5
( ) Y
8
Y
7
( ) + [ ] =
Six Sigma
Situation plan dexpriences
On le constate, la variance sur leffet (et donc la prcision de la mod-
lisation) sera deux fois plus faible dans la situation plans dexprien-
ces que dans la situation traditionnelle.
Ces deux avantages en matire dtude des interactions et de prcision
des rsultats font quon privilgie toujours la dmarche plans dexp-
riences par rapport la dmarche un facteur la fois lorsquune
exprimentation concerne plusieurs facteurs.
4. Les plans dexpriences 2 niveaux
Les plans dexpriences 2 niveaux sont sans aucun doute les plans le
plus utiliss compte tenu de leur pertinence en termes de rsultats au
vu du nombre dessais raliss.
4.1 Deux facteurs 2 niveaux plan complet
Considrons le problme de loptimisation de la rugosit sur un proces-
sus de fabrication. Le Black Belt a identi deux facteurs susceptibles
damliorer le rsultat (la vitesse de coupe et lavance par tour). Lana-
lyse technique le conduit mener une exprience avec 2 niveaux par
facteurs.
E
T
V
1
2
--- Y
6
Y
5
( ) Y
8
Y
7
( ) + [ ]

, ,

=
=
1
4
--- V Y
6
( ) V Y
5
( ) V Y
8
( ) V Y
7
( ) + + + [ ] V Y ( ) =
Figure 6.5 Dnition du domaine dtude
Le plan complet consiste tudier tous les nuds du maillage du
domaine dtude, ce qui requiert donc quatre essais dans ce cas.
Le plan dexpriences scrit de la faon suivante :
Figure 6.6 Plan dexpriences 2 facteurs 2 niveaux
Interprtation du plan dexpriences
Tableau des moyennes :
Figure 6.7 Tableau des moyennes
Vitesse de coupe Avance
Niveau 1 120 0,010
Niveau 2 200 0,015
Vitesse Avance Rugosit
Essai 1 120 0,010 10
Essai 2 120 0,015 16
Essai 3 200 0,010 4
Essai 4 200 0,015 6
Vitesse Avance
Niveau 1 (10 + 16)/2 = 13 (10 + 4)/2 = 7
Niveau 2 5 11
Nud
Vitesse
Avance
120
0,015
0,010
200
Maillage
Six Sigma
Pour les deux facteurs, on peut calculer leffet sur la rponse lorsquon
passe le facteur du niveau 1 au niveau 2.
Lorsque la vitesse est au niveau 1, la pression est une fois 1 et une
fois 2. De mme, lorsque la vitesse est au niveau 2, la pression est
une fois 1 et une fois 2. On peut donc comparer la moyenne des
deux essais raliss avec la vitesse 1 et la moyenne des deux essais
raliss avec la vitesse 2. Le tableau des moyennes peut se prsenter
graphiquement sous la forme du graphe des effets (gure 6.8). Le troi-
sime graphe donne limportance de linteraction, nous y reviendrons.
Graphe des effets
Tableau des interactions
Figure 6.9 Tableau des interactions
Pour visualiser les interactions, il faut considrer les quatre combinai-
sons de conguration des facteurs. Dans ce cas simple, il sagit des
quatre essais raliss. Dans des cas plus complexes, il faudra faire la
moyenne de tous les essais raliss dans la conguration considre.
Ce tableau des interactions se reprsente ainsi graphiquement
(gure 6.10) :
Vitesse =120 Vitesse = 200
Avance = 10 10 4
Avance = 15 16 6
C1
Vit
C2
Av
C3
Vit/Av
4,00
5,00
13,00
Moy Y
9,00
2,00 1,00
Graphe des interactions
Pour visualiser linteraction entre les deux variables X, il faut un gra-
phe en trois dimensions pour reprsenter les deux X et la variable Y.
Les logiciels de plans dexpriences permettent en gnral dobtenir
cette reprsentation en 3D (gure 6.10) ainsi quune projection suivant
un des axes X. Il y a interaction lorsque les deux segments de droites
sur la projection ne sont pas parallles, ce qui est le cas dans la
gure 6.10.
Reprsentation polynomiale de la surface de rponse
Dans la plupart des situations, une interprtation graphique partir
des graphes des effets et des interactions couple une analyse de la
variance suft pour interprter correctement un plan dexpriences. On
peut cependant parfois avoir besoin de lquation de la surface de
rponse pour procder une optimisation.
Pour reprsenter une telle surface (gure 6.10), on doit rechercher un
modle polynomial de type :
Y =
0
+
1
Vit +
2
Av +
3
Vit Av
120 200
16
12
8
4
0
Vitesse
Vit = 120
Vit = 200
0,010 0,015
16
16
10
6
4
12
8
4
0
Avance
Av = 15
Av = 10
Six Sigma
Calcul du modle Mthode 1
Une premire solution consiste utiliser la rgression linaire multiple
que nous avons dveloppe au chapitre 5, Analyser.
Nous avons montr que si on crit le plan dexpriences sous la forme
matricielle :
Xa = Y ou encore
Voici la solution de la rsolution du systme dquations :
= (X
t
X)
-1
.X
t
Y soit =
Ce qui donne comme polynme :
Y = 5 + 0,025 Vit + 2 400 Av 10Vit Av
Ce polynme permet de prvoir une rponse non teste dans le
domaine dtude. Prenons par exemple une vitesse de 130 et une
avance de 0,012, on calcule :
Y = 5 + 0,025 130 + 2 400 0,012 10 130 0,012 11,45
Dans cette reprsentation polynomiale, les coefcients sont difcile-
ment interprtables car ils dpendent de lunit de la vitesse et de la
pression. En gnral, pour pouvoir comparer ces coefcients, on pr-
fre utiliser une unit standard dans laquelle le domaine dtude varie
de 1 1.
1 120 0,010 120 0,010
1 120 0,015 120 0,015
1 200 0,010 200 0,010
1 200 0,015 200 0,015
3
10
16
4
6
=
5
0,025
2 400
10
Figure 6.11 Domaine dtude standardis
La matrice X devient alors et le vecteur =
Ce qui donne comme polynme : Y = 9 4Vit + 2Av Vit AV
Interprtation des coefcients
Dans cette nouvelle unit standard, les coefcients sont beaucoup plus
facilement interprtables. Ils sont comparables entre eux et correspondent
aux pentes du graphe des effets et de la reprsentation en surface de
rponse (gure 6.13).
Linteraction apparat comme tant lcart entre le plan moyen et la sur-
face de rponse relle.
Calcul du modle Mthode 2
On peut galement calculer les coefcients du polynme en units
codes en sappuyant sur les proprits graphiques de la surface de
rponse lorsque le domaine dtude varie entre 1 et 1.
Units du problme Units codes
Niveau bas Niveau haut Niveau bas Niveau haut
Vitesse (1) 120 (2) 200 1 1
Avance (1) 0,010 (2) 0,015 1 1
Interaction (1) (2) 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
9
4
2
1
Interprtation
Six Sigma
Figure 6.12 Calcul des effets
Lorsquil ny a quun seul facteur, le polynme revient lquation
dune droite et on peut procder aux calculs suivants.
Effet dun facteur A au niveau i
E
Ai
= (Moyenne des essais lorsque A = i) Y
Exemple : E
Vit2
= 5 9 = 4 EAv2 = 11 9 = 2
Interaction lorsque A = i et B = j
Linteraction est dnie comme tant lcart entre le plan moyen et la
surface de rponse (gure 6.13). On peut donc calculer :
I
AiBj
= (Moyenne des essais lorsque A = i) E
Ai
E
Bj
Y
avec Y la moyenne gnrale de tous les essais.
Exemple : I
Vit2Av2
=6 (4) (2) 9 = 1
Ce qui permet de trouver lquation : Y = 9 4Vit + 2Av Vit AV
Codage
Y =
0
+
1
A
Y
1
= (moyenne des essais lorsque A = i) Y
Moyenne des essais
lorsque A est au niveau 2
Niveau 1 Niveau 2
1 0
A
1
Figure 6.13 Interprtation graphique des coefcients
+2 (effet de Av)
1 (interaction)
4 (effet de Vit)
C1
Vit
C2
Av
C3
Vit/Av
4,00
5,00
13,00
Moy Y
9,00
2,00 1,00
1
1
4
2
1 1 1 1
Six Sigma
Plan complet deux facteurs 2 niveaux et table L
4
de Taguchi
Le plan complet deux facteurs 2 niveaux est donn dans les tables de
Taguchi qui sont rappeles dans le chapitre 10 de notre ouvrage.
Figure 6.14 Table L
4
de Taguchi et graphe associ
La table donne la conguration des essais raliser. Dans un graphe
de Taguchi, les facteurs sont reprsents par des ronds et linteraction
entre deux facteurs est signie par un trait.
Le graphe de Taguchi indique que si lon place les facteurs dans les
colonnes (1) et (2) (les ronds dans le graphe) linteraction se trouve
dans la colonne (3) (le trait). Dans le graphe des effets (gure 6.8), on
a reprsent leffet de cette troisime colonne qui correspond leffet
de linteraction.
Pour retrouver la colonne dinteraction avec les notations 1/2, on uti-
lise la rgle mnmonique suivante :
1 2 3
1 1 1 1
2 1 2 2
3 2 1 2
4 2 2 1
A B AB
(1)(1) 1 1
1 1 1
(1)(2) 2 2
1 2 2
(2)(1) 2 3
2 1 2
(2)(2) 1 4
2 2 1
1
Facteur Interaction
2
3
Pour retrouver la colonne dinteraction avec les notations 1/1 on uti-
lise la rgle mnmonique suivante :
4.2 Trois facteurs 2 niveaux plan complet
Ltude de trois facteurs 2 niveaux avec un plan complet consiste
raliser tous les nuds du maillage dun cube (gure 6.15), soit
2
3
= 8 essais. On peut gnraliser au plan complet de k facteurs n
niveaux, qui ncessitera n
k
essais.
Figure 6.15 Plan dexpriences trois facteurs 2 niveaux
Pour illustrer lutilisation dun plan dexpriences de trois facteurs 2
niveaux, nous prendrons lexemple dun plan dexpriences ralis sur
une presse injecter qui possde seize empreintes. Lobjectif est de
minimiser la dispersion mesure sur une cote sur lensemble des seize
pices de la moule. Pour rendre le rsultat plus prcis, on rpte trois
fois chaque exprience.
A B AB
(1)(1) 1 1
1 1 1
(1)(1) 1
2 1 1 1
(1)(1) 1
3 1 1 1
(1)(1) 1
4 1 1 1
N A B C
1 1 1 1
2 1 1 2
3 1 2 1
4 1 2 2
5 2 1 1
6 2 1 2
7 2 2 1
8 2 2 2
B
C
A
Niveau 1
Niveau 1 Niveau 2
Niveau 1
Niveau 2
Niveau 2
Six Sigma
Figure 6.16 Domaine dtude
La table prsente ci-aprs (gure 6.17) montre le plan dexpriences.
Linterprtation du plan consiste dterminer les facteurs et les inte-
ractions signicatives an de les placer au niveau qui optimise la dis-
persion.
Figure 6.17 Plan dexpriences
Tableau des moyennes et graphe des effets
Facteur Nom court Niveau 1 Niveau 2
Pression
P 350 600
Temprature
T 40 60
Lubriant
L Avec Sans
N
o
P T P*T L P*L T*L P*T*L Y1 Y2 Y3
1
(1) 350 (1) 40 1 (1) Avec 1 1 1 0,4 0,71 0,46
2
(1) 350 (1) 40 1 (2) Sans 2 2 2 1,15 1,15 1,24
3
(1) 350 (2) 60 2 (1) Avec 1 2 2 1,02 0,96 1,11
4
(1) 350 (2) 60 2 (2) Sans 2 1 1 1,43 1,48 1,92
5
(2) 600 (1) 40 2 (1) Avec 2 1 2 0,57 0,13 0,34
6
(2) 600 (1) 40 2 (2) Sans 1 2 1 0,87 0,67 0,66
7
(2) 600 (2) 60 1 (1) Avec 2 2 1 0,59 0,58 0,27
8
(2) 600 (2) 60 1 (2) Sans 1 1 2 0,92 0,65 1,06
N
o
P T P*T L P*L T*L P*T*L
Niveau 1
1,0860 0,6958 0,7650 0,5950 0,7908 0,8392 0,8367
Niveau 2
0,6092 0,9992 0,9300 1,1000 0,9042 0,8558 0,8583
On obtient le tableau des moyennes en ralisant la moyenne de tous
les essais lorsque laction (facteur ou interaction) est place au niveau
considr. Ainsi, 1,086 est la moyenne des 4 premires lignes
dessais (12 essais).
Le graphe des effets montre que les trois facteurs, ainsi que deux inte-
ractions, semblent signicatifs. Pour pouvoir conclure, il faut faire
lanalyse de la variance (gure 6.19) qui permet de conclure sur le
niveau de signication dun effet. Le lecteur se reportera au chapitre 5,
Analyser , pour une description de lanalyse de la variance.
Dans lexemple trait, seule linteraction P*T est signicative (niveau
de risque alpha = 0,035 < 0,05). Les autres interactions ne sont pas
signicatives, on ne les tracera pas.
C1
P
C2
T
C3
P/T
C4
L
C5
P/L
C6
T/L
C7
0,2383 0,1517 0,0825 0,2525 0,0567 0,0083 0,0100
0,595
1,100
Moy Y
0,85
Six Sigma
Figure 6.19 Analyse de la variance
Tableau des interactions et graphe des interactions
On ne sintresse qu linteraction P*T juge signicative.
Figure 6.20 Interaction Pression*Temprature
Col. Source S
2
ddl Var F F
lim
p Contrib. Conclusion
1 P 1,363 1 1,363 44,13 4,494 0,000 32,6 % Signicatif
2 T 0,552 1 0,552 17,87 4,494 0,001 13,2 % Signicatif
3 P*T 0,163 1 0,163 5,29 4,494 0,035 3,9 % Signicatif
4 L 1,530 1 1,530 49,53 4,494 0,000 36,6 % Signicatif
5 P*L 0,077 1 0,077 2,49 4,494 0,134 1,8 % Non signif.
6 T*L 0,001 1 0,001 0,05 4,494 0,819 0,0 % Non signif.
7 P*T*L 0,002 1 0,002 0,09 4,494 0,767 0,0 % Non signif.
Rsidus 0,494 16 0,494 11,8 %
Total 4,185 23
Temp = 40 Vitesse = 60
Pression = 350 0,852 1,320
Pression = 600 0,540 1,100
40 T 60
P
Minimum pour P = 600 et T = 40
350
600
Modlisation polynomiale
En ne conservant que les facteurs signicatifs, on calcule facilement un
modle polynomial du comportement du processus dans les units
standardises ( 1/1) :
Y = 0,8475 0,2383P + 0,1517T + 0,2525L 0,0825P*T
On procde au calcul des effets de P avec la mthode matricielle ou
avec la mthode du calcul des effets. Par exemple :
E
P2
= 0,6092 0,8475 = 0,2383
Optimisation
Lobjectif du plan dexpriences est de minimiser la rponse. La meil-
leure conguration consiste :
augmenter la pression (P = 600) ;
diminuer la temprature (T = 40) ;
utiliser le lubriant (L = Avec Niveau 1 ; gure 6.18).
4.3 Trois facteurs 2 niveaux plan fractionnaire
Dans le cas o on suppose que seuls les effets de premier ordre sont
signicatifs et que toutes les interactions sont nulles (ou faibles devant
leffet des facteurs), on peut modliser les comportements du systme
en appliquant :
Y =
0
+
1
A +
2
B +
3
C
Ce modle comporte 4 inconnus (
0

3
), il suft donc de faire
quatre essais. Comparons deux stratgies quatre essais qui permet-
tent dtudier un modle sans interaction.
Six Sigma
Figure 6.21 Deux stratgies de plans fractionnaires
Dans la premire stratgie, on ralise un essai de rfrence (1) et on
modie chaque essai un facteur par rapport cette rfrence.
leffet du facteur A est calcul par E
A
= Y
2
Y
1
la variance sur leffet de A est calcule par
V(E
A
) = V(Y
2
) + V(Y
1
) = 2V(Y)
Dans la seconde stratgie lorsquun facteur est plac un niveau, tous
les autres facteurs sont placs autant de fois au niveau 1 quau niveau
2. On dit quon a un plan orthogonal. Cette conguration correspond
aux 3 colonnes de la table L
4
de Taguchi.
On peut calculer :
leffet de A par E
A
= 1/2[(Y
7
+ Y
8
) (Y
6
+ Y
5
)]
la variance sur leffet de A
V(E
A
)=1/4[V(Y
7
)+V(Y
8
)+V(Y
6
)+V(Y
5
)]=V(Y)
Dans ce cas, la variance sur leffet de A est deux fois plus faible dans la
stratgie plan dexpriences que dans la stratgie un facteur la
fois .
Un facteur la fois Stratgie plan dexpriences
N A B C N A B C
1 1 1 1 5 1 1 1
2 2 2 2 6 1 2 2
3 1 2 1 7 2 1 2
4 1 1 2 8 2 2 1
C
Y4
Y1 Y3
Y2
B
A
C
Y7
Y6
Y5
Y8
B
A
Plan dexpriences sur la presse injecter
avec un plan fractionnaire
Supposons que lon souhaite tudier le plan dexpriences de la presse
injecter (gure 6.17) avec un plan dexpriences fractionnaire qua-
tre essais (gure 6.22). Les quatre essais font partie des huit essais du
plan complet.
Figure 6.22 Plan fractionnaire 4 essais
Le traitement du plan donne ceci.
Graphe des effets
N
o
P T P*T L P*L T*L P*T*L Y1 Y2 Y3
1 (1) 350 (1) 40 1 (1) Avec 1 1 1 0,4 0,71 0,46
4 (1) 350 (2) 60 2 (2) Sans 2 1 1 1,43 1,48 1,92
6 (2) 600 (1) 40 2 (2) Sans 1 2 1 0,87 0,67 0,66
7 (2) 600 (2) 60 1 (1) Avec 2 2 1 0,59 0,58 0,27
N
o
P T L
Niveau 1 1,067 0,628 0,502
Niveau 2 0,607 1,045 1,172
C1
P
C2
T
C3
L
0,23
0,50
1,17
Moy Y
0,84
0,21 0,34
Six Sigma
Analyse de la variance
Figure 6.24 ANAVAR
Modlisation
On trouve comme quation de la surface de rponse :
Y = 0,837 0,23P+0,208T=0,335T
On retrouve facilement ces coefcients par la formule
E
Ai
= (Moyenne des essais lorsque A = i) Y
E
P2
= 0,607 0,837 = 0,230
E
T2
= 1,045 0,837 = 0,208
E
L2
= 1,172 0,837 =0,335
Notion dalias
Lorsquon regarde le plan fractionnaire quatre essais (gure 6.22), on
constate que la colonne dinteraction P*T est identique la colonne L.
De mme, P*L est confondu T et T*L est confondu P. Lorsque deux
actions sont confondues, on dit que ce sont des alias. En fait, lorsquon
calcule leffet de L, on calcule leffet cumul de L et P*T. On le constate
dans leffet : 0,335 = 0,2525+0,0825
Cest la mme chose avec T et P*L , L et P*T, mais comme ces deux
interactions ne sont pas signicatives, lerreur est beaucoup plus fai-
ble, et ninue pas sur le rsultat de la table L
4
.
On peut donc tablir le tableau des alias :
Col. Source S
2
ddl Var F F
lim
p Contrib. Conclusion
1 P 0,63 1 0,63 17,3 5,32 0,003 22,67 % Signicatif
2 T 0,52 1 0,52 14,19 5,32 0,006 18,6 % Signicatif
3 L 1,35 1 1,35 36,69 5,32 0,000 48,2 % Signicatif
4 Rsidus 0,294 8 0,037 10,5 %
5 Total 2,80 11
Figure 6.25 Tableau des alias
Dans cet exemple, linteraction P*T est relativement faible devant
leffet du facteur L. Lerreur commise ne remet pas en question les con-
clusions si lon souhaite minimiser la rponse. Cependant, en cas
dinteraction forte, on peut commettre de graves erreurs dinterprta-
tion si on utilise un plan fractionnaire.
Comment se rendre compte de lerreur ?
Pour valider un plan dexpriences fractionnaire, il est indispensable
de faire un essai de conrmation en dehors des essais du plan. Dans
lexemple trait, lobjectif est de minimiser la rponse (dispersion sur
lensemble des seize pices dune mme moule). Le graphe des effets
(gure 6.23) montre clairement que la solution consiste xer :
la pression au maximum (600) ;
la temprature au minimum (40) ;
la lubrication au niveau 1 (Avec).
Or cet essai na pas t ralis ! En faisant lessai de conrmation
essai n
o
5 du plan complet (gure 6.17) , on trouve une moyenne de
0,347.
La prvision de la rponse avec le modle obtenu avec la table L
4
donne :
Y = 0,837 0,23(1)+0,208(1)+0,335(1) = 0,086
Lerreur est donc de 0,347 0,086 = 0,283.
Action Alias Signication
Constante P*T*L Lorsquon calcule la constante, on calculera en fait
la constante + leffet de P*T*L
P T*L Lorsquon calcule leffet de P, on calculera en fait
P + leffet de T*L
T P*L Lorsquon calcule leffet de T, on calculera en fait
T + leffet de P*L
L P*T Lorsquon calcule leffet de L, on calculera en fait
L + leffet de P*T
Six Sigma
La variance rsiduelle est de 0,037(gure 6.24), soit un cart type de
Pour valuer limportance de lerreur, on peut calculer lcart en nom-
bre dcarts types en tenant en compte que la valeur 0,347 est une
moyenne de 3 valeurs :
Dans cet exemple, lerreur standardise tant infrieure 4, il est dif-
cile de conclure que le modle est inadquat. Si cela avait t le cas, il
faudrait raliser les trois essais manquants (2, 3, 8) pour complter le
plan complet (gure 6.17).
On peut noter dans lexemple que nous avons trait que, mme si on
fait une erreur, il est toujours possible de passer au plan complet. On
dit que lon dsaliasse le plan. On peut retrouver cette stratgie sur
la table de construction des plans deux niveaux (gure 6.27) pour la
ligne trois facteurs. On note que lon peut commencer par les quatre
essais du plan fractionnaire et complter le calcul, si besoin est, pour
retomber sur le plan complet.
0,037 0,192 =
Erreur standardise
0,283
0,192 3
-------------------------
2,54 = =
4.4 Construction dun plan fractionnaire 2 niveaux
4.4.1 Notion de rsolution des plans dexpriences
Figure 6.26 Rsolution et alias
On vient de voir quil peut tre risqu de mlanger dans un plan
dexpriences fractionnaires des effets de premier ordre A avec des
effets de second ordre AB. Ces plans sont appels des plans de rsolu-
tion III. En revanche, les interactions de troisime ordre de type ABC
sont en gnral dun ordre de grandeur trs faible par rapport aux
effets de premier ordre. Lerreur est donc trs faible si, dans un plan
dexpriences, on mlange un effet A avec une interaction BCD. Ces
plans sont appels des plans de rsolution IV.
Situation de confusion dactions Rsolution Qualit
On trouve au moins un facteur confondu avec
une interaction dordre II.
A alias BC
I II
III

Criblage
Les facteurs sont confondus avec les interac-
tions dordre III.
A alias BCD
I III
Les interactions dordre II sont confondues
avec dautres interactions dordre II.
AB alias CD
II II
IV

Caractrisation
Les facteurs sont confondus avec les interac-
tions dordre IV.
A alias BCDE
I IV
Les interactions dordre II sont confondues
avec dautres interactions dordre III.
AB alias CDE
II III
V

Modlisation
Six Sigma
Les plans de rsolution V seront encore moins risqus : on mlange les
effets de premier ordre A avec des interactions de quatrime ordre
BCDE. En fait, un plan de rsolution V est quasiment identique un
plan complet. Ils sont cependant onreux car ils demandent de nom-
breux essais pour les raliser.
Figure 6.27 Utilisation des plans 2 niveaux Rsum
La notation utilise de quatre toiles une toile est attribue en fonction :
du risque encouru de confondre un effet avec une interaction de second ordre ;
de la possibilit de dsaliasser tout en restant dans des plans moins de vingt essais ;
de lefcacit du plan (nombre de ddl/nombre dessais).
Table L
4
Table L
8
Table L
16
Table L
12
N
o
m
b
r
e

d
e

f
a
c
t
e
u
r
s
2
****
Plan complet
Aucun risque
3
***
Fractionnaire,
rsolution III
Facile dsaliasser
en passant au plan
complet L
8
****
Plan complet
Utiliser les
colonnes 1, 2, 4
Aucun risque
4
***
Fractionnaire,
rsolution IV
Utiliser les
colonnes 1, 3, 5, 7
Facile dsaliasser
en passant au plan
complet L
16
****
Plan complet
Utiliser les
colonnes 1, 2, 4, 8
Aucun risque
5
**
Fractionnaire
rsolution III
Pas de colonne
privilgier
Facile dsaliasser
en continuant les
colonnes impaires
de la table L16
****
Fractionnaire,
rsolution V
Utiliser les
colonnes
1, 2, 4, 8, 15
***
Plan fractionnaire
Ne permet pas
dtudier des
interactions
Choix des colon-
nes en fonction
de la difcult
des modications
des facteurs
Idal pour
dbroussailler
Les interactions
sont dilues
6
***
Fractionnaire,
rsolution IV
Utiliser les
colonnes impaires
7
8
9

11
*
Fractionnaire,
rsolution III
Pas de colonne
privilgier
11

15
Six Sigma
Ce tableau en gure 6.27 donne en fonction du nombre de facteurs
tudier les tables que lon peut utiliser et la rsolution obtenue. Les -
ches indiquent les possibilits de dsaliasser un plan pour passer un
plan de rsolution plus leve.
4.5 Construction de plans fractionnaires
partir de la table L
8
4.5.1 Prsentation de la table
La table L
8
permet ltude de 3 7 facteurs 2 niveaux :
3 facteurs donnent un plan complet (utilisation des colonnes 1, 2
et 4) ;
4 facteurs donnent un plan de rsolution IV (utilisation des
colonnes 1, 3, 5 ,7) ;
5 7 facteurs donnent un plan de rsolution III (pas de colonne
privilgie).
Figure 6.28 Table L8
N
o
1 2 3 4 5 6 7
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
a b a
b
c a
c
b
c
a
b
c
Groupe 1 2 3
Cette table est accompagne de deux graphes des effets permettant de
donner deux solutions de plan dexpriences en rsolution IV ( 4 fac-
teurs).
Interprtation des graphes
Dans les graphes des effets, les ronds reprsentent les facteurs, les
traits les interactions. La couleur des ronds est lie la difcult de
modication des facteurs (gure 6.30).
Figure 6.30 Signication des ronds
Ainsi le premier graphe correspond-il un plan de 4 facteurs dont les
trois premiers (placs dans les colonnes 1, 3, 5) sont tous relis par des
interactions et le quatrime facteur (plac dans la colonne 7) est ind-
pendant. Voici lquation polynomiale de ce plan :
Y =
0
+
1
A+
2
B+
3
C+
4
D+
5
AB+
6
AC+
7
BC
Symbole Groupe Difcult de modication des niveaux
1 Difcile
2 Assez difcile
3 Assez facile
4 Facile
1
1
5
7 7 5 3
3
4
4
2
2
6
6
Premier graphe Deuxime graphe
Six Sigma
Le facteur A plac en colonne 1 ne change de niveau quune fois pen-
dant les essais ; en revanche, le facteur C plac en colonne 5 change
presque chaque essai.
Cette table est associe au triangle des interactions (gure 6.31).
Figure 6.31 Triangle des interactions de la table L16
Cette table donne les colonnes dinteractions entre toutes les colonnes
de la table L
8
. Ainsi linteraction entre la colonne 3 et la colonne 5 se
trouve-t-elle en colonne 6.
On pourrait retrouver ce rsultat en appliquant les rgles de construc-
tion des colonnes dinteractions que nous avons vues au paragraphe
4.1.
On remarque quen plaant les facteurs dans des colonnes impaires,
les interactions sont dans des colonnes paires. Il ny a pas de mlange
entre les facteurs et les interactions, le plan est donc de rsolution IV.
Tableau des alias pour le premier graphe
partir du triangle des interactions, il est facile dtablir le tableau des
alias pour le premier graphe.
2 3 4 5 6 7
(1) 3 2 5 4 7 6
(2) 1 6 7 4 5
(3) 7 6 5 4
(4) 1 2 3
(5) 3 2
(6) 1
Figure 6.32 Tableau des alias du premier graphe
Remarque sur lordre des essais
Lordre propos dans les tables permet daffecter des colonnes aux fac-
teurs dont la modication de niveau est difcile dans les colonnes 1 et
3. Cependant, dans un certain nombre de cas, on risque dobserver
une drive de la rponse au cours des essais (fatigue dun oprateur,
puisement dun bain, volution dune temprature). Dans ces con-
ditions, il ne faut pas raliser les essais dans lordre, mais plutt obser-
ver un ordre alatoire an quil ny ait pas de biais dans les rsultats.
4.5.2 Construction dun plan de rsolution III avec la table L
8
Les graphes des effets donnent des solutions pour 4 facteurs. Pour tu-
dier un plan de 5 7 facteurs partir de la table L
8
, il faut modier les
graphes.
Supposons que lon souhaite tudier un modle comportant 5 facteurs
(A, B, C, D, E) et 2 interactions (AB, AC). Les experts considrent que
les autres interactions sont nulles ou faibles devant leffet des facteurs.
Difcult de modication des facteurs :
D est trs difcile ;
A est difcile ;
B, C, E sont faciles.
N
o
de colonne Action du modle Alias
1 A
2 AB CD
3 B
4 AC BD
5 C
6 BC AD
7 D
Six Sigma
Voici le modle polynomial de ce plan :
Y =
0
+
1
A+
2
B+
3
C+
4
D+
5
E+
6
AB+
7
AC
Comme il comprend 8 coefcients, ce plan demande donc au moins 8
essais.
Si lon veut tenir compte de la difcult de modication des facteurs, il
faut placer D dans la colonne qui change le moins souvent de niveau
(colonne 1), et A dans la colonne 3 :
Les autres colonnes sont choisies partir du triangle des interactions.
Par exemple, on place B en colonne 4, linteraction AB est alors en 7.
On place C en colonne 5, linteraction AC est alors en 6. Il reste la
colonne 2 pour placer le facteur E :
Figure 6.33 Graphe de rsolution III
3 1
D A
3 1
E D A
C
B
5
4
2
7
6
Plan dexpriences
Tableau des alias
Le tableau des alias (gure 6.34) montre bien quon est en rsolution
III. Il y a au moins une confusion entre un facteur et une interaction de
second ordre.
Il faut donc veiller ne pas se tromper sur les interactions actives.
Pour savoir si le modle trouv convient, il faut ncessairement faire
des essais de conrmation. En cas de doute sur les interactions, nous
verrons ci-aprs comment dsaliasser ce plan en rajoutant 8 essais
complmentaires pour passer une table L
16
en rsolution IV.
N
o
3 4 5 1 2
Facteur A B C D E
1 1 1 1 1 1
2 1 2 2 1 1
3 2 1 1 1 2
4 2 2 2 1 2
5 2 1 2 2 1
6 2 2 1 2 1
7 1 1 2 2 2
8 1 2 1 2 2
N
o
de colonne Action du modle Alias
1 D AE + BC
2 E AD
3 A DE
4 B CD
5 C BD
6 AC BE
7 AB CE
Six Sigma
4.5.3 Limite de la table L
8
Figure 6.35 Interactions disjointes
La table L
8
ne permet pas dtudier des interactions disjointes, cest--
dire ne comportant pas de facteurs en commun comme AB et CD pour
des proprits dorthogonalit. Le graphe (gure 6.35) a un modle
polynomial de la forme :
Y =
0
+
1
A+
2
B+
3
C+
4
D+
5
E+
6
AB+
7
CD
Comme il a 8 coefcients, ce plan demande donc au moins 8 essais.
Pourtant, il nexiste pas de solution pour ce plan en huit essais ; il faut
passer un plan en 16 essais.
4.6 Construction de plans fractionnaires
partir de la table L
16
La table L
16
se prsente de la mme manire que la table L
8
avec une
table, un triangle des interactions et des graphes deffets. Les graphes
deffets (prsents au chapitre 10 de notre ouvrage) pour la table L
16
sont tablis en plaant les facteurs dans les colonnes impaires ; ce sont
donc des plans de rsolutions IV. Notons que les graphes 1a, 1b, 1c,
sont des graphes de rsolution V.
La table L
16
possdant 8 colonnes impaires (1, 3, , 13, 15), on peut
tudier jusqu 8 facteurs en rsolution IV. De plus, cette table na pas
de restriction sur les interactions disjointes.
La construction de plans partir de la table L
16
suit la mme logique
quune construction partir de la table L
8
.
D
E
B
C A
4.7 Construire des plans gigognes
partir des graphes de Taguchi
Parmi les proccupations des industriels, gure en premire ligne le
souci de minimiser le nombre dessais, quitte faire un maximum
dhypothses restrictives. Il faut cependant pouvoir dsaliasser le plan
dexpriences lorsque les hypothses restrictives se rvlent fausses
suite un essai de conrmation.
On a vu que, pour obtenir un plan de rsolution IV, il sufsait de placer
tous les facteurs dans des colonnes impaires. Ainsi, si on souhaite
dsaliasser le plan de la gure 6.33, il faudrait passer une table L
16
en plaant les facteurs dans des colonnes impaires et en rcuprant
si possible les huit premiers essais.
L encore, il est trs facile dutiliser les particularits des tables pro-
poses par Taguchi. Les tables 2
k
, en particulier, ont deux proprits
intressantes.
Les lignes de la premire moiti de la table 2
k
sont en fait la table
2
k-1
. Ainsi, les 8 premires lignes des colonnes 2 et 3 de la table
L
16
sont en fait la colonne 1 de la table L
8
. De mme, les 8 pre-
mires lignes des colonnes 4 et 5 de la table L
16
sont en fait la
colonne 2 de la table L
8
. On retrouve les mmes proprits pour
les autres couples de colonnes.
Les colonnes paires des tables sont construites en recopiant la
premire moiti lidentique dans la seconde moiti. Les colon-
nes impaires des tables sont construites de telle sorte que la
seconde moiti de la table est linverse de la premire moiti (on
inverse les 1 et les 2).
On peut donc tablir le tableau des colonnes mres/lles entre les
tables 2
k
:
Figure 6.36 Colonnes mres et lles
L
4
1 2 3
L
8
1 2 3 4 5 6 7
L
16
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Six Sigma
Il est donc facile de dsaliasser une table L
8
en passant une table L
16
et dune table L
16
une table L
32
. Ainsi, si dans un plan de 8 essais, un
facteur se trouve dans la colonne mre 3, pour dsaliasser le plan, il
sufra de placer ce facteur dans la colonne lle 7 de la table L
16
. Les
huit premires lignes de la colonne 7 de la L
16
sont identiques aux
lignes de la colonne 3 de la L
8
. Le principe est bien sr le mme pour
passer de la table L
16
la table L
32
, et plus gnralement de la table 2
n
la table 2
n+1
.
On note videmment quaprs avoir ralis le second demi-plan, on se
retrouve systmatiquement dans une colonne impaire ; le plan est
donc de rsolution IV.
Application
Supposons que dans le cas du plan de la gure 6.33 qui est en rsolu-
tion III, on ait des doutes sur les interactions retenues ; on peut alors
passer un plan en rsolution IV en ajoutant 8 essais.
Facteur A B C D E
Colonnes mres plan L
8
3 4 5 1 2
Colonnes lles plan L
16
7 9 11 3 5
Figure 6.37 Dsaliasser un plan dexprience
On note que les 8 premiers essais de la table L
16
(gure 6.37) sont dj
raliss (gure 6.33). lissue des 16 essais, on peut tablir le nou-
veau tableau des alias (gure 6.38).
Colonnes L
8
3 4 5 1 2
Bloc A B E C D
1 1 1 1 1 1 1
Premier plan
2 1 1 2 2 1 1
3 1 2 1 1 1 2
4 1 2 2 2 1 2
5 1 2 1 2 2 1
6 1 2 2 1 2 1
7 1 1 1 2 2 2
8 1 1 2 1 2 2
9 2 2 2 2 2 2
Complment raliser
10 2 2 1 1 2 2
11 2 1 2 2 2 1
12 2 1 1 1 2 1
13 2 1 2 1 1 2
14 2 1 1 2 1 2
15 2 2 2 1 1 1
16 2 2 1 2 1 1
Colonnes L
16
1 7 9 11 3 5
Six Sigma
On note que dans la table L
16
il ny a plus dambigut sur les facteurs.
Il reste cependant une confusion dactions possible entre quelques
interactions. Dans le cas dun plan 5 facteurs, en faisant directement
une table L
16
avec les colonnes 1, 2, 4, 8, 15, on obtiendrait un plan de
rsolution V.
4.8 Lever les ambiguts
dans un plan de rsolution IV
Comme on vient de le voir, dans un plan de rsolution IV, il peut rester
des ambiguts dues des confusions dactions entre interactions. Pour
lever le doute, on peut appliquer le principe dhrdit : Pour quune
interaction soit active, il faut quau moins un des facteurs qui la com-
posent soit actif. Une autre faon de comprendre ce principe, cest
Colonne L
8
Actions Alias Colonne L
16
Actions Alias
1 D AE + BC 1
2 E AD 2 AE + BC
3 A DE 3 D
4 B CD 4 AD
5 C BD 5 E
6 AB BE 6 DE
7 AC CE 7 A
8 CD
9 B
10 BD
11 C
12 AC BE
13
14 AB CE
15
dnoncer que plus les facteurs qui composent une interaction sont
actifs, plus linteraction a des chances dtre elle-mme active. On
notera cependant que ce principe na quune valeur gnrale et quil y
a parfois des exceptions.
Application du principe dhrdit
Pour tudier 6 facteurs dont on ignorait a priori les interactions actives,
on a choisi de faire un plan de rsolution IV en utilisant les colonnes
impaires de la table L
16
. Le tableau ci-aprs (gure 6.39) donne les
colonnes utilises et le dtail des alias.
Le graphe des effets (gure 6.40) montre que la colonne 2 qui contient
des interactions est active. Cependant, dans cette colonne, il y a 3 inte-
ractions (AB, CD, EF). Laquelle des 3 retenir ?
Colonne L
16
Actions Alias
1 A
2 AB+CD+EF
3 B
4 AC+BD
5 C
6 AD+BC
7 D
8 AE+BF
9 E
10 AF+BE
11 F
12 CE+DF
13
14 CF+DE
15
Six Sigma
En appliquant le principe dhrdit, on conclut rapidement que A et B
tant trs actifs, linteraction est trs probablement linteraction AB.
4.9 Les plans de criblage 2 niveaux
Parmi les tables 2 niveaux, seuls les multiples de 8 permettent dtu-
dier des interactions. La table L
12
ou la table L
20
ne permettent pas
dtudier des interactions. Ces tables permettent de faire du criblage
(screening), cest--dire de dtecter parmi un grand nombre de facteurs
ceux qui sont actifs. En ce sens, les plans de criblage sont plus leur
place dans ltape Analyser que dans ltape Innover/amliorer .
Exemple dapplication
Figure 6.41 Processus de gravage
C1
A
C2 C3
B
C4 C5
C
C6 C7
D
C8 C9
E
C10 C11
F
C12 C13 C14 C15
6,44 3,69 2,31 0,31 0,19 0,06 1,31 0,06 0,06 0,19 0,94 0,19 0,56 0,31 0,69
6,88
19,75
Moy Y
13,31
Ex
Mtallisation Nettoyage Prparation Gravage
Une entreprise qui fait de la gravure chimique observe de gran-
des variations dans les temps de gravure. Elle veut isoler parmi
11 facteurs pris sur lensemble du processus de gravage ceux qui
sont actifs. Dans ce cas, on ne cherche pas modliser le com-
portement de la gravure, mais faire sortir le loup du bois . Il
nest donc pas utile dutiliser une table de rsolution IV ou sup-
rieure, mais il convient plutt de privilgier le nombre de fac-
teurs tester. Cest prcisment ce que font les plans de criblage.
Figure 6.42 Utilisation dune table L
12
On affecte les colonnes en fonction de la difcult de modica-
tion des facteurs. Du plan rsulte le graphe des effets
(gure 6.43).
Sup pr1 tel1 net tdu cgr te2 asp cst te3 pul Rp 1 Rp 2
1 1 1 1 1 1 1 1 1 1 1 1 39 42
2 1 1 1 1 1 2 2 2 2 2 2 9 9
3 1 1 2 2 2 1 1 1 2 2 2 49 50
4 1 2 1 2 2 1 2 2 1 1 2 15 16
5 1 2 2 1 2 2 1 2 1 2 1 11 12
6 1 2 2 2 1 2 2 1 2 1 1 6 7
7 2 1 2 2 1 1 2 2 1 2 1 35 40
8 2 1 2 1 2 2 2 1 1 1 2 9 9
9 2 1 1 2 2 2 1 2 2 1 1 13 15
10 2 2 2 1 1 1 1 2 2 1 2 27 31
11 2 2 1 2 1 2 1 1 1 2 2 8 8
12 2 2 1 1 2 1 2 1 2 2 1 9 10
Six Sigma
Figure 6.43 Graphe des effets de la table L12
Linterprtation en est immdiate :
il y a un facteur trs actif (cgr en colonne 6) ;
3 facteurs moyennement actifs : Pr1 (2), Te1(3), Te2(7) ;
les autres facteurs ont une inuence mineure.
Si lon veut matriser le temps de gravure, il faudra matriser les 4
facteurs actifs identis avec le plan de criblage. Il peut tre int-
ressant de refaire un plan dexpriences de rsolution plus leve
uniquement sur ces quatre facteurs.
Remarque 1
En cas dinteraction AB dans une table L
12
, cette interaction va
affecter toutes les autres colonnes que A et B pour le tiers de la
valeur de linteraction.
Remarque 2
La table L
20
joue le mme rle que la table L
12
.
C1
Sup
C2
pr1
C3
te1
C4
net
C5
tdu
C6
cgr
C7
te2
C8
asp
C9
cst
C10
te3
C11
pul
2,13 6,63 3,88 1,88 1,79 10,29 5,46 0,54 0,38 0,88 0,04
9,67
30,25
Moy Y
19,96
5. Les plans pour surface de rponse
Figure 6.44 Exemple de surface de rponse
Les plans 2 niveaux permettent de rsoudre un trs grand nombre de
problmes. Cependant, ils sont insufsants lorsque lon veut raliser
une modlisation ne dune surface de rponse. En gnral, on recher-
che un modle en surface de rponse lorsque lon a identi les deux
ou trois facteurs les plus inuents. Le nombre de facteurs tudis est
donc en gnral assez faible.
Nous allons dcrire trois mthodes pour aborder les surfaces de
rponses :
les plans complets ;
les plans composites centrs ;
les plans de Box Benhken.
Six Sigma
5.1 Les plans complets
Avec les plans complets on tudie tous les nuds dun maillage. Ils
permettent dobtenir une bonne image dune surface de rponse,
condition de mailler de faon sufsamment ne le domaine dtude.
Prenons lexemple dun soudage laser dans lequel on souhaite maximi-
ser la profondeur de soudure. Les deux facteurs tudis sont les
suivants :
la vitesse,
la puissance.
Domaine dtude
Figure 6.45 Domaine dtude
Plan dexpriences
En plaant 4 niveaux par facteur, on ralise un maillage de 16 nuds
(4
2
) ce qui donne le plan suivant :
Figure 6.46 Plan complet 2 facteurs 4 niveaux
Facteurs Mini du domaine Maxi du domaine
Vitesse 30 mm/mn 60 mm/mn
Puissance 200 W 600 W
N
o
Vitesse Puissance P1 P2
1 30 200 23 26
2 30 350 57 68
3 30 500 73 76
4 30 650 61 60
5 40 200 29 36
6 40 350 63 65
7 40 500 78 80
Lanalyse du plan dexpriences donne le graphe des effets et le graphe
des interactions (gure 6.47). Lanalyse de la variance (gure 6.48)
permet de conclure que les deux facteurs et linteraction sont signica-
tifs.
Figure 6.47 Graphe des effets et des interactions
8 40 650 59 60
9 50 200 37 39
10 50 350 61 68
11 50 500 77 79
12 50 650 56 53
13 60 200 42 40
14 60 350 64 61
15 60 500 72 69
16 60 650 48 44
Vitesse Puissance
Moyenne des essais
lorsque la vitesse
est place au niveau 1
Niveau 1 55,50 34,00
Niveau 2 58,75 63,38
Niveau 3 58,75 75,50
Niveau 4 55,00 55,13
Graphe des effets principaux Graphe des interactions
Vitesse Puissance
Puissance
P
r
o
f
P
r
o
f
30 40 50 60
200 350 500 650
200 350 500 650
Vitesse
30
40
50
60
80
70
69
50
40
30
80
70
69
50
40
30
20
Six Sigma
Figure 6.48 Tableau dANAVAR
En lissant les points obtenus par le plan complet, il est possible dobte-
nir une image en 3D de la surface de rponse (gure 6.49). Loptimum
de profondeur ( maximiser) se situe pour une puissance de 508 et une
vitesse de 43.
Figure 6.49 Surface de rponse
Source S
2
Ddl Var. F P Contrib. Signif.?
Vit. 99,00 3 33,00 3,50 0,040 1,2 % Oui
Puis. 7323,25 3 2441,08 258,66 0,000 89,9 % Oui
V*P 574,75 9 63,86 6,77 0,001 7,1 % Oui
Rsidus 151,00 16 9,44
total 8148,00 31
5.2 Les plans composites centrs
Les plans composites centrs sont des plans dexpriences spciale-
ment tudis pour que lon puisse identier des modles du type :
Y =
0
+
1
A+
2
B+
3
AB+
4
A
2
+
5
B
2
Les termes de type AB sont les interactions.
Les termes de type A
2
sont dits quadratiques.
Pour identier un modle quadratique, il faut videmment au moins 3
niveaux par facteur. Le principe des plans composites centrs consiste
partir du plan complet 2 niveaux en ajoutant des essais au centre
du domaine dtude et en tendant le domaine en suivant les axes de
chaque facteur.
5.2.1 Plan composite centr 2 facteurs
Le plan composite centr 2 facteurs se compose :
des 4 essais du plan complet 2 facteurs 2 niveaux (essais 1
4) ;
de 2 essais suivant laxe de A avec B au centre (essais 5, 6) ;
N A B
1 1 1
2 1 1
3 1 1
4 1 1
5 1,414 0
6 1,414
7 0 1,414
8 0 1,414
9 0 0
10 0 0
11 0 0
12 0 0
13 0 0
A
0 1 1,414 1 -1,414
1,414
1
0
1
1,414
B
Six Sigma
de 2 essais suivant laxe de B avec A au centre (essais 7, 8) ;
de 5 essais au centre du domaine (essais 9 13).
Les essais sur les axes sont placs de telle sorte que ces derniers gu-
rent sur un cercle . Soit, dans le cas 2 niveaux, = 1,414.
Application
Pour illustrer les plans composites centrs, nous avons repris le plan
dexpriences sur la profondeur de soudure (gure 6.45) en utilisant
un plan composite centr pour le mme domaine dtude.
Figure 6.50 Plan composite 2 facteurs
Modle polynomial
Le modle recherch est :
Y =
0
+
1
V+
2
P+
3
VP+
4
V
2
+
5
P
2
N
o
Vit. Puis. P1 P2
1 34,39 265,88 41 46
2 34,39 584,12 74 73
3 55,61 265,88 53 43
4 55,61 584,12 65 62
5 30 425 75 78
6 60 425 70 67
7 45 200 31 42
8 45 650 58 57
9 45 425 71 72
10 45 425 70 78
11 45 425 71 63
12 45 425 74 82
13 45 425 79 74
Pour trouver le modle polynomial, on utilise la mthode de la
rgression multiple (voir chapitre 5) :
Xa = Y + e ou encore
La solution qui minimise e est = (X
t
X)
-1
.X
t
Y
soit
Pour savoir si tous les coefcients sont signicatifs, on fait un test de
Student (voir chapitre 5, section sur la corrlation).
Source Coefcients Sigma Statistique t Probabilit
Constante 73,40 1,575 46,60 0,0000
V 2,10 1,245 1,69 0,1070
P 9,40 1,245 7,55 0,0000
VP 3,63 1,761 2,06 0,0528
V
2
1,11 1,336 0,83 0,4175
P
2
13,86 1,336 10,38 0,0000
1 1 1 1 1 1
1 1 1 1 1 1

1 0 0 0 0 0
1 0 0 0 0 0
5
43,5
73,5
78
76,5
e
1
e
2
e
12
e
13
+ =
5
73,4
2,10
9,40
3,63
1,11
13,86
=
Six Sigma
V
2
ntant pas signicatif, on lenlve du modle pour aboutir une
modlisation polynomiale :
Y = 72,63 2,10V+9,40P 3,63VP 13,72P
2
La reprsentation 3D est donne ci-aprs (gure 6.52). Loptimum
trouv (point le plus haut de la surface) correspond une vitesse de 30
et une puissance de 515.
Figure 6.52 Reprsentation 3D de la surface de rponse
5.2.2 Les plans composites centrs 3 facteurs
Les plans composites centrs 3 facteurs sont crs de la mme faon
que les plans composites 2 facteurs, soit partir du plan complet 3
facteurs 2 niveaux (8 essais). On rajoute deux points sur chaque axe
, et 6 essais au centre.
Figure 6.53 Plan composite centr 3 facteurs
Le coefcient alpha est gal avec N
b
le nombre dessais du plan
de base (ici N
b
= 8 ; = 1,682).
5.2.3 Les plans composites centrs
Le tableau ci-aprs (gure 6.54) donne lensemble des plans composi-
tes centrs de base pour 2 5 facteurs.
Figure 6.54 Plans composites centrs de base
N A B C
1
Plan complet 2
3
8
9 10
11 12
13 14
15 0 0 0

20 0 0 0
Nombre de facteurs 2 3 4 5 5
Plan factoriel de base (N
b
)
L
4
(complet)
L
8
(complet)
L
16
(complet)
L
16

(resV)
L
32
(complet)
Valeur de alpha 1,414 1,682 2 2 2,378
Points au centre 5 6 7 6 10
Nb dessais 13 20 31 32 52
Alpha = 1,682
n = 6
N
b
4
N
b
4
( )
Six Sigma
Remarque
Le choix de alpha donne la proprit disovariance par rotation.
Le choix du nombre dessais au centre donne la proprit de
variance uniforme dans le domaine dtude.
Il est possible de crer dautres plans composites centrs en privil-
giant plutt la presque orthogonalit. Dans ce cas, le coefcient alpha
dpend du nombre de points au centre (gure 6.55). On calcule alors
le coefcient alpha au moyen de la relation :
avec N, nombre total dessais.
Figure 6.55
Plans composites privilgiant la presque orthogonalit
5.3 Les plans de Box Benhken
Avec les plans de Box Benhken il est possible dtudier des surfaces de
rponse avec 3 niveaux par facteur. Ils permettent dobtenir un modle
quadratique et sont dnis pour 3 k facteurs. Le principe de cons-
truction en est de combiner des plans complets 2 facteurs 2 niveaux
pendant que les autres facteurs restent au centre du domaine.
Nombre de facteurs 2 3 4 5 5
Plan factoriel de base (N
b
)
L
4
(complet)
L
8
(complet)
L
16
(complet)
L
16

(resV)
L
32
(complet)
N
0
= 1 1 1,215 1,414 1,547 1,596
N
0
= 2 1,078 1,287 1,483 1,607 1,662
N
0
= 3 1,147 1,353 1,547 1,664 1,841
N
0
= 4 1,210 1,414 1,607 1,719 1,896
N
b
N N
b
( )
2
4
----------------------------------------
4
=
5.3.1 Plan de Box Benhken pour 3 facteurs
Figure 6.56 Plan de Box Benhken pour trois facteurs
On retrouve dans la construction de ce plan, les trois plans complets
AB (quatre premiers essais), AC (essais 5 8) et BC (essais 9 12),
complts par trois essais au centre du domaine.
Voici une faon plus rduite dcrire ce plan :
Figure 6.57 Notation abrge dun plan de Box Benhken
N A B C
1 1 1 0
2 1 1 0
3 1 1 0
4 1 1 0
5 1 0 1
6 1 0 1
7 1 0 1
8 1 0 1
9 0 1 1
10 0 1 1
11 0 1 1
12 0 1 1
13 0 0 0
14 0 0 0
15 0 0 0
N
o
A B C
1 4 1 1 0
5 8 1 0 1
9 12 0 1 1
13 15 0 0 0
C
A
B
Six Sigma
La logique de construction est la mme que pour 3 facteurs ; le tableau
prsent ci-aprs (gure 6.58) donne le plan en notation abrge.
Figure 6.58 Plan de Box 4 facteurs
On constate que les 12 premiers essais correspondent au plan de Box
Benhken 3 facteurs. Il est donc tout fait possible dintroduire
squentiellement les facteurs dans ce type de plan.
On peut donc commencer par un plan complet de 2 facteurs A et B
(essais 1 4). Puis, si on na pas trouv une conguration souhaitable,
on peut introduire le facteur C (essais 5 12). Ensuite, on peut intro-
duire nouveau un quatrime facteur D (essais 13 24).
N
o
A B C D
1 4 1 1 0 0
5 8 1 0 1 0
9 12 0 1 1 0
13 16 1 0 0 1
17 20 0 1 0 1
21 24 0 0 1 1
25 27 0 0 0 0
Figure 6.59 Plan de Box 5 facteurs
5.3.4 Comparaison entre les plans composites
et les plans de Box Benhken
Les deux types de plans ont le mme objectif de modlisation : obtenir
un polynme de second degr.
Voici les avantages des plans de Box Benhken :
moins dessais raliser pour 3 et 4 facteurs ;
pas dessais aux positions extrmes du domaine ;
aspect squentiel permettant dintroduire successivement les
facteurs ;
plus facile raliser (3 niveaux par facteur).
Et les avantages des plans composites :
ce sont des extensions des plans factoriels 2 niveaux ;
ils ont une meilleure prcision sur les coefcients ;
ils comportent moins dessais pour les plans de plus de 4 fac-
teurs.
N
o
A B C D E
1 4 1 1 0 0 0
5 8 1 0 1 0 0
9 12 0 1 1 0 0
13 16 1 0 0 1 0
17 20 0 1 0 1 0
21 24 0 0 1 1 0
25 28 1 0 0 0 1
39 32 0 1 0 0 1
33 36 0 0 1 0 1
37 40 0 0 0 1 1
41 46 0 0 0 0 0
Six Sigma
6. Analyser les risques LAMDEC
Chaque fois quune nouvelle solution est choisie, quune modication
est apporte un processus, que ce soit du point de vue organisation-
nel ou technologique, cela implique toujours un risque potentiel qui
doit tre dtect de faon prventive.
Dans cette tape Innover/amliorer , le groupe de travail innove en
modiant les procdures, les processus et le niveau des facteurs. Il y a
donc un risque que ces modications aient des consquences qui
napparaissent pas de premier abord. Si on veut limiter les risques, il
faut raliser une analyse formelle des dfaillances potentielles du nou-
veau systme que lon vient de concevoir. LAMDEC est un outil qui
permet de procder ce type danalyse.
LAMDEC ( Analyse des Modes de Dfaillance, de leurs Effets et de
leur Criticit ) est quelquefois prsente sous le sigle anglais FMECA
(Failure Mode, Effect and Criticality Analysis).
Le principe de base de lAMDEC est de raliser une tude fonde sur le
travail de groupe qui est destine mettre en vidence le plus tt possi-
ble les dfaillances potentielles dune tude. Pour cela, on cherche :
identier les dfaillances potentielles ;
identier leurs effets pour les clients ;
identier la chane des causes qui peuvent conduire ces
dfaillances ;
identier les dtections mises en place ;
hirarchiser les dfaillances par une notation ;
apporter des actions correctives en prvention des dfaillances
critiques .
Mode de dfaillance
Dans lAMDEC, on parle de mode de dfaillance . Il sagit de la
manire dont un systme peut tre conduit mal fonctionner. Pour
illustrer cette notion, prenons lexemple dune brosse dents
(gure 6.60).
Le libell de la dfaillance est Rupture du manche . partir de ce
libell, le groupe de travail doit :
identier leffet ressenti par lensemble des clients du processus ;
rechercher la/les cause(s) ou la chane de causes qui peuvent
conduire cette dfaillance ;
vrier pour chaque cause si un systme de dtection ou une
dmarche de validation garantit que la cause est bloque ou que
la dfaillance ne peut pas atteindre le client.
Figure 6.60 Mode de dfaillance
Cotation dun mode de dfaillance
Loriginalit de la mthode AMDEC tient en ceci que lon note chaque
mode de dfaillance identi selon trois axes de notation :
la frquence dapparition, cest--dire la probabilit que la
cause existe multiplie par la probabilit que cette cause cre
une dfaillance ;
La dtection :
L'effet :
La cause :
Cause 2
Dtection
Procdure
de rception matire
Effet
Matire non conforme Le client se blesse
Libell :
L'origine de la dfaillance qui reste
dans mon domaine de comptence
ce que j'ai fait comme dmarche de validation
ou
ce que j'ai prvu de faire comme contrle
pour que la dfaillance n'atteigne pas le client
ce que ressent le (les) client(s)
On considre le client aval
et
le client final
Rupture
du manche
Six Sigma
la gravit, cest--dire lvaluation de leffet non-qualit ressenti
par le client ;
la dtection, cest--dire la probabilit de ne pas livrer une
dfaillance potentielle quand la cause existe.
Pour chacun de ces axes, on xe une note de 1 10 en fonction dune
grille de notation (gure 6.61). Le Niveau de Priorit de Risque
(NPR) est le produit de ces trois notes. On considre gnralement que
toute dfaillance potentielle ayant une note suprieure 100 est juge
risque. Il faut apporter une action corrective.
Casse du manche/Matire non conforme/Erreur du fabricant
F= 3 / G = 9 / D = 9 ; NPR = 3 9 2 = 243
Le NPR tant suprieur 100, une action corrective est juge
ncessaire.
Figure 6.61 Calcul du NPR
Cotation F Frquence G Gravit D Dtection
1 3 Jamais ou presque Sans consquence 100 % ou presque
4 6 possible Mcontentement Non optimal
7 9 Souvent Trs mcontent
Panne critique
Inexistante,
incertaine
10 Toujours Problme de scurit Impossible
NPR = F x G x D
Ex
Frquence
Gravit
Dtection
Chaque fois quune action corrective est envisage, on fait une
nouvelle valuation du NPR en tenant compte des amliorations.
Synthse sur la feuille AMDEC
Lensemble de ltude est synthtis sur une feuille danalyse qui a la
forme suivante (gure 6.62) dans le cas dune AMDEC processus.
Figure 6.62 Feuille danalyse AMDEC
OP
Produit Processus Prvu/existant Actions Rsultat
Dfaut
potentiel
Effet
dfaut
Cause
dfaut
plan de
surveillance
Note Responsable Dlai Mesures Note
D F G NPR D F G NPR
30 Rsistance
du manche
faible
Casse Erreur
matire
Nant 9 3 9 243 M. Aubel S47 cration
procdure
magasin
3 3 9 27
323
Chapitre 7
tape 5 Contrler
1. Introduction
Lensemble des tapes Dnir , Mesurer , Analyser , Innover/
amliorer a permis de fournir une solution an damliorer le z du
processus. Cette cinquime tape a pour objectif de se donner les
moyens de mettre sous contrle le processus an de sassurer de la sta-
bilit de la solution trouve.
Le point essentiel dans cette tape est la mise sous contrle du pro-
cd. Pour cela, il faut :
valider les spcications ;
formaliser les modes opratoires ;
surveiller que le processus ne drive pas en appliquant les
mthodes de la matrise statistique des processus.
Six Sigma
Nous dtaillerons dans ce chapitre ces trois oprations qui seront
appuyes par la dernire tape Standardiser , laquelle permettra de
garantir que le maintien du niveau de qualit atteint se fera nergie
minimale , donnant ainsi aux progrs accomplis un caractre
prenne.
2. Valider les spcications
ce stade du projet Six Sigma, les relations entre les X et les Y sont
bien tablies. Avant de mettre sous contrle les caractristiques, il faut
valider les spcications.
Une spcication se compose dune cible et de limites de tolrance. Il
faut donc dterminer la cible de telle sorte que les tolrances permises
soient maximales tout en garantissant le respect des spcications sur
les caractristiques critiques pour le client (les Y).
2.1 Dtermination des tolrances par corrlation
2.1.1 Utilisation du paralllogramme des tolrances
Le tolrancement doit garantir le bon fonctionnement des produits la
n du processus. Pour y pourvoir, lorsque lon a identi une relation
entre une caractristique lmentaire et une caractristique nale, on
doit dterminer les tolrances sur la caractristique lmentaire de telle
sorte que lon sassure de la satisfaction du client.
Prenons lexemple de la relation entre une variable lmentaire X et la
variable rsultante Y (gure 7.1).
tape 5 Contrler
Figure 7.1 Relation de corrlation entre X et Y
La variable Y a pour cible 3,8 et pour tolrance 0,3. Comment dter-
miner les tolrances sur la variable X compte tenu de la relation qui
existe entre ces deux variables ?
Premire tape : tracer la droite de rgression (voir chapitre 5, Analy-
ser).
Deuxime tape : dterminer la cible sur X
En partant de la cible vise sur Y et en la projetant sur la droite
de rgression, on dtermine aisment la cible sur X. Dans
lexemple, on trouve comme cible 25,3 (gure 7.2).
Troisime tape : dterminer les tolrances sur X
1. On trace les tolrances sur la variable rsultante.
2. On trace lenveloppe de la corrlation, parallle la droite de
rgression.
22
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
4,1
4,2
22,5 23 23,5 24 24,5 25 25,5 26 26,5 27 27,5 28
Caractristique lmentaire
C
a
r
a
c
t
r
i
s
t
i
q
u
e

r
s
i
d
u
e
l
l
e
X
Y
Six Sigma
Figure 7.2 Enveloppe de la corrlation
3. On xe les tolrances sur X en compltant le paralllogramme
des tolrances (gure 7.3). Dans lexemple, on xe les tolrances
25,33 0,9.
Figure 7.3 Paralllogramme des tolrances
22
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
4,1
4,2
22,5 23 23,5 24 24,5 25 25,5 26 26,5 27 27,5 28
X
Y
Droite de rgression
Enveloppe
22
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
4,1
4,2
22,5 23 23,5 24 24,5 25 25,5 26 26,5 27 27,5 28
X
Y
tape 5 Contrler
2.1.2 Mthode statistique
La mthode statistique vise dterminer les tolrances en utilisant les
relations de corrlation. La premire chose faire est de calculer lcart
type cible que lon souhaite sur la variable rsultante. On suppose que
lon souhaite un Pp de 1 sur Y (6
Long terme
dans la tolrance).
Dans ce cas,
Y
= 0,6/6=0,1.
Soit une variance cible sur Y : 0,1
2
= 0,01.
En utilisant la rgression linaire, on tablit la relation entre X et Y (on
se sert de lutilitaire danalyse de Excel par exemple).
Dtermination de la cible
On en dduit la relation pour tablir la cible : Y
cible
= 0,15 X
cible
Soit : X
cible
= Y
cible
/0,15 = 3,8/0,15 = 25,33
Dtermination des tolrances
Pour les limites, on utilise ladditivit des variances :
V(Y) = 0,15
2
V(X) + V
rsiduel
Pour tablir la relation, on est oblig de tenir compte de la variance
rsiduelle, cest--dire des variations sur Y qui ne sont pas expliques
par les variations de X. Cette variance est dtermine par ltude de
rgression linaire, cest le carr de lcart type rsiduel.
On a donc :
soit
Statistiques de la rgression
R
2
0,74
cart type rsiduel 0,07834584
Coef. cart type t Probabilit
X 0,15 0,000440 341,8 2 E-84
V X ( )
V Y ( ) V
rsiduel
0,15
2
-------------------------------------
0,01 0,0783
2
0,15
2
------------------------------------- 0,17 = = =
cible(X)
0,17 0,41 = =
Six Sigma
En xant un objectif de Ppk de 1,00 sur X, on trouve comme intervalle
de tolrance : 6 0,41 = 2,4
La tolrance sur X est donc xe 25,33 1,20
2.1.3 Cas dune tolrance unilatrale
On cherche montrer linuence dun dfaut de concentricit dun axe
sur le bruit mesur sur le produit ni. Il ne semble pas possible aux
ingnieurs dtablir une relation entre ce bruit en nal et la concentri-
cit par une relation mathmatique issue dun modle. De plus, il nest
pas facile de recrer le dfaut de concentricit sur la pice. Lutilisation
de plans dexpriences pour dterminer la relation nest donc pas
aise.
Pour rsoudre ce problme, on a recours une analyse en rgression.
Lanalyse consiste mesurer la concentricit de 50 arbres et raliser
lassemblage (si possible dans le mme produit) sur lequel on mesu-
rera le bruit. Le bruit maximal tolr est de 43 dB.
On tablit la relation entre le bruit et la concentricit au moyen du gra-
phique de corrlation.
Figure 7.4 Relation entre le bruit et la concentricit
30
35
40
45
50
55
0 0,05 0,1 0,15 0,2
Concentricit
B
r
u
i
t
tape 5 Contrler
Mthode graphique
Figure 7.5 Dtermination graphique des tolrances
Graphiquement, on constate aisment quune concentricit leve cor-
respond toujours un bruit lev. partir du graphique prcdent
(gure 7.5), on dtermine la limite suprieure sur la concentricit
0,08.
Mthode statistique
Pour savoir si la relation entre le bruit et la concentricit est signica-
tive, on ralise un test de Student.
Voici lquation de rgression : Bruit
moyen
= 33,96 + 93,8 Conc
S = 2,96 R
2
= 65 % R
2
(ajus) = 64,3 %
La probabilit p indique le risque de conclure tort que le rgresseur
est signicatif. Dans notre exemple, ce risque est infrieur 5 %, on
conclut donc que la concentricit a bien un effet signicatif sur le
bruit.
Coef. cart type t p
Constante 33,96 0,836 40,599 8,06E-39
Conc. 93,80 9,923 9,4525 1,54E-12
30
35
40
45
50
55
0 0,05 0,1 0,15 0,2
Six Sigma
Le coefcient R
2
indique la part de la variance sur le bruit, explique
par la concentricit. Dans notre exemple, 64,3 % de la variance du
bruit provient des variations sur la concentricit. Ce nest pas ngligea-
ble.
Bruit
Max
= 33,96 + 93,8 Conc
Max
+ 3
rsiduel
Lcart type rsiduel
rsiduel
est donn par ltude de rgression
S = 2,96.
Dans notre cas, on cherche dterminer la concentricit maximale. On
a donc :
2.2 Exemple en corrlation multiple
Dans certains cas de gure, on ne cherchera pas la relation entre un
rsultat nal et une seule variable explicative, mais avec plusieurs
variables lmentaires candidates.
On pourrait envisager de faire plusieurs corrlations simples comme
dans lexemple prcdent, mais ce nest pas indiqu car les effets
dune variable lmentaire peuvent tre masqus par les effets des
autres variables (voir chapitre 5, Analyser). Il est donc prfrable de
tout inclure dans la mme corrlation.
Exemple
On recherche sur un produit la relation entre lamplitude dun
mouvement et plusieurs variables initiales : Diamtre (D), Force
dun ressort (F), Rugosit (R), Concentricit (C), Jeu (J).
On applique la mme mthode que prcdemment : on mesure
pralablement les candidats, puis le rsultat sur les produits
assembls.
Conc
Max
Bruit
Max
33,96 3 2,96
93,8
-------------------------------------------------------------------- 0,076 = =
Ex
tape 5 Contrler
En ne conservant que les rgresseurs signicatifs, on trouve la
relation :
Amp = 17,4 + 1,51 F 0,798 R + 8,71 J
D F R C J Amp
2,999 1,76 0,68 1,08 0,04 19,95
3,002 1,83 2,96 0,26 0,04 18,04
3,001 1,83 1,66 1,81 0,02 18,87
3,001 1,81 3,07 1,3 0,04 17,75
3,001 1,84 0,78 0,52 0,03 19,83
3,003 1,70 1,19 1,18 0,04 19,52
3,002 1,80 1,21 0,28 0,02 19,48
3,001 1,78 0,15 0,1 0,03 20,22
3,001 1,87 0,91 1,12 0,03 19,64
3,003 1,87 1,3 3,22 0,03 19,78
3,000 1,86 1,86 1,04 0,04 19,10
3,004 1,69 1,16 0,18 0,02 19,20
3,000 1,89 1,21 0,65 0,03 19,42
3,000 1,75 0,69 1,33 0,04 20,08
3,002 1,86 0,09 0,97 0,05 20,46
2,998 1,77 1,64 0,13 0,02 18,79
3,003 1,79 2,32 1,05 0,02 18,49
3,004 1,92 2,34 0,19 0,03 18,73
3,004 1,85 2,89 0,73 0,02 18,04
3,004 1,79 2,61 0,89 0,03 18,39
2,997 1,69 6,67 0,2 0,04 15,12
2,997 1,80 0,72 0,21 0,03 19,80
3,001 1,76 2,45 5,17 0,04 18,39
3,002 1,78 2,05 1 0,03 18,46
2,999 1,83 1,69 3,89 0,02 19,07
3,000 1,78 0,52 0,5 0,03 19,85
3,003 1,66 1,74 0,21 0,02 18,55
3,000 1,79 1,84 0,2 0,02 18,84
3,001 1,85 0,9 0,62 0,01 19,70
2,999 1,88 2,11 0,13 0,04 19,08
Six Sigma
S = 0,1508 R
2
= 98,0 % R
2
(ajus) = 97,8 %
Lquation prcdente explique 97,8% des uctuations mesures
sur lamplitude. Lerreur rsiduelle a comme cart type
e
= 0,1508
Les valeurs cibles sont xes par la relation
Amp = 17,4 + 1,51 F 0,798 R + 8,71 J
On en dduit facilement les tolrances avec la relation suivante :
V(Amp) = 1,51
2
V(F) + 0,80
2
V(R) + 8,71
2
V(J) +
e
2
Soit
En supposant un coefcient de proportionnalit entre les carts
types et les intervalles de tolrances IT (par exemple, IT = 8
) , on peut crire :
3. Formaliser les modes opratoires
3.1 Espace de la dfaillance
Pour matriser un processus, il faut tout dabord formaliser les modes
opratoires. Garantir la performance dun poste de travail, cest mettre
en place un systme capable de rendre le poste robuste par rapport aux
Rgresseur Coef. T P
Constante 17,4 0,82 21,28 0,000
F 1,51 0,45 3,36 0,002
R 0,798 0,02 34,58 0,000
J 8,71 2,98 2,92 0,007
(amp) 2,28
(F)
2
0,64
(R)
2
75,9
(J)
2
0,1508
2
+ + + =
IT(amp) 2,28IT
(F)
2
0,64IT
(R)
2
75,9IT
(J)
2
0,1508
2
+ + + =
tape 5 Contrler
pertes de performance du processus. Par perte de performance, on
entend plusieurs lments : qualit, cots, dlais, scurit, environne-
ment.
Lorsque lon tudie les causes de dfaillances rcurrentes dans un pro-
cessus de production, on identie trois axes majeurs :
laxe de la connaissance/comptence ;
laxe de la formalisation ;
laxe de lapplication.
Lensemble des dfaillances tudies peut tre positionn dans lespace
des dfaillances.
Figure 7.6 Espace de la dfaillance
Axe de la connaissance/comptence
Cet axe dcrit les connaissances et la matrise du sujet par les person-
nes concernes (oprateurs, encadrement mthodes). Cela implique
des niveaux de connaissance pauvres ou trs complets dans le cas
dexperts. Une dfaillance sur cet axe peut se traduire de plusieurs
manires :
Les moyens disposition de loprateur sont satisfaisants, mais
son manque de connaissance ne lui permet pas dy recourir de
faon satisfaisante.
Axe de la connaissance
Miracle
Recette
Performance
Expert
Industrialisation
Axe de l'application
Axe de la formalisation
Six Sigma
Le manque de comptences sur le sujet dpasse le cadre de
lentreprise et les moyens qui permettraient dassurer une perfor-
mance correcte nexistent pas.
Les moyens qui permettraient datteindre la performance exis-
tent, mais ne sont pas utiliss par lentreprise.
Les quatre premires tapes de la dmarche Six Sigma nous ont fait
progresser selon cet axe.
Axe de la formalisation
Cet axe dcrit le degr de formalisation, de rgles respecter qui exis-
tent sur le sujet concern. Cela peut aller de linexistence totale de
rgles formalises jusqu la description trs complte de lensemble
des actions ncessaires pour accomplir la tche sans dfaillance et des
ractions prconises en cas de drive du processus. Les quatre pre-
mires tapes de la dmarche Six Sigma nous ont permis de prendre
connaissance de ses rgles mais, ce stade, elles ne sont pas formali-
ses.
Axe de lapplication
Cet axe dcrit le degr de correspondance entre les connaissances
acquises et/ou formalises et la vritable application sur le terrain. Il
ne suft pas que les connaissances soient dans lentreprise et que cel-
les-ci soient formalises, encore faut-il quelles soient appliques. Cet
axe sera tout particulirement tudi dans la dernire tape de Six
Sigma : Standardiser .
Aspect statique et dynamique de la dfaillance
On conoit aisment quun processus parfaitement matris du point
de vue de la connaissance, dont les rgles ont t formalises et sont
appliques avec rigueur, nest pas candidat aux problmes rcurrents.
Hlas, la situation dans cet espace de la dfaillance nest pas statique
mais dynamique, et on peut tout moment glisser selon un des trois
axes.
tape 5 Contrler
Glissement de laxe de la connaissance : la perte de savoir-faire
On sait faire mais, pour une raison quelconque, on perd cette connais-
sance. Parmi les raisons qui peuvent tre invoques ici, on peut citer la
priodicit dune activit (une fonctionnalit dun logiciel qui nest uti-
lis que tous les trois mois par exemple ou une production qui change
aprs une longue priode, ce qui fait que la bonne pratique de la cam-
pagne prcdente a t oublie) ou un changement de personnel. Dans
ces deux situations, il faut pouvoir compter sur une formalisation ad
hoc permettant de garantir une certaine continuit et de pallier le
manque de mmoire .
Glissement de laxe de la formalisation : elle devient obsolte
On a fait voluer le processus mais pas la documentation ou les rgles
respecter qui lui sont associes. De ce fait, la formalisation qui tait
parfaitement adapte nest plus utilisable dans le cadre du nouveau
processus puisquelle conduira immanquablement des erreurs.
Glissement de laxe de lapplication :
les rgles ne sont plus respectes
On sait faire, mais le temps, les habitudes conduisent ne plus respec-
ter ce qui avait t tabli. On peut citer lexemple du non-respect des
limitations de vitesse sur la route par exemple ! Si ce cas se rpte
rgulirement, la formalisation existante ne sera probablement plus
utilisable puisque dconnecte de la vie du processus. En fait, et quelle
que soit la qualit de la formalisation existante, ce cas nous ramne
une situation o la formalisation nexiste pas.
Cette petite analyse de lespace de dfaillance montre bien combien il
est important de formaliser les processus opratoires pour matriser un
processus.
3.2 Formaliser les modes opratoires
La formalisation des modes opratoires permet de constituer une
mmoire de lentreprise. Cest galement la premire tape de la stan-
dardisation des oprations. Cette formalisation peut prendre plusieurs
formes :
Six Sigma
La mise en place de procdures gnriques garantissant la con-
formit de la tche. Par exemple, la couleur rouge est systmati-
quement rserve aux produits non conformes.
La rdaction de documents synthtiques tels que les ches de
poste, les instructions de travail qui permettent de mettre sur
le papier la faon dont on ralise une tche ou dont on ragit
face une situation.
La cration de check-lists qui permettent de garantir quune suite
dactions sera bien ralise. Cest particulirement utile notam-
ment dans les changements de fabrication qui sont trs souvent
des sources de pertes de performances importantes.
La mise en place de feuilles de relevs qui permettent de sassu-
rer de la continuit de la performance du processus.
Le groupe de travail devra raliser ce travail de formalisation pour que
ce qui a t dcid ne soit pas oubli. Il ne sagit en aucun cas de noir-
cir du papier. Ce serait sans intrt ici. Bien du papier peut tre vit
par les procdures gnriques. Donnons un exemple. Une machine
ncessitait une maintenance prventive complexe pour mettre sous
contrle le processus. Certaines oprations taient journalires,
dautres hebdomadaires. Une premire solution a consist dcrire sur
des documents lensemble des points. Il en a rsult un petit document
de plusieurs feuilles malgr le recours intensif aux photos et croquis.
Une seconde solution a consist peindre en jaune tous les points
ncessitant un entretien journalier et en bleu ceux qui requraient un
entretien hebdomadaire. Une simple check-list a alors permis de for-
maliser ce point. La mthode a t tendue tout le site de production,
allgeant ainsi un trs grand nombre de documents.
Formaliser nest pas synonyme dcriture, mme si un minimum
dcriture est souvent ncessaire. Dans ce cas, on doit avoir le souci de
lefcacit et se poser la question de lutilit du document que lon
rdige. On identie en gnral trois cas dutilisation des documents de
formalisation dune activit :
lorsquune personne nouvelle doit raliser lactivit ;
lorsquon doit refaire une activit aprs un certain temps et que
lon en a tout oubli ;
tape 5 Contrler
lorsquon veut auditer lactivit et quon a besoin dune rf-
rence.
La formalisation de lactivit doit rpondre ces objectifs, ce qui ne
ncessite pas en gnral quon la dcrive de faon exhaustive.
4. Processus sous contrle
4.1 Les causes communes et les causes spciales
Lorsque lon suit un processus de production, il y a toujours des varia-
tions dues de nombreuses causes ; on se pose la question suivante :
partir de quel cart faut-il intervenir sur le processus ?
Figure 7.7 Procd avec drive
Lexemple de la gure 7.7 donne le lm dune production sur laquelle
on a mesur la totalit des units produites. Le processus est visible-
ment en train de driver et il faudrait sans doute intervenir pour le
ramener sur sa cible (0). Mais quel critre va nous donner la preuve
statistique que le processus a driv et quil est ncessaire
dintervenir ?
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
4,00
3,00
2,00
1,00
0,00
1,00
2,00
3,00
4,00
Six Sigma
En 1931, W. SHEWHART proposa une approche permettant de rpondre
ces questions, en dissociant les causes de dispersion en deux
catgories :
les dispersions dues aux causes communes ;
les dispersions dues aux causes spciales.
Cette dichotomie entre les causes de dispersion est une des bases fon-
damentales de la mthode MSP ( Matrise statistique des procds ).
Il convient donc de les expliciter davantage.
Les causes communes : ce sont les nombreuses sources de variations
difcilement matrisables qui sont toujours prsentes des degrs
divers dans diffrents procds. Ces causes tant toujours prsentes et,
de plus, en grand nombre, il faudra vivre avec . Lensemble de ces
causes communes forme la variabilit intrinsque du procd. Cette
variabilit suit gnralement une loi de Gauss.
Figure 7.8 Causes communes et causes spciales
Les causes spciales : ce sont les causes de dispersion identiables,
souvent irrgulires et instables, et par consquent difciles prvoir.
Lapparition dune cause spciale ncessite une intervention sur le pro-
cd. Contrairement aux causes communes, les causes spciales sont
en gnral peu nombreuses. Un drglement d une usure doutil est
une cause spciale.
Causes spciales
Causes communes
3 +3
1
er
rglage 2
e
rglage
tape 5 Contrler
4.2 Le principe dune carte de contrle
La dmarche vise donc identier la dispersion due aux causes com-
munes an de dtecter les limites de variations admissibles.
Figure 7.9 Calcul de ltendue glissante
Dans lexemple de la gure 7.7, on peut faire lhypothse que les varia-
tions dune unit lautre sont la manifestation des causes
communes ; la drive que lon constate reprsente une cause spciale.
Pour identier lcart type des causes communes, nous pouvons utili-
ser la mthode des tendues glissantes entre 2 valeurs conscutives
que nous avons prsente dans les chapitres prcdents.
R = valeur absolue (X
i
X
i 1
)
Exemple : R
2
= Abs( 1,13 0,77) = 1,9
On calcule la moyenne des tendues et on calcule lcart type par la
relation :
N
o
Y R N
o
Y R N
o
Y R N
o
Y R
1 0,77 11 1,47 1,36 21 2,29 1,08 31 2,53 0,64
2 1,13 1,9 12 1,2 2,67 22 1,71 0,58 32 1,72 0,81
3 1,02 2,15 13 1,38 2,58 23 2,23 0,52 33 1,25 0,47
4 0,14 1,16 14 1,27 0,11 24 3,15 0,92 34 3 1,75
5 2,13 2,27 15 1,61 0,34 25 1,44 1,71 35 2,66 0,34
6 0,25 2,38 16 0,83 0,78 26 2,08 0,64 36 3,31 0,65
7 0,99 0,74 17 2,24 1,41 27 1,62 0,46 37 1,85 1,46
8 0,47 1,46 18 0,74 1,5 28 2,21 0,59 38 2,19 0,34
9 0,82 1,29 19 0,7 1,44 29 2,78 0,57 39 3,03 0,84
10 0,11 0,93 20 1,21 1,91 30 3,17 0,39 40 3,02 0,01
R
1,128
--------------
1,11
1,128
-------------- 0,98 = = =
Six Sigma
Il est donc ais de placer les limites des uctuations naturelles du pro-
cessus Cible 3, soit 0 3 0,98 = 2,94.
Figure 7.10 Limites naturelles du processus
Ayant dtermin les limites naturelles du processus, il est facile de
dterminer une rgle claire dintervention. Ainsi, ds le 24
e
point, on
est sorti des limites naturelles ; il y a une forte probabilit quil y ait la
prsence dune cause spciale. Il faut donc intervenir sur le procd.
Ce principe relativement simple est la base des cartes de contrle que
nous allons prsenter. Nous avons surveill dans ce petit exemple la
position du procd mais, pour mettre sous contrle un procd, il fau-
dra surveiller galement sa dispersion. Ainsi, il faudra en gnral sui-
vre deux cartes :
une pour garantir labsence de cause spciale sur la position ;
lautre pour garantir la stabilit de la dispersion naturelle du pro-
cd.
Pt hors contrle Limite naturelle
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
4,00
3,00
2,00
1,00
0,00
1,00
2,00
3,00
4,00
tape 5 Contrler
5. Cartes de contrle pour caractristiques
continues
5.1 Carte aux valeurs individuelles/tendues
glissantes
La carte aux valeurs individuelles/tendues glissantes permet de repr-
senter sur un graphique lensemble des mesures ralises. On utilise
cette carte principalement dans deux situations :
le suivi de processus en petites sries, pour lesquels on a peu de
donnes et o la notion de lot na pas de sens ;
le suivi de caractristiques process telles que la temprature, la
pression.
Figure 7.11 Carte aux valeurs individuelles/tendues glissantes
Carte de contrle valeurs individuelles tendues glissantes
t
e
n
d
u
e
s

g
l
i
s
s
a
n
t
e
s
V
a
l
e
u
r
s

i
n
d
i
v
i
d
u
e
l
l
e
s
UCL = 2,94258
X = 0
MR = 1,10641
LCL = 2,94258
4 8 12 16 20 28 24 32
1 1 1
1
1 1
36 40
Observations
4
0
2
2
UCL = 3,61496
LCL = 0
4 8 12 16 20 28 24 32 36 40
Observations
4
2
1
0
3
Six Sigma
Elle est constitue de deux graphiques : les valeurs mesures et les
tendues glissantes calcules sur deux (ou plus) valeurs conscutives.
Lexemple de la gure 7.11 reprend les donnes du tableau prsent en
gure 7.9. Il montre que le processus subit une drive sur la position
avec de nombreux points hors contrle sur la carte des valeurs indivi-
duelles. En revanche, la dispersion est sous contrle avec une carte des
tendues qui ne possde pas de point hors contrle.
Pour les valeurs individuelles, les limites sont fixes Cible 3 . Voici les
formules que lon utilise pour le calcul des limites :
Pour les tendues mobiles, les limites sont fixes R 3
R
, ce qui, aprs
simplification, donne les quations :
Figure 7.12 Tableau des coefcients
Les coefcients sont choisis en fonction de la taille retenue du sous-
groupe pour calculer ltendue glissante. Dans notre exemple, nous
avons choisi n = 2.
La cible est soit la valeur sur laquelle on veut se centrer dans le cas de
processus rglables, soit la moyenne historique du processus sur
laquelle on souhaite rester centr.
LIC
X
= Cible 3 = Cible 3(R/d
2
) = Cible A
4
R
LSC
X
= Cible+3 = Cible+3(R/d
2
) = Cible+A
4
R
LIC
R
= D
3
R
LSC
R
= D
4
R
n 2 3 4 5
A
4
2,660 1,772 1,457 1,290
D
3
- - - -
D
4
3,267 2,574 2,282 2,114
tape 5 Contrler
5.2 Interprtation des cartes de contrle
Figure 7.13 Les rgles de pilotage des cartes de contrle
Graphique Description
Dcision
carte position
Dcision
carte dispersion
Procd
sous contrle
Les courbes X et R
oscillent de cha-
que ct de la
moyenne.
2/3 des points
sont dans le tiers
central de la
carte.
Production Production
Point hors limites
Le dernier point
trac a franchi une
limite de contrle.
Rgler le procd de la
valeur de lcart qui
spare le point de la
valeur cible.
Cas limite suprieure
La capabilit court terme
se dtriore. Il faut trouver
lorigine de cette
dtrioration et intervenir.
Il y a une erreur de
mesure.
Cas limite infrieure
samliore.
Le systme de mesure est
bloqu.
Tendance
suprieure
ou infrieure
7 points conscutifs
sont suprieurs ou
infrieurs la
moyenne.
Rgler le procd
de lcart moyen qui
spare la tendance la
valeur cible.
Cas tendance suprieure
lorigine de cette
Cas tendance infrieure
samliore. Il faut trouver
lorigine de cette amliora-
tion pour la maintenir.
LSC
LIC
LSC
LIC
LSC
LIC
Six Sigma
Pour interprter les cartes de contrle, il faut appliquer les rgles de
pilotage (gure 7.13). Ces rgles sont diffrentes pour les cartes de
position et de dispersion. La premire chose faire est de valider la
carte de dispersion. En effet, si la dispersion du procd augmente, il
faut arrter tout de suite le processus, car la capabilit court terme est
en train de chuter. De plus, les limites de contrle en position tant cal-
cules partir de ltendue moyenne, elles ne sont plus valables. En
revanche, on rsoudra souvent une variation sur la carte en position
par un simple rglage.
5.3 Carte de contrle moyennes/tendues
La carte de contrle moyennes/tendues est celle que lon rencontre le
plus souvent. Plutt que de reprsenter les valeurs individuelles, on va
reprsenter sur la carte de position la moyenne dun chantillon de
plusieurs units ralises conscutivement, sans intervention, et repr-
sentatif de la dispersion court terme. Ltendue est calcule sur les n
Tendance
croissante
ou dcroissante
7 points conscutifs
sont en augmenta-
tion rgulire ou en
diminution
rgulire.
Rgler le procd
si le dernier point appro-
che les limites de con-
trle de lcart qui
spare le dernier point
la valeur cible.
Cas srie croissante
lorigine de cette
Cas srie dcroissante
samliore. Il faut trouver
lorigine de cette amliora-
tion pour la maintenir.
1 point
proche des limites
Le dernier point
trac se situe dans le
cadre 1/6, au bord
de la carte de con-
trle.
Conrmer
en prlevant immdiate-
ment un autre chan-
tillon.
Si le point revient dans
le tiers central produc-
tion.
Si le point est galement
proche des limites ou
hors limites, rgler de la
valeur moyenne des
deux points.
Cas limite suprieure
Surveiller la capabilit
Si plusieurs points de la carte
sont galement proches de la
limite suprieure, la capabi-
lit se dtriore. Il faut trou-
ver lorigine de cette
En cas de rglage Un nouvel chantillon est mesur et marqu sur la carte. Pour tre acceptable, le
point doit se situer dans le tiers central de la carte des moyennes.
LSC
LIC
LSC
LIC
tape 5 Contrler
valeurs de lchantillon. La taille n sera dterminante quant lefca-
cit de la carte dtecter un dcentrage. Nous reviendrons sur ce point
au paragraphe suivant.
Calcul des limites de contrle
Les limites de contrle sont xes 3 de la rpartition des moyen-
nes et des tendues. Elles se calculent en utilisant les formules
suivantes :
Pour la carte des moyennes
Limite de contrle suprieure : LSC
X
= Cible+ A
2
R
Limite de contrle infrieure : LIC
X
= Cible A
2
R
Pour la carte de contrle des tendues
R
= D
4
R
R
= D
3
R
La cible est la valeur sur laquelle il faut se centrer. Elle est souvent
xe sur le milieu de lintervalle de tolrance. Pour les procds qui ne
peuvent tre centrs sur la cible idale (cote rsultant dun moule par
exemple), on xe la cible sur la moyenne des moyennes de la
carte dobservation.
Les coefcients A
2
, D
3
, D
4
, sont fonction de la taille des chantillons.
Lorigine de ces coefcients est dmontre dans la littrature spciali-
se
12
.
Figure 7.14 Tableau des coefcients pour le calcul des cartes
12. Voir Appliquer la Matrise statistique des procds (MSP/SPC), Maurice PILLET, Les ditions
dOrganisation, 2001.
n 2 3 4 5 6 7 8 9 10
A
2
1,88 1,02 0,73 0,58 0,48 0,42 0,37 0,34 0,31
D
3
0,07 0,14 0,18 0,22
D
4
3,27 2,57 2,28 2,11 2,00 1,92 1,86 1,82 1,78
X ( )
Six Sigma
Figure 7.15 Carte moyennes tendues
Exemple de calcul dune carte de contrle
Prenons le cas dune caractristique de valeur cible 25. Les
chantillons prlevs sont des groupes de 4 pices.
lissue de la phase dobservation du procd, nous avons cal-
cul la moyenne des tendues de chaque sous-groupe R = 0,315.
La cible est le milieu de lintervalle de tolrance soit 25,00.
N
o
20 21 22 23 24 25 26 27 28 29 30
Y1 24,82 25,33 25,00 24,73 25,33 25,17 25,22 25,50 25,31 25,42 25,35
Y2 24,77 25,22 25,07 25,12 25,15 25,18 25,43 25,04 25,20 25,37 25,39
Y3 25,11 25,20 25,00 25,07 25,49 25,24 25,38 25,38 25,22 25,40 25,58
Y4 25,10 25,02 24,84 25,09 25,25 25,23 25,21 25,28 25,43 25,54 25,25
Moyennes 24,95 25,19 24,98 25,00 25,31 25,21 25,31 25,30 25,29 25,43 25,39
tendues 0,34 0,31 0,23 0,39 0,34 0,07 0,22 0,46 0,23 0,17 0,33
Carte de contrle moyennes/tendues
1
1
1
1
1
1
t
e
n
d
u
e
s
M
o
y
e
n
n
e
s
UCL = 25,2292
X = 25
R = 0,314667
LCL = 24,7708
3 6 9 12 15 21 18 24 27 30
N chantillon
25,4
25,0
24,8
25,2
UCL = 0,717850
LCL = 0
3 6 9 12 15 21 18 24 27 30
N chantillon
0,8
0,4
0,2
0,0
0,6
Ex
tape 5 Contrler
Choix des coefcients
Les groupes tant de 4 pices, nous prenons les coefcients A2,
D3, D4, dans la colonne 4 : A
2
= 0,73 ; D
3
= ; D
4
= 2,28
En appliquant les formules, nous trouvons :
Limite suprieure de contrle des moyennes
LSC
X
= 25,00 + 0,73 0,315 = 25,23
Limite infrieure de contrle des moyennes
LIC
X
= 25,00 0,73 0,315 = 24,77
Limite suprieure de contrle des tendues
LSC
R
= 2,28 0,315 = 0,718
Il ny a pas de limite infrieure pour des groupes de 4 pices.
5.4 Efcacit des cartes de contrle
en fonction de la taille de lchantillon
Lefcacit dune carte de contrle tient en fait sa capacit dtecter
un rglage dfaillant. En effet, lorsquon pilote un procd avec des
mthodes statistiques, on se heurte toujours deux risques dcision-
nels :
le risque de premire espce de conclure un rglage
dfaillant alors quil ny en a pas ;
le risque de seconde espce de ne pas dceler un dfaut de
rglage alors que celui-ci existe.
Le schma suivant (gure 7. 16) montre le risque dans le cas dun
rglage parfait et le risque dans le cas dun dcentrage.
Six Sigma
Figure 7.16 Les risques et
Soient :
A : la valeur cible recherche (nominale)
B : la limite de contrle des moyennes loignes de la valeur cible de
C : la position du centrage de la machine. Le dcentrage suppos est
exprim dans la variable rduite. Il est gal k .
La rpartition des moyennes dun chantillon de n pices suit une loi
normale dcart type . Dans le cas dun procd dcentr, la pro-
babilit de ne pas dtecter le drglage k (risque ) est gale la
surface grise.
Pour calculer la probabilit de dtecter un drglage k , il faut cal-
culer z
en fonction du drglage k, du nombre de valeurs dans

lchantillon et de z
/2
retenu pour le calcul des limites.
On peut crire AC = AB + BC, soit
Do
qui reprsente lquation de la courbe defcacit. Cette quation peut
galement se noter :
/ n
/2
Limite suprieure
de contrle
Limite infrieure
de contrle
/ n
Limite suprieure
de contrle
A
Procd centr Procd dcentr
k
B A B C
n z
n z
2

n z
2
n z
2
z
2
n
-------
n
k z
2
n
------- z
n
------- + =
z
k n z
2
=
tape 5 Contrler
Elle permet de calculer la taille dun chantillon en fonction dun
dcentrage que lon souhaite dtecter (k) et du risque correspondant
ce dcentrage.
La courbe prsente ci-aprs (gure 7.17) donne la courbe defcacit
du contrle en fonction de la taille de lchantillon. En abscisse, on
trouve le dcentrage en nombre dcarts types, et en ordonne la pro-
babilit de ne pas dtecter ce dcentrage.
Figure 7.17 Courbe defcacit des cartes de contrle
On note sur cette courbe la trs grande difcult de dtecter un
dcentrage infrieur 1,5 . Cest de l que vient le dcalage de 1,5
pour calculer le z du procd (chapitre 4, section 4.1).
qui devient avec z
/2
= 3 n
z
z
2
+
k
----------------------
2
= n
z
3 +
k
--------------
2
=
0,0
100
90
80
70
60
50
40
30
20
10
0
0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0
2 3 4 5 6 7 10 15
Dcentrage par rapport la cible en nombre d'carts types
P
r
o
b
a
b
i
l
i
t

e
n

%
d
e

n
e

p
a
s

d
t
e
c
t
e
r

l
e

d
c
e
n
t
r
a
g
e
N = 1
Six Sigma
Exemple dutilisation
Une production a un cart type historique de 2. On veut dtecter
dans 90 % des cas un dcentrage de 4 (2 carts types). Quelle
taille de lchantillon faut-il choisir ?
Sur la courbe de la gure 7.17, on prend la premire courbe qui
passe sous le point dabscisse 2 et dordonne 10 qui est la
courbe n = 5.
On note sur ce graphique tout lintrt quil y a travailler avec une
carte de contrle plutt que de procder de faon traditionnelle en rai-
sonnant sur la dernire pice. Le raisonnement traditionnel a pour
point defcacit la courbe n = 1. Ds que le raisonnement a lieu sur
deux pices plutt que sur une pice, la courbe defcacit sincline de
faon importante.
5.5 Carte de contrle moyennes et carts types
Lorsque la taille des chantillons augmente (n > 6), ltendue nest
plus vraiment pertinente. En effet, cette dernire est calcule partir
des deux valeurs extrmes et ne prend pas en compte linformation
contenue dans les valeurs intermdiaires. Il est alors prfrable de rem-
placer la carte des tendues par la carte des carts types S.
On dessine alors sur la carte lestimateur S de lcart type de lchan-
tillon
Calcul des limites de contrle :
S
= B
4
S
S
= B
3
S
Ex
n 1
S
X
i
X ( )
2
i 1 =
n
n 1
-------------------------------- = =
tape 5 Contrler
Figure 7.18 Tableau des coefcients : carte des carts types
Linterprtation de la carte des carts types est identique celle de la
carte des tendues. Les rgles dinterprtation sont donnes dans le
tableau de la gure 7.13.
Lexemple suivant (gure 7.19) montre le trac dune carte moyennes/
carts types partir des donnes de lexemple prcdent (gure 7.15).
On constate que, pour une taille dchantillon faible, la carte des carts
types est semblable la carte des tendues.
Figure 7.19 Carte moyennes/carts types
n 2 3 4 5 6 7 8 9 10
B
3
0,030 0,118 0,185 0,239 0,284
B
4
3,267 2,568 2,266 2,089 1,970 1,882 1,815 1,761 1,716
Carte moyennes/carts types
1
1
1
1
1
1
c
a
r
t
s

t
y
p
e
s
M
o
y
e
n
n
e
s
UCL = 25,2318
X = 25
S = 0,142347
LCL = 24,7682
3 6 9 12 15 21 18 24 27 30
N chantillon
25,4
25,0
24,8
25,2
UCL = 0,322566
LCL = 0
3 6 9 12 15 21 18 24 27 30
N chantillon
0,3
0,2
0,1
0,0
Six Sigma
5.6 Carte de contrle aux mdianes et tendues
La carte de contrle aux mdianes prsente aussi des possibilits int-
ressantes. La mdiane est la valeur telle quil y a autant de valeurs
dun ct que de lautre (gure 7.20). Le symbole reprsentant la
mdiane est . Le rang de la valeur mdiane se calcule en appliquant :
rang = (n+1)/2
Figure 7.20 La mdiane
Exemple : soit 5 valeurs (11, 12, 13, 16, 16) arranges dans lordre
croissant, la mdiane est la valeur telle quil y ait 2 valeurs de part et
dautre, cest donc 13 dans ce cas (rang = (5+1)/2 = 3
e
valeur).
Figure 7.21 Exemple de carte aux mdianes
Y
3 valeurs 3 valeurs
Mdiane
Mdiane
tape 5 Contrler
Avantage de la carte des mdianes
La carte de la gure 7.21 donne un exemple de carte aux mdianes
associe une carte aux tendues. Par exemple, le premier chantillon
a donn comme valeurs (0, 6, 12, 14, 20). Loprateur reporte sur la
carte les 5 valeurs et repre la valeur mdiane. Il reporte ensuite lcart
entre la plus forte et la plus faible valeur sur la carte des tendues.
Cette carte ne ncessite aucun calcul, contrairement aux cartes aux
moyennes. Ainsi, dans le cas de cartes de contrle tenues manuelle-
ment, cela peut tre trs intressant. De plus, le fait de reporter les
valeurs individuelles et de reprer la mdiane permet loprateur de
bien dissocier les deux aspects du pilotage des procds :
laction sur les produits (bon/ pas bon) fonde sur les valeurs
mesures ;
laction sur le procd (rglage) fonde sur la mdiane.
Si loprateur rencontre dans certains cas des difcults calculer
ltendue, on peut simplier ce problme en utilisant un gabarit. Celui-
ci lui permettra de mesurer ltendue partir des points reprs sur la
carte des mdianes, et de la reporter sur la carte des tendues.
Inconvnient de la carte aux mdianes
Bien que plus facile dutilisation que la carte des moyennes, elle ne
donne pas une aussi bonne nesse danalyse que cette dernire. Son
efcacit est donc un peu moins bonne.
Toutefois, compte tenu de sa facilit de mise en uvre, nous con-
seillons dutiliser cette carte au lieu de la carte de contrle des moyen-
nes dans le cas dun suivi manuel.
Calcul des limites : les limites se calculent de la mme faon quune
carte aux moyennes ; seul le coefcient A
2
est remplac par le coef-
cient
Limite de contrle suprieure : LSC = Cible + R
Limite de contrle infrieure : LIC = Cible R
Figure 7.22 Coefcients pour la carte aux mdianes
n 2 3 4 5 6 7 8 9 10
1,88 1,187 0,796 0,691 0,548 0,508 0,433 0,412 0,362
A
2
X
A
2
X
A
2
A
2
Six Sigma
5.7 Carte de precontrol
Les cartes de precontrol ont t dveloppes des ns dalternative
aux cartes de SHEWHART. Elles ont t largement popularises dans les
mthodes de SHAININ
13
. Les cartes de precontrol nont pas pour but de
dtecter quun processus devient hors contrle, mais de garantir la
conformit aux spcications. En ce sens, ces cartes ne rpondent pas
au mme objet, et, bien que plus simples dutilisation, elles ne peuvent
pas garantir le mme niveau de capabilit que les cartes de contrle
traditionnelles.
Outre laspect calcul des limites, les cartes de Shainin offrent cet avan-
tage quelles sont simples dutilisation pour les oprateurs.
On illustre le fonctionnement dune carte de Shainin sur le schma sui-
vant (gure 7.23). Le principe en est de partager la tolrance par deux
an de dnir trois zones :
la zone verte (la moiti de la tolrance) ;
la zone orange (les deux quarts extrieurs de la tolrance) ;
la zone rouge (hors tolrance).
Figure 7.23 Carte precontrol de Shainin
On prlve cinq pices en dbut de production. Pour que le rglage soit
accept, les cinq pices doivent se situer dans la zone verte. Aprs ce
rglage initial, on ralise un suivi de la production en prlevant deux
13. World Class Quality: Using Design of Experiments to Make It Happen, Keki R. BHOTE, Adi K.
BHOTE, Hardcover, 1999.
IT
Tolrance suprieure
Limite suprieure de prcontrle
Limite infrieure de prcontrle
Tolrance infrieure
Rglage Rglage
tape 5 Contrler
pices conscutives. Tant que les deux pices se situent dans la zone
verte, on continue la production. Si les deux pices sont dans la zone
orange ou si deux fois de suite une pice se trouve dans la zone
orange, on rgle le procd.
Le pilotage se rsume par lapplication des quatre rgles suivantes :
Rgle 1
Diviser la spcication en 4 ; la zone situe dans la moiti de la spci-
cation est appele zone verte. Les limites sont appeles lignes de pre-
control (PC lines). Les deux zones situes de chaque ct des lignes de
precontrol sont appeles zone jaune.
Figure 7.24 Les trois zones de la carte de precontrol
Rgle 2
Pour dterminer si le processus est able, prendre cinq pices conscu-
tives issues du processus. Si toutes les cinq sont dans la zone verte,
conclure ce moment que le process est sous contrle. (En fait, avec
cette simple rgle, lchantillonnage habituel de cinquante cent pi-
ces pour calculer le Cp et le Cpk devient inutile. Par lapplication du
thorme de multiplication des probabilits ou la distribution bino-
miale, il peut tre prouv quun minimum de Cpk de 1,33 sera automa-
tiquement obtenu.) La production peut alors commencer.
Si une pice tombe en dehors de la zone verte, le procd est hors con-
trle. Pour dterminer la cause de la dispersion, il faut alors mener une
investigation.
Zone rouge
Limite suprieure de spcication
Limite suprieure de prcontrle
Zone jaune
Zone verte
Limite infrieure de prcontrle
Limite infrieure de spcication
Zone jaune
Zone rouge
Six Sigma
Rgle 3
Une fois que la production est dmarre, prendre deux pices conscu-
tives de faon priodique. On rcapitule dans le tableau suivant
(gure 7.25) les rgles de pilotage appliquer. Lorsque le process a t
stopp (3, 4 et 5), recommencer ltape 2 de validation de la capabilit.
Rgle 4
La frquence de prlvement est dtermine en divisant le temps
moyen entre deux interventions par six.
Figure 7.25 Rgles de pilotage dune carte de Shainin
Ces cartes sont trs simples utiliser, mais il faut faire trs attention
dans leur emploi. On fait lhypothse dans ces cartes que la capabilit
court terme est bonne. Il est assez facile de dmontrer que la mthode
ne donne une bonne production que si la capabilit court terme est
suprieure 2.
N
o
Schma Description Action
1
Les deux pices
sont dans la zone verte
Continuer la production
2
Une pice
est dans la zone verte,
une autre dans la zone jaune
Continuer la production
3
Sur deux prlvements
conscutifs, on trouve
une pice dans la zone jaune
Rgler le procd
4
Si les 2 units sont dans
la mme zone jaune
Rgler le procd
5
Si les 2 units sont dans
des zones jaunes diffrentes
Arrter le procd et conduire
une investigation sur la cause de
la dispersion
6
Si une pice
est dans la zone rouge
Un produit dfectueux est
connu, il faut arrter le process
pour en trouver la cause
tape 5 Contrler
Dans les cas o la capabilit court terme est infrieure deux, il faut pros-
crire cette mthode si lon veut garantir la conformit de la procdure.
5.8 Carte EWMA
(Exponentially Weighted Moving Average)
La carte EWMA permet de dtecter des petites drives plus rapidement
que ce nest possible avec la carte de Shewhart. Le calcul EWMA ra-
lise un ltre des variations alatoires en faisant la moyenne pondre
des dernires valeurs en donnant un poids plus important aux valeurs
rcentes.
En observant la carte EWMA (gure 7.26) ralise partir des donnes
du paragraphe 4.1, on constate que, ds la 17
e
valeur, on dtectait une
drive du processus. Cette drive ntait dtecte qu partir de la
24
e
valeur avec la carte de SHEWHART. La carte EWMA montre ga-
lement que la drive du processus se poursuit jusqu la 40
e
valeur
alors quon pouvait avoir limpression que lcart stait stabilis avec
la carte de SHEWHART.
Figure 7.26 Carte de contrle EWMA
Carte de contrle EWMA
E
W
M
A
UCL = 0,980860
X = 0
LCL = 0,980860
4 8 12 16 20 28 24 32 36 40
N Mesure
3
1
0
1
2
Six Sigma
Dans la carte EWMA, pour chaque point, on va tenir compte de lhisto-
rique des valeurs mesures. Pour chaque chantillon, on calcule une
moyenne pondre par un coefcient , telle que :
M
i
= x
i
+ (1 )M
i1
Cest cette valeur M
i
qui apparat sur la carte EWMA
avec :
1 une constante (on prend souvent = 0,2)
M
0
, valeur initiale = cible
Par exemple (M
0
= 0 ; = 0,2) :
pour le point 1 : M
1
= 0,2 0,77 + 0,8 0 = 0,1543
pour le point 2 : M
2
= 0,2 (1,13) + 0,8 0,1543 = 0,102

On dtectera la prsence dune cause spciale lorsque M
i
franchira une
limite suprieure ou infrieure de contrle.
Calcul des limites dune carte EWMA
Les limites sont calcules 3 carts types de la valeur M
i
. On mon-
tre que les limites se calculent par les relations :
avec :
i : le numro de lchantillon
: lcart type de la population
N
o
1 2 3 4 5 6
Y 0,77 1,13 1,02 0,14 2,13
M 0,1543 0,102 0,1226 0,0695 0,4822
LSC
M
i
Cible 3
1 1 ( )
2i
[ ]
n 2 ( )
-------------------------------------- + =
LIC
M
i
Cible 3
1 1 ( )
2i
[ ]
n 2 ( )
-------------------------------------- =
tape 5 Contrler
n : la taille de lchantillon
: le coefcient de pondration
Cible : la valeur sur laquelle on veut centrer la carte
Les limites dpendent donc du numro de lchantillon, mais elles con-
vergent trs vite vers une droite comme le montre le graphique de la
gure 7.26. Lorsque i augmente, le terme [1 (1 )
2i
] tend vers 1, les
limites deviennent donc :
Ces limites sont deux droites qui dpendent du coefcient , de la
taille des chantillons n et bien sr de lcart type .
Exemple de calcul de limites de contrle
Dans le cas de lexemple de la gure 7.26, il sagit de valeurs
individuelles ; la taille de lchantillon est donc n = 1. On prend
= 0,2 et Cible = 0.
On estime lcart type partir de la loi des tendues rduites :
LSC
M
i
Cible 3

n 2 ( )
--------------------- + =
LIC
M
i
Cible 3

n 2 ( )
--------------------- =
Ex
R
1,128
--------------
1,11
1,128
-------------- 0,98 = = =
LSC
M
i
Cible 3

n 2 ( )
--------------------- + 0 3 0,98
0,2
2 0,2 ( )
--------------------- + 0,98 = = =
LIC
M
i
Cible 3

n 2 ( )
--------------------- 0 3 0,98
0,2
2 0,2 ( )
--------------------- 0,98 = = =
Six Sigma
Interprtation des cartes EWMA
Les rgles dinterprtation des cartes EWMA ne sont pas les mmes
que celles des cartes de contrle de SHEWHART. Ainsi, les rgles des
tendances partir des 7 points ne sappliquent pas. Seul le franchisse-
ment des limites dclenche un signal de drive du processus.
En cas de rglage, la valeur M
i
apparat comme une estimation de la
valeur moyenne du processus ; il convient donc de rgler le processus
de lcart entre la valeur M
i
et la cible.
Enn, si la carte EWMA est trs performante pour dtecter des drives
lentes, elle lest en revanche moins que la carte de SHEWHART pour
dtecter des drives rapides. Lidal consiste donc utiliser ensemble
les trois cartes : EWMA, moyennes (ou valeurs individuelles), ten-
dues (gure 7.27).
Figure 7.27 Carte EWMA Valeurs individuelles et tendues
Rglage
Cause spciale
tape 5 Contrler
6. Cartes de contrle pour caractristiques
non mesurables
6.1 Principes
Les cartes que nous venons de prsenter sont adaptes lorsquon dis-
pose dune grandeur mesurable sur laquelle on peut effectuer un calcul
de moyenne et dcart type.
Cependant, dans un projet Six Sigma, on doit parfois suivre des carac-
tristiques non mesurables comme une proportion de produits non
conformes (attributs). Dans ce cas, si on trace sur un graphique
(gure 7.28) lvolution de la proportion de produits non conformes
issus dun processus, on trouvera des uctuations importantes.
Figure 7.28 Suivi dune proportion dunits non conformes
Les questions que lon doit se poser sont les suivantes : ces uctua-
tions sont-elles le rsultat de variations alatoires ? partir de quelle
proportion peut-on avoir la preuve statistique de la prsence de cause
spciale ? Y a-t-il dgradation ou amlioration du processus ?
Pour rpondre toutes ces questions, il faut enrichir le graphique de
suivi (gure 7.28) de deux lments statistiques (gure 7.29) :
1. la moyenne historique des proportions de non conformes obser-
ve sur le procd ;
Proportion de non-conformits (%)
chantillons
Prsence de cause spciale ?
14
10
4
2
0
6
12
8
Six Sigma
2. la limite naturelle suprieure (et ventuellement infrieure) cal-
cule statistiquement permettant de dterminer les limites des
uctuations alatoires de la proportion de non conformes du pro-
cd.
Figure 7.29 Carte p Proportion de non conformes
Linterprtation dune carte de contrle aux attributs est presque iden-
tique celle dune carte de contrle aux mesures.
Dtrioration du processus : une dtrioration sera dtecte si
on observe un point au dessus de la limite suprieure de contrle
ou si lon obtient une srie dau moins 7 points suprieurs la
moyenne historique.
Amlioration du processus : une amlioration sera dtecte si
on observe un point en dessous de la limite infrieure de con-
trle (lorsquelle existe) ou si lon obtient une srie dau moins 7
points infrieurs la moyenne historique.
6.2 Les diffrentes cartes
Le suivi de la qualit dun produit sur un critre par attribut peut tre
fait de plusieurs manires selon que lon sintresse au dfaut ou
lunit. Dans certains cas, seul le suivi de lunit est intressant. Il en
est ainsi quand le produit est dclar conforme ou non conforme. Dans
le cas dune machine souder la vague pour cartes lectroniques, on
dclarera une carte non conforme lorsque celle-ci comportera un ou
plusieurs dfauts de soudure. On suivra dans ce cas des units non
conformes.
%
Limite de contrle :
c'est la limite (calcule
statistiquement) des fluctuations
alatoires de la proportion
de dfauts
Histoire du procd :
c'est la moyenne
de la proportion de dfauts
habituellement rencontre
14
10
4
2
0
6
12
8
tape 5 Contrler
Dans dautres cas, on cherche plutt suivre le nombre de non-confor-
mits. Par exemple, lorsquun dfaut apparat plusieurs fois sur une
unit. Sagissant de cartes lectroniques, on suivra, avec ce type de
carte, le nombre de courts-circuits raliss par la machine. Une carte
peut comporter plusieurs courts-circuits. On suivra dans ce cas des
non-conformits.
On peut galement distinguer deux cas de gure selon que lon suive le
nombre ou la proportion. Dans le cas dunits non conformes par
exemple, le suivi en nombre sera simple, il sufra de reporter sur la
carte le nombre dunits non conformes que lon a trouves. Ce type
de suivi ncessite des chantillons de taille constante. Le suivi par pro-
portion (en pourcentage) dunits non conformes demande un calcul
supplmentaire, mais permet de saccommoder dchantillons de taille
variable.
La double classication (units non conformes/non-conformits et
nombre/proportion) se rsume donc en quatre situations, rapportes
dans le tableau (gure 7.30), qui conditionnent quatre cartes de con-
trle.
Figure 7.30 Les diffrentes cartes de contrle par attributs
Les cartes de contrle sur les units non conformes sont fondes sur la
loi binomiale alors que les cartes sur les non-conformits sont fondes
sur la loi de Poisson.
Units non conformes Non-conformits
Nombre
Carte np
Nombre de produits non conformes
Carte c
Nombre de non-conformits
Proportion
Carte p
Proportion de produits
non conformes
Carte u
Proportion de non -conformits
= 1 non conforme
dfaut
dfaut
dfaut
dfaut
= 2 non-conformits
Six Sigma
6.3 Le calcul des limites
Pour chaque carte, les limites de contrle sont places trois carts
types de la loi considre (binomiale ou Poisson).
6.3.1 Carte np Nombre dunits non conformes
Calcul du nombre moyen de dfectueux
Proportion moyenne de dfectueux p = np/n
avec
np
i
: nombre de dfauts dans lchantillon i
k : nombre dchantillons
p : proportion moyenne de dfectueux
n : nombre de pices par chantillon
Calcul des limites de contrle suprieure et infrieure
6.3.2 Carte p Proportion dunits non conformes
Calcul de la proportion moyenne de dfectueux
avec
np
i
: nombre de dfauts dans lchantillon i
n : nombre dunits dans lchantillon i
Calcul des limites de contrles
np
np
1
np
2
np
k
+ + +
k
----------------------------------------------------
Nb total de dfauts
Nb dchantillons
------------------------------------------------- = =
LSC
np
np 3 np 1 p ( ) + =
LIC
np
np 3 np 1 p ( ) =
p
np
1
np
2
np
3
np
k
+ + + +
n
1
n
2
n
3
n
k
+ + + +
--------------------------------------------------------------------
Nb total de dfauts
Nb total de pices contrles
------------------------------------------------------------------------- = =
LSC
p
p 3
p 1 p ( )
n
i
-------------------- + =
tape 5 Contrler
6.3.3 Carte c Nombre de non-conformits
Calcul du nombre moyen de dfauts dans le procd
avec
k : le nombre dchantillons (de sous-groupes)
c
i
: le nombre de non-conformits dans le sous-groupe i
6.3.4 Carte u Proportion de non-conformits
Nombre moyen de non-conformits par unit dans le procd
avec
n
i
: la taille du sous-groupe i
c
i
: le nombre de non-conformits dans le sous-groupe i
Calcul des limites de contrle :
LIC
p
p 3
p 1 p ( )
n
i
-------------------- =
c
c
1
c
2
c
k
+ + +
k
---------------------------------------
Nb total de non-conformitss
Nb dchantillons
-------------------------------------------------------------------------- = =
LSC
c
c 3 c + =
LIC
c
c 3 c =
u
c
1
c
2
c
k
+ + +
n
1
n
2
n
k
+ + +
-------------------------------------------
Nb total de non-conformits
Nb ou quantit totale de produits contrls
--------------------------------------------------------------------------------------------------------------
=
=
LSC
u
u 3 u n
i
+ =
LIC
u
u 3 u n
i
=
Six Sigma
6.4 Exemple de carte de contrle p
Une machine ralise en automatique un assemblage de deux pices
extrmement dlicat. lissue de cet assemblage, on ralise un con-
trle 100 % sur la fonctionnalit. En cas dassemblage non conforme,
le produit est orient vers un oprateur pour effectuer une retouche.
Chaque jour, on relve le nombre de produits assembls et le nombre
de ceux ncessitant une retouche.
Les 25 derniers jours de production ont donn les rsultats suivants :
Production Retouches p
118 7 5,9 %
108 8 7,4 %
124 4 3,2 %
94 2 2,1 %
87 4 4,6 %
120 5 4,2 %
102 3 2,9 %
130 3 2,3 %
105 5 4,8 %
90 5 5,6 %
102 9 8,8 %
88 14 15,6 %
120 6 5,0 %
114 6 5,3 %
118 7 5,9 %
120 6 5,0 %
89 6 6,7 %
98 6 6,1 %
103 9 8,7 %
98 1 1,0 %
105 10 9,5 %
96 2 2,1 %
102 10 9,8 %
106 3 2,8 %
86 8 9,3 %
tape 5 Contrler
Calcul de la proportion moyenne dunits non conformes
Dans le cas cit en exemple, la taille des chantillons nest pas cons-
tante, or, elle intervient dans le calcul des limites. Lorsque les varia-
tions sont infrieures 25 % de la taille moyenne, on peut donc
calculer les limites partir de la taille moyenne :
La limite infrieure tant infrieure zro, on ne met pas de limite. La
carte prsente ci-aprs (gure 7.31) montre un point hors contrle.
p
Nb total de dfauts
Nb total de pices contrles
-------------------------------------------------------------------------
149
2 625
-------------- 0,0568 = = =
n
n
k
---------
2 625
25
-------------- 105 = = =
LSC
p
p 3
p 1 p ( )
n
i
-------------------- + 0,0568 3
0,0568 1 0,0568 ( )
105
------------------------------------------------- + 0,1245 = = =
LIC
p
p 3
p 1 p ( )
n
i
-------------------- 0,0568 3
0,0568 1 0,0568 ( )
105
------------------------------------------------- 0,0110 = = =
Six Sigma
Figure 7.31 Carte p en considrant la taille n = 105
Avec les logiciels statistiques (ou mme avec les tableurs), il nest pas
souhaitable de prendre une taille dchantillon moyenne. Il est prfra-
ble de recalculer pour chaque chantillon les limites de contrle en
fonction de la taille relle de lchantillon (gure 7.32).
Carte P pour retouches
1
UCL = 0,124505
P = 0,056762
LCL = 0
2 4 6 18 10 14 12 16 18 20 22 24
chantillon
P
r
o
p
o
r
t
i
o
n
0,12
0,10
0,08
0,14
0,06
0,02
0,00
0,04
tape 5 Contrler
Figure 7.32 Carte P avec n rel
Comme la carte montre un point hors contrle (point 12), il faut
trouver lorigine de cette dtrioration (mauvais rglage, mauvaise
qualit des lments de lassemblage). Pour pouvoir continuer sui-
vre la production avec cette carte, il faut recalculer la proportion de
non conformes (p) en liminant le point 12, ce qui donnerait un nou-
veau p = 0,0533.
6.5 Suivi des dfauts rares
Dans un certain nombre de cas, lapparition de dfauts est extrme-
ment rare, par exemple une deux fois par semaine pour des produc-
tions journalires de plusieurs centaines de produits raliss. Dans ce
genre de situation, le traitement par les cartes de contrle aux attributs
ne donne pas dinformation. Pourtant, il peut tre trs important de
suivre lvolution de ce type de dfaut car, chaque fois quils apparais-
sent, la machine est arrte, ce qui entrane une perte de productivit
importante.
Carte P pour retouches
1
UCL = 0,131615
P = 0,056762
LCL = 0
2 4 6 18 10 14 12 16 18 20 22 24
chantillon
P
r
o
p
o
r
t
i
o
n
0,16
0,12
0,10
0,08
0,14
0,06
0,02
0,00
0,04
Six Sigma
Considrons lhistorique donn dans le tableau suivant (gure 7.33)
prsentant, partir du jour 1 date de dbut de lobservation, le jour
dapparition du dfaut et le nombre de pices produites entre deux
apparitions de dfaut.
Figure 7.33 Historique dapparition de dfauts
Une premire solution consisterait faire une carte c (nombre de non-
conformits par jour) en prenant c sur les 50 premiers jours (c = 0,18).
N
o
Jour
Nombre de pices
entre deux apparitions
Transf.
1 5 1 250 7,24
2 12 1 810 8,03
3 17 1 125 7,04
4 24 1 903 8,14
5 30 1 498 7,62
6 33 782 6,36
7 38 1 263 7,27
8 44 1 504 7,63
9 50 1 489 7,61
10 52 525 5,69
11 55 746 6,28
12 57 499 5,61
13 60 758 6,30
14 63 820 6,44
tape 5 Contrler
Figure 7.34 Carte c
La carte c (gure 7.34) met en vidence sur la n un accroissement de
la frquence des dfauts, mais aucun point hors contrle napparat. Il
faudrait pour cela avoir deux dfauts dans la mme journe.
Pour pouvoir suivre ce type de dfaut, on doit sintresser au nombre
dunits entre deux apparitions de dfauts, qui suit une loi exponen-
tielle. Pour le ramener une loi normale, on applique une
transformation : Y
norm
= Y
0,2777
Par exemple, pour la premire observation on a 1 250 produits. La
transformation donne : Y
norm
= 1 250
0,2777
= 7,24
En cas de production sous contrle , les donnes transformes
devraient tre distribues selon une loi normale. Il est donc facile de
les suivre avec une carte valeurs individuelles/tendues glissantes
(gure 7.35) ou mieux encore avec une carte EWMA (gure 7.36). Les
exemples ont t traits avec une moyenne historique calcule sur les
50 premiers jours. La carte aux valeurs individuelles fait apparatre une
petite tendance sur les dernires valeurs (mais la rgle des 7 points
nest pas atteinte) ; la carte EWMA met clairement en vidence la
dgradation du processus.
Carte C
N
o
m
b
r
e

d
e

n
o
n
-
c
o
n
f
o
r
m
i
t
s
C = 0,18
UCL = 1,45279
LCL = 0
1 6 12 18 24 30 42 36 54 48 60
chantillon
1,6
1,2
1,0
0,8
1,4
0,4
0,2
0,0
0,6
Six Sigma
Figure 7.35
Carte aux valeurs individuelles/tendues glissante sur Y
norm
Figure 7.36 EWMA sur les valeurs transformes
Carte VI tendues glissantes sur valeurs transformes
t
e
n
d
u
e
s

g
l
i
s
s
a
n
t
e
s
V
a
l
e
u
r
s

t
r
a
n
s
f
o
r
m
e
s
UCL = 9,42
X = 7,44
MR = 0,74448
LCL = 5,46
UCL = 2,43243
LCL = 0
1 2 3 4 5 6 8 7 10 12 9 11 13 14
Observation
1 2 3 4 5 6 8 7 10 12 9 11 13 14
Observation
9
7
6
5
8
2,4
1,2
0,6
0,0
1,8
EWMA sur les valeurs transformes
UCL = 8,11729
X = 7,44
LCL = 6,76271
1 2 3 4 5 6 8 7 9 10 11 12 13 14
chantillon
E
W
M
A
8,00
7,75
7,50
8,25
7,25
6,75
6,50
7,00
373
Chapitre 8
tape 6
Standardiser/prenniser
1. Introduction
Cette sixime tape est souvent confondue avec ltape 5,
Contrler . Dans notre approche, nous avons souhait sparer la
phase de standardisation et de clture du projet de la phase
Contrler . Notons que de plus en plus dentreprises optent pour
cette solution qui permet de mettre en vidence la rexion spcique
que demande cette phase dun projet Six Sigma. Certains
14
vont mme
jusqu intgrer deux tapes supplmentaires ( Standardiser ,
Intgrer ).
14. Cf. Harry SCHROEDER, Six Sigma The Breakthrough Management Strategy, 2000.
Six Sigma
Dans cette sixime tape, notre objectif prioritaire sera de mettre en
place tous les moyens pour garantir la prennit des progrs accomplis
et la dmultiplication des solutions apportes, lorsque cela est possi-
ble.
Sil est souvent facile de progresser sur un sujet lorsque les moyens
humains, nanciers, managriaux sont disponibles, il est plus difcile
de garantir que ces progrs seront dnitivement ancrs dans lentre-
prise lorsquon ne sintressera plus spciquement ce sujet.
Enn, cette tape permettra de clore le projet dans les dlais les plus
serrs possible. Il nest pas bon quun projet trane en longueur. La cl-
ture du projet sera loccasion de faire le bilan des amliorations appor-
tes et des gains induits. Elle permettra galement de faire le point sur
les difcults rencontres an denrichir la dmarche Six Sigma dans
lentreprise et de communiquer sur les rsultats obtenus.
2. Prenniser la solution
2.1 Les difcults
De nos jours, de plus en plus dentreprises se rendent compte de
limportance des tapes nales pour prenniser les actions Six Sigma.
En effet, si lon se satisfait des cinq tapes traditionnelles, comment
garantir que laction mise en place sera encore prsente dans deux
ans ?
Cette notion de prennit est un vritable problme industriel. Com-
ment prenniser une action russie ? Quels sont les outils, les mtho-
des notre disposition pour garantir cette prennit ? Si lon se rfre
la bibliographie, on est bien oblig de constater la pauvret des
rponses qui sont apportes sur le sujet et il ne faut pas stonner que
les industriels se retrouvent dsarms devant ce problme. Pour illus-
trer ce vide, relatons lexprience dun groupe dindustriels runis
autour du thme Prennisation des actions russies . Chaque indus-
triel devait apporter un exemple dune action damlioration russie
prennise et un exemple dune action russie qui na pas t pren-
nise. Tous ont prsent une action non prennise et personne na
amen dexemple daction prennise !
Cet tat de fait a t conrm par la suite plusieurs fois auprs dindus-
triels de tous secteurs dactivits. Il y a une relle difcult maintenir
dans le temps les progrs dune action. Sil est souvent facile de pro-
gresser sur un sujet lorsquon y met les moyens humains, nanciers,
managriaux, il est plus difcile de garantir que ces progrs seront
dnitivement ancrs dans lentreprise ds lors que ce sujet ne sera
plus lordre du jour. Combien dentreprises ont fait des progrs consi-
drables dans un domaine, pour constater deux ans plus tard que lon
est revenu ltat initial ! Chacun peut sinterroger dans sa propre
entreprise en portant un regard sur les cinq dernires annes : combien
de projets ont t mens ? Que reste-t-il de ces projets un deux ans
aprs ? A-t-on t capable de capitaliser ces progrs ?
Souvent la rponse ces questions est surprenante, on ne sait pas bien
prenniser une action et ce nest pas parce que lon vient de faire un
projet Six Sigma que lon saura mieux capitaliser si lon ne modie pas
notre faon de faire. Cest la raison pour laquelle cette sixime tape,
Standardiser/ prenniser , nous semble indispensable.
2.2 Les causes de ces difcults
Partant de cette constatation, nous nous sommes interrogs au sein du
groupe de travail du LISTIC
15
sur les causes de ces difcults. Sans
avoir la prtention dtre exhaustifs, nous avons identi les causes
suivantes (lordre ne traduit pas de hirarchie dans les causes) :
la lassitude dappliquer une procdure contraignante ;
le maintien de laction est li limplication du chef de projet, et
le chef de projet a dsormais dautres projets ;
la bonne pratique sest perdue cause dune rotation du
personnel ;
15. Laboratoire dinformatique, systmes, traitement de linformation et de la connaissance
Groupe de travail Contrle des systmes .
Six Sigma
force de prendre des raccourcis dans la procdure, on a perdu
lessence de laction damlioration ;
de nouvelles dmarches de progrs ont contrari lapplication
dune dmarche plus ancienne ;
labsence doutils et de mthodes pour valider la prennisation ;
la multiplicit des projets, on ne va pas au bout de chaque
dmarche
Les causes en sont si nombreuses quil ne faut pas stonner de voir
autant dactions riches en progrs tomber dans loubli.
2.3 Les principes de base
de la prennisation dune action
Principe n
o
1 Ltat organique
Un des principes importants de cette tape, cest le principe de ltat
organique. Si la mise en application dun progrs demande un effort
particulier de la part du personnel, il y a fort parier que lon ne saura
pas maintenir cet effort dans le temps lorsque la pression sur le sujet
diminuera. Si lon veut que la solution soit prenne sans avoir besoin
de maintenir une pression permanente, il faut atteindre ltat
organique .
Nous dnissons ltat organique comme ltat du processus vers
lequel il retournera naturellement. Dans la nature, un pr qui nest
plus entretenu retournera naturellement ltat de bois. En revanche,
un bois non entretenu aura certes un rendement plus faible, mais sa
situation nvoluera pas fondamentalement.
Voici une des dnitions donnes par lAcadmie franaise du terme
d organique : Qui est organis, qui implique une force centrale
agissant, consciemment ou non, en vue dune n.
Lorsquune situation ne concide pas avec un tat organique , il faut
absolument prvoir des actions conscientes de maintien du niveau
atteint. En reprenant lexemple du pr, on doit ainsi prvoir de le fau-
cher et dentretenir les haies si lon ne veut pas que la situation se
dgrade.
Dans un processus, lexprience nous montre que la situation est peu
prs identique. Plus la solution choisie sera proche de ltat organique
et moins les efforts ncessaires pour la maintenir seront importants.
Lorsquon atteint cet tat, la mise en uvre de la solution se fait natu-
rellement sans effort ni contrainte.
La notion deffort et de contrainte doit tre dtaille, car il ne sagit pas
de ne rien faire. Par exemple, sagissant du rangement dun poste de
travail, labsence de contrainte ne correspond pas labsence de range-
ment. Cela va dpendre de la culture dentreprise du personnel. Dans
certaines entreprises qui ont une culture du rangement et de la pro-
pret trs ancre, le personnel ne supportera pas de laisser se dgrader
une situation. Les actions de rangement et de nettoyage ne seront pas
vues comme une contrainte. La contrainte consisterait demander aux
oprateurs de travailler dans un environnement mal rang, ou de pous-
ser trop loin le besoin de propret.
Si on demande un oprateur de faire un suivi dune caractristique
sur carte de contrle alors que la culture de lentreprise consiste ne
jamais demander aux oprateurs de prendre un stylo, il est absolument
indispensable de prvoir les formations et les suivis ncessaires. Dans
le cas dentreprises qui ont dj intgr la culture du suivi de produc-
tion sur feuille de relevs par les oprateurs, laction passera sans la
moindre contrainte si la formation est correctement ralise.
Cette notion d tat organique est donc intimement lie la culture
de lentreprise et la prennit dune mme action peut tre assure
dune manire trs diffrente dans deux entreprises aux cultures
opposes. Si lon veut garantir la prennit dune action, il faut donc
intgrer cette notion. Si une action Six Sigma demande la mise en
uvre dune procdure loigne des rgles standards de lentreprise, il
faudra renforcer considrablement les formations et les suivis de
laction. Lobjectif consistera dans ce cas faire voluer ltat organi-
que de lentreprise, mais cela demande beaucoup de temps et de
labeur.
Prenons nouveau un exemple dans la nature pour expliquer cette
volution. On peut ainsi sintresser lentretien dune butte de terre.
Faire voluer ltat organique de lentreprise consisterait dans ce cas
planter des arbustes rampants, garantissant un bel aspect visuel mais
Six Sigma
ne ncessitant pas dentretien. Il faudra quand mme attendre quel-
ques annes pour obtenir le rsultat souhait pendant lesquelles un
minimum dentretien sera ncessaire.
Atteindre cet tat organique implique donc de se poser un certain nom-
bre de questions.
Comment simplier les procdures mises en place pour quelles
soient appliques naturellement ?
Comment standardiser les procdures an quelles soient natu-
rellement intgres dans la culture de lentreprise ?
Quelles sont les formations que je dois organiser pour garantir
que la rotation du personnel ne remette pas en cause les progrs
raliss ?
Comment dmultiplier les bonnes pratiques sur dautres proces-
sus pour faire voluer ltat organique de lentreprise ?
Comment intgrer les mthodes et processus standards dans le
dveloppement de nouveaux produits ?
Principe n
o
2 La contrepartie
La recherche dun tat organique lev doit tre une priorit car, dans
cet tat, le maintien de laction ne demande pas deffort. Cependant,
dans la nature il y a des prs et il faut les faucher ! On ne pourra pas
toujours atteindre le rsultat escompt sans effort. Dans ces condi-
tions, pourquoi chaque individu a-t-il intrt maintenir ses efforts
pendant de nombreuses annes ? Parce quil y trouve un intrt, une
contrepartie. Il faut donner du sens aux actions.
Dans le cas contraire, il veut bien faire plaisir au chef de projet pen-
dant un certain temps, mais trs vite, ds que la pression sur le sujet
retombe, il cessera peu peu de faire des efforts.
Si lon veut appliquer ce principe, il faut savoir reconnatre les efforts
que lon demande aux acteurs du processus et valuer les contreparties
quils reoivent en change. Si lon reprend lexemple dune action
dont la prennit dpend de la bonne application dune carte de con-
trle, on doit se poser la question de lintrt quaura loprateur sui-
vre cette carte et modier sa faon de piloter le processus. Comment
est-il responsabilis ? En quoi une bonne capabilit va-t-elle
lintresser ?
On accepte de faucher un pr parce quon a besoin de foin ! On
accepte de faire une action parce quelle est prioritaire sur dautres
actions. Quest-ce qui fait que le niveau de cette action restera
prioritaire ?
Principe n3 La facilitation
Le troisime et dernier axe fait quant lui rfrence ce qui permet
dallger leffort supplmentaire quune prennisation amne fournir.
Quest-ce qui permet de soulager leffort ou comment faire en sorte
que cet effort lui paraisse plus surmontable ?
Pour y parvenir, plusieurs types dactions contribuant faciliter
leffort produire sont possibles. Celles-ci peuvent se structurer quant
elles autour de trois grandes directions :
Dvelopper l'habilet technique des acteurs du systme. Le
mme effort n'apparatra pas aussi important pour l'ensemble
des collaborateurs selon la qualication et l'habilet technique.
Plus on a l'habitude de raliser une tche, et moins sa ralisation
demandera de rexion, d'analyse. Elle apparatra plus facile.
Plus l'habilet et la qualication des collaborateurs seront impor-
tantes, plus le niveau d'effort fournir sans contre partie sera
important. Dans cette direction, on trouvera, notamment, toutes
les actions de formation.
Dvelopper le phnomne de groupe. Si tout le monde accepte
de raliser la tche, la perception de la tche apparat moins fas-
tidieuse. Si on prend l'exemple du rangement, il est plus facile de
maintenir un lieu propre et rang si tout le monde participe au
rangement que si cette action est isole dans l'entreprise. Dans
cette direction on trouvera toutes les actions de dploiement des
bonnes pratiques.
Simplier les tches. Raliser une tche complique demande un
effort. Si on simplie cette tche, par exemple en recourant des
outils informatiques, mthodologiques, mcaniques, etc., l'op-
Six Sigma
rateur acceptera plus facilement de la raliser de faon prenne.
Toutes les actions prises pour simplier le travail des gens parti-
cipent donc la prennisation.
Figure 8.1 les trois principes de la prennisation
Pour illustrer les trois principes de base de la prennisation des
actions, nous allons nous appuyer sur l'illustration d'un cycliste qui
doit rouler (gure 8.1), le plus facilement possible. L'avancement du
cycliste reprsentera le maintien de l'action.
La pente monter reprsente ce que nous appelons l'tat organi-
que qui dni l'effort ncessaire fournir pour avancer. Cet tat
dpend de ce qu'on demande de faire, mais aussi de la culture de
l'entreprise et de son historique.
Si le cycliste accepte de fournir un effort, c'est qu'il a une contre-
partie. Cela peut tre le besoin de se dplacer, ou le plaisir de
faire du sport.
Enn, selon la forme et l'entranement de notre cycliste, la mme
pente n'apparatra pas avec un niveau de difcult quivalent.
Cest la facilitation. De mme, rouler en peloton permettra
notre cycliste de monter plus facilement et avec plus de plaisir.
Pente = tat organique
Forme = facilitation
Effort = contrepartie
2.4 Lpreuve du feu
Toute mesure damlioration doit passer lpreuve du feu. Aprs quel-
que temps de mise en application dune nouvelle procdure, on doit la
valider pour vrier :
que lon a bien pris en compte les diffrents lments de lenvi-
ronnement ;
que toutes les hypothses envisages ont bien t valides ;
que ce qui est appliqu correspond ce qui a t dcid.
Cette notion de revisitage de toute procdure modie aprs un cer-
tain temps dpreuve du feu est un point trs important pour la
prennisation. Un projet Six Sigma ne peut tre considr comme ter-
min si cette tape na pas t franchie.
Cette tape a donc pour objectif didentier les risques lis la
prennit de laction, et de prendre les mesures limitant le besoin de
recourir des contraintes pour garantir lavenir du projet.
Deux grands types dactions peuvent tre engags :
simplier les procdures pour ramener le processus ltat orga-
nique ;
faire voluer ltat organique en standardisant et en dployant
les bonnes pratiques.
2.5 Le changement vers la prennisation
La gure 8.2 illustre le passage vers un tat organique prenne. Dans
un premier temps, le changement russi apporte des gains signicatifs
sur la performance, mais l'tat organique n'a pas encore volu. Ces
gains rsultant directement des efforts raliss par les acteurs du chan-
gement, des contreparties doivent tre rapidement mises en place.
Si on s'arrte l, trs vite les contreparties se rvleront insufsantes et
le systme retournera vers son tat organique initial. Il s'agit donc que
les actions de facilitation prennent rapidement le relais pour maintenir
l'acquis, ces facilitations pouvant prendre la forme de formations,
d'actions simplicatrices, ou de dveloppement d'habilits techniques.
Six Sigma
Dans le mme temps, il s'agit galement d'identier et d'afrmer les
nouvelles valeurs de l'entreprise qui permettront de faire voluer l'tat
organique.
Au terme de cette transformation de l'tat organique, une action
prenne ne doit plus exiger de contreparties. Les facilitations mises en
places doivent faire partie de la culture de l'entreprise et l'tat organi-
que doit assurer lui tout seul cette prennisation.
Figure 8.2 Lvolution vers ltat organique
3. Laudit de prennit
3.1 Objectif de laudit
Cette tape peut commencer par un audit de prennit, aprs un cer-
tain temps dpreuve du feu, que lon fait accompagner dun question-
naire dalerte.
Contrepartie, donner du sens
Performance
Changement
tat organique
Facilitation
Temps
Laudit de processus a pour objectif de sassurer que les CTQ (Critical
To Quality) sont bien mesurs et suivis, quun minimum de formalisa-
tion existe et quon applique bien les procdures dcides. On doit
vrier :
que les nouvelles mthodes, les procdures, sont sufsamment
documentes pour pouvoir faire lobjet dun audit par une per-
sonne trangre au projet Six Sigma ;
que les modications dcides sur le processus sont effective-
ment en place ;
que les procdures dnies sont effectivement appliques ;
sil existe des difcults faire fonctionner au quotidien les nou-
veaux processus ;
que les capabilits atteintes la n de ltape Contrler sont
maintenues.
Le questionnaire dalertes (gure 8.3) permet de dtecter sil y a des
risques quant la prennit de laction ou si elle va ncessiter un suivi
constant. Il reprend les principales causes de dgradation dans lappli-
cation des actions. Lorsquau moins une alerte est active, on considre
quil y a un risque, et on doit mettre en place une action garantissant la
prennit.
Par exemple, si on constate aprs un certain temps dpreuve du feu
que dj un certain nombre de raccourcis ont t pris par rapport
ce qui avait t dcid, il y a fort parier quils seront de plus en plus
nombreux avec le temps et que la qualit des rsultats se dilueront.
3.2 Grille daudit
Pour valider lapplication des points qui ont t dcids, on utilise un
questionnaire daudit semblable celui qui est donn en exemple ci-
aprs. On recourt la mthode IEMSE pour procder lvaluation.
Six Sigma
Figure 8.3 Grille daudit
I (Inexistence) : ce point nest pas trait sur le poste audit.
E (Existence) : il existe une rponse montrant que le poste a pris en
compte le point.
M (Mthode) : la rponse la question est traite selon une mthode
susceptible dtre gnralise.
S (Systmatique) : la rponse est traite avec mthode, et lapplication
sur le terrain est effective et systmatique (prennit dans le temps).
E (exemplarit) : la mthode, son application et ses rsultats mritent
dtre communiqus lextrieur parce quefcaces, efcients, sim-
ples
Audit dun processus Six Sigma
Points daudit I E M S E
Actions
correctives
M
e
s
u
r
e
Les caractristiques critiques pour le client
(CTQ) font lobjet dune mesure.
Les moyens de contrle prsents sur le poste
sont jour du point de vue vrication.
Les frquences de contrles sont respectes.
Les CTQ sont suivis dans le temps.
Les capabilits mesures sont conformes
avec lobjectif du projet Six Sigma.
P
r
o
c
e
s
s
u
s
Les procdures, mthodes appliquer, ont
t documentes.
Les modications dcides dans le projet Six
Sigma sont effectivement en place.
Les procdures, mthodes appliques, sont
conformes ce qui a t dni.
Les comptences et les formations
ncessaires ont t dnies et sont en accord
avec les faits.
Figure 8.4 Questionnaire dalerte
4. Les actions de prennisation
4.1 Simplier les procdures et les processus
Aprs quelque temps de mise en place dune nouvelle procdure, il se
produit ncessairement un phnomne de rodage. On saperoit que
les frquences de contrle ne sont pas adaptes, quon a introduit une
lourdeur nalement inutile tel endroit de la procdure
Questionnaire dalerte
Points daudit OUI NON
M
i
s
e

e
n

p
l
a
c
e
La procdure est simple de lecture et de comprhension,
facile daccs et bien communique.
Les principes que lon doit appliquer sont conformes
aux rgles et standards de lentreprise.
Lhabilitation au poste de travail dun nouveau collaborateur
inclut la formation cette procdure.
Il existe un support de communication pour proposer
des amliorations cette procdure.
A
p
p
l
i
c
a
t
i
o
n
La nouvelle procdure introduit des lourdeurs,
les utilisateurs trouvent que la nouvelle procdure
est plus contraignante que lancienne.
Les utilisateurs du processus utilisent parfois des raccourcis
dans lapplication de la nouvelle procdure.
La bonne application est dpendante de limplication
active du porteur de projet.
Six Sigma
La revue de processus aprs un certain temps de fonctionnement,
lorsquon a subi lpreuve du feu, est donc indispensable. Si on veut en
garantir la prennit, il faut toiletter la nouvelle procdure pour limi-
ner les lourdeurs et les actions inutiles, ou parfois la renforcer. Cette
revue est facilite si on a prvu ds le dpart un support de communi-
cation permettant denrichir la procdure.
Exemple de simplication de processus
Pour piloter le maintien dune cote sur la cible, les oprateurs
devaient utiliser une vis dont la prcision tait incompatible avec
la prcision de rglage demande. Il en rsultait une perte de
temps importante (environ un quart dheure) chaque rglage.
Une tude de simplication a permis de rgler la machine en
interposant des asques entre loutil et le porte-outil. Le nouveau
rglage est quasi instantan.
Exemple de simplication de procdure
La mise en place dune carte de contrle Moyennes/tendues
manuelle sur un processus nallait pas sans contraintes pour les
oprateurs :
frquence de contrle leve ;
des calculs taient ncessaires chaque prlvement.
Aprs avoir analys les rsultats en capabilit et la stabilit du
processus, on a pu simplier la procdure en remplaant la carte
aux moyennes par une carte aux mdianes (qui ne ncessite pas
de calculs) et diminuer les frquences de contrle.
Dans cette phase, on doit faire les transformations de telle sorte que le
nouveau standard soit appliqu simplement et sans effort ni
contrainte.
Ex
Ex
4.2 Rendre robuste le point de fonctionnement
Il nest pas toujours raliste de penser que le point de fonctionnement
choisi lissue des tapes DMAICS puisse tre un point de fonctionne-
ment absolu. Cela dpend dun contexte, dun environnement, appels
sans doute voluer dans lavenir. Comment adapter le point de fonc-
tionnement aux volutions futures de lenvironnement ou du proces-
sus lui-mme ?
Une premire faon de faire consiste ger un certain nombre de
rgles de pilotage, ce qui permet dadapter la valeur de la sortie Y sur
la consigne dsire lorsque lenvironnement volue. Mais parfois ce
sont les rgles de pilotage elles-mmes qui doivent voluer.
Prenons un exemple dans la conduite automobile : le conducteur
doit adapter la course de la pdale de frein en fonction de lusure
des plaquettes. Au cours de la vie de lautomobile, il adapte sa
conduite lvolution du comportement. Les rgles ges lors-
que la voiture est neuve peuvent devenir catastrophiques lorsque
la mme voiture compte 200 000 km.
Figure 8.5 Rseau de neurones
Pour prvoir cette ncessaire adaptation des rgles tout au long du pro-
cessus, plusieurs solutions sont la disposition du Black Belt :
le revisitage des rgles des priodes rgulires ;
Ex
X1
X2
Y1
Y2
X3
Six Sigma
lauto-adaptation des rgles par un processus dapprentissage
continue comme les rseaux de neurones.
Un rseau de neurones permet de faire le lien entre des entres et des
sorties par auto-apprentissage.
Les donnes de dpart pour alimenter le rseau de neurones rsultent
de lexprimentation elle-mme. Chaque exprience suivante qui sera
ralise dans lutilisation normale du processus sera rinjecte dans le
rseau de neurones, ce qui permet dauto-adapter en continu la rela-
tion entres/sorties.
4.3 Identier et dupliquer les bonnes pratiques
La connaissance acquise est certainement la plus grande richesse de
lentreprise. Mais la plupart du temps cette connaissance est niche
dans la tte des gens et, lorsque ceux-ci partent, ils partent avec elle.
De plus, une connaissance dans un secteur peut souvent tre utile
dautres secteurs de lentreprise. Pour en proter, il faut toutefois avoir
pris conscience quil y a une bonne pratique cet endroit, il faut
tre capable de formaliser cette connaissance, et enn de mettre en
uvre les moyens et mthodes qui permettront de la dmultiplier.
On la soulign, on met en place un projet Six Sigma pour amliorer un
point critique pour les clients de lentreprise. Lorsquon parvient
cette sixime tape Standardiser , on doit avoir mis en place de nou-
veaux moyens et de nouvelles procdures qui donnent satisfaction.
Cest sans doute le bon moment pour identier une bonne pratique
quil peut tre utile de formaliser et de dmultiplier.
Le fait didentier et de dupliquer des bonnes pratiques est sans aucun
doute une excellente faon de faire voluer ltat organique de lentre-
prise. Lorsquune bonne pratique est applique systmatiquement, elle
entre dans la culture de lentreprise, et le niveau de contrainte nces-
saire pour la maintenir est considrablement moindre. Plusieurs exem-
ples peuvent illustrer ce point. Citons par exemple deux pratiques : le
rangement et le suivi de production par cartes de contrle. Concernant
le rangement, quiconque a visit plusieurs entreprises, mme dans un
secteur dactivit identique, a pu constater des diffrences considra-
bles en matire de rangement et de nettoyage. Lorsque cette bonne
pratique est partage par lensemble du personnel, elle est ralise
naturellement et la prennit en est garantie avec un minimum de con-
traintes. En matire de suivi par cartes de contrle, de nombreuses
socits ont mis en place plusieurs fois des projets de Matrise statis-
tique des processus pour constater quelque temps aprs que le suivi
des cartes ntait plus conforme ce qui avait t dcid. Encore une
fois, cest quon na pas su faire passer cette pratique dans la culture
de lentreprise.
Figure 8.6 Cartographie Efcacit/efcience
Une bonne pratique est dnie
16
par une technique, une mthode ou
un procd qui a t mis en place et qui a amlior les rsultats de
lentit. La bonne pratique est supporte par des donnes concrtes et
vriables la place o les exprimentations ont t effectues . Une
autre dnition en est donne par Prax
17
: Toute pratique, connais-
sance ou savoir-faire qui a montr son efcacit ou sa valeur dans une
partie de la socit et qui est applicable une autre partie de la
socit.
On doit tout dabord identier la bonne pratique en la situant sur la
cartographie Efcacit/efcience . Lefcacit est relative au rsultat
obtenu, lefcience lest par rapport leffort que lon dploie pour
16. The European Quality Promotion Policy (European Commission DGIII Industry), Benchmar-
king Introduction and main principles , Quality series, number 7, January 1998.
17. J.-Y. PRAX, Le Guide du Knowledge Management, ditions Dunod, 2000.
2
0
Bonnes pratiques
Actions difficiles
prenniser
Pratiques proscrire
Pratiques locales
sans intrt
4
6
0 2 6 8 10 4
8
10
Efficience
Efficacit
Six Sigma
atteindre le rsultat. La bonne pratique facile maintenir est une prati-
que dont le rsultat est trs satisfaisant sans ncessiter deffort particu-
lier (tat organique).
Pour qualier lefcacit de la bonne pratique, on note trois critres
(note de 1 5). Le rsultat est la somme de ces 3 notes.
Qualit : aptitude du processus dlivrer un produit ou service con-
forme aux spcications du client.
Cot : aptitude du processus dlivrer un produit ou un service un
cot compatible avec celui que le client est prt supporter.
Dlai : aptitude du processus dlivrer un produit ou un service dans
un dlai compatible avec celui que le client est prt accepter.
Pour qualier lefcience, on note galement trois critres (note de 1
5). Le rsultat est la somme de ces trois notes.
Simplicit : le dploiement sera dautant plus facile effectuer que sa
mise en uvre est simple.
conomie : un processus sera dautant plus pertinent dployer que
son excution ne requiert quun nombre limit de ressources humaines
et techniques.
Scurit : le processus ne peut tre dploy que si sa mise en uvre
ne risque pas de mettre en pril lorganisation dans laquelle il est
implant.
Le rsultat des deux notes efcacit et efcience est plac sur la
cartographie Efcacit/efcience (gure 8.5) pour juger de la perti-
nence du dploiement de la pratique.
Pour pouvoir tre duplique, la bonne pratique doit tre formalise.
4.4 Finaliser la documentation du poste
Toute modication apporte la faon de procder doit tre un mini-
mum formalise si lon veut garantir la prennit. Dans la phase
Contrler , on a pris soin de raliser cette documentation en tablis-
sant les rgles de pilotage. ce stade, on va revoir la documentation
an de valider avec un peu de recul les points suivants :
ce qui est crit correspond ce qui est ralis ;
ce qui est crit est bien compris ;
les ncessaires ajustements raliss dans les premiers temps de
mise en place sont bien intgrs.
En fonction des rsultats de laudit et du questionnaire dalertes, on
nhsitera pas adapter le systme documentaire.
4.5 Intgrer les processus et mthodes standards
dans le dveloppement de nouveaux produits
Les nouveaux standards et les nouvelles pratiques qui ont dmontr
leur efcacit dans le projet Six Sigma doivent pouvoir tre intgrs
dans les nouveaux dveloppements de produits ou de processus. Pour
ce faire, on doit crer un rfrentiel interne lentreprise capitalisant
ces nouvelles connaissances. Pour illustrer cette capitalisation, prenons
lexemple dune entreprise de micro-mcanique qui vient de faire un
projet Six Sigma suite de nombreux retours clients en raison de per-
tes de vis. Le projet a permis lentreprise de comprendre parfaitement
les causes de la mauvaise tenue de leurs vis aux chocs et a conduit
tablir des rgles concernant :
le prol des lets quil fallait utiliser ;
la faon de raliser ces lets ;
la faon de monter les vis.
Toutes ces amliorations ont fait lobjet de normes internes qui garan-
tissent que, dsormais, on ne pourra plus sortir un produit dfaillant
au niveau de sa visserie. Mme un jeune dveloppeur qui na pas
connu cet incident devra se conformer aux nouvelles normes internes
de conception ; dans son travail, il ne devrait donc pas rencontrer cette
dfaillance.
Six Sigma
5. Mettre en place le cliquet anti-retour
Lensemble des six tapes a permis damliorer le service rendu aux
clients, ce dont on peut juger par lamlioration du niveau atteint sur
les caractristiques CTQ (Critical To Quality). De nombreuses actions
ont t menes dans ltape Standardiser pour prenniser la solu-
tion adopte. Toutefois, sans mesure, il nest pas possible de garantir le
maintien dans le temps du niveau de performance.
Cest pour cela que lon doit mettre en place un tableau de bord form
dindicateurs de performance, dont voici une dnition :
Un indicateur de performance est une donne quantie qui mesure
lefcacit de tout ou partie dun processus ou dun systme, par rap-
port une norme, un plan ou un objectif qui aura t dtermin et
accept, dans le cadre dune stratgie densemble.
Lefcacit du processus est troitement dpendante du niveau atteint
sur le CTQ ou sur toutes les caractristiques lmentaires dont on a
montr quelles avaient un lien avec le CTQ. Les indicateurs de perfor-
mance doivent faire apparatre lvolution de toutes ces caractristi-
ques par rapport aux cibles et aux spcications qui ont t xes dans
le cadre du projet Six Sigma.
Un indicateur de performance trs simple est le z du processus, ou
mieux, la suite des trois indicateurs Cp, Pp, Ppk, permettant de conna-
tre les performances du processus (voir chapitre 4, Mesurer ).
Figure 8.7 Suivi des capabilits
Un suivi graphique de ces trois indicateurs (gure 8.6) permet de
sassurer du maintien de la performance et de la raction rapide en cas
de perte de capabilit. On fait apparatre sur ce graphique les deux
limites :
le niveau limite de 2.0 pour le Cp qui correspond lobjectif 6
sur la dispersion court terme ;
le niveau limite de 1.33 qui est souvent admis pour lindicateur
de capabilit long terme Ppk.
6. Communiquer
Cest le dernier coup de rein donner, mais il est important. Ce dernier
effort permet de rchir sur ce que lon a fait, comment on la fait et
de progresser sur la mthodologie mise en uvre.
6.1 Prparer un bilan du projet
Le bilan du projet doit tre le plus complet possible ; il doit comporter
les volets technique, nancier, humain et mthodologique.
1,0
2,0
3,0
4,0
J F
Capabilit
Mois
M A M J J A S O N D J
Cp
Pp
Ppk
Six Sigma
Bilan technique
synthse des amliorations techniques apportes ;
modication de procdures, de mthodes ;
amlioration des capabilits
Bilan nancier
synthse des cots mesurables et non mesurables ;
synthse des gains mesurables et non mesurables.
Bilan humain
fonctionnement du groupe de travail ;
identication les manques en matire de formation, de comp-
tences
Bilan mthodologique
si ctait refaire, adopterions-nous la mme dmarche ?
quavons-nous oubli de faire quil ne faudra plus oublier ?
en quoi ce projet peut-il enrichir la dmarche Six Sigma dans
notre socit ?
6.2 Prsenter le bilan
Les Black Belts tirent certainement leurs connaissances de leurs pro-
pres expriences de conduite de projets, mais ils peuvent galement
proter de celles de leurs collgues BB. Il est trs important de partager
entre BB le bilan dun projet qui vient de se terminer. Lapport en est
double :
celui qui coute bncie dune partie de lexprience acquise
par le porteur de projet, dans la conduite dun projet, lutilisation
des outils
celui qui expose senrichit en reformulant son propre vcu et en
se contraignant une rexion supplmentaire pour rpondre
aux questions.
Mais cette prsentation doit galement intresser un plus large public,
notamment les Champions qui trouveront sans doute dans ce type
dexpos des ides pour de nouveaux chantiers Six Sigma.
Enn, tout en conservant une ncessaire condentialit, il ne faut pas
hsiter sortir de lentreprise pour prsenter ces bilans devant la com-
munaut scientique. Llvation de niveau qui en rsulte prote
tout le monde.
397
Chapitre 9
1. Introduction
Six Sigma repose sur la dmarche DMAICS que nous avons largement
voque dans les chapitres prcdents. Lapproche DMAICS est le
moyen daction de Six Sigma mais, pour quil russisse dans son entre-
prise, il lui faut une logistique de soutien que doit lui fournir le mana-
gement.
Introduire Six Sigma ne peut se faire de faon ponctuelle, ce doit tre
une vritable stratgie dentreprise. Lancer une application DMAICS
dans une entreprise, cest mettre en uvre sur un problme prcis une
dmarche de rsolution de problme. La difcult par rapport Six
Sigma rside dans la dmultiplication des actions qui sous-tend cette
mthodologie dans lentreprise, ce qui ncessite :
le partage des valeurs de Six Sigma ;
lorganisation du management en management par projets ;
Six Sigma
la dmultiplication de comptences souvent inexistantes dans
nos entreprises (par exemple, une solide culture statistique) ;
la formation de plusieurs Black Belts capables de conduire des
projets ;
la conduite de nombreux projets diffrents niveaux de lentre-
prise.
1.1 Le partage des valeurs de Six Sigma
Pour mettre en uvre Six Sigma, il faut que toute lentreprise adopte
un certain nombre de valeurs qui font la force de Six Sigma. Nous
avons dvelopp dans cet ouvrage les valeurs de Six Sigma, nous
allons revenir sur celles qui nous semblent essentielles mais qui ne
sont pas forcment prsentes dans nos entreprises :
La matrise de la variabilit
La variabilit est lennemi ; il faut absolument chercher llimi-
ner. Pour cela, il faut se dgager de la culture traditionnelle de la
tolrance qui consiste accepter une certaine variabilit. Dans
lesprit Six Sigma, certes, on cherche liminer la non-confor-
mit, mais avant tout on cherche le centrage absolu des valeurs
sur la cible souhaite par le client.
La culture de la mesure
Pour pouvoir progresser, il faut mesurer, et mesurer ne consiste
pas simplement donner un chiffre. Encore faut-il que ce chiffre
signie quelque chose ! Cette culture de la mesure comme base
de lanalyse, avec la mesure du niveau de capabilit comme
preuve de lamlioration ralise, est sans aucun doute un l-
ment culturel qui est trs difcile faire entrer dans nos entrepri-
ses.
La recherche des caractristiques critiques pour le client
(CTQ)
Un projet Six Sigma commence par la recherche des CTQ. Cela
contraint lentreprise se tourner rsolument vers le client, point
de dpart de la dmarche et point darrive de tous projets Six
Sigma. Cest cet aspect qui est dj culturellement trs prsent
dans les approches de type EFQM ou ISO.
La notion de preuve statistique
Lorsque lon donne un rsultat, il en faut la preuve statistique.
Nous avons dtaill dans cet ouvrage un certain nombre doutils
permettant dapporter cette preuve. Nous sommes loin davoir
t exhaustifs. Pourtant, si une majorit de cadres tait capable
de mettre en place les outils que nous avons dtaills, que de
progrs les entreprises pourraient-elles faire ! Malheureusement,
nous constatons tous les jours le manque de connaissances sta-
tistiques des cadres europens qui les conduisent parfois
faire du Six Sigma sans statistiques. Ce qui de notre point de
vue vide compltement Six Sigma de ce qui a fait sa force.
Ne rien toucher avant davoir analys le systme
Ds quun problme survient, on voque une solution. Ce nest
pas la culture Six Sigma. Lamlioration nest que la quatrime
tape du processus DMAICS. Avant cela, on se donne les moyens
de remonter aux causes racines du problme. Les YAQUA
FAUQUON ne font pas partie de la culture Six Sigma.
1.2 Le management Six Sigma
Figure 9.1 Structure de management hirarchique
Responsable excutif
Responsable de service
Oprationnels
Six Sigma
Figure 9.2 Structure de management Six Sigma
Le management Six Sigma est un management par projet. Les groupes
constitus cassent la traditionnelle hirarchie et requirent un pilotage
matriciel des projets Six Sigma. Le Black Belt na pas de pouvoir hirar-
chique sur le groupe, il a un rle de leader. Limplication de la direction
se traduit par sa participation active au comit de pilotage Six Sigma
qui dnit les priorits stratgiques concernant les projets sur lesquels
on investit du temps et des moyens. Le comit est constitu des Cham-
pions et du responsable excutif. Il suit activement lavancement des
diffrents chantiers par le biais des Champions qui ont, en charge
directe, les diffrents Black Belts.
Le suivi des chantiers ne consiste pas faire un simple point de temps
en temps ; cela demande la participation active du Champion qui
dirige les revues permettant dofcialiser le passage dune tape une
autre.
La mise en place des projets Six Sigma doit pouvoir concerner toute
lentreprise tous les niveaux. On distingue trois niveaux dapplication
de Six Sigma.
Responsable excutif
Comit de pilotage
Groupes Six Sigma
Niveau entreprise
D Dnir les priorits de lentreprise et les plans qui doivent tre
mis en place pour amliorer sa rentabilit.
M Mesurer le Business system qui supporte ces plans.
A Analyser les carts avec les meilleures pratiques.
I Innover/amliorer les systmes pour atteindre lobjectif de per-
formance.
C Mettre sous contrle les caractristiques critiques.
S Standardiser les systmes qui se sont rvls tre les meilleures
pratiques.
Niveau oprationnel
D Dnir les projets Six Sigma permettant datteindre les objectifs
du plan dentreprise.
M Mesurer la performance des projets Six Sigma.
A Analyser cette performance au regard des objectifs opration-
nels.
I Innover, amliorer le systme de management des projets Six
Sigma.
C Mettre sous contrle les caractristiques dentre critiques du
systme de management des projets.
S Standardiser les meilleures pratiques de conduite de projet.
Niveau processus
D Dnir les processus qui contribuent au problme fonctionnel.
M Mesurer les capabilits de chaque processus.
A Analyser les donnes pour mettre en relation les X et les Y.
I Innover/amliorer les caractristiques cls des processus cls.
C Mettre sous contrle les caractristiques critiques.
S Standardiser les mthodes et processus qui forment de bonnes
pratiques.
Six Sigma
1.3 Variabilit et Six Sigma, le paradoxe
On la dit plusieurs fois dj, lennemi de la qualit est la variabilit et
Six Sigma cherche la rduire dans les processus quil tudie. Mais il y
a une autre source de variabilit laquelle on ne pense pas forcment
a priori, cest la variabilit dans la mthode dapproche dun problme.
Cest dailleurs tout le problme des entreprises qui font des dmar-
ches damlioration sans utiliser des approches structures de type
DMAICS ! Elles partent alors dans tous les sens, font des expriences
inutiles, appliquent le YAQUA FAUQUON , pour aboutir, aprs une
dbauche dnergie, de bien pauvres rsultats.
Cest dabord en rduisant la variabilit sur la mthode quon peut
sattaquer la variabilit sur le processus.
Cependant, curieusement, pour diminuer la variabilit, il ne faut pas
hsiter laugmenter notamment dans les phases Analyser et
Innover/amliorer . En effet, pour observer linuence des X sur les
Y, il faut ncessairement que les X varient, crant alors une augmenta-
tion de la variabilit sur les Y quon doit tre capable daccepter. Cette
augmentation ponctuelle de la variabilit nous permettra de trouver le
point de fonctionnement idal variabilit minimale. Cette gestion de
laugmentation de la variabilit doit ncessairement se faire dans un
cadre extrmement rigoureux si lon veut pouvoir en tirer des relations
claires entre les X et les Y. Dou limportance de bien encadrer la cra-
tion de la variabilit par une mthode structure DMAICS. Autrement
dit, on ne touche rien avant ltape Innover/amliorer .
2. Les diffrents acteurs de Six Sigma
2.1 Le comit de pilotage
Le comit de pilotage regroupe lensemble des Champions de lentre-
prise et le responsable excutif de lentreprise. Il est parfois confondu
avec le comit de direction, mais il est quand mme ncessaire de pla-
nier intervalle rgulier un point sur lavancement des projets Six
Sigma, la dynamique de motivation pour lapplication de Six Sigma et
les ventuelles difcults lever. Il devra disposer dun certain nombre
doutils, dont :
un plan de dploiement du programme Six Sigma ;
un outil de suivi des projets ;
un outil de mesure des rsultats atteints ;
un moyen de communication pour faire partager les objectifs
stratgiques.
2.2 Les Champions
Les Champions sont des cadres de haut niveau dans lentreprise qui
simpliquent dans lapplication de Six Sigma. Le rle du Champion
consiste :
garantir le succs du dploiement de Six Sigma dans un secteur
de lentreprise ;
tre moteur dans le choix des projets dvelopper ;
suivre lavancement des projets en ralisant les revues la n de
chaque tape ;
sassurer que les ressources sont disponibles pour permettre
lavancement des chantiers ;
organiser la reconnaissance des contributions des diffrents
acteurs.
Le rle des Champions se situe au niveau stratgique et tactique.
2.3 Les Masters Black Belts (MBB)
Les MBB ont un rle plus managrial. Ils sont l pour encadrer
lensemble des projets Six Sigma dans un secteur dactivit. Ce sont
eux qui il incombe de former les BB et qui les soutiennent lors de la
phase dapplication sur des projets. Ils participent galement aux
revues de projet. Ils sont censs avoir une connaissance tendue et
profonde de tous les aspects de Six Sigma aussi bien les outils statisti-
Six Sigma
ques que les aspects plus conceptuels. Ce sont en gnral danciens
Black Belts ayant men bien de nombreux projets. Dans les plus peti-
tes structures, le MBB est un consultant extrieur lentreprise.
2.4 Le groupe Six Sigma
2.4.1 Dnition du groupe Six Sigma
La mise en uvre dun projet Six Sigma doit rsulter dun travail de
groupe. Il y a deux faons dapporter des amliorations : amliorer les
performances du systme ou amliorer le systme lui-mme. On consi-
dre gnralement que lamlioration des performances est la source
de seulement 20 % des amliorations. Autant la premire possibilit de
lalternative peut tre ralise par un seul individu ou un groupe
dindividus dun mme secteur, autant lamlioration du systme
ncessite la cration dun groupe pluridisciplinaire.
Selon limportance du projet, un groupe Six Sigma se compose de 3
10 personnes aux comptences transversales. Les participants sont
slectionns parce quils ont des choses en commun, mais aussi parce
quils ont diffrents points de vue sur le sujet. On cherche si possible
runir des personnes de diffrents services. Sil ny a que des person-
nes dun mme service, il y a de gros risques que lamlioration locale
apporte ne participe pas lamlioration globale du systme.
Le travail de groupe comporte des avantages quil faut savoir utiliser et
des inconvnients quon doit tre capable dviter.
Les avantages en sont principalement la crativit, la prise en compte
de diffrents points de vue, la dmultiplication de la puissance de tra-
vail dans les analyses raliser et la force de persuasion sur les rsul-
tats obtenus.
Linconvnient principal en est une perte de temps si :
les runions ne sont pas prpares et limites dans le temps ;
les rles de chacun ne sont pas dnis ;
il ny a pas un minimum de culture commune entre les membres
du groupe, notamment concernant Six Sigma, do limportance
de la formation initiale ;
la comptence des gens est dcale par rapport au sujet, do
lintrt de bien choisir les membres.
On doit chercher former un groupe susceptible dengendrer un climat
de crativit et mme de trouver un consensus par le biais de votes.
On vitera par exemple de runir des personnes ayant un contentieux.
Nous reviendrons plus avant sur la composition du groupe.
2.4.2 La place du Black Belt dans le groupe
Lanimateur du groupe est le Black Belt, qui na pas de responsabilit
hirarchique mais matricielle. Il doit agir davantage comme le capi-
taine dune quipe de football que comme un responsable hirarchi-
que. Il doit tre leader sur le terrain mais aussi dans les vestiaires. Cest
souvent la pause lorsque les troupes sont dmotives par une pre-
mire mi-temps difcile que le capitaine joue un rle dcisif.
La hirarchie cre la contrainte, le leadership cre la motivation. Si les
gens sinvestissent dans le groupe de travail, cest parce quils ont con-
ance dans le leader. Le Black Belt devra donc imposer son emprise
non par un statut, mais par ses comptences, son charisme et son
engagement dans le projet. Ce point est particulirement important et
il faudra en tenir compte dans le choix des collaborateurs amens
tre des futurs Blacks Belts.
Il doit diriger le groupe, cest lui qui a les comptences pour choisir un
outil, faire les analyses ncessaires. Il sappuie sur le groupe de travail
pour mettre les hypothses, faire les analyses, les expriences. Il faci-
lite le consensus au moment des choix et suit lapplication de ces
choix. Il doit donc parfaitement connatre les rgles de fonctionnement
dun groupe de travail.
Six Sigma
2.4.3 Conditions de bon fonctionnement du groupe de travail
Le groupe de travail produira des rsultats satisfaisants si les acteurs
apprcient le fonctionnement du groupe et le travail quils ralisent.
Selon HERZBERG
18
, la satisfaction dans le travail dpend de cinq fac-
teurs relatifs la tche accomplir :
laccomplissement (donner du sens sa vie) ;
la reconnaissance de lextrieur ;
lattirance pour le travail ;
la responsabilit ;
la possibilit davancement.
Les causes de non-satisfaction sont galement au nombre de cinq.
Elles ne sont pas lies la tche mais lenvironnement.
la politique de lentreprise ;
le poids de la hirarchie ;
la rmunration ;
les relations dans le travail ;
les conditions de travail.
Pour compter des gens motivs dans un groupe de travail, il faut avoir
supprim les causes de non-satisfaction et cr au moins une condition
de satisfaction. Si la suppression des causes de non-satisfaction nest
pas toujours du ressort du Black Belt, il est en revanche de sa responsa-
bilit de crer les conditions de satisfaction en :
crant une ambiance de travail ;
formant les membres du groupe ;
dlguant les tches et les responsabilits ;
communiquant sur la russite du projet.
Dune faon gnrale, un certain nombre dactions permettent de for-
mer des groupes de travail efcaces dans les entreprises.
18. Chercheur psychologue amricain, spcialiste de la motivation au travail.
couter et communiquer : encourager un dialogue double sens,
ouvert et honnte. Dvelopper le partage dinformations.
Former les collaborateurs : la formation est la base de louverture
desprit. Un collaborateur raisonne partir de ses connaissances. Si ses
connaissances sont limites, son raisonnement sera limit, et on ne
peut pas attendre de performances dun groupe aux connaissances
limites. Do limportance de dvelopper une politique de formation
importante dans lentreprise.
Favoriser lambiance de travail : toutes les techniques de travail en
groupe ne permettront pas de compenser la strilit dun climat de tra-
vail plein dagressivit, de rancurs ourdies. Il faut encourager les
actions qui tendent renforcer un climat de travail amical et positif.
Croire dans ses collaborateurs : supporter les dcisions des groupes
de travail, mme si ces dcisions vont lencontre a priori des connais-
sances des responsables.
Fournir un retour dinformation : laisser Csar ce qui revient
Csar . Valoriser et partager les bnces des actions passes, cest la
faon de procder qui permettra denclencher de nouvelles actions.
2.4.4 Les diffrents lments dun groupe de travail
Outre la complmentarit technique ncessaire la cration du groupe
de travail, on doit chercher la complmentarit humaine. Pour ce faire,
on peut par exemple utiliser la typologie dite Belbin qui regroupe
les diffrentes contributions utiles un groupe de projet
19
. Le groupe
idal serait compos dun membre de chaque type.
Le prsident
Ce nest pas ncessairement le Black Belt, certains prconisent que le
Black Belt ait plutt un rle moteur . Il est en position dautorit par
rapport au groupe et a le souci de lobjectif atteindre. Il identie les
points forts et les points faibles des quipiers et favorise lefcacit du
19. H. P. MADERS, Conduire une quipe projet, Les ditions dOrganisation, 2000.
Six Sigma
groupe. Il sait couter tout en prenant facilement la parole. Il est capa-
ble de faire rapidement la synthse des contributions et de prendre des
dcisions lorsque cela simpose.
Lorganisateur
Ordonn, il sait traduire une dcision en planning et en organigramme.
Il aime lorganisation et sa contribution lui permet dtre le rfrent en
matire de taches accomplir, de dlais, de responsabilits. Il doit
avoir une grande force de caractre, il est intgre et a conance dans
les membres du groupe.
Le moteur
Cest une personne extravertie qui bouillonne dides et dnergie. Il
snerve parfois mais cest sans rancur. Il respire la conance en soi
mme si cest parfois pour cacher ses propres doutes. Sa contribution
lavancement du projet est importante, il relve facilement les ds. Il
donne forme au projet.
Le semeur
Cest plutt une personne introvertie dote dune grande intelligence.
Sa contribution consiste mettre des ides originales qui vont nourrir
la rexion du groupe. Il est principalement intress par la recherche
de solutions innovantes et critique facilement les ides qui ne sont pas
les siennes. En revanche, il supporte difcilement la critique de ses
propres ides. Il faut donc du doigt an quil ne se mette pas en
retrait.
Lexplorateur
Il aime la nouveaut, les relations avec les autres, le travail en groupe.
Il est extraverti et ne cherche pas dominer le groupe de travail. Il a
tiss des liens damiti avec de trs nombreuses personnes et renvoie
limage de quelquun de sympathique, sociable. Ayant tendance par-
fois papillonner dune activit lautre, il risque cependant de sint-
resser un peu trop aux dtails qui le retiennent particulirement au
mpris des objectifs majeurs. Il prserve le groupe de la stagnation et
lempche de senfermer sur lui-mme.
Le rationnel
Dun QI lev, extraverti, il se distingue du semeur par sa froideur. Plu-
tt que de chercher amener des ides novatrices, il va digrer le tra-
vail du groupe pour fournir un avis sans concession. Il apparat parfois
comme un rabat-joie, mais son avis est rarement mis en dfaut. Il vite
au groupe de partir sur des voies fantaisistes.
Lquipier
Extraverti et peu dominateur, il est sensible au vcu et aux sentiments
des gens qui lentourent. Il est sympathique, simple, modr, cest le
ciment. Il a besoin dharmonie et fait tout pour la construire au sein du
groupe. Il soutient les propositions des autres membres et construit
partir de ces propositions. Sa contribution se situe plus au niveau des
relations dans le groupe que pour les ides et les apports techniques
quil pourra amener.
Le perfectionniste
Plutt introverti, il a la proccupation de lordre. Il fera ressortir tout ce
qui pourra aller de travers. Sa capacit persvrer est prcieuse,
mme si parfois il peut trop sembarrasser des dtails qui lui font per-
dre de vue lobjectif global.
Pour valuer la qualit dun groupe de travail, on utilise le schma
radar (gure 9.3) qui permet dvaluer la faon dont est compos le
groupe. On value le type quincarne chaque participant et on identie
dans une grille de 1 3 son adquation. Un type de comportement
peut tre ventuellement reprsent par plus dune personne, et cer-
tains pas ou peu reprsents. On value alors qui peut jouer le rle de
ce type et quelle est son adquation avec ce rle. Lexemple de la
gure 9.3 montre un groupe de travail possdant deux moteurs, mais
pas dorganisateur. Le risque est grand de partir dans toutes les direc-
tions au niveau des runions, mais que rien navance entre les ru-
nions faute de planning et de responsabilits dnies. Labsence de
rationnel renforce ce danger dans la mesure o aucun contre-
pouvoir ne viendra faire lanalyse rationnelle des ides qui seront
mises.
Six Sigma
Figure 9.3 valuation dun groupe de travail Six Sigma
2.5 Les comptences du Black Belt (BB)
Le BB est vritablement la colonne vertbrale de lapplication de Six
Sigma. Il est donc important de bien dnir les comptences quil doit
possder. En gnral, il dpend de la structure qualit et pas de la
structure fonctionnelle dans laquelle il intervient. Il est temps plein
sur la rsolution de problmes mais il doit tre capable de traiter plu-
sieurs projets la fois. Ses comptences doivent couvrir la fois les
plans technique et managrial, assortis de qualits personnelles.
Ses comptences techniques recouvrent le domaine o il intervient, y
compris la matrise de lensemble des outils statistiques que nous
avons prsents dans cet ouvrage. Bien que cela reprsente dj une
comptence considrable, elle nest pas sufsante pour conduire un
projet Six Sigma.
Ses comptences personnelles doivent lui permettre dexposer claire-
ment par crit et par oral les rsultats dun projet, et de synthtiser le
travail dun groupe. En temps que leader des groupes de travail, il doit
disposer dune autorit et dun rayonnement naturel. On apprcie ga-
lement des qualits pdagogiques qui lui seront ncessaires dans les
phases de formation des groupes de travail.
Prsident
Alain
Rationnel
Julien ?
Semeur
Lise
Perfectionniste
Marcel
Organisateur
Marcel
quipier
Laetitia
Explorateur
Julien
Moteur
Bernard et Paul
Ses comptences en management vont inclure la capacit conduire
un groupe de travail, animer une runion et manager plusieurs pro-
jets la fois. On attend du Black Belt des rsultats nanciers, il est
donc ncessaire que les techniques nancires de lentreprise ne lui
soient pas inconnues.
Comme il est trs difcile de juger de lensemble de ces qualits au
dpart, General Electric par exemple ne certie ses BB que lorsquils
ont conduit plusieurs projets russis.
3. La formation
3.1 Les formations Six Sigma
Mettre en place Six Sigma demande de nombreuses comptences que
lon peut regrouper dans quatre domaines :
les comptences fonctionnelles sur le produit ou le processus
tudi ;
les comptences dans la conduite dun projet et lanimation de
groupe ;
les comptences en mthodes de rsolution de problme ;
les comptences en statistiques.
Il est peu vraisemblable quune entreprise puisse trouver directement
dans son personnel les oiseaux rares qui disposent dun tel curriculum
vitae. Mettre en place Six Sigma ncessite donc de lancer un vaste plan
de formation qui va concerner tous les acteurs de lentreprise.
La place de la formation est trs importante dans le dploiement dun
programme Six Sigma dans une entreprise. Elle va concerner tout le
personnel de lentreprise en commenant par lquipe de direction qui
doit sapproprier les valeurs de Six Sigma pour en faire les valeurs
sous-jacentes de leur management.
Six Sigma
Les formations sont essentiellement tournes vers laction, voil pour-
quoi on pratique une alternance entre les sances de formation,
dapplication et de rebouclage (gure 9.4).
Figure 9.4 Planning de dploiement de Six Sigma
Les rles des uns et des autres, Champion, Master Black Belt, Black
Belt, Green Belt, White Belt, sont trs diffrents, et les formations le
sont aussi tant par la dure que par le contenu. Le schma suivant
(gure 9-5) donne un exemple de larchitecture formation, application,
rebouclage en alternance.
Exemple de dploiement de Six Sigma
tapes Semaines Description
1 1-3 Orientation et dnition du dploiement de Six Sigma.
Choix des Black Belts.
2 4-7 Formation des Champions.
3 8 Revue de projet du comit de pilotage.
Choix des premiers projets.
4 9-30 Formation des premiers Black Belts en alternance avec leurs
premires applications :
une semaine de formation ;
trois semaines dapplication ;
une journe de revue.
Formation des participants aux premiers groupes de travail.
5 31 valuation des premires expriences et qualication des
Black Belts.
6 32-52 Prise en autonomie des projets suivants par les Black Belts
qualis.
Formation des Black Belts pour les qualier former les
groupes de travail.
7 52- Les Black Belts expriments forment les Green Belts.
De nouveaux Black Belts sont forms.
Figure 9.5 Les diffrentes formations dans Six Sigma
3.2 Lapproche pratique
Outre lalternance qui donne un aspect appliqu aux formations, on
doit se soucier dadopter une approche pdagogique trs pratique pour
faire passer les notions relativement abstraites.
Une approche purement acadmique des notions de statistique notam-
ment ne peut pas atteindre lobjectif de la formation. Pour comprendre,
il faut appliquer, il faut saisir avec ses mains les concepts de variabi-
Qualication Formation
Champion
Dirigeant de haut niveau
(directeur, responsable
de service), familier avec
les statistiques.
Cinq jours de formation
en alternance avec le choix
des premiers projets.
Formation axe sur la conduite
et le management de projets
Six Sigma.
Master
Black Belt
Cadre technique, tel quingnieur
ou chef dun service. Il a
lexprience de la conduite
de projets Six Sigma. Il matrise
les outils statistiques de base
et avancs.
Deux semaines de formation
(en plus de la formation
de Black Belts).
Formation la conduite
et au management de projets,
et complments statistiques.
Black Belt
Cadre technique, tel quingnieur,
il a des comptences reconnues
dans le domaine o il devra
conduire les projets.
Il matrise les outils statistiques
de base.
Six semaines de formation
en alternance avec lapplication
sur le terrain.
Dveloppement de six tapes
DMAICS.
Green Belt
Technicien ayant des comptences
dans le domaine du projet. Il est
rompu lutilisation des outils
statistiques de base.
Six jours de formation
en alternance avec la conduite
du projet.
White Belt
Comptence dans le domaine
du projet. Il participe un projet
Six Sigma.
Six heures de tour dhorizon
sur la dmarche Six Sigma.
Six Sigma
lit, de drive, de causes spciales, communes. Lexprimentique
(sciences de lexprimentation), particulirement utile dans les tapes
3 et 4 ( Analyser , Innover ), ne peut se satisfaire dune approche
purement mathmatique. Une bonne formation doit alterner les expo-
ss thoriques et les applications pratiques. De nombreux outils sont
disponibles sur le march pour enseigner de faon concrte la dmar-
che Six Sigma et les diffrents outils tels que les plans dexpriences,
les analyses de donnes, les cartes de contrle
Signalons quelques outils qui sont souvent utiliss par les organismes
de formation.
Les simulateurs SIMDI
Figure 9.6 Simulateurs SIMDI
Ils permettent effectivement de procder une simulation informati-
que interactive de processus industriels an denseigner les cartes de
contrle, les plans dexpriences, les outils Shaining, Six Sigma
Leur utilisation permet de mettre en situation le stagiaire. Par exem-
ple, dans le simulateur de tour commande numrique, le stagiaire
doit piloter une production sans carte de contrle dans un premier
temps, puis avec une carte de contrle de son choix (moyenne,
mdiane, precontrol). On valide avec les capabilits obtenues et les
cots de revient lapport des cartes de contrle. Le stagiaire a la possi-
bilit de raliser un plan dexpriences pour amliorer la capabilit
court terme Cp (le z du processus). Avec le simulateur de processus de
soudage laser, on peut mettre en uvre des plans dexpriences en sur-
face de rponse et faire une optimisation multi-rponses pour trouver
le meilleur compromis entre deux Y contradictoires : la profondeur de
la soudure et la qualit de la soudure.
Lintrt des simulateurs informatiques est la rapidit avec laquelle les
productions ou les expriences peuvent tre ralises, les stagiaires
pouvant ainsi se consacrer lessentiel : la dmarche doptimisation.
Les diffrents simulateurs sont disponibles en mode dmonstration sur
le site www.ogp.annecy.com
Les objets didactiques statistiques
Figure 9.7 Exemple dobjets didactiques statistiques
De nombreux objets didactiques ont vu le jour depuis plusieurs
dcennies principalement aux tats-Unis pour enseigner les notions
dchantillonnage, de cartes de contrle, de plans dexpriences
Citons parmi ces outils, le Quincunx, la bote dchantillonnage, la
catapulte, le tunnel de Deming
Lutilisation dobjets courants
De trs nombreux jeux didactiques peuvent tre raliss partir
dobjets de la vie courante, par exemple, pour faire :
lapprentissage de la variabilit partir de ds, de pailles que
lon dcoupe, de gommettes que lon colle
lapprentissage de plans dexpriences partir de fours micro-
onde, de simulateurs de tir de golf, de machines caf
Six Sigma
Les jeux Six Sigma
Certaines entreprises ont dvelopp pour leurs besoins internes ou
pour assurer des prestations de formation des jeux permettant de
mettre en uvre lensemble de la dmarche Six Sigma. Citons le jeu
des trombones
20
qui consiste amliorer le fonctionnement dun ser-
vice ctif dassemblage et de distribution de documents. Un autre
exemple est la mallette Six Sigma Toolskit
21
, cre spcialement pour
les formations aux outils de la qualit dans le cadre de la mthode Six
Sigma ; elle permet de former aux outils statistiques ou transaction-
nels. Elle est aussi particulirement bien adapte ltude des outils
doptimisation des processus.
3.3 Limportance du coaching
La formation apporte les outils mais, si on se contente de la formation,
le Black Belt nouvellement form aura bien du mal savoir exactement
quand utiliser tel ou tel outil. Pour progresser plus vite et proter plei-
nement des formations, il est indispensable de prvoir un coaching du
BB par un Master Black Belt ou par un consultant extrieur qui jouera
le rle de MBB.
Le MBB doit faire des revues de projets avec le BB, mais ces revues
nont pas le mme objectif que celles qui sont ralises avec le Cham-
pion. Le but est ici de valider la dmarche intellectuelle, le choix des
outils, la validit de linterprtation des rsultats Cest une revue
technique qui va permettre au BB de progresser dans lutilisation judi-
cieuse des diffrents outils. Cette revue permet galement de valider la
faon dont le BB manage ses diffrents projets et anime ses groupes de
travail.
20. Dana RASIS, Howard S. GITLOW, Edward POPOVICH, Paper Organizers International: A Ficti-
tious Six Sigma Green Belt Case Study , I, Quality Engineering, Vol. 15, No. 1, September
2002, p. 127-145.
21. http://www.six-sigma-toolskit.com/
4. Les outils du management dun projet
Six Sigma
Nous avons vu au cours des diffrents chapitres de nombreux outils
permettant de faire avancer un projet Six Sigma et nous sommes loin
davoir t exhaustifs. Nous allons dtailler dans la suite de ce chapitre
quelques outils particulirement utiles pour garantir le respect des
cots, des dlais et des objectifs.
4.1 La charte du projet
La charte du projet reprend les lments majeurs de ce dernier. Elle
rsume les diffrents aspects sous la forme des questions, QUI, QUOI,
QUAND, COMMENT, POURQUOI, du projet. tablie la n de la pre-
mire tape, elle a valeur de feuille de route pour le groupe de travail.
Les objectifs, les dlais et les cots prvisionnels doivent tre claire-
ment dnis dans cette charte.
Nous avons largement dtaill au chapitre 3 les diffrentes phases qui
conduisent la cration de cette charte du projet qui est reprise au
chapitre 11, Rsum.
4.2 Le diagramme de Gantt
Le diagramme de Gantt permet de visualiser la planication et la
ralisation des diffrentes tapes dun projet avec les ventuels recou-
vrements. Dans une planication dun projet Six Sigma, les six tapes
doivent tre planies (voir gure 9.8). videmment, on peut et on
doit aller plus loin dans le dtail de la planication des tches. Chaque
tape peut faire lobjet dun autre Gantt compos des principales pha-
ses de ltape que nous avons dveloppes.
Il est important de faire apparatre sur le diagramme Gantt les points
de synchronisation du projet. Dans Six Sigma, ces points sont principa-
lement constitus des revues qui permettent de valider chaque n
dtape. Cependant, se contenter des revues est insufsant pour garan-
tir une volution du projet. Une runion davancement toutes les trois
semaines semble, lusage, un bon compromis.
Six Sigma
Figure 9.8 Exemple de macro-Gantt pour un projet Six Sigma
Plani Ralis Revues
4.3 Le diagramme PERT
PERT
22
signie Program and Evaluation Review Technique , soit
Technique dlaboration et de contrle des projets , en franais.
Cest galement un outil de planication des dlais dun projet Six
Sigma.
Figure 9.9 Exemple de diagramme PERT
Le diagramme PERT (gure 9.9) permet de visualiser lenchanement
des tches en faisant apparatre les dates au plus tt, au plus tard, et le
tape Janv. Fvr. Mars Avr. Mai Juin Juill.
Dnir
Mesurer
Analyser
Innover
Contrler
Standardiser
22. Voir pour plus de dtails sur le diagramme PERT, Gestion de production, COURTOIS, BONNE-
FOUS, PILLET, Les ditions dOrganisation, 2003.
H:3 X:0
A:2
1 3
2
2
2
1
3
3
3 6 7
4
Chemins critiques
4
5
6
6 7 0
0
3
3
4
5
7
6
8 9
E:1
F:2 X:0
C:1 D:2
X:0 G:1 B:1
chemin critique qui est lenchanement des tches quaffectera chaque
retard, lequel se rpercutera sur le dlai total du projet.
Une tche est matrialise par une che et possde une dure :
par exemple, une tche A dune dure de 2 jours se reprsentera
comme ceci :
Un sommet correspond la synchronisation entre deux tches. Il
est matrialis par un cercle qui possde trois informations : le
numro du sommet, la date au plus tt, la date au plus tard.
La date au plus tt est obtenue en additionnant la dure des
tches depuis le premier sommet vers le dernier.
La date au plus tard est obtenue en soustrayant la dure des
tches depuis le dernier sommet vers le premier.
Le chemin critique est le (ou les) chemin(s) qui relie(nt) les som-
mets ayant une date au plus tt gale la date au plus tard.
La diffrence entre la date au plus tt et la date au plus tard
dtermine la marge de libert.
4.4 Le diagramme en che
Il donne une reprsentation visuelle des diffrentes tapes et dcisions
dun projet. Cest une version simplie dun diagramme de Pert.
2
1
3
3 N du sommet
Date au plus tt
Date au plus tard
Six Sigma
4.5 Lanalyse budgtaire
Une des difcults dans tout projet est de tenir les dlais et les cots.
Les mthodes de type Gantt ou PERT permettent de suivre les dlais ; il
faut maintenant essayer dvaluer et de tenir les cots.
4.5.1 tude analytique
Dans un projet de type Six Sigma, une des mthodes destimation des
cots parmi les plus faciles utiliser est ltude analytique phase par
phase des cots engendrs. On procde aisment cette analyse
laide dun tableur.
Pour chaque tape, les principales sources de dpense sont les sui-
vantes :
les cots salariaux, le temps pass ;
la formation des acteurs ;
les cots exprimentaux ;
les cots de ralentissement (perte de productivit du poste sur
lequel on travaille) ;
les cots de collecte dinformations ;
les frais de mission ;
les honoraires de prestataires de services ;
les investissements ;
les achats de matire ;
les frais gnraux
Pour chaque item et chaque tape, on xe une estimation mini et maxi
du budget prvu. Le cot est souvent li au dlai dexcution dune
tche. Une rduction du dlai imparti une tche saccompagne dune
augmentation du cot. Pour prendre en compte cet lment, lanalyse
doit comprendre une analyse de la relation Cot/temps.
Suite aux analyses Gantt et Pert, on peut tablir pour une tche parti-
culire deux points :
le dlai normal de droulement de la tche associ son cot
normal ;
le dlai critique de droulement et le cot critique.
Figure 9.10 La relation cot/dlai
Ce diagramme (gure 9.10) permet de dnir le cot par unit de
temps sauv :
4.5.2 tude analogique
Lorsque lentreprise a une grande habitude dans la conduite de projets
Six Sigma, on peut tablir un devis sur des critres moins analytiques
mais en affectant un cot standard pour chaque tape, pondr par des
coefcients dnis exprimentalement partir des projets existants.
Figure 9.11 Mthode analogique destimation des cots
Critre Faible Moyen Fort
Complexit du projet 0,85 1,00 1,50
Intrt des moyens de mesure existants 1,36 1,00 0,50
Comptences de lquipe 1,13 1,00 0,90
Comptences entreprise 1,10 1,00 0,95
Facilit dobtenir des donnes 1,24 1,00 0,63
Dlai critique Dlai normal
Cot critique
Cot normal
Cot dune unit de temps sauv
Cot critique Cot normal
Dlai critique Dlai normal
--------------------------------------------------------------------------- =
Six Sigma
Dans cet exemple (gure 9.11), on a identi pour ltape Mesurer
un certain nombre de critres. En partant dun cot standard de ltape
Mesurer , on calcule une estimation du cot de ltape pour le projet
par la relation :
Estimation = cot standard 1,00 1,36 1,00 0,95 1,24
5. Les cls du succs dun projet Six Sigma
Le management de projets Six Sigma est un processus sur lequel on
peut fonder un projet Six Sigma. Le Y critique est ici lefcacit dans la
conduite des projets, mais quelles en sont les entres vitales ?
Les facteurs de succs intressent diffrents aspects que lon peut
regrouper autour de trois ples :
le management dun programme Six Sigma ;
la conduite des projets Six Sigma ;
les acteurs dun projet Six Sigma.
5.1 Le management dun programme Six Sigma
5.1.1 Le plan daction et de dploiement
On la dit plusieurs reprises, Six Sigma nest pas quune mthode de
rsolution de problmes duplique sur quelques points prcis de
lentreprise. Six Sigma part dune stratgie dentreprise quon doit
dployer au niveau tactique et oprationnel. Pour cela, il faut avoir ta-
bli un plan dtaill permettant de dcrire cette dmarche top/down. Ce
dernier engage la direction en prvoyant linfrastructure mettre en
place, les formations, la politique de communication, les gratica-
tions
5.1.2 La communication sur le programme Six Sigma
Lancer Six Sigma dans une entreprise nest pas une mince affaire. Il
faut pouvoir embarquer tout le monde dans le voyage. Il faut donc lan-
cer un plan de communication interne sur le sujet ds le dbut du pro-
gramme, an dexpliquer aux collaborateurs les raisons et les objectifs
du programme. Cette communication doit se poursuivre lorsque les
projets avancent en faisant le point sur les rsultats obtenus.
Ce programme de communication doit permettre dimpliquer toute
lentreprise et de valoriser les acteurs des projets de par le travail ra-
lis.
5.1.3 Participation active des cadres suprieurs
Limplication ne suppose pas simplement de dispenser quelque sou-
tien, mais de mouiller la chemise ! Voil pourquoi les cadres sup-
rieurs ont une fonction de Champions. Ils doivent tre forms et
organiser les revues de projets dans lesquelles ils tiendront un rle de
leader actif en nhsitant pas faire approfondir certaines questions.
Leur participation les mne aussi soutenir les Black Belts pour lever
les obstacles. Ils se doivent galement dtre prsents lors du dmar-
rage des formations pour rappeler la place stratgique de Six Sigma
dans la politique de lentreprise et y compris quand elles prennent n
pour recueillir les ractions et insufer leur enthousiasme au groupe.
5.1.4 Mise en place dun systme de suivi des projets
La mise en place de Six Sigma va concerner de nombreux projets dans
de nombreux secteurs. Si on veut pouvoir capitaliser toutes ces exp-
riences, il faut disposer dun outil de gestion permettant de suivre les
projets en cours et de capitaliser les connaissances acquises sur les
projets termins. Et le comit de pilotage et les acteurs des projets
bncieront de cet outil.
Le comit de pilotage du programme Six Sigma doit disposer dun
tableau de bord an de :
suivre lavancement de chaque projet ;
mesurer leffet cumulatif des projets termins.
Six Sigma
Les Black Belts doivent disposer dune base de donnes an de :
connatre les problmes qui ont dj t traits ;
connatre la faon dont on a trait le problme ;
faire du benchmarking entre plusieurs processus.
5.1.5 La formation
Les formations dispenses tant aux Black Belts quaux autres acteurs
du projet doivent tre de qualit. Mme si la formation initiale de plus
de cinq semaines parat souvent une formation lourde, elle ne permet
pas de traiter de faon exhaustive des outils qui pourraient tre utiliss
dans un projet Six Sigma. La formation doit donc tre un processus
continu, fond sur le support des Master Black Belts qui sauront dve-
lopper, lorsque le besoin se fera sentir, les outils et mthodes compl-
mentaires.
Les sances de formation doivent tre particulirement soignes et
menes par des personnes comptentes au plan pdagogique. La pda-
gogie est en soi une dmarche mtier et on ne simprovise pas forma-
teur du jour au lendemain. Il convient donc de choisir un formateur
runissant les trois qualits suivantes :
comptence scientique ;
exprience de lapplication sur le terrain ;
charisme pour faire partager ses comptences.
Une formation bien conduite est source de motivation. Une formation
qui nest pas adapte, cest dj, en quelque sorte, le son du glas du
projet.
5.1.6 La reconnaissance
Limplication forte des acteurs de Six Sigma mrite la reconnaissance
de la socit. Cette reconnaissance sera source de motivation pour les
futurs projets. Cette reconnaissance peut prendre diverses formes, mais
il est important que chacun sente que son travail est pris en compte.
Voil pourquoi le comit de pilotage doit intgrer cet aspect dans son
plan de dploiement en prvoyant, par exemple :
des prsentations formelles devant un large public des rsultats
des projets ;
une politique de communication qui met en avant le travail ra-
lis par les quipes ;
un intressement nancier aux rsultats
5.2 La conduite des projets Six Sigma
5.2.1 Le choix des projets
Pour mettre les facteurs de russite de son ct, il faut pouvoir mesurer
des carts entre la situation initiale et la situation nale. Comme on ne
peut pas tout traiter faute de ressources, il faut tre capable de se con-
centrer sur ce qui rapportera le plus lentreprise. Les bonnes
dcisions doivent tre prises ds le choix des sujets.
Un impact pour un client
Un bon projet aura un impact mesurable sur un CTQ. Si vous avez
choisi un projet appropri et lavez men son terme, votre client
(interne ou externe) devrait tre capable dobserver une diffrence.
Lidal serait mme dimpressionner le client nal par lamlioration
des prestations du produit ou du service. Cela permet de revivier la
dlit du client et dclenche coup sr de nouvelles commandes.
Un impact nancier
Un bon projet Six Sigma doit avoir un impact nancier pour lentre-
prise. On doit tre capable ds le dbut du projet de faire apparatre ces
gains en mesurant les cots associs aux dfauts, retouches, ajuste-
ments rendus ncessaires par la situation actuelle. On identie cinq
faons de mesurer limpact dun projet Six Sigma :
le nombre de dfauts par million dopportunits ;
une rduction vriable sur les cots xes ou variables ;
une rduction dans le cot de non-qualit pour produire 100 %
de produits conformes du premier cot ;
Six Sigma
le Taux de rendement synthtique dun quipement qui
mesure la capacit produire un nombre dunits pendant un
temps donn ;
le dlai de production pour fournir un produit ou un service.
Figure 9.12 Choix dun projet Six Sigma
Le tableau dvaluation (gure 9.12) permet de choisir, sur une ligne
de production, les chantiers Six Sigma. Aprs avoir fait la cartographie
du processus, on a valu la performance de chaque lment. partir
de cette tude, on peut faire ressortir trois projets aux objectifs diff-
rents.
Le projet doit tre raliste
Un projet bien dimensionn doit pouvoir tre conduit en quatre huit
mois. Pour cela, il faut vrier ds le dbut un certain nombre de
critres :
On doit pouvoir trouver un moyen de mesure de la sortie dans
un dlai raisonnable.
Les donnes ncessaires lanalyse peuvent tre aisment ras-
sembles.
Les comptences techniques ncessaires existent.
La probabilit de succs est importante.
Process A
Projet 1 Projet 2 Projet 3
Process B Process C
TRS 40 % 87 % 95 %
Rebut 0,2 par unit 0,43 par unit 1,24 par unit
Cot 4 35 2,5
5.2.2 Les revues de projet
Le respect des revues de projet chaque tape est un point essentiel.
Une revue de projet nest pas une runion de travail technique. Cest
loutil qui permet de sassurer que le groupe de travail suit correcte-
ment la mthodologie Six Sigma. Les revues de projet permettent ga-
lement de maintenir une pression garante du respect des dlais. Cest
loccasion pour les cadres suprieurs de se rendre compte du travail
accompli, dencourager lquipe, de prendre conscience des obstacles
qui empchent davancer Cest aussi loccasion de prendre les
dcisions qui dpassent les comptences du groupe de travail.
5.3 Les acteurs dun projet Six Sigma
5.3.1 Le choix des Black Belts
On a largement soulign dans cet ouvrage limportance primordiale
que les Black Belts ont dans un programme Six Sigma. Ils doivent ru-
nir des comptences techniques, scientiques, managriales et humai-
nes. Ce sont donc les meilleurs qui deviennent Black Belts. Mais la
conduite dun projet nest pas un long euve tranquille, il y a des dif-
cults, des obstacles qui paraissent parfois infranchissables. Pour sur-
monter ces problmes, il faut une motivation telle que ce rle de Black
Belt doit tre assum volontairement et non de faon impose.
5.3.2 Le temps consacr au projet
Dans la plupart des entreprises, la responsabilit de projets importants
est donne des personnes qui y sont affectes temps partiel. Si le
sujet du projet Six Sigma a t bien choisi, il mrite que lon sy consa-
cre plein temps pour en respecter les dlais, les cots et les objectifs.
Certes, tous les projets Six Sigma ne demandent pas un plein-temps
sur le sujet, mais dmarrer un dploiement Six Sigma en affectant tous
les projets en surcharge des collaborateurs souvent dj bien occu-
ps, cest coup sr courir lchec.
Six Sigma
Parmi les projets, il doit y avoir des projets stratgiques pour lentre-
prise et seule laffectation dun Black Belt temps plein peut permettre
de les mener bien.
5.3.3 Disposer dun support technique et scientique
Le groupe de travail doit pouvoir disposer dun rfrent si un problme
quil ne sait pas rsoudre, ou quil ne sait pas comment aborder, se
pose. Faire du Six Sigma, cest un peu comme faire du ski, il y a tou-
jours quelquun qui skie mieux que soi et qui a quelque chose nous
apprendre. Les Master Black Belts sont l pour jouer ce rle. Ils rencon-
trent rgulirement les Black Belts (toutes les trois semaines par exem-
ple) pour valuer ltat du projet en cours. Ces runions sont plus
techniques que les revues ; le Master Black Belts y joue le rle de
guide.
Mais le support peut aussi provenir de lextrieur ; les Black Belts
doivent sextraire de lentreprise, participer des congrs, rencontrer
des universitaires, se faire un carnet dadresses des spcialistes de telle
ou telle discipline. Il est dommage de constater que peu dindustriels
europens sinscrivent des congrs scientiques tels que
Qualita
23
. La participation de telles manifestations est source
douverture, et louverture est une des qualits premires que lon
demande aux Black Belts.
23. Qualita : congrs international biannuel sur la Qualit et la sret de fonctionnement orga-
nis tous les 2 ans par RUFEREQ http://wwwcqp2.utc.fr/rufereq/
429
Chapitre 10
Tables
Six Sigma
T1 Tableau des ppm en fonction du z du
processus
z
ppm centr
dans les tolrances
ppm avec un dcalage de 1,5
1 317310,52 697672,15
1,2 230139,46 621378,38
1,4 161513,42 541693,78
1,6 109598,58 461139,78
1,8 71860,53 382572,13
2 45500,12 308770,21
2,2 27806,80 242071,41
2,4 16395,06 184108,21
2,6 9322,44 135686,77
2,8 5110,38 96809,10
3 2699,93 66810,63
3,2 1374,40 44566,73
3,4 673,96 28716,97
3,6 318,29 17864,53
3,8 144,74 10724,14
4 63,37 6209,70
4,2 26,71 3467,03
4,4 10,83 1865,88
4,6 4,23 967,67
4,8 1,59 483,48
5 0,57 232,67
5,2 0,20 107,83
5,4 0,07 48,12
5,6 0,02 20,67
5,8 0,01 8,55
6 0,00 3,40
6,2 0,00 1,30
6,4 0,00 0,48
6,6 0,00 0,17
6,8 0,00 0,06
7 0,00 0,02
Tables
T2 Table de la loi normale
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,1776
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
z
Six Sigma
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
2,3 0,0107 0,0104 0,0102 0,0099 0,00964 0,00939 0,00914 0,00889 0,00866 0,00842
2,4 0,00820 0,00798 0,00776 0,00755 0,00734 0,00714 0,00695 0,00676 0,00657 0,00639
2,5 0,00621 0,00604 0,00587 0,00570 0,00554 0,00539 0,00523 0,00508 0,00494 0,00480
2,6 0,00466 0,00453 0,00440 0,00427 0,00415 0,00402 0,00391 0,00379 0,00368 0,00357
2,7 0,00347 0,00336 0,00326 0,00317 0,00307 0,00298 0,00289 0,00280 0,00272 0,00264
2,8 0,00256 0,00248 0,00240 0,00233 0,00226 0,00219 0,00212 0,00205 0,00199 0,00193
2,9 0,00187 0,00181 0,00175 0,00169 0,00164 0,00159 0,00154 0,00149 0,00144 0,00139
3,0 0,00135 0,00131 0,00126 0,00122 0,00118 0,00114 0,00111 0,00107 0,00104 0,00100
3,1 0,00097 0,00094 0,00090 0,00087 0,00085 0,00082 0,00079 0,00076 0,00074 0,00071
3,2 0,00069 0,00066 0,00064 0,00062 0,00060 0,00058 0,00056 0,00054 0,00052 0,00050
3,3 0,00048 0,00047 0,00045 0,00043 0,00042 0,00040 0,00039 0,00038 0,00036 0,00035
3,4 0,00034 0,00033 0,00031 0,00030 0,00029 0,00028 0,00027 0,00026 0,00025 0,00024
3,5 0,00023 0,00022 0,00022 0,00021 0,00020 0,00019 0,00019 0,00018 0,00017 0,00017
3,6 0,00016 0,00015 0,00015 0,00014 0,00014 0,00013 0,00013 0,00012 0,00012 0,00011
3,7 0,00011 0,00010 0,00010 9,6 E-5 9,2 E-5 8,8 E-5 8,5 E-5 8,2 E-5 7,8 E-5 7,5 E-5
3,8 7,2 E-5 6,9 E-5 6,7 E-5 6,4 E-5 6,2 E-5 5,9 E-5 5,7 E-5 5,4 E-5 5,2 E-5 5,0 E-5
3,9 4,8 E-5 4,6 E-5 4,4 E-5 4,2 E-5 4,1 E-5 3,9 E-5 3,7 E-5 3,6 E-5 3,4 E-5 3,3 E-5
z 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
4 3,17 E-5 2,07 E-5 1,33 E-5 8,54 E-6 5,41 E-6 3,40 E-6 2,11 E-6 1,30 E-6 7,93 E-7 4,79 E-7
5 2,87 E-7 1,70 E-7 9,96 E-8 5,79 E-8 3,33 E-8 1,90 E-8 1,07 E-8 5,99 E-9 3,32 E-9 1,82 E-9
6 9,87 E-10 5,30 E-10 2,82 E-10 1,49 E-10 7,77 E-11 4,02 E-11 2,06 E-11 1,04 E-11 5,23 E-12 2,60 E-12
Tables
T3 Table de Student
0,40 0,25 0,10 0,05 0,025 0,01 0,005 0,0025 0,001 0,0005
1 0,325 1,000 3,078 6,314 12,706 31,821 63,657 127,32 318,31 636,62
2 0,289 0,816 1,886 2,920 4,303 6,965 9,925 14,089 23,326 31,598
3 0,277 0,765 1,638 2,353 3,182 4,541 5,841 7,453 10,213 12,924
4 0,271 0,741 1,533 2,132 2,776 3,747 4,604 5,598 7,173 8,610
5 0,267 0,727 1,476 2,015 2,571 3,365 4,032 4,773 5,893 6,869
6 0,265 0,718 1,440 1,943 2,447 3,143 3,707 4,317 5,208 5,959
7 0,263 0,711 1,415 1,895 2,365 2,998 3,499 4,019 4,785 5,408
8 0,262 0,706 1,397 1,860 2,306 2,896 3,355 3,833 4,501 5,041
9 0,261 0,703 1,383 1,833 2,262 2,821 3,250 3,690 4,297 4,781
10 0,260 0,700 1,372 1,812 2,228 2,764 3,169 3,581 4,144 4,587
11 0,260 0,697 1,373 1,796 2,201 2,718 3,106 3,497 4,025 4,437
12 0,259 0,695 1,356 1,782 2,179 2,681 3,055 3,428 3,930 4,318
13 0,259 0,694 1,350 1,771 2,160 2,650 3,012 3,372 3,852 4,221
14 0,258 0,692 1,345 1,761 2,145 2,624 2,977 3,326 3,787 4,140
15 0,258 0,691 1,341 1,753 2,131 2,602 2,947 3,286 3,733 4,073
16 0,258 0,690 1,337 1,746 2,120 2,583 2,921 3,252 3,686 4,015
17 0,257 0,689 1,333 1,740 2,110 2,567 2,898 3,222 3,646 3,965
,
t
Six Sigma
0,40 0,25 0,10 0,05 0,025 0,01 0,005 0,0025 0,001 0,0005
18 0,257 0,688 1,330 1,734 2,101 2,552 2,878 3,197 3,610 3,922
19 0,257 0,688 1,328 1,729 2,093 2,539 2,861 3,174 3,579 3,883
20 0,257 0,687 1,325 1,725 2,086 2,528 2,845 3,153 3,552 3,850
21 0,257 0,686 1,323 1,721 2,080 2,518 2,831 3,135 3,527 3,819
22 0,256 0,686 1,321 1,717 2,074 2,508 2,819 3,119 3,505 3,792
23 0,256 0,685 1,319 1,714 2,069 2,500 2,807 3,104 3,485 3,767
24 0,256 0,685 1,318 1,711 2,064 2,492 2,797 3,091 3,467 3,745
25 0,256 0,684 1,316 1,708 2,060 2,485 2,787 3,078 3,450 3,725
26 0,256 0,684 1,315 1,706 2,056 2,479 2,779 3,067 3,435 3,707
27 0,256 0,684 1,314 1,703 2,052 2,473 2,771 3,057 3,421 3,690
28 0,256 0,683 1,313 1,701 2,048 2,467 2,763 3,047 3,408 3,674
29 0,256 0,683 1,311 1,699 2,045 2,462 2,756 3,038 3,396 3,659
30 0,256 0,683 1,310 1,697 2,042 2,457 2,750 3,030 3,385 3,646
40 0,255 0,681 1,303 1,684 2,021 2,423 2,704 2,971 3,307 3,551
60 0,254 0,679 1,296 1,671 2,000 2,390 2,660 2,915 3,232 3,460
120 0,254 0,677 1,289 1,658 1,980 2,358 2,617 2,860 3,160 3,373
0,253 0,674 1,282 1,645 1,960 2,326 2,576 2,807 3,090 3,291
Tables
T4 Table de Snedecor pour p = 0,95
1
(degr de libert du numrateur)
1 2 3 4 5 6 7 8 9 10

D
e
g
r

d
e

l
i
b
e
r
t

d
u

d
n
o
m
i
n
a
t
e
u
r
1 161,45 199,50 215,71 224,58 230,16 233,99 236,77 238,88 240,54 241,88
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08
80 3,96 3,11 2,72 2,49 2,33 2,21 2,13 2,06 2,00 1,95
150 3,90 3,06 2,66 2,43 2,27 2,16 2,07 2,00 1,94 1,89
300 3,87 3,03 2,63 2,40 2,24 2,13 2,04 1,97 1,91 1,86
Six Sigma
T5 Table de la loi du
2
P 0,005 0,010 0,025 0,050 0,100 0,250 0,500 0,750 0,900 0,950 0,975 0,990 0,995
1 0,000 0,000 0,001 0,004 0,016 0,102 0,455 1,32 2,71 3,84 5,02 6,63 7,88
2 0,010 0,020 0,051 0,103 0,201 0,575 1,39 2,77 4,61 5,99 7,38 9,21 10,6
3 0,072 0,115 0,216 0,352 0,584 1,21 2,37 4,11 6,25 7,81 9,35 11,3 12,8
4 0,207 0,297 0,484 0,711 1,06 1,92 3,36 5,39 7,78 9,49 11,1 13,3 14,9
5 0,412 0,554 0,831 1,15 1,61 2,67 4,35 6,63 9,24 11,1 12,8 15,1 16,7
6 0,676 0,872 1,24 1,64 2,20 3,45 5,35 7,84 10,6 12,6 14,4 16,8 18,5
7 0,989 1,24 1,69 2,17 2,83 4,25 6,35 9,04 12,0 14,1 16,0 18,5 20,3
8 1,34 1,65 2,18 2,73 3,49 5,07 7,34 10,2 13,4 15,5 17,5 20,1 22,0
9 1,73 2,09 2,70 3,33 4,17 5,90 8,34 11,4 14,7 16,9 19,0 21,7 23,6
10 2,16 2,56 3,25 3,94 4,87 6,74 9,34 12,5 16,0 18,3 20,5 23,2 25,2
11 2,60 3,05 3,82 4,57 5,58 7,58 10,3 13,7 17,3 19,7 21,9 24,7 26,8
12 3,07 3,57 4,40 5,23 6,30 8,44 11,3 14,8 18,5 21,0 23,3 26,2 28,3
13 3,57 4,11 5,01 5,89 7,04 9,30 12,3 16,0 19,8 22,4 24,7 27,7 29,8
14 4,07 4,66 5,63 6,57 7,79 10,2 13,3 17,1 21,1 23,7 26,1 29,1 31,3
15 4,60 5,23 6,26 7,26 8,55 11,0 14,3 18,2 22,3 25,0 27,5 30,6 32,8
16 5,14 5,81 6,91 7,96 9,31 11,9 15,3 19,4 23,5 26,3 28,8 32,0 34,3
17 5,70 6,41 7,56 8,67 10,1 12,8 16,3 20,5 24,8 27,6 30,2 33,4 35,7
18 6,26 7,01 8,23 9,39 10,9 13,7 17,3 21,6 26,0 28,9 31,5 34,8 37,2
19 6,84 7,63 8,91 10,1 11,7 14,6 18,3 22,7 27,2 30,1 32,9 36,2 38,6
0

2
P
Tables
P 0,005 0,010 0,025 0,050 0,100 0,250 0,500 0,750 0,900 0,950 0,975 0,990 0,995
20 7,43 8,26 9,59 10,9 12,4 15,5 19,3 23,8 28,4 31,4 34,2 37,6 40,0
21 8,03 8,90 10,3 11,6 13,2 16,3 20,3 24,9 29,6 32,7 35,5 38,9 41,4
22 8,64 9,54 11,0 12,3 14,0 17,2 21,3 26,0 30,8 33,9 36,8 40,3 42,8
23 9,26 10,2 11,7 13,1 14,8 18,1 22,3 27,1 32,0 35,2 38,1 41,6 44,2
24 9,89 10,9 12,4 13,8 15,7 19,0 23,3 28,2 33,2 36,4 39,4 43,0 45,6
25 10,5 11,5 13,1 14,6 16,5 19,9 24,3 29,3 34,4 37,7 40,6 44,3 46,9
26 11,2 12,2 13,8 15,4 17,3 20,8 25,3 30,4 35,6 38,9 41,9 45,6 48,3
27 11,8 12,9 14,6 16,2 18,1 21,7 26,3 31,5 36,7 40,1 43,2 47,0 49,6
28 12,5 13,6 15,3 16,9 18,9 22,7 27,3 32,6 37,9 41,3 44,5 48,3 51,0
29 13,1 14,3 16,0 17,7 19,8 23,6 28,3 33,7 39,1 42,6 45,7 49,6 52,3
30 13,8 15,0 16,8 18,5 20,6 24,5 29,3 34,8 40,3 43,8 47,0 50,9 53,7
40 20,7 22,2 24,4 26,5 29,1 33,7 39,3 45,6 51,8 55,8 59,3 63,7 66,8
50 28,0 29,7 32,4 34,8 37,7 42,9 49,3 56,3 63,2 67,5 71,4 76,2 79,5
80 51,2 53,5 57,2 60,4 64,3 71,1 79,3 88,1 96,6 101,9 106,6 112,4 116,3
100 67,3 70,1 74,2 77,9 82,4 90,1 99,3 109,1 118,5 124,3 129,6 135,8 140,2
Six Sigma
T6 Test de Hartley Valeurs limites de r
Risque = 0,05
Nombre de variances
2 3 4 5 6 7 8 9 10 11 12
2 39 87,5 142 202 266 333 403 475 550 626 704
3 15,4 27 39,2 50,7 62 72,9 83,6 93,9 104 114 124
4 9,6 15,5 20,6 25,2 29,5 33,6 37,5 41,1 44,6 48 51,4
5 7,15 10,8 13,7 16,3 18,7 20 22,9 24,7 26,5 28,2 29,9
6 5,02 8,38 10,4 12,1 13,7 15 16,3 17,5 18,6 19,7 20,7
7 4,99 6,94 8,44 9,7 10,8 11 12,7 13,5 14,3 15,1 15,8
8 4,43 6 7,18 8,12 9,03 9,78 10,5 11,1 11,7 12,2 12,7
9 4,03 5,34 6,31 7,11 7,8 8,41 8,95 9,45 9,91 10,3 10,7
10 3,72 4,85 5,67 6,34 6,92 7,42 7,07 8,28 8,66 9,01 9,34
12 3,11 4,00 4,59 5,07 5,46 5,80 6,11 6,39 6,65 6,88 6,87
15 2,86 3,54 4,01 4,37 4,68 4,95 5,19 5,4 5,59 5,77 5,03
20 2,46 2,95 3,29 3,54 3,76 3,94 4,1 4,24 4,37 4,49 4,59
30 2,07 2,4 2,61 2,78 2,91 3,02 3,12 3,21 3,29 3,36 3,39
60 1,67 1,85 1,96 2,04 2,11 2,17 2,22 2,26 2,30 2,33 2,36
inf 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
Tables
Risque = 0,01
Nombre de variances
2 3 4 5 6 7 8 9 10 11 12
2 199 448 729 1036 1362 1705 2063 2432 2813 3204 3605
3 47,5 85 120 151 184 216 249 281 310 337 361
4 23,2 37 49 59 69 79 89 97 106 113 120
5 14,9 22 28 33 38 42 46 50 54 57 60
6 11,1 15,5 19,1 22 25 27 30 32 34 36 37
7 8,89 12,1 14,5 16,5 18,4 20 22 23 24 26 27
8 7,50 9,9 11,7 13,2 14,5 15,8 16,9 17,9 18,9 19,8 21
9 6,54 8,5 9,9 11,1 12,1 13,1 13,9 14,7 15,3 16,0 16,6
10 5,85 7,4 8,6 9,6 10,4 11,1 11,8 12,4 12,9 13,4 13,9
12 4,91 6,1 6,9 7,6 8,2 8,7 9,1 9,5 9,9 10,2 10,6
15 4,07 4,9 5,5 6,0 6,4 6,7 7,1 7,3 7,5 7,8 8,0
20 3,32 3,8 4,3 4,6 4,9 5,1 5,3 5,5 5,6 5,8 5,9
30 2,63 3,0 3,3 3,4 3,6 3,7 3,8 3,9 4,0 4,1 4,2
60 1,96 2,2 2,3 2,4 2,4 2,5 2,5 2,6 2,6 2,7 2,7
inf 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
Six Sigma
T7 Taille des chantillons
Comparaison de deux chantillons Test z
/
Alpha = 20 % Alpha = 10 % Alpha = 5 % Alpha = 1 %
20%
10%
5%
1%
20%
10%
5%
1%
20%
10%
5%
1%
20%
10%
5%
1%
D
c
a
l
a
g
e

e
n
t
r
e

l
e
s

d
e
u
x

c
h
a
n
t
i
l
l
o
n
s

e
n

n
o
m
b
r
e

d
c
a
r
t
s

t
y
p
e
s
0,1 902 1314 1713 2603 1237 1713 2164 3154 1570 2101 2599 3674 2336 2976 3563 4806
0,2 225 328 428 651 309 428 541 789 392 525 650 919 584 744 891 1202
0,3 100 146 190 289 137 190 240 350 174 233 289 408 260 331 396 534
0,4 56 82 107 163 77 107 135 197 98 131 162 230 146 186 223 300
0,5 36 53 69 104 49 69 87 126 63 84 104 147 93 119 143 192
0,6 25 36 48 72 34 48 60 88 44 58 72 102 65 83 99 134
0,7 18 27 35 53 25 35 44 64 32 43 53 75 48 61 73 98
0,8 14 21 27 41 19 27 34 49 25 33 41 57 36 46 56 75
0,9 11 16 21 32 15 21 27 39 19 26 32 45 29 37 44 59
1 9 13 17 26 12 17 22 32 16 21 26 37 23 30 36 48
1,1 7 11 14 22 10 14 18 26 13 17 21 30 19 25 29 40
1,2 6 9 12 18 9 12 15 22 11 15 18 26 16 21 25 33
1,3 5 8 10 15 7 10 13 19 9 12 15 22 14 18 21 28
1,4 5 7 9 13 6 9 11 16 8 11 13 19 12 15 18 25
1,5 4 6 8 12 5 8 10 14 7 9 12 16 10 13 16 21
1,6 4 5 7 10 5 7 8 12 6 8 10 14 9 12 14 19
1,7 3 5 6 9 4 6 7 11 5 7 9 13 8 10 12 17
1,8 3 4 5 8 4 5 7 10 5 6 8 11 7 9 11 15
1,9 2 4 5 7 3 5 6 9 4 6 7 10 6 8 10 13
2 2 3 4 7 3 4 5 8 4 5 6 9 6 7 9 12
2,5 1 2 3 4 2 3 3 5 3 3 4 6 4 5 6 8
3 1 1 2 3 1 2 2 4 2 2 3 4 3 3 4 5
4 1 1 1 2 1 1 1 2 1 1 2 2 1 2 2 3
n
i
n
j
2 u
2
u
+ ( )
2
k
2
---------------------------------- = =
Tables
T8 Taille des chantillons pour le test t
La taille des chantillons est calcule pour un risque de 5 % et un
risque de 10 %.
T9 Taille des chantillons pour le test z
La taille des chantillons est calcule pour un risque de 5 % et un
risque de 10 %.
Dcentrage 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6
Taille 527 235 133 86 60 45 35 28 23 19 17 14 13 11 10
Dcentrage 1,7 1,8 1,9 2 2,1 2,2 2,3 2,4 2,8 2,9 3,6 3,7 4 5 6
Taille 9 8 8 7 7 6 6 5 5 4 4 3 3 3 2
Dcentrage 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6
Taille 525 234 131 84 58 43 33 26 21 17 15 12 11 9 8
Dcentrage 1,7 1,8 1,9 2 2,1 2,2 2,4 2,5 2,8 2,9 3,7 3,8 4 5 6
Taille 7 6 6 5 5 4 4 3 3 2 2 1 1 1 1
Six Sigma
T10 Taille des chantillons pour le test F
La taille des chantillons est calcule pour un risque a de 5 % dans
lhypothse H
0
pour deux chantillons de mme taille.
Ratio entre les 2 carts types Ratio entre les 2 variances Taille n mini
1,1 1,21 301
1,2 1,44 83
1,3 1,69 41
1,4 1,96 25
1,5 2,25 18
1,6 2,56 14
1,7 2,89 11
1,8 3,24 9
1,9 3,61 8
2 4 7
2,1 4,41 6
2,2 4,84 6
2,3 5,29 5
2,4 5,76 5
2,5 6,25 5
2,6 6,76 4
2,7 7,29 4
2,8 7,84 4
2,9 8,41 4
3 9 4
4 16 3
5 25 2
Tables
T11 Tableau des coefcients
E
s
t
i
m
a
t
i
o
n

d
e

P
o
u
r

l
e

c
a
l
c
u
l

d
e

l
a

c
a
r
t
e

X
C
a
r
t
e

m
d
i
a
n
e
P
o
u
r

l
e

c
a
l
c
u
l

d
e

l
a

c
a
r
t
e

d
e
s

S
P
o
u
r

l
e

c
a
l
c
u
l

d
e

l
a

c
a
r
t
e

d
e
s

R
n
c
4
d
2
d
3
A
A
2
A
3
B
3
B
4
B
5
B
6
D
3
D
4
D
5
D
6
2
0
,
7
9
7
9
1
,
1
2
8
0
,
8
5
3
2
,
1
2
1
1
,
8
8
0
2
,
6
5
9
1
,
8
8
0
2
,
1
2
1
-
3
,
2
6
7
-
2
,
6
0
6
-
3
,
2
6
7
-
3
,
6
8
6
3
0
,
8
8
6
2
1
,
6
9
3
0
,
8
8
8
1
,
7
3
2
1
,
0
2
3
1
,
9
5
4
1
,
1
8
7
2
,
0
1
0
-
2
,
5
6
8
-
2
,
2
7
6
-
2
,
5
7
4
-
4
,
3
5
8
4
0
,
9
2
1
3
2
,
0
5
9
0
,
8
8
0
1
,
5
0
0
0
,
7
2
9
1
,
6
2
8
0
,
7
9
6
1
,
6
3
9
-
2
,
2
6
6
-
2
,
0
8
8
-
2
,
2
8
2
-
4
,
6
9
8
5
0
,
9
4
0
0
2
,
3
2
6
0
,
8
6
4
1
,
3
4
2
0
,
5
7
7
1
,
4
2
7
0
,
6
9
1
1
,
6
0
7
-
2
,
0
8
9
-
1
,
9
6
4
-
2
,
1
1
4
-
4
,
9
1
8
6
0
,
9
5
1
5
2
,
5
3
4
0
,
8
4
8
1
,
2
2
5
0
,
4
8
3
1
,
2
8
7
0
,
5
4
8
1
,
3
8
9
0
,
0
3
0
1
,
9
7
0
0
,
0
2
9
1
,
8
7
4
-
2
,
0
0
4
-
5
,
0
7
8
7
0
,
9
5
9
4
2
,
7
0
4
0
,
8
3
3
1
,
1
3
4
0
,
4
1
9
1
,
1
8
2
0
,
5
0
8
1
,
3
7
4
0
,
1
1
8
1
,
8
8
2
0
,
1
1
3
1
,
8
0
6
0
,
0
7
6
1
,
9
2
4
0
,
2
0
5
5
,
2
0
3
8
0
,
9
6
5
0
2
,
8
4
7
0
,
8
2
0
1
,
0
6
1
0
,
3
7
3
1
,
0
9
9
0
,
4
3
3
1
,
2
3
3
0
,
1
8
5
1
,
8
1
5
0
,
1
7
8
1
,
7
5
2
0
,
1
3
6
1
,
8
6
4
0
,
3
8
7
5
,
3
0
7
9
0
,
9
6
9
3
2
,
9
7
0
0
,
8
0
8
1
,
0
0
0
0
,
3
3
7
1
,
0
3
2
0
,
4
1
2
1
,
2
2
4
0
,
2
3
9
1
,
7
6
1
0
,
2
3
2
1
,
7
0
7
0
,
1
8
4
1
,
8
1
6
0
,
5
4
6
5
,
3
9
4
1
0
0
,
9
7
2
7
3
,
0
7
8
0
,
7
9
7
0
,
9
4
9
0
,
3
0
8
0
,
9
7
5
0
,
3
6
2
1
,
1
1
4
0
,
2
8
4
1
,
7
1
6
0
,
2
7
7
1
,
6
6
9
0
,
2
2
3
1
,
7
7
7
0
,
6
8
7
5
,
4
6
9
1
1
0
,
9
7
5
4
3
,
1
7
3
0
,
7
8
7
0
,
9
0
5
0
,
2
8
5
0
,
9
2
7
0
,
3
2
1
1
,
6
7
9
0
,
3
1
4
1
,
6
3
7
0
,
2
5
6
1
,
7
4
4
0
,
8
1
2
5
,
5
3
4
1
2
0
,
9
7
7
6
3
,
2
5
8
0
,
7
7
8
0
,
8
6
6
0
,
2
6
6
0
,
8
8
6
0
,
3
5
4
1
,
6
4
6
0
,
3
4
6
1
,
6
0
9
0
,
2
8
3
1
,
7
1
7
0
,
9
2
4
5
,
5
9
2
1
3
0
,
9
7
9
4
3
,
3
3
6
0
,
7
7
0
0
,
8
3
2
0
,
2
4
9
0
,
8
5
0
0
,
3
8
2
1
,
6
1
8
0
,
3
7
4
1
,
5
8
5
0
,
3
0
7
1
,
6
9
3
1
,
0
2
6
5
,
6
4
6
1
4
0
,
9
8
1
0
3
,
4
0
7
0
,
7
6
2
0
,
8
0
2
0
,
2
3
5
0
,
8
1
7
0
,
4
0
6
1
,
5
9
4
0
,
3
9
9
1
,
5
6
3
0
,
3
2
8
1
,
6
7
2
1
,
1
2
1
5
,
6
9
3
1
5
0
,
9
8
2
3
3
,
4
7
2
0
,
7
5
5
0
,
7
7
5
0
,
2
2
3
0
,
7
8
9
0
,
4
2
8
1
,
5
7
2
0
,
4
2
0
1
,
5
4
4
0
,
3
4
7
1
,
6
5
3
1
,
2
0
7
5
,
9
3
7
2
0
0
,
9
8
6
9
3
,
7
3
5
0
,
7
2
9
0
,
6
7
1
0
,
1
8
0
0
,
6
8
0
0
,
5
1
0
1
,
4
9
0
0
,
5
0
3
1
,
4
7
1
0
,
4
1
5
1
,
5
8
5
1
,
5
4
8
5
,
9
2
2
Six Sigma
Coefcient d
2
* pour l'estimation de partir de R
Nombre dchantillons
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 >15
N
o
m
b
r
e

d
e

m
e
s
u
r
e
s

p
a
r

c
h
a
n
t
i
l
l
o
n
2 1,414 1,279 1,231 1,206 1,191 1,181 1,173 1,168 1,163 1,160 1,157 1,154 1,153 1,151 1,149 1,128
3 1,912 1,806 1,769 1,750 1,739 1,731 1,726 1,722 1,719 1,716 1,714 1,712 1,711 1,710 1,708 1,693
4 2,239 2,151 2,121 2,105 2,096 2,090 2,086 2,082 2,08 2,078 2,076 2,075 2,073 2,072 2,071 2,071
5 2,481 2,405 2,379 2,366 2,358 2,353 2,349 2,346 2,344 2,342 2,34 2,339 2,338 2,337 2,337 2,326
Tables
T12 Principales tables de Taguchi
La notation utilise de quatre toiles une toile est attribue en fonction :
du risque encouru de confondre un effet avec une interaction de second ordre ;
de la possibilit de dsaliasser tout en restant dans des plans moins de vingt essais ;
de lefcacit du plan (nombre de ddl/nombre dessais).
Table L
4
Table L
8
Table L
16
Table L
12
N
o
m
b
r
e

d
e

f
a
c
t
e
u
r
s
2
****
Plan complet
Aucun risque
3
***
Fractionnaire,
rsolution III
Facile dsaliasser
en passant au plan
complet L
8
****
Plan complet
Utiliser les
colonnes 1, 2, 4
Aucun risque
4
***
Fractionnaire,
rsolution IV
Utiliser les
colonnes 1, 3, 5, 7
Facile dsaliasser
en passant au plan
complet L
16
****
Plan complet
Utiliser les
colonnes 1, 2, 4, 8
Aucun risque
5
**
Fractionnaire
rsolution III
Pas de colonne
privilgier
Facile dsaliasser
en continuant les
colonnes impaires
de la table L16
****
Fractionnaire,
rsolution V
Utiliser les
colonnes
1, 2, 4, 8, 15
***
Plan fractionnaire
Ne permet pas
dtudier des
interactions
Choix des colon-
nes en fonction
de la difcult
des modications
des facteurs
Idal pour
dbroussailler
Les interactions
sont dilues
6
***
Fractionnaire,
rsolution IV
Utiliser les
colonnes impaires
7
8
9

11
*
Fractionnaire,
rsolution III
Pas de colonne
privilgier
11

15
Six Sigma
Rappel des symboles utiliss :
Table L
4
(2
3
)
Symbole Groupe Difcult de modication des niveaux
1 Difcile
2 Assez difcile
3 Assez facile
4 Facile
1 2 3
1 1 1 1
2 1 2 2
3 2 1 2
4 2 2 1 2 3
a b a
b
(1) 3
(2)
2
1
Groupe 1 2
1 2
3
Tables
Table L
8
(2
7
)
Triangle des interactions entre deux colonnes
N
o
1 2 3 4 5 6 7
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
a b a
b
c a
c
b
c
a
b
c
Groupe 1 2 3
2 3 4 5 6 7
(1) 3 2 5 4 7 6
(2) 1 6 7 4 5
(3) 7 6 5 4
(4) 1 2 3
(5) 3 2
(6) 1
Six Sigma
Graphe des effets
Table L
9
(3
4
)
N
o
1 2 3 4
1 1 1 1 1
2 1 2 2 2
3 1 3 3 3
4 2 1 2 3
5 2 2 3 1
6 2 3 1 2
7 3 1 3 2
8 3 2 1 3
9 3 3 2 1
a b a
b
a
b
2
Groupe 1 2
1
1
5
7 7 5 3
3
4
4
2
2
6
6
Premier graphe Deuxime graphe
Tables
Table L
12
(2
11
)
La table L
12
est une table spciale dans laquelle les interactions sont
distribues plus ou moins uniformment dans toutes les colonnes. Il
ny a pas de graphe pour cette table, elle ne peut donc pas tre utilise
pour tudier des interactions.
N
o
1 2 3 4 5 6 7 8 9 10 11
1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 2 2 2 2 2 2
3 1 1 2 2 2 1 1 1 2 2 2
4 1 2 1 2 2 1 2 2 1 1 2
5 1 2 2 1 2 2 1 2 1 2 1
6 1 2 2 2 1 2 2 1 2 1 1
7 2 1 2 2 1 1 2 2 1 2 1
8 2 1 2 1 2 2 2 1 1 1 2
9 2 1 1 2 2 2 1 2 2 1 1
10 2 2 2 1 1 1 1 2 2 1 2
11 2 2 1 2 1 2 1 1 1 2 2
12 2 2 1 1 2 1 2 1 2 2 1
Groupe 1 2
Six Sigma
Table L
16
(2
15
)
N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2
3 1 1 1 2 2 2 2 1 1 1 1 2 2 2 2
4 1 1 1 2 2 2 2 2 2 2 2 1 1 1 1
5 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2
6 1 2 2 1 1 2 2 2 2 1 1 2 2 1 1
7 1 2 2 2 2 1 1 1 1 2 2 2 2 1 1
8 1 2 2 2 2 1 1 2 2 1 1 1 1 2 2
9 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
10 2 1 2 1 2 1 2 2 1 2 1 2 1 2 1
11 2 1 2 2 1 2 1 1 2 1 2 2 1 2 1
12 2 1 2 2 1 2 1 2 1 2 1 1 2 1 2
13 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1
14 2 2 1 1 2 2 1 2 1 1 2 2 1 1 2
15 2 2 1 2 1 1 2 1 2 2 1 2 1 1 2
16 2 2 1 2 1 1 2 2 1 1 2 1 2 2 1
a b a
b
c a
c
b
c
a
b
c
d a
d
b
d
a
b
d
c
d
a
c
d
b
c
d
a
b
c
d
Groupe 1 2 3 4
Tables
Table L
16
Triangle des interactions
Table L
16
Graphes de rsolution V
2 3 4 5 6 7 8 9 10 11 12 13 14 15
(1) 3 2 5 4 7 6 9 8 11 10 13 12 15 14
(2) 1 6 7 4 5 10 11 8 9 14 15 12 13
(3) 7 6 5 4 11 10 9 8 15 14 13 12
(4) 1 2 3 12 13 14 15 8 9 10 11
(5) 3 2 13 12 15 14 9 8 11 10
(6) 1 14 15 12 13 10 11 8 9
(7) 15 14 13 12 11 10 9 8
(8) 1 2 3 4 5 6 7
(9) 3 2 5 4 7 6
(10) 1 6 7 4 5
(11) 7 6 5 4
(12) 1 2 3
(13) 3 2
(14) 1
1
4 8 12 8 12 4
4 12 8
1 9 9
13
3
2 15 7 11 10 6
14 14
10
11 11 15
2 10
14 3 3
5
6 6 2 7 15 7
5 1
13 13
9 5
(1a) (1b) (1c)
Six Sigma
Table L
16
Graphes de rsolution IV
15
11
1
3
9
11
1
9
15 3
5 13
11
1 9 7 11
3 5 13 15
2 12 10 4
1 9 7 13
5 3 11 15
4 10 12 2
7
8
14 2
4 12
10 6
3
9
15 1
5 13
11 7
10
12 2
6 14
8 4
6
4
14
12
8
10
13
15
9
1 13
6 4
12
8 10
3
14
5
2
2
7
7 5
11
5
7
9
10
4
6
8
14
12
13
15
2
1 3
11 9
6 4
8 10
3
5
2
7
12 14
1
13 15
(2) (3)
(4a) (4b)
(5a) (5b)
(6a) (6b)
Tables
T13 Plans composites centrs
Exemple de construction 2 facteurs
Nombre
de facteurs
2 3 4 5 5
Plan factoriel
de base
L
4
(complet)
L
8
(complet)
L
16
(complet)
L
16

(resV)
L
32
(complet)
Valeur de 1,414 1,682 2 2 2,378
Nombre de points
au centre
5 6 7 6 10
Nombre dessais 13 20 31 32 52
N
o
A B
Plan factoriel de base
1 1 1
2 1 1
3 1 1
4 1 1
4 essais sur les axes
5 1.414 0
6 +1.414 0
7 0 1.414
8 0 +1.414
5 essais au centre du domaine
9 0 0
10 0 0
11 0 0
12 0 0
13 0 0
455
Chapitre 11
Fiches rsums
Six Sigma
tape 1 DFINIR :
mmo des actions principales raliser
Durant cette tape, on dnit le problme, les amliorations projetes
et les gains attendus. Tout doit tre fait pour que les attentes du client
soient traduites en terme de qualit ressentie. Dans cette tape, on doit
galement mener un travail de comprhension visant connatre le
processus et ainsi mieux cerner les limites du projet.
1. Choix du problme
Dterminer le problme rsoudre en fonction de limportance
quil reprsente pour le client et du gain potentiel pour lentre-
prise.
2. Formulation du problme
Formuler le problme aprs avoir recueilli toutes les informations
ncessaires :
informations factuelles (retours clients, rebuts) ;
informations chiffres (en termes de cot, de dlai, de qua-
lit).
Raliser un QQOQCP.
3. Clients identis
Identier les clients amont, aval, et les clients naux.
Identier parmi tous les paramtres pouvant inuer sur le pro-
blme, les paramtres Y concernant ce qui est critique pour le
client.
Dnir les impacts du projet pour le client et lentreprise.
4. Diagramme CTQ (Critical To Quality)
Quels sont les besoins du client : pourquoi a-t-il besoin de notre
produit ?
Quelles sont ses exigences ?
Fiches rsums
Quels sont les paramtres Y du processus qui sont lis ce qui
est critique pour le client ?
5. tat actuel et tat souhait
Un problme apparat lorsquil y a un cart entre un tat actuel
et un tat souhait.
Faire apparatre ce que lon veut modier et ce que lon veut con-
server.
6. Cartographie du processus
Raliser la cartographie du processus qui conduit la satisfaction
du client.
7. Gains mesurables et non mesurables
Quels sont les cots de non-qualit identis et lis au problme ?
Indiquer les gains mesurables importants (exemple : diminution
rebuts, cots, rclamations clients).
Quels sont les avantages apports par la rsolution du problme
qui ne sont pas mesurables ? (exemple : image auprs du client,
abilit).
8. Planication du projet
Indiquer le numro des semaines, colorier les cases pour indi-
quer les dures des tapes et mettre une croix pour les semaines
de formation.
Identier les acteurs du projet.
Six Sigma
Six Sigma tape 1 : DFINIR Charte du projet
Titre du projet :
Formulation du problme ( Le problme, cest de )
QUI ? QUOI ? O ? QUAND ? COMMENT ? POURQUOI ?
Clients identis (clients aval et clients naux)
Clients aval : Impacts :
Clients naux :
Diagramme CTQ
Besoin des clients Exigences Caractristiques
mesurables
Spcications
tat actuel tat souhait
Groupe de travail
Nom Tl. Service Ml
Planication du projet
Semaines
Dnir
Mesurer
Analyser
Amliorer
Contrler
Standardiser
Signatures
Client : Propritaire : Pilote : Direction :
Fiches rsums
tape 2 MESURER :
mmo des actions raliser
Dans cette tape, on doit trouver un moyen pour mesurer la/les carac-
tristique(s) critique(s) pour les clients, valider le processus de mesure
et raliser une campagne de relevs sur le processus an de dterminer
les capabilits et les relations entre les Y et les X.
1. Actualisation de la bote noire du processus
Lors de cette tape, on a besoin dafner la cartographie du processus
ralis dans la premire tape.
Faire la bote noire du processus (avec les connaissances actuel-
les).
Quels sont les Y du processus lis ce qui est critique pour le
client ?
Quels sont les processus de mesure ? Sont-ils continus (7
niveaux au minimum) ?
Quels sont a priori les X ? Les paramtres dentre, les param-
tres de pilotage, les paramtres bruits ?
2. Moyen de mesure et procdure
Quel(s) moyen(s) de mesure est/sont utilis(s) ?
Quelle est la procdure ?
Cette procdure est-elle ge ?
3. Capabilit des moyens de mesure R&R
et verrouillage du procd
Valider sil y a lieu la liaison entre le moyen de contrle et la
chane dtalonnage.
Raliser sil y a lieu ltude de linarit.
Six Sigma
Dnir la capabilit du processus en utilisant la mthode R&R
(rptabilit et reproductibilit) et conclure :
Cmc < 3 : amliorer le processus de mesure en priorit.
Cmc < 4 : continuer et mener des actions damlioration sur
le processus de mesure.
Cmc > 4 : continuer.
Verrouiller le processus de mesure en le geant par une instruc-
tion de contrle.
4. Rduction de la variabilit
Analyser les X potentiels (analyse des 5M).
Rduire les causes de variation en xant des paramtres.
5. Observation du processus
Mettre en place des cartes dobservations et des feuilles de rele-
vs.
Enregistrer toutes les informations disponibles sur Y avec ses
attributs (X correspondants).
Validation des spcications.
6. tude capabilit du processus
Examen statistique des valeurs mesures sur Y : moyenne, cart
type, normalit.
Calcul des indicateurs de capabilits.
Analyse de la chute des capabilits : problme de processus, de
drive ou de centrage ?
7. Actualisation des gains et cots estims
Fiches rsums
Six Sigma tape 2 : MESURER
Intitul du projet :
Bote noire du processus (actualisation)
X = paramtres agissant
sur Y ?
Facteurs bruits : Y = paramtres
critiques
pour le client ?
Facteurs de pilotage :
Moyen de mesure et procdure
Capabilit des moyens de mesures R&R Verrouillage du procd
Cmc souhait : Cmc mesur :
Commentaire(s) :
Mesureur : Outil :
Frquence : Prcision :
Processus de mesure :
Liste des actions pour limiter la variabilit
Intitul Actions
Capabilit du processus
Mesure : Interprtation :
Commentaire : Chute
entre
Explication/
processus :
Causes :
Cmc
Cp
Pp
Cp
Pp
Pp
Ppk
Ppk
Actions de suivi (cartes dobservation, feuilles de relevs)
Intitul Action de suivi :
Processus
tudi
Six Sigma
tape 3 ANALYSER :
Durant cette tape, on analyse les Y (sorties du processus), les X (vari-
ables du processus) et les relations entre les X et les Y an didentier
les quelques X responsables en grande partie de la variabilit sur Y.
1. Analyse de Y
tude de la normalit.
tude des variations temporelles.
tude de la chute des capabilits.
2. Analyse des X
Rdiger le diagramme dIshikawa an de dterminer les facteurs
X qui peuvent inuer sur les rsultats prcdents (variation de
positions, cycliques, temporelles).
Faire une observation sur la normalit, les variations temporelles
et la chute des capabilits sur les X.
3. Analyse des symptmes
Faire une liste des symptmes (daprs un jugement technique et
lexprience du groupe).
Faire des hypothses sur les causes des variations observes.
4. Analyser les relations entre les Y et les X
Mettre en vidence graphiquement les relations entre Y et les X
(bote moustache, multi-vari, graphe des effets).
Raliser les tests statistiques permettant dapporter la preuve sta-
tistique attendue.
Donner une explication rationnelle pour les effets observs.
5. Hirarchiser les X
Mettre en vidence le poids des X pertinents avec Anova ou
Regression.
Focalisation sur les X les plus pertinents.
Prvoir un ventuel plan dexpriences pour formaliser la rela-
tion.
Fiches rsums
6. Gains mesurables et gains non mesurables (ractualisation)
nouveau, une analyse des gains et des cots doit tre faite an
dvaluer si le gain recherch peut tre obtenu.
Six Sigma tape 3 : ANALYSER
Intitul du projet :
Diagramme des 5M (surligner les facteurs qui font lobjet dune tude)
Analyse des symptmes
Symptmes Les ides sur le phnomne
Liste des tudes danalyse ralises et conclusions
Test(s) ralis(s) Rf. document Analyses des tests raliss Conclusions
Causes fondamentales Poids Explications
Machine Milieu
Mthode Main-d'uvre
Matire
Six Sigma
tape 4 INNOVER :
Dans cette tape, on semploie laborer, mettre lessai et implanter
des solutions pour corriger les causes fondamentales du problme.
1. Synthse des tapes prcdentes
Lister les X qui font lobjet dune interrogation.
Slectionner les X qui feront lobjet dune tude complmentaire
dans cette tape.
2. Gnrer des solutions
Proposer les amliorations possibles :
Le problme est tudi sous tous les angles.
Lencadrement mais aussi les oprateurs des processus amont
et aval sont invits proposer leurs ides.
Slectionner les amliorations, valuer les propositions et slec-
tionner celles qui semblent efcaces et ralisables partir des
critres :
Effet : cette solution est-elle susceptible de rsoudre relle-
ment le problme ?
Faisabilit : est-elle possible du point de vue technique ?
conomie : quel est le cot relatif son application ?
3. Valider les solutions par une dmarche exprimentale
tablir pour chaque action retenue le processus exprimental qui
apportera la preuve statistique (test de comparaison, analyse de
la variance, plans dexpriences).
Raliser les essais.
Vrier que les X principaux sont signicatifs du point de vue
statistique.
Choisir le niveau des X pour obtenir le centrage et la rduction
de la dispersion.
Programmer des essais de conrmation.
Calcul des capabilits aprs amlioration.
Fiches rsums
4. Analyser les risques
Ralisation dune AMDEC pour valider la solution retenue.
5. Planier la mise en uvre de la solution
Identier les acteurs.
Identier les tapes.
Faire la planication du changement.
6. Gains
Actualiser les gains mesurables et les gains non mesurables.
Actualiser les cots mesurables et les cots non mesurables.
Six Sigma
Six Sigma tape 4 : INNOVER/AMLIORER
Intitul du projet :
Diagramme des 5M (placer les X qui seront tudis dans ltape Innover/amliorer)
Liste des tudes damliorations ralises et conclusions
Analyses ralises :
Quoi ? Comment ?
Rf.
doc.
Qui ? Quand ?
Capabilit
obtenue
Conclusions
Analyse de risque AMDEC rf
Actions correctives demandes Rf. doc. Qui ? Quand ? F G D NPR
Planication du changement
No tape Responsable Production Dlai Cot
Machine Milieu
Mthode Main-d'uvre
Matire
Fiches rsums
tape 5 CONTRLER :
Lors de cette tape, on vrie les rsultats des actions damlioration
mises en uvre au stade prcdent, en observant comment les caract-
ristiques choisies comme indicateurs de rsultat ont volu depuis
lintroduction des solutions (mise sous contrle par le biais doutil de
la qualit type SPC).
Les rsultats doivent tre chiffrs, compars aux valeurs cibles et ana-
lyss laide des outils de la qualit pour dterminer si les amliora-
tions prvues sont signicatives. Il faut galement comparer le rapport
cots/ avantages et en tudier les rpercussions.
1. Bloc diagramme du processus
Raliser un bloc diagramme du processus.
Indiquer les caractristiques X critiques mettre sous contrle.
2. Dterminer les tolrances pour les x critiques
Valider la cohrence avec les tolrances sur Y.
Faire lanalyse du tolrancement partir des corrlations
constates.
Choisir la cible sur les X permettant dobtenir des tolrances
maximales.
Sassurer que la solution mise en place est robuste par rapport
aux bruits.
3. Liste des paramtres mis sous contrle
Pour chaque caractristique qui a t mise sous contrle, indi-
quer :
la spcication retenue,
le type de suivi qui permet de surveiller la caractristique.
Calculer les limites de contrle.
tablir les rgles de pilotage.
Six Sigma
4. liminer les causes derreur
Mettre en place des systmes zro dfaut , l o cest possible.
Documenter le poste de travail : procdures, instructions
5. Suivi des capabilits processus Cp, Pp, Ppk
Faire le suivi des capabilits sur la caractristique Y.
6. Gains et cots
Actualiser les gains et cots mesurables et non mesurables.
Fiches rsums
Six Sigma tape 5 : CONTRLER
Intitul du projet :
Bloc diagramme du processus (indiquer les paramtres mettre sous contrle)
Liste des paramtres mis sous contrle
Caractristiques Spcications Type de suivi
(enregistrement ; cartes X/R ; EWMA)
Rf.
documents
Liste des poka yoke mis en place
Caractristiques Spcications Type de suivi
(enregistrement ; cartes X/R ; EWMA)
Rf.
documents
Documentation du poste de travail
Documentation Objet de la documentation Rf.
documents
Suivi des capabilits processus Cp, Pp, Ppk
Capabilit
Temps
0
1
2
3
Six Sigma
tape 6 STANDARDISER :
Durant cette tape, on verrouille laction, cest--dire que lon permet
le maintien des amliorations en empchant le retour des erreurs ant-
rieures. On va galement en proter pour dmultiplier les bonnes prati-
ques identies et clore le projet.
1. Simplier la solution
Raliser un audit de poste et identier :
les points qui demandent un effort particulier ;
les carts entre le nouveau standard et la pratique ;
les points mal formaliss.
Faire les transformations an que le nouveau standard soit appli-
qu simplement et sans effort.
2. Prenniser la solution
Revoir les rgles qui posent problme.
Finaliser la documentation du poste.
Formaliser le nouveau savoir-faire dans une base de connais-
sance.
Identier les bonnes pratiques , les formaliser, les diffuser.
Intgrer les processus et mthodes standards dans le dveloppe-
ment de nouveaux produits.
Mettre en place les indicateurs de performance.
3. Bilan du projet
Bilan technique :
faire la synthse des amliorations techniques apportes ;
modication de procdures, de mthodes ;
amlioration des capabilits
Bilan nancier :
faire la synthse des cots mesurables et non mesurables ;
faire la synthse des gains mesurables et non mesurables.
Fiches rsums
Bilan humain :
fonctionnement du groupe de travail ;
identier les manques en matire de formation, de compten-
ces
Bilan mthodologique :
si ctait refaire, adopterions-nous la mme dmarche ?
quavons-nous oubli de faire quil ne faudra plus oublier ?
en quoi ce projet peut-il enrichir la dmarche Six Sigma dans
notre socit ?
4. Clore le projet
Documenter les lments de suivi des projets Six Sigma.
Prparer un document de prsentation du projet.
Diffuser ce document lensemble des Black Belts.
Fter la n du projet.
Six Sigma
Six Sigma tape 6 : STANDARDISER
Intitul du projet :
Simplier la solution
QUOI QUI QUAND
Prenniser la solution
QUOI QUI QUAND
QUI Indicateur de performance suivi QUAND
Conclusions du bilan du projet
Technique : tat en dbut de projet Technique : tat en n de projet
Financier : gains et cots mesurables Financier : gains et cots non mesurables
Conclusions du bilan humain
Conclusions du bilan mthodologique
Documentation du projet
Document Rf.
473
Sites internet utiles
Logiciels d'analyse statistique
Les calculs de cet ouvrage ont t raliss avec Minitab logiciel d'ana-
lyse statistique et Excel de Microsoft Ofce.
http://www.minitab.com
http://ofce.microsoft.com
On peut galement consulter :
Statgraphics : http://www.microsigma.fr/Editeurs/STATGRA-
PHICS/STATGRAPHICS.html
Statistica : http://www.statsoftinc.com/french/welcome.html
SOS Stat : http://educlos.free.fr/sosstat.html
Des feuilles de calculs statistiques Excel gratuites sont disponibles sur
le site du dpartement OGP de l'IUT d'annecy :
http://www.ogp.univ-savoie.fr/espace.htm
Six Sigma
Didacticiels pour l'enseignement de Six Sigma
SIMDI est une suite de simulateurs de processus industriels destine
enseigner les outils statistiques tel que les rgressions, les analyses de
la variance, les plans d'expriences, la MSP, les cartes de contrle.
http://www.ogp-annecy.com/
On peut galement consulter :
http://www.six-sigma-toolskit.com/
http://www.does.org
475
Bibliographie
AMGHAR A.,
Management de projets, Editions J.C.I. Inc, 2001.
AVRILLON L., PILLET M.,
Lapproche Shainin , Qualit rfrence, n
o
17, juillet 2002, p 95-
100, 2002.
BAYLE P. et alii,
Illustration of Six Sigma Assistance on a Design Project , Quality
Engineering, vol. 13, n
o
3, mars 2001, p. 341-348, 2001.
BONNEFOUS C., COURTOIS A.,
Indicateurs de performance Trait IC2, Herms Science, 2001.
BOTHE K. R., SHAININ D.,
World Class Quality, Amacom, 1991.
BREYFOGLE F. W.,
Implementing Six Sigma, Wiley Interscience, 1999.
CHARDONNET A., THIBAUDON D.,
Le Guide PDCA de Deming, ditions dOrganisation, 2003.
CHAUVEL A. M.,
Mthodes et outils pour rsoudre un problme, Dunod, 2000.
CHOWDHURY S.,
Design for Six Sigma, Prentice Hall, 2002.
Six Sigma
CHOWDHURY S.,
Vous avez dit Six Sigma, Dunod, 2002.
COURTOIS A., BONNEFOUS C., PILLET M.,
Gestion de production, ditions dOrganisation, 2003.
DURET D., PILLET M.,
Qualit en production De lIso 9000 Six Sigma, ditions dOrga-
nisation, 2001.
ECKES Georges, Frchet C.,
Six Sigma en action, Village Mondial, 2003.
ECKES Georges,
Objectif Six Sigma, Village Mondial, 2002
EUROPEAN COMMISSION DGIII INDUSTRY,
The European Quality Promotion Policy, Benchmarking Introduc-
tion and main principles, Quality series, number 7, January 1998,
1998.
FULLER Howard T.,
Observations about the Success and Evolution of Six Sigma at
Seagate , Quality Engineering, vol. 12, n
o
3, mars 2000, p. 311-
315, 2000.
GEORGE M. L.,
Lean Six Sigma, Mc Graw Hill, 2002.
GOH T. N.,
The Role of Statistical Design of Experiments in Six Sigma: Pers-
pectives of a Practitioner , Quality Engineering, vol. 14, n
o
4, juin
2002, p. 659-671, 2002.
GOH T. N.,
Information Transformation Perspective on Experimental Design
in Six Sigma , Quality Engineering, vol. 13, n
o
3, mars 2001,
p. 349-355, 2001.
GOLDSTEIN M. D.,
Six Sigma Program Success Factors, Six Sigma Forum Magazine,
volume 1, issue 1, novembre 2001.
Bibliographie
GOUPY J.,
Plans dexpriences pour surfaces de rponse, Dunod, 1999.
GRAVES Spencer,
Six Sigma Rolled Throughput Yield , Quality Engineering, vol.
14, n
o
2, dcembre 2001, p. 257-266, 2001.
HAHN Gerald J., DOGANAKSOY Necip,
The Evolution of Six Sigma , Quality Engineering, vol. 12, n
o
3,
mars 2000, p. 317-326, 2000.
HARRY J. H., The Vision of Six Sigma A Roadmap for Breakthrough,
vol. I, II, Tri Star Publishing (Phoenix, Arizona), 1997.
HARRY J. H.,
The Vision of Six Sigma Application Resource, vol. I, II, III, Tri
Star Publishing (Phoenix, Arizona), 1997.
HARRY J. H.,
The Vision of Six Sigma Tools and Methods for Breakthrough, vol.
I, II, III, Tri Star Publishing (Phoenix, Arizona), 1997.
HARRY M., SCHROEDER R;
Six sigma published by Doubleday New York, 2000.
HILD Cheryl, SANDERS Doug, COOPER Tony,
Six Sigma On Continuous Processes: How and Why It Differs ,
Quality Engineering, vol. 13, n
o
1, septembre 2000, p. 1-9, 2000.
HOERL Roger W. et al.,
Six Sigma Black Belts: What Do They Need to Know? And Subse-
quent Discussions and Response , Journal of Quality Technology,
vol. 33, n
o
4, octobre 2001, p. 391-435, 2001.
LE BRUN M., AUSSEDAT F.,
Six Sigma et la supply chain , Qualit rfrence, n
o
20, avril
2003, p. 69-74, 2003.
LUCAS J. M.,
The Essential Six Sigma , Quality Progress, volume 35, issue 1,
janvier 2002.
MADERS H. P.,
Conduire une quipe de projet, ditions dOrganisation, 2000.
Six Sigma
MONTGOMERY D. C.,
Introduction to Statistical Quality Control, 4
e
dition, John Whiley
& Sons, Inc., 2001.
PETITDEMANGE C.,
Le Management par projet, 80 dmarches oprationnelles au choix,
ditions EFE, 1997.
PILLET M.,
Introduction aux plans dexpriences par la mthode Taguchi, di-
tions dOrganisation, 1997
PILLET M.,
Appliquer la matrise statistique des procds (MSP/SPC), ditions
dOrganisation, 2000.
PIQUET F.,
Sur la route de 6 sigma , Qualit rfrence, n
o
13, juillet 2001,
p. 65-79, 2001.
PLUCHART J.-J.,
LIngnierie de projet, ditions dOrganisation, 2002.
PRAX J.-Y.,
Le Guide du Knowledge Management, Dunod, 2000.
PUJO P., PILLET M.,
Mthodes du pilotage des systmes de production, chap. 6,
Pilotage par la qualit ICS Productique , Herms, 2002.
PYSDEK T.,
The Six Sigma Handbook, Mc Graw Hill, 2001.
RAYNAL S.,
Le Management par projet, 2
e
dition, ditions dOrganisation,
2000.
SANDERS Doug, HILD Cheryl,
Six Sigma on Business Processes: Common Organizational
Issues , Quality Engineering, vol. 12, n
o
4, juin 2000, p. 603-610,
2000.
Bibliographie
SANDERS Doug, HILD Cheryl R.,
A Discussion of Strategies for Six Sigma Implementation ,
Quality Engineering, vol. 12, n
o
3, mars 2000, p. 303-309, 2000.
SANDERS Doug, HILD Cheryl R.,
Common Myths About Six Sigma , Quality Engineering, vol. 13,
n
o
2, dcembre 2000, p. 269-276, 2000.
SAPORTA G.,
Probabilits, analyse de donnes et statistique, ditions Technip,
1990.
SOURIS J.-P.,
Dmarche Six Sigma , Qualit rfrence, n
os
15, 16, 17, 18, 19,
janv 2002-janv. 2003.
SOURIS J.-P.,
Quelle dmarche choisir entre lISO 9000, EFQM et Six Sigma ? ,
Qualit rfrence, n
o
20, avril 2003, p. 65-67.
SOUVAY S.,
Savoir utiliser la statistique, AFNOR, 2003.
TAGUCHI G.,
System of experimental Design, vol I & II, Kraus, 1987.
Taguchi G., Elsayed A., Hsiang T.,
Quality Engineering in Production Systems, Mc Graw-Hill, 1989.
481
Index
5
5 pourquoi ?, 92
5M, 123
du processus, 37
5S, 55
A
alias, 284
AMDEC (Analyse des Modes de
Dfaillances, de leurs Effets et de
leurs Criticits), 50, 318
amlioration continue, 7
amliorer, 27
analyse
budgtaire, 420
de la variance, 115, 218, 265, 280
de la variance sur un facteur, 219
analyser, 26, 41, 163
ANAVAR, 116, 189, 218
attributs, 119, 363
audit, 382
autocontrle, 55
automatrise, 59
B
B to C, 189
bilan, 60, 393
Black Belt, 27, 62, 65, 405, 410, 427
bote
moustache, 166, 175
noire, 32, 86
bonnes pratiques, 60, 388
Box, 141
C
calcul
des limites, 364
capabilit, 22, 35, 38, 148, 393
caractrisation, 264
carte
aux valeurs individuelles/tendues
glissantes, 341
c, 370
c Nombre de non-conformits, 365
de contrle, 55, 155, 339
aux mdianes et tendues, 352
moyennes et carts types, 350
moyennes/tendues, 344
p, 366
de precontrol, 354
Six Sigma
EWMA (Exponentially Weighted Mo-
ving Average), 357, 371
Moyennes/tendues, 157
np Nombre dunits non confor-
mes, 364
p Proportion dunits non confor-
mes, 364
u Proportion de non-conformits,
365
cartographie, 85
causes
communes, 183, 337, 338
spciales, 183, 337, 338
Champion, 27, 62, 64, 403
charte du projet, 32, 100, 417
chute des capabilits, 147, 157
cible, 327
classe, 131
classification, 261
Cmc, 117
Capabilit du moyen de contrle, 157
coaching, 416
coefficient R
2
, 238
comit de pilotage, 70, 402
communication, 423
communiquer, 393
comparaison
de frquences, 265
de moyennes, 265
de variances, 265
contrepartie, 378
contrler, 27, 51, 323
corrlation(s), 230, 324
multiple, 330
courbe defficacit, 349
cots prvisionnels, 98
Cp, 39, 392
Cp, Cpk, Cpm
Capabilit court terme du procd,
157
criblage, 264
CTQ (Critical To Quality), 4, 30, 74, 76,
105, 383, 398
D
de projet, 427
dballage dides, 260
dfaut(s)
par opportunit, 144
rares, 369
Dfauts
Par Opportunit (DPO), 142
Par Unit (DPU), 142
dfinir, 26, 28, 73
dmarche DMAICS, 25
dtection, 320
diagramme
Dedans/Dehors , 97
Est/Nest pas , 95
Exigences/Performances , 80
de corrlation, 175
de Gantt, 417
Dedans/Dehors, 32
des 5 pourquoi ? , 92
des effets, 172
des frquences, 130
des interactions, 172
des probabilits, 175
en flche, 419
multi-vari, 168
PERT, 418
SIPOC, 32, 87
dispersion, 132, 136
court terme, 38, 133, 148
long terme, 133, 148
DMAICS, 18, 25
documentation, 57
du poste, 390
domaine dtude, 266
DPMO (Dfauts par Million dOpportu-
nits), 22
DPO, 142
DPU, 142
E
cart type, 175, 179
chantillon, 151, 152
Index
effets quadratiques, 247
efficacit des cartes de contrle, 347
efficacit/efficience, 389
EFQM, 9
entonnoir X, 41
preuve du feu, 381
espace de la dfaillance, 332
essai de confirmation, 285
estimateur, 132, 175
tat organique, 376
tendue, 175, 179
glissante, 339
tude de linarit, 110
exprimentique, 264, 414
F
feuille de relevs, 128
FMECA (Failure Mode, Effect and Criti-
cality Analysis), 318
fonction perte, 54
formalisation, 333
formation, 67, 411, 424
forme de la distribution, 182
frquence, 319
G
gains prvisionnels, 99
gaspillage, 13
Gauss, 132, 175, 182
General Electric, 1
gestion des moyens de mesure, 109
graphe
de Taguchi, 276
des effets, 173, 270
des interactions, 174, 271
gravit, 320
Green Belt, 62, 66
grille daudit, 383
groupe Six Sigma, 404
H
Hartley, 189
histogramme, 131, 175
hypothse
H0, 190
H1, 190
nulle, 236
I
IEMSE, 383
indicateurs de performance, 392
innover, 27
innover/amliorer, 48, 259
instruction
de contrle, 57
de travail, 57
interaction(s), 247, 267
inter-percentile, 175
intervalle de confiance, 177, 181
ISO 9000, 9
J
justesse, 108
K
Kaizen, 6
Kano, 78
Kurtosis, 175
L
Lean
Management, 9, 11
Six Sigma, 17
limite(s)
de contrle, 345, 359, 364
naturelles, 56, 340
linarit, 108, 110
Six Sigma
logigrammes, 88
loi
de Poisson, 145
exponentielle, 138
Log normale, 138
M
main-duvre, 124
management, 422
dun projet Six Sigma, 417
par projet, 69
Six Sigma, 397
Master Black Belt, 62, 67, 403
matires, 124
matrice dimpact, 126
matrice QFD Quality Function Deploy-
ment, 82
mdiane, 175, 232
mesure, 398
mesurer, 26, 34, 103
mthodes, 124
milieu, 124
Minitab, 176
mode
de dfaillance, 318
opratoire, 332
modle de Kano, 32
modlisation, 265
polynomiale, 281
Motorola, 1
moyenne, 132, 175
moyens, 124
Muda, 13
multi-vari, 168
N
Niveau de Priorit de Risque (NPR), 320
non-conformits, 363
O
opportunit de dfaut, 22
organisation des comptences, 62
P
paralllogramme des tolrances, 324
paramtres, 132
dchelle, 179
de position, 176
perce, 6
prennisation dune action, 376
prenniser, 374
performance, 1, 148
industrielle, 14
plan
complet, 268, 306
composite centr, 309
daction, 422
dexpriences, 264, 266, 268
de Box Benhken, 314
de criblage, 302
de dploiement, 422
fractionnaire, 281
fractionnaire 2 niveaux, 287
plans gigognes, 297
points aberrants, 167
Poka Yoke, 56
position, 132
Pp, 39, 148, 392
Pp, Ppk, Ppm
Performance long terme du procd,
157
Ppk, 39, 148, 392
Ppm, 148
preuve statistique, 45, 399
Principe
de liceberg, 11
de la bougie magique, 11
procdure(s), 57, 385
processus, 85
de mesure, 107
proportion dunits non conformes, 361
Index
Q
QFD, 30
R
R&R, 107
cas des grandeurs mesurables, 112
cas des grandeurs non mesurables,
119
reconnaissance, 424
rfrentiel, 391
rgression linaire, 233
multiple, 240, 272
rendement
de rglage (Rr), 160
de sortie, 145
de stabilit (Rs), 160
rptabilit, 34, 109
reproductibilit, 34, 109
rseau de neurones, 387
rsidus, 249
rsolution, 265, 287
revue(s), 427
R0, 33
risque
alpha, 190
bta, 190
de premire espce , 347
de seconde espce , 347
S
Shainin, 168, 354
Shewhart, 338
sigma
court terme, 152
long terme, 151
SIPOC (Suppliers, Input, Process, Out-
put, Customers), 87
Six Sigma, 1
Skewness, 175
sous contrle, 337
spcifications, 324
stabilit, 109
standardiser, 27
standardiser/prenniser, 373
statistique
descriptive, 164, 174
infrentielle, 164, 185
StepWise ( pas pas ), 248
stratgie de perce, 6
suivi des projets, 423
Supply Chain, 14
surface de rponse, 271, 305
T
tableau
dindpendance, 190
des alias, 285
des interactions, 270
des moyennes, 269
Taguchi, 54, 276
taille
de lchantillon, 347
des chantillons, 192
test
B to C, 212
c2, 188, 198
d'inversion, 251
dAnderson-Darling, 183
dindpendance, 216
de comparaison, 185
de comparaison par paires, 256
de Dixon, 184, 196
de Grubb, 184, 197
de Hartley, 214
de Kolmoronov-Smirnov, 183
de Shapiro-Wilk, 183
de Student, 236
du c2, 183
F, 188, 199
Hypergomtrique, 215
hypergomtrique, 189
t, 189, 207
t appair, 210
t thorique, 189, 203
tests statistiques, 45
z, 189, 205
z thorique, 188, 201
Six Sigma
thorme central limite, 182
tolrance, 52, 324, 327
unilatrale, 328
tolrancement, 324
TPM (Total Productive Maintenance),
55
transformation de Box, 141
U
units non conformes, 362
V
valeurs aberrantes, 184
variabilit, 2, 10, 19, 398, 402
variable(s)
dpendante, 185
indpendantes, 185
variance, 175, 180
vote pondr, 261
W
Weibull, 139
White Belt, 62, 67
Z
z
court terme, 145
du processus, 4, 22, 129
quivalent, 145
long terme, 145
process, 136, 145
zro dfaut, 56
format 170 x 240 mm - dos 29 mm
Par lauteur
du best-seller
S
i
x

S
i
g
m
a
Six Sigma a marqu une nouvelle tape dans lvolution
de la qualit en proposant une approche globale de
lamlioration de la satisfaction aux clients. Elle est fonde
autour dune dmarche de rsolution de problme DMAICS,
dune organisation industrielle et dun management des
comptences.
Cet ouvrage a t conu pour permettre aux industriels
de disposer dun ouvrage de rfrence, pdagogique et
largement illustr, leur permettant de mettre en uvre un
chantier Six Sigma.
Les deux premiers chapitres, volontairement dpourvus de
calculs, permettent de faire le tour de la dmarche et den
comprendre les points essentiels.
Les chapitres suivants permettront lindustriel de
comprendre les mthodes et outils quil devra utiliser
pour mener bien un chantier en dtaillant les six
tapes de la dmarche DMAICS (Dnir, Mesurer, Analyser,
Innover/Amliorer, Contrler, Standardiser/Prenniser). Ces
chapitres permettent daborder les outils statistiques tels
que la statistique descriptive, les tests de comparaison, les
plans dexpriences, la matrise statistique des processus
Ils abordent galement les outils mthodologiques tels que
lanalyse des cinq M, la cartographie, les enqutes de Kano,
lautomatrise
Le dernier chapitre, consacr au management de Six Sigma,
aborde les aspects culturels, managriaux et de gestion des
comptences indispensables la conduite efcace dun
projet Six Sigma dans les entreprises.
Cet ouvrage sadresse :
des professionnels, cadres et techniciens souhaitant
connatre ou mettre en uvre une dmarche Six Sigma ;
des enseignants pour la prparation de BTS, DUT,
Matrise, IUP et coles dingnieurs ;
des tudiants prparant des BTS, IUT, Matrises, IUP,
coles dingnieurs, CAPET et Agrgation.
M
a
u
r
i
c
e

P
I
L
L
E
T
Maurice Pillet est professeur des
Universits lIUT dAnnecy, dparte-
ment Gnie de la Production, Certi
Fellow APICS CFPIM, directeur de
recherche au laboratoire LISTIC de
lUniversit de Savoie. Il pratique
depuis de nombreuses annes le conseil
auprs dentreprises de diffrents
secteurs dactivits dans le domaine
des mthodes et outils de la qualit.
Son ouvrage est constamment enrichi
de cette double exprience duniver-
sitaire et de praticien.
-
:
H
S
M
H
K
I
=
V
X
U
W
^
[
:
45
d
i
t
i
o
n
s

d
O
r
g
a
n
i
s
a
t
i
o
n

0
E
y
r
o
l
l
e
s
C
o
d
e

d
i
t
e
u
r
:
G
5
3
0
2
9

I
S
B
N
:
2
-
7
0
8
1
-
3
0
2
9
-
3
Mettre en uvre un chantier Six Sigma pour
amliorer la protabilit de votre entreprise
- Une dmarche de rupture dans lapproche de la qualit
- Une mthode en 6 tapes pour la satisfaction totale des clients
- Des outils ayant fait leurs preuves
- Tous les lments de management permettant dintroduire Six Sigma
dans lentreprise
Six
Sigma
Maurice
PILLET
Comment lappliquer
53029_Pillet.indd 1 14/01/05 10:12:26

6 Sigma

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

6 Sigma

Hochgeladen von

Copyright:

Verfügbare Formate

format 170 x 240 mm - dos 29 mm

Pendant 20 jours, le produit est

Le produit navait pas t identi

Il est difcile pour le magasinier de

Il nest pas demand aux clients qui

appel transformation de Box ; les logiciels statistiques dis-

----------------------------------- 1,46 = = Cpk

5.3.2 Application sur un exemple

H256 0,63 0,3969 0,16 0,0256 0,1008 22,3

en fonction du drglage k, du nombre de valeurs dans

Das könnte Ihnen auch gefallen