Sie sind auf Seite 1von 500

Maurice

PILLET

Six
Sigma
Comment lappliquer

Par lauteur
du best-seller

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 1er 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 possibilit 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 GrandsAugustins, 75006 Paris.

ditions dOrganisation, 2004


ISBN : 2-7081-3029-3

Sommaire

Chapitre 1

Six Sigma, un outil de la performance


1. Six Sigma ? ..............................................................................................................................................
1.1 Lobjectif de Six Sigma ..........................................................................................................
1.2 Six Sigma : une stratgie de perce ..............................................................................
1.3 Six Sigma et lamlioration continue ...........................................................................
1.4 Six Sigma : volution ou rvolution ? .........................................................................

1
1
6
7
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

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

4. Intgrer Six Sigma dans une dmarche de performance industrielle

11

....

14

.....

18

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

19

Chapitre 2

Les concepts de Six Sigma


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

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

4. Six Sigma : une mthode de matrise de la variabilit DMAICS ............... 25


4.1 La dmarche DMAICS ......................................................................................................... 25
4.2 tape 1 Dfinir .............................................................................................................. 28

4.3

4.4

4.5

4.6

4.7

4.2.1 But de ltape ................................................................................................................. 28


4.2.2 La conduite de ltape .............................................................................................. 28
4.2.3 Revue R0 Identifier ................................................................................................. 33
tape 2 Mesurer ........................................................................................................... 34
4.3.1 But de ltape ................................................................................................................. 34
4.3.2 La conduite de ltape .............................................................................................. 35
4.3.3 Revue R1 Mesurer ................................................................................................... 40
tape 3 Analyser ......................................................................................................... 41
4.4.1 But de ltape ................................................................................................................. 41
4.4.2 La conduite de ltape .............................................................................................. 42
4.4.3 Revue R2 Analyser .................................................................................................. 47
tape 4 Innover/amliorer ................................................................................... 48
4.5.1 But de ltape ................................................................................................................. 48
4.5.2 La conduite de ltape .............................................................................................. 48
4.5.3 Revue R3 Innover/Amliorer ............................................................................. 51
tape 5 Contrler ........................................................................................................ 51
4.6.1 But de ltape ................................................................................................................. 51
4.6.2 La conduite de ltape .............................................................................................. 52
4.6.3 Revue R4 Contrler ................................................................................................. 57
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

VI

ditions dOrganisation

Sommaire

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

ditions dOrganisation

VII

Six Sigma

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


4.3.1
4.3.2
4.3.3
4.3.4

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

DPU et DPO .................................................................................................................


Dfaut par Unit .......................................................................................................
Dfaut par opportunit .........................................................................................
Calcul du z dans le cas dun rendement de sortie dun process ....

142
142
143
144
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

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

163

Chapitre 5

tape 3 Analyser
1. Introduction

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
4.1.2
4.1.3
4.1.4
4.1.5

VIII

Diffrents tests ...........................................................................................................


Notion de risque alpha () et de risque bta () ................................
Dtermination du risque et (cas du test zthorique) ......................
Incidence de la taille des chantillons ..........................................................
Les diffrents tests ...................................................................................................

186
190
191
192
195

ditions dOrganisation

Sommaire

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 R2 ....................................................................... 238

6.4 Mthode de la rgression linaire multiple


6.4.1
6.4.2
6.4.3
6.4.4
6.4.5

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

Les limites de la rgression simple .................................................................


Corrlation sur plusieurs facteurs ...................................................................
Prise en compte des interactions et effets quadratiques .....................
Procdure StepWise ( pas pas ) ..............................................................
Analyse des rsidus .................................................................................................

240
240
243
247
248
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

ditions dOrganisation

IX

Six Sigma

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
4.7
4.8
4.9

Construction de plans fractionnaires partir de la table L16 ................


Construire des plans gigognes partir des graphes de Taguchi ..........
Lever les ambiguts dans un plan de rsolution IV ....................................
Les plans de criblage 2 niveaux .............................................................................

296
297
300
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


5.3.1
5.3.2
5.3.3
5.3.4

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

314
315
316
317

Plan de Box Benhken pour 3 facteurs ...........................................................


Plan de Box Benhken pour 4 facteurs ...........................................................
Plan de Box Benhken pour 5 facteurs ...........................................................
Comparaison entre les plans composites
et les plans de Box Benhken .............................................................................. 317

6. Analyser les risques LAMDEC

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

318

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

323

Chapitre 7

tape 5 Contrler
1. Introduction

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

ditions dOrganisation

Sommaire

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
6.3.2
6.3.3
6.3.4

Carte np Nombre dunits non conformes .............................................


Carte p Proportion dunits non conformes ...........................................
Carte c Nombre de non-conformits ..........................................................
Carte u Proportion de non-conformits ....................................................

364
364
365
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

ditions dOrganisation

XI

Six Sigma

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
2.4.2
2.4.3
2.4.4

Dfinition du groupe Six Sigma .......................................................................


La place du Black Belt dans le groupe ..........................................................
Conditions de bon fonctionnement du groupe de travail ..................
Les diffrents lments dun groupe de travail ........................................

2.5 Les comptences du Black Belt (BB)

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

404
405
406
407
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

XII

ditions dOrganisation

Sommaire

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
5.1.2
5.1.3
5.1.4
5.1.5
5.1.6

Le plan daction et de dploiement ................................................................


La communication sur le programme Six Sigma ...................................
Participation active des cadres suprieurs ..................................................
Mise en place dun systme de suivi des projets .....................................
La formation ...............................................................................................................
La reconnaissance ...................................................................................................

5.2 La conduite des projets Six Sigma


5.2.1 Le choix des projets
5.2.2 Les revues de projet

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

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

5.3 Les acteurs dun projet Six Sigma

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

5.3.1 Le choix des Black Belts .......................................................................................


5.3.2 Le temps consacr au projet ...............................................................................
5.3.3 Disposer dun support technique et scientifique .....................................

422
423
423
423
424
424
425
425
427
427
427
427
428

Chapitre 10

Tables
T1 Tableau des ppm en fonction du z du processus

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

430

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

431

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

433

T2 Table de la loi normale


T3 Table de Student

T4 Table de Snedecor pour p = 0,95


T5 Table de la loi du 2

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

435

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

436

T6 Test de Hartley Valeurs limites de r


T7 Taille des chantillons

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

438

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

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


T11 Tableau des coefficients

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

442

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

443

T12 Principales tables de Taguchi


Rappel des symboles utiliss :

Table L4 (23)
Table L8 (27)

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

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

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

445
446
446

...................................................................................................................................... 447
Triangle des interactions entre deux colonnes ........................................................ 447
Graphe des effets ...................................................................................................................... 448

ditions dOrganisation

XIII

Six Sigma

Table L9 (34) ...................................................................................................................................... 448


Table L12 (211) .................................................................................................................................. 449
Table L16 (215) .................................................................................................................................. 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

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

tape 3 ANALYSER : mmo des actions raliser


tape 4 INNOVER : mmo des actions raliser

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

462

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

464

tape 5 CONTRLER : mmo des actions raliser

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

tape 6 STANDARDISER : mmo des actions raliser

470

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

473

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

475

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

481

Bibliographie

XIV

467

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

Sites internet utiles

Index

459

ditions dOrganisation

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 entreprises (notamment General Electric), Six Sigma sest galement structur en associant davantage sa dmarche les lments managriaux
et stratgiques. Cest aujourdhui une approche globale de lamlioration 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

satisfaction du client, la mthodologie Six Sigma est source daccroissement 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 difficile 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 processus
Ces variabilits font partie de la nature mme du vivant. Ce sont elles
qui donnent cette formidable diversit qui nous entoure. Dans le travail dun artiste, on recherchera cette folle variabilit qui fonde lunicit 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 caractristiques du produit vendu autour de la cible attendue par le client
(figure 1.1).

ditions dOrganisation

Six Sigma, un outil de la performance

Figure 1.1 Six Sigma et la rduction de la variabilit

Cible
Insatisfaction

Spcifications

Cible

Insatisfaction

Avant Six Sigma

Aprs Six Sigma

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 auteurs1 dont lobjectif est de : (Recognize) (Dfinir),
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 dimensions, de la simple dmarche de rsolution de problmes une vritable 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 comportait quatre tapes. Le mme auteur tend ces quatre tapes en huit dans Six Sigma The
Breakthrough Management Strategy publi en 2000.

ditions dOrganisation

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 significative 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 critiques pour la qualit (CTQ, pour Critical To Quality) afin de fixer 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 dfinirons dans cet ouvrage, nous permettra de mesurer le
degr de satisfaction des clients (figure 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 aisment lamlioration de limage de marque qui sensuit, et laccroissement des profits qui en rsultera.

ditions dOrganisation

Six Sigma, un outil de la performance

Figure 1.2 Niveau z de la qualit


Niveau de qualit z

Nombre de non-conformit
par million dopportunits

697 672

308 770

66 811

6 210

233

3,4

0,019

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 formation rduit.
Cependant, le fait de mieux formaliser une dmarche de rsolution de
problme ne suffit pas crer une stratgie dentreprise. Il faut tre
capable de dmultiplier les chantiers pour atteindre laspect stratgique. Six Sigma intgre donc tous les aspects de cette dmultiplication, 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 fixs.

ditions dOrganisation

Six Sigma

Limpact de Six Sigma dpasse la simple amlioration de la qualit des


produits de lentreprise. Son objectif est financier. Six Sigma a pour
objectif damliorer la performance globale de lentreprise, par le biais
de quatre actions spcifiques :
laugmentation de la satisfaction des clients et une plus grande
fidlisation 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 augmentant 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 nentreprend 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 continue. 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 utilisait des mthodes qui remettaient en cause la place de lautomobile
dans la socit. Le rsultat est flagrant avec un nombre de dcs deux
fois plus important pour ceux qui se sont limits faire de lamlioration 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-

ditions dOrganisation

Six Sigma, un outil de la performance

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 automobilistes. 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 perce. La variance globale du systme et donc son inertie repose sur
la somme de trs nombreux facteurs de variabilit tout au long du processus. Toutes les petites amliorations apportes semblent souvent
insignifiantes au regard des enjeux stratgiques de lentreprise. Pourtant, laddition de petites amliorations, mais en nombre trs important, contribue diminuer les facteurs de variabilit du processus et
agit finalement 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 loprateur lui-mme. Cest le principe du Kaizen : mettre en uvre un processus damlioration permanente en utilisant les rflexions 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 rflexion, 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 conoivent le rle du personnel oprationnel.

ditions dOrganisation

Six Sigma

Bien que Six Sigma sinscrive dans une logique damlioration par perce, 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 modifications sans cot mais qui au final apportent 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 disponibles depuis fort longtemps pour la plupart.
Ce qui est rellement nouveau, cest la fdration en une approche globale 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 correctement poses qui trouvent dsormais une rponse avec Six Sigma.
Mais parler de rvolution peut tre dangereux. En effet, le mot rvolution signifie 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

ditions dOrganisation

Six Sigma, un outil de la performance

Kaizen, lapproche Lean Management Il sagira pour le manager et


cest l toute la difficult 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 XXe 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 certification ISO 9000
et une approche Six Sigma ; cest probablement une erreur.
Dans les diffrentes volutions de lISO 87, 94, 2000, la faon daborder 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 principaux dysfonctionnements dune entreprise, la version 2000 est rsolument tourne vers la satisfaction du client au travers dune
organisation en processus.
En mettant en place une certification ISO 9000 version 2000, une entreprise est tenue de se poser les questions suivantes : Que souhaite rellement mon client ? Comment mesure-t-on ce niveau de satisfaction ?
Comment notre organisation en place permet datteindre ce niveau de
satisfaction ?

ditions dOrganisation

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 reprsenter 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 sortie (les CTQ pour Critical To Quality) que des entres (les X essentiels).
Six Sigma est une mthode capable de rsoudre des problmes ponctuels afin 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 variations dans le temps nuisibles la satisfaction du client.
En aucun cas, nous navons trouv dopposition entre ces deux approches 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 dfinir 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

10

ditions dOrganisation

Six Sigma, un outil de la performance

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 nonconformit est mise au jour, deux principes doivent sappliquer.
Principe de liceberg : linformation contenue dans la non-conformit 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, prconise de se poser cinq fois la question Pourquoi ? afin de
bien remonter la racine du problme. Un dfaut doit tre paradoxalement 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 suffit pas de souffler dessus. 80 %
des dfauts traits par les services qualit sont des problmes
rcurrents. Il faut une analyse fine de chaque non-conformit.
Est-ce du domaine de lamlioration continue ? de la perce ? En
quoi les modifications apportes au processus ou au produit me
donnent la garantie que jai teint de manire dfinitive 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

ditions dOrganisation

11

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 progrs dans la justesse de ses gestes, dans son quilibre, dans la lecture
de la piste, il va pouvoir concentrer son nergie sur la seule performance 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 problme se pose aux entreprises industrielles : Comment amliorer notre
performance sans consommer plus dnergie ?
Figure 1.3 Complmentarit Lean et Six Sigma

Six Sigma sans Lean


Production de qualit
mais avec beaucoup
de non-valeur ajoute

Lean sans Six Sigma


Production rapide
mais de faible qualit

Lean Six Sigma


Production de qualit
faible cot

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 flux tendus ;
une gestion de la qualit favorisant lamlioration continue et
lamlioration par perce ;

12

ditions dOrganisation

Six Sigma, un outil de la performance

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 identifies : 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 fin 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 ressortir, do deux dplacements sans apport de valeur ajoute.
4. Oprations inutiles : tendance de tous les oprateurs atteindre
des niveaux de spcification 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 nombre de retouches, de rebuts, et donc des cots. Do lintrt de
parfaitement dfinir le niveau attendu pour chaque spcification
et de se donner les moyens de mesurer correctement ces spcifications.
5. Stocks excessifs : outre les aspects cots, les stocks excessifs
conduisent des gaspillages de temps pour retrouver la rfrence.
6. Gestes inutiles : par une mauvaise conception des postes de travail, on diminue considrablement lefficacit 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 suivante.

ditions dOrganisation

13

Six Sigma

Figure 1.4 Rduction des cycles de production avec Lean Six Sigma

Frquence

Dlai
de production

Aprs Six Sigma

Avant Six Sigma

La rduction de tous ces gaspillages doit se traduire par une rduction


considrable des cycles de production (figure 1.4). Certaines entreprises ont adopt Lean Six Sigma en tant que dmarche globale. Cela consiste 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 chapitre, Six Sigma nest pas quune mthode : cest aussi une faon
dorganiser lentreprise afin 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 environnement qualit, dans un environnement Lean Production et mme
dans un environnement Supply Chain. Cest donc vritablement un
outil de la performance industrielle !

14

ditions dOrganisation

Six Sigma, un outil de la performance

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 afin 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 croyances. Le cycle de changement commence par la mesure. HARRY2 nous
dit : De nouvelles mesures apportent de nouvelles donnes, de nouvelles donnes apportent de nouvelles connaissances, de nouvelles connaissances 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.

ditions dOrganisation

15

Chapitre 2

Les concepts de Six Sigma

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 afin
que le lecteur se consacre lessentiel : la comprhension des principes de base. Nous profiterons 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 affich de meilleure
rentabilit conomique de lentreprise. Nous aborderons donc ces diffrentes facettes afin davoir une vue globale de Six Sigma avant de
voir dans le dtail la conduite dun chantier.

17

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 (Dfinir,
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 profitabilit 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 profitabilit.
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 ?

18

ditions dOrganisation

Les concepts de Six Sigma

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 (Dfinir, Mesurer,
Analyser, Innover/Amliorer, Contrler, Standardiser). On verra que la
premire tape de sa mise en uvre est essentiellement consacre
bien dfinir ce quattend le client, dterminer quelles sont ses exigences.

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 afin 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.

ditions dOrganisation

19

Six Sigma

Figure 2.1 Rduire la variabilit

Cible

igm

jet

Pro

S
Six

Ex
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 conditions 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 modifie son tir ;
les irrgularits de la pelouse modifient la course dlan ;
la sphricit du ballon nest pas parfaite, ce qui altre la
trajectoire ;
le vent soufflait lgrement au moment du tir ;
le mur adverse ntait pas positionn comme lentranement

20

ditions dOrganisation

Les concepts de Six Sigma

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 perturbations extrieures ;
des matires premires et des pices lmentaires instables ;
une capabilit des processus insuffisante.
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. Cependant, 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 dexpriences, coupls une dmarche de rsolution de problme. Si quelques
experts sont capables de suivre une telle dmarche de manire intuitive, il nen va pas de mme pour la grande majorit des ingnieurs et
techniciens qui ont besoin dun guide mthodologique pour se retrouver au travers de lensemble des outils qualit mis leur disposition.
Cest le premier rle de Six Sigma : dmocratiser, vulgariser les mthodes 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 permettant de trouver le chemin de la rduction de variabilit. Mais cette
dmarche ne peut fournir de rsultat que si elle est utilise par des personnes 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 efficace des comptences.

ditions dOrganisation

21

Six Sigma

3. Mesurer le niveau de qualit


Pour pouvoir progresser, il faut mesurer le niveau de qualit actuel afin
de se donner un objectif vrifiable. Six Sigma signifie donc un niveau
de qualit que lon souhaite atteindre. Une qualit sera dautant plus
significative 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, autrement dit moins de 3,4 DPMO comme taux de non-conformits. Voyons
maintenant comment on mesure le nombre de sigma (le z du processus, 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 plusieurs 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 fin douvrage) donne un z voisin de 4,2.
Figure 2.2
Tableau du nombre de non-conformits en fonction de sigma

22

ppm centr dans les tolrances

DPMO avec un dcalage de 1,5

317 310,52

697 672,15

45 500,12

308 770,21

ditions dOrganisation

Les concepts de Six Sigma

2 699,93

66 810,63

63,37

6 209,70

0,57

232,67

0,00

3,40

0,00

0,02

On peut galement retrouver la relation entre le DPMO et le z en appliquant la relation :


z = 0,8406 + 29,37 2,221 ln(DPMO)
z = 0,8406 + 29,37 2,221 ln(3 000) = 4,24

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 processus (le lecteur pourra se rfrer utilement au chapitre 4 pour plus
de dtails sur les calculs de capabilits).
Figure 2.3 Niveau Six Sigma

z=3

z=6

1 350
ppm

1 350
ppm
3 2 1

Processus 3 sigma (Cp = 1)

ditions dOrganisation

Dispersion
du processus

0,001
ppm

0,001
ppm
6 4 2

Processus 6 sigma (Cp = 2)

23

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 spcification est six
carts types de la moyenne (z = 6). La proportion de produits dfectueux est alors de 0,002 ppm lorsque le processus est parfaitement centr. 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 parfaitement sous contrle, il nest pas possible de dtecter les petits
dcentrages du processus. Le plus petit dcalage dtectable est de 1,5
sigma3. Dans ces conditions, la proportion de dfauts sera de 3,4 ppm.

Figure 2.4 Dcalage de 1,5 sigma

1,5

1,5

3,4
ppm

66 807,2
ppm
3 2 1

Process 3 sigma

3,4
ppm

0
ppm
6 4 2

Process 6 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 lefficacit des cartes de contrle. On pourra se reporter
louvrage Appliquer la matrise statistique des procds, Les ditions dOrganisation, 2001,
pour plus de renseignements.

24

ditions dOrganisation

Les concepts de Six Sigma

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

Revues
Bien dfinir le problme,
les limites de remise en cause,
l'quipe de travail

Dfinir

R0
Trouver un moyen
de mesure de la qualit.
Vrifier sa capabilit.
Rcolter des faits.
Dterminer le z du processus

Mesurer

R1

Examiner, analyser les donnes.


Prouver statistiquement
les facteurs influents.

Analyser

R2

Innover

X1
X2

X1

X3

R3

X2

X3

X4

Exprimenter, Modifier,
Amliorer, Optimiser.
Prouver statistiquement
que les amliorations
sont efficaces.
Appliquer la solution.
La formaliser.
La mettre sous contrle.

Contrler

R4

Standardiser

Fiche de poste

Prenniser la solution.
Dployer les bonnes pratiques.
Clore le projet.

R5

ditions dOrganisation

25

Six Sigma

Pour obtenir les niveaux de capabilit exigs par Six Sigma, il est absolument 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
Outils principaux

Dfinir 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

Dfinir 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)

Analyser les donnes.


tablir les relations
entre les variables
dentre et de sortie
du processus.
Identifier les variables
cls du processus.

tablissement
Statistique descriptive
de la preuve statistique Statistique infrentielle
Comprhension
Plans dexpriences
du processus

Dfinir

D
M

Rsultats

Mesurer

A
26

Objectifs/tches

Analyser

tapes

ditions dOrganisation

I
C

Standardiser

Contrler Innover/Amliorer

Les concepts de Six Sigma

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

Mettre sous contrle


Rdaction de modes
la solution retenue.
opratoires
Formaliser le processus. Cartes de contrle

Auto-matrise
Matrise statistique
des procds (SPC)

Prenniser les solutions


(cale anti-retour).
Diffuser les bonnes
pratiques.
Clore le projet.

Auto-matrise
Audit
Benchmarking
Bonnes pratiques

Indicateurs
de performance
Tableau de bord
Plan daudit
Bilan de fin de projet

Six Sigma se dcline en six tapes DMAICS (Dfinir, Mesurer, Analyser,


Innover/Amliorer, Contrler, Standardiser). En suivant scrupuleusement ces six tapes, un technicien qui nest pas un expert en statistique pourra avec un minimum de formation atteindre lobjectif de
variabilit qui est fix.
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
Belt4) et le responsable du dploiement de Six Sigma (le Champion)
qui est lui-mme un responsable de lentreprise.

4. Black Belt : ceinture noire . Ces dnominations ont t popularises par lentreprise General Electric. Nous dfinirons plus compltement les diffrents rles dans la prochaine section
de ce chapitre ainsi que dans le chapitre 9, Le management Six Sigma.

ditions dOrganisation

27

Six Sigma

4.2 tape 1 Dfinir


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 dfinit clairement les acteurs du projet, le cadre du projet et les objectifs atteindre. Cette tape peut durer entre une semaine (lorsque le problme est
vident) un mois.

4.2.2 La conduite de ltape


Pr-dfinition du projet
Pour rsoudre un problme, il faut dabord lavoir parfaitement dfini.
Il faut identifier :
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 significatifs justifiant le temps et lnergie que lon va
dpenser ;
un primtre limit garantissant une dure daction entre six
mois et un an.

28

ditions dOrganisation

Les concepts de Six Sigma

La pr-dfinition du projet consiste identifier 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 difficult
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 fonction dun certain nombre de critres qui sont en adquation avec la
stratgie de lentreprise (figure 2.7).
Figure 2.7 valuation des projets
Objectifs de lentreprise

Poids Projet 1 Projet 2 Projet 3 Projet 4

Accrotre les ventes

0,3

Diminuer les cots de production

0,3

Diminuer le nombre de rclamations


clients

0,2

Amliorer le cadre de travail


de nos collaborateurs

0,2

2,2

1,5

3,4

5,1

Moyenne pondre des projets potentiels

Dfinition 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 rapidement possible lquipe du projet. La premire phase de la dfinition
sera donc la formation de lquipe.

Dfinir et former lquipe


Il faut le plus tt possible mettre sur pied une quipe de travail et identifier les diffrents acteurs du projet.

ditions dOrganisation

29

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 souhaitable 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 utiliss 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 afin de pouvoir se concerter avec lencadrement des
personnes ressources.

Identifier les caractristiques cls (CTQ)


cette tape, le projet est dfini, mais il faut clarifier un certain nombre 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, Dfinir) :
le diagramme CTQ (Critical To Quality) ;
la classification selon le modle de Kano ;
le diagramme exigences/performances ;
le QFD.

30

ditions dOrganisation

Les concepts de Six Sigma

Un projet Six Sigma doit maner de la voix mme du client. Plusieurs


approches peuvent tre utilises cet effet depuis lapplication trs
complte du QFD5 jusquau simple questionnaire prsent ci-aprs,
ralis sur un chantillon de clients actuels ou potentiels dans le segment de march vis :
Quelles motions vous viennent lesprit quand vous pensez au
produit ?
Quels besoins ou dsirs vous viennent lesprit quand vous pensez 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 significatifs soient observables.
Par exemple, on montrera dans le chapitre Analyser quon ne sait pas
conclure une diffrence significative 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 produits, engageant des cots trs importants. On montrera quune grandeur continue permet dobserver des carts significatifs sur des tailles
dchantillons de quelques units, ce qui rend nettement moins coteuses les tudes.
5. Voir louvrage Qualit en production, chapitre 6, D. DURET, M. PILLET, Les ditions dOrganisation, 2002.

ditions dOrganisation

31

Six Sigma

Cette transposition entre la voix du client et les caractristiques du


produit sera facilite par lutilisation de la matrice QFD ou dun diagramme CTQ.
Enfin, il faut hirarchiser les caractristiques du produit afin den
extraire celles qui sont essentielles et sur lesquelles on devra porter
notre effort dans le projet Six Sigma. Pour cela, deux outils sont couramment utiliss : le diagramme exigences/performances et la classification 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 finales du produit. Noublions pas quun problme
Six Sigma commence par lidentification dun cart entre une situation
actuelle et souhaite.

Identifier le processus et son environnement


Connaissant les objectifs atteindre pour le client, le groupe doit maintenant se focaliser sur lidentification du processus qui permet de fournir 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


Enfin, on conclut cette premire tape par la rdaction de la charte du
projet. Le projet doit avoir un titre clair afin que lquipe puisse sy
identifier. Un membre de lquipe doit par exemple pouvoir dire : Je
travaille sur le projet zro rclamation sur le produit X28 . Cette

32

ditions dOrganisation

Les concepts de Six Sigma

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 Identifier


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 Champion qui est le responsable du dploiement de Six Sigma dans lentreprise. Il a en gnral une responsabilit hirarchique importante.
La revue doit valider que les actions suivantes ont t conduites.
Formuler le problme
Identifier les clients et prciser ce qui est critique daprs eux
Formaliser le processus tudi :
Positionner le processus dans son ensemble (Bloc Diagramme).
Raliser le diagramme CTQ (Critical To Quality).
Quels sont les Y (sorties) du processus lis ce qui est critique pour le client ?
Quels sont les processus de mesure ? Sont-ils continus
(7 niveaux minimum) ?
Quelles sont les spcifications actuelles sur les Y ?
Quels sont les X a priori ?
Identifier 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 identifis et lis au
problme ?
Identifier 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?

ditions dOrganisation

33

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 connaissances acquises dans les tapes suivantes remettent en question la
charte du projet et quun rebouclage sur ltape Dfinir soit ncessaire.

4.3 tape 2 Mesurer


4.3.1 But de ltape
Ltape Mesurer est un lment essentiel de lapport dune dmarche 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 vrifier que la chane de mesure utilise nest pas
dj une source importante de variabilit. Pour cela, aprs avoir
vrifi le rattachement de linstrument la chane dtalonnage,
on vrifie galement que la variabilit due aux dfauts de rptabilit (plusieurs mesures dun oprateur) et de reproductibilit
(plusieurs oprateurs) nest pas trop forte.

34

ditions dOrganisation

Les concepts de Six Sigma

2. Rcolter des donnes permettant dvaluer la performance du


processus
Avant de commencer modifier quoi que ce soit intressant le
processus, il faudra avoir analys la situation actuelle. Pour ce
faire, il faudra disposer de donnes fiables 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.

4.3.2 La conduite de ltape


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 lexigence 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 identifier 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 rectification dun arbre
vilebrequin de moteur. Le processus principal en sera la rectifieuse,
mais il faudra galement dfinir le processus de mesure (appareil de
contrle, mthode de contrle, comptence des oprateurs, environnement 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 contrle. Il doit tre rattach aux chanes dtalonnage et possder des
proprits de justesse et de linarit. Ce sera la premire vrification
raliser. Mais il faut galement tenir compte des 4 autres M. Le processus de mesure doit avoir des proprits de rptabilit (plusieurs mesures dans les mmes conditions doivent donner un rsultat similaire) et

ditions dOrganisation

35

Six Sigma

de reproductibilit (indpendance de la mesure un changement de


condition tel que loprateur) afin que sa dispersion soit faible devant
les variations de la rponse Y.
Figure 2.8 Rptabilit et reproductibilit

Erreur de rptabilit

Erreur de rptabilit

5,01 5,03

5,02 5,01

5,05 5,06

5,06 5,07

5,00 5,01

5,01 5,01

Contrleur
1

2 mesures

10 pices

2 mesures

10 pices

Moyenne = 5,02

Contrleur
2

Moyenne = 5,01

Erreur de reproductibilit

Pour vrifier la capabilit du moyen de contrle (Cmc), on utilise


loutil rptabilit et reproductibilit (R&R) qui compare la dispersion de mesure la tolrance fixe 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 :
Identifier toutes les petites sources de variabilit qui sont dues
des paramtres non figs faute de procdures ou de standards de
travail figs. La rduction de ces sources de variabilit est souvent peu coteuse, il suffit didentifier les paramtres que lon
peut figer et de standardiser le processus. On appelle cela
Ramasser les fruits au pied de larbre .

36

ditions dOrganisation

Les concepts de Six Sigma

Analyser le processus et modifier 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 analyse. Pour y pourvoir, une des mthodes que lon applique est lanalyse
des 5M du processus (figure 2.9). Aprs avoir identifi toutes les sources de variabilit, on recherche comment liminer ces sources de variations 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

Main-d'uvre

Mthodes

Moyen

Variabilit
Milieu

Matire

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 afin 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.

ditions dOrganisation

37

Six Sigma

Figure 2.10 Les points observer

Indicateurs d'tat

Sortie Y

Entres

Variables et commandes

Ces relevs doivent permettre de mettre en regard la rponse Y du systme aux diffrents paramtres X pouvant avoir une influence 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 vrifier la pertinence, on peut alors mesurer de faon prcise la capabilit du processus 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 influence de la mesure par rapport aux spcifications.
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.

38

ditions dOrganisation

Les concepts de Six Sigma

Figure 2.11 Lorigine de la non-satisfaction des clients

Cible

Problme de dispersion
court terme
Cible

Problme de centrage

Cible

Problme de stabilit
Cible

Problme de stabilit et de centrage

La connaissance du type de problme qui conduit cette forte variabilit est trs importante avant daborder ltape suivante : Analyser .
On ralise cette tude des chutes de capabilit en comparant les indicateurs de capabilit Cp, Pp, Ppk, que nous dtaillerons au chapitre 4,
Mesurer.

ditions dOrganisation

39

Six Sigma

4.3.3 Revue R1 Mesurer


La revue R1 est conduite lorsque lon considre avoir ralis lensemble 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) ?
Quelles sont les spcifications actuelles sur les Y ?
Quels sont les X a priori ?
Valider le processus de mesure
Rattachement la chane dtalonnage.
Vrification de la justesse.
Vrification 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 fixant 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 spcifications.
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

40

ditions dOrganisation

Les concepts de Six Sigma

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 modifier le processus. Les
tapes 1 et 2 nous ont permis de faire une cartographie du procd afin
didentifier les X potentiels et de rcolter des faits sur la base de
moyens de mesure capables. Ltape 3 nous permettra danalyser ces
donnes afin didentifier 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

Dfinir

Entonnoir
X
1 000 X potentiels

On ne touche rien
avant d'tre l'tape
Innover

100 X potentiels
10 X potentiels
Innover
nnove

Contrler

Standardiser

Un des points essentiels de Six Sigma consiste ne rien toucher dans


le processus avant den tre ltape Innover/Amliorer. Ltape Analyser 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 processus.

ditions dOrganisation

41

Six Sigma

La phase Analyser va porter sur lanalyse descriptive des X et des Y et


lanalyse relationnelle entre les X et Y.

4.4.2 La conduite de ltape


Lors de cette phase, on ne cherche pas apporter de modification au
processus, mais comprendre les rgles qui rgissent son fonctionnement. Pour cela, on procde deux types danalyse :
une analyse descriptive des caractristiques observes afin de
dtecter dventuelles anomalies telles que la prsence de
valeurs aberrantes, une non-normalit, qui sont sources dinformations ;
une analyse relationnelle afin de comprendre en quoi les X ont
une influence sur la caractristique Y que lon cherche amliorer.
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 donnes. 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 spcifications existantes ;
une analyse statistique (moyenne, cart type, prsence de
valeurs aberrantes) ;
une analyse de normalit et lanalyse des causes en cas de nonnormalit ;
une analyse des variations dans le temps des caractristiques
afin de vrifier si la caractristique est sous contrle (utilisation
des cartes de contrle) ;
une analyse des chutes de capabilit.

42

ditions dOrganisation

Les concepts de Six Sigma

Ex
Lexemple prsent ci-aprs (figure 2.13) dtude du comportement dun X montre une population qui a visiblement fait lobjet
dun tri. Le processus qui produit cet X ne peut pas satisfaire les
spcifications 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 X6


Analyse de capabilit pour X
LSL = 120

Tar = 123

USL = 126

Process Data
LSL
Target
USL
Mean
Sample N
StDev (Within)
StDev (Overall)

Potential Capability

120,00000
123,00000
126,00000
123,83019
53
1,43208
1,54835

Cp
CPL
CPU
Cpk

Overall Capability
Pp
PPL
PPU
Ppk
Cpm

120
Observed Performance
PPM < LSL
PPM > USL
PPM Total

0,00
0,00
0,00

0,70
0,89
0,51
0,51

122

Exp. Within Performance


PPM < LSL
PPM > USL
PPM Total

3 741,30
64 867,43
68 608,73

124

126

0,65
0,82
0,47
0,47
0,57

128

Exp. Overall Performance


PPM < LSL
PPM > USL
PPM Total

6 685,75
80 552,07
87 237,82

6. Les graphiques et analyses sont raliss avec Minitab Logiciel danalyse statistique
www.minitab.com.

ditions dOrganisation

43

Six Sigma

Figure 2.14 Analyse des variations dans le temps

Carte de contrle Moyennes/tendues


128

Moyennes

UCL = 126,861
126
124

X = 123,743

122
LCL = 120,626
120
5

10

15

20

25

30

35

40

45

50

chantillons
8

UCL = 7,84476

tendues

6
4
R = 3,0474
2
LCL = 0

0
5

10

15

20

25

30

35

40

45

50

chantillons

Ex
Le second exemple (figure 2.14) montre lanalyse du comportement 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 augmentation de la dispersion. Il faudra trouver les moyens dliminer 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 fin de cette tape, on
doit avoir identifi de faon claire quelles sont les quelques variables

44

ditions dOrganisation

Les concepts de Six Sigma

sur lesquelles il est ncessaire dagir afin dajuster le paramtre de sortie 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 linfluence sur le Y ?
Pour rpondre cette question, on pourra saider doutils graphiques
comme la bote moustache (figure 2.15) qui semble montrer que le
changement doprateur a une influence importante sur la valeur de Y.
Mais cette observation nest pas suffisante 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 significatif entre deux situations. 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 %.

ditions dOrganisation

45

Six Sigma

Figure 2.15 Influence de loprateur sur Y

Bote moustache pour Op 1 et Op 2


23,25
23,00
22,75
22,50
22,25
22,00
21,75
21,50
Oprateur 1

Oprateur 2

Les outils statistiques disponibles permettent de comparer des positions (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 identifier 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 afin 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.

46

ditions dOrganisation

Les concepts de Six Sigma

La hirarchisation des X peut se prsenter sous la forme dun Pareto


des effets (figure 2.16) sur lequel on note que trois effets seulement
sont rellement significatifs (B, D, E) et reprsentent plus de la moiti
de la variabilit sur Y.
Figure 2.16 Pareto des principales causes

Pareto des effets


(Rponse Y, Alpha = 0,05)
4,71184
Factor
A
B
C
D
E
F
G
H
J

B
D
E
C

Xs

J
G

Name
A
B
C
D
E
F
G
H
J

AB
A
F
AC
H
0

10

Effets

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
Vrifier la normalit de la rponse.
Analyser les causes de non-normalit.
Analyse du comportement des X
Vrifier 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.

ditions dOrganisation

47

Six Sigma

Analyse graphique et statistique de la relation entre les X et Y.


Vrifier linfluence des trois types de variations (position,
cycliques, temporelles).
Hirarchiser les X et identifier 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 afin 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 planification des changements.

4.5.2 La conduite de ltape


Synthse des connaissances acquises
Ltape Innover/Amliorer doit commencer par une synthse des connaissances acquises au cours des tapes prcdentes. De nombreuses
analyses ont t conduites afin de rduire le nombre de X potentiels. Il

48

ditions dOrganisation

Les concepts de Six Sigma

est indispensable de rappeler au groupe de travail les principales conclusions 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 modifier la configuration du processus pour ne pas perturber la saisie des donnes, il faut
ici au contraire imaginer les modifications qui peuvent tre apportes
au processus pour atteindre lobjectif fix en dbut de projet.
Ce peuvent tre des modifications technologiques importantes, mais
aussi des modifications 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 classification permettant de choisir parmi les diffrentes solutions proposes les plus prometteuses, qui seront testes.
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 essentiels la dmarche :
trouver la meilleure configuration des facteurs ;
prouver statistiquement lamlioration apporte.
En effet, lissue de ltape Analyser , on a identifi les facteurs X
responsables de la variabilit de Y. Mais il reste trouver la meilleure
configuration 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

ditions dOrganisation

49

Six Sigma

restreint de dterminer de la faon la moins ambigu possible


linfluence de chacun des X, ainsi que les ventuelles interactions entre
eux. la fin de cette tape, on doit avoir trouv une configuration du
processus de production qui permette datteindre le niveau de qualit
Six Sigma .

Analyser les risques


Chaque fois que lon modifie quelque chose sur un processus, il faut se
poser la question suivante : quels sont les risques que cette modification fait peser sur mon client ? Aussi, avant de valider dfinitivement le
plan de mise en uvre de la solution, on doit raliser une tude de risque en ralisant une AMDEC (Analyse des Modes de Dfaillances, de
leurs Effets et de leurs Criticits).

Planifier la mise en uvre de la solution


Une fois la solution retenue, on doit en planifier la mise en uvre.
Cette planification doit prendre en compte lidentification des diffrents acteurs de ce changement qui dpassent souvent le cadre du
groupe de travail Six Sigma . On doit considrer galement les diffrentes tches raliser et leurs liaisons afin de pouvoir raliser un
Gantt.
Lors de chaque tape, on doit identifier un responsable, une production, un dlai et un cot (figure 2.17).
Figure 2.17 Liste des tches
No

50

tape

Responsable

Production

Dlai

Cot
6 500

Achat
rgulateur

PTO

Nouveau rgulateur
sur machine

S39

Modification
processus

PTO

Documents de poste
jour

S44

Formation
du service

HRE

Personnel form

S45

2 000

ditions dOrganisation

Les concepts de Six Sigma

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, analyse de la variance, plans dexprience).
Raliser les essais.
Vrifier que les X principaux sont significatifs statistiquement.
Choisir le niveau des X pour obtenir le centrage et la rduction de la dispersion.
Programmer des essais de confirmation.
Analyser les risques
Ralisation dune AMDEC pour valider la solution retenue.
Planifier la mise en uvre de la solution
Identifier les acteurs.
Identifier les tapes.
Faire la planification 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 maintenues et que le processus ne se dgradera pas. Cette tape va donc consister 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.

ditions dOrganisation

51

Six Sigma

4.6.2 La conduite de ltape


ce stade de ltude, les quelques X responsables de la grande partie
de la variabilit sur Y sont identifis. Nous devons tout mettre en
uvre pour contrler ces X afin de garantir la satisfaction du client.

Dterminer les tolrances pour les X critiques


Les tapes prcdentes ont permis de faire la liaison entre la caractristique critique pour le client Y et les caractristiques X. Lors de la premire phase de ltape Contrler , on va donc valider les tolrances
que lon utilise sur les caractristiques X afin 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 figure 2.18 montrant linfluence 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 configurations
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

115
121

127
133
139

11

10,8

10,6

10,4

10,2

10

145

52

ditions dOrganisation

Les concepts de Six Sigma

Aprs avoir dtermin la cible, on doit valider les limites de spcifications. Sur le graphique suivant (figure 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 corrlation 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 spcifications sur Y.
Le cas prsent est relativement simple, une seule caractristique est
corrle avec Y. Cette phase devra prendre en compte les cas plus complexes o Y dpend de plusieurs caractristiques X.

Figure 2.19 Tolrance sur X versus tolrance sur Y

4,2
4,1
4,0
3,9
3,8
3,7
3,6
3,5
3,4
3,3

3,2
22

22,5

23

23,5

24

24,5

25

25,5

26

26,5

27

27,5

28

Cette phase a aussi une autre fonction qui est dassurer la robustesse
des spcifications 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 linfluence des X sur la dispersion de Y
afin de choisir la configuration qui minimise cette dispersion.

ditions dOrganisation

53

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

Mdiocre

Mdiocre

Limite

Perte = K(Y cible)2

Limite

Bon

Idal

Bon
Y

Spcification
mini

Cible

Spcification
maxi

Si lon examine la perte financire gnre par un cart sur X par rapport la cible, on peut dmontrer quelle augmente proportionnellement 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 dintervention 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 :

54

ditions dOrganisation

Les concepts de Six Sigma

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 possibilit de les maintenir dans les meilleures conditions de fonctionnement ;
lautocontrle qui vise raliser les contrles et vrifications l
o sont produites les caractristiques
Enfin, il faut donner les moyens aux oprateurs de dtecter au plus tt
les dcentrages par rapport la cible en utilisant les cartes de contrle
(figure 2.21).
Figure 2.21 Carte de contrle Moyennes/tendue

Carte de contrle Moyennes/tendues sur X


26,0

Moyennes

UCL = 25,8636
25,5
X = 25,25
25,0
LCL = 24,6364
24,5
2

10

12

14

16

18

20

22

24

chantillon

tendues

1,6

UCL = 1,54403

1,2
0,8
R = 0,599800
0,4
LCL = 0

0,0
2

10

12

14

16

18

20

22

24

chantillon

ditions dOrganisation

55

Six Sigma

Ex
Dans cet exemple, on a calcul les limites naturelles du processus 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 25e chantillon), il y a une forte probabilit que le processus 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 contrle, 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 (figure 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.

Valeur
constante

Compter ou dtecter une Dtection automatique du niveau


valeur pralablement fixe. de remplissage dune cartouche
dencre, redondant avec une pompe
doseuse.

00253

56

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.

ditions dOrganisation

Les concepts de Six Sigma

Contrle de
mouvement

Dtecter si toutes les


Une camra vrifie si les pices
tapes du procd ont t ont toutes t dposes.
effectues.
Un automatisme nautorise la
ralisation dune opration que si lopration prcdente a t ralise.

Alerte
sensorielle

Utiliser les sens de loprateur pour rendre presque


impossible lapparition
derreurs (code de couleurs, 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.

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 prventive
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 suffisamment 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.

ditions dOrganisation

57

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 possible.
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. Enfin, cette tape est
le moment de faire montre de reconnaissance envers les membres du
groupe afin quils aient un juste retour par rapport aux efforts accomplis.
Cette tape est parfois confondue avec ltape Contrler . Cependant, de plus en plus, les entreprises sparent en deux cette phase
finale 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.

58

ditions dOrganisation

Les concepts de Six Sigma

Simplifier 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 bnfice dans le temps. Cest notamment le cas lorsque lapplication dune solution demande un effort particulier. 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 bnfices 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 simplifier lapplication
de la solution adopte ?

Ex
Par exemple, pour mettre sous contrle la solution, on ralise un
rglage dlicat sur une machine. Cette solution donne satisfaction, mais demande un effort important au collaborateur. Si on
maintient cette solution, avec le temps, les rglages seront raliss de faon moins fine voire plus du tout ! Cette phase veillera
ce quil soit procd aux modifications 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 lensemble 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
afin de garantir la prennit des progrs :

ditions dOrganisation

59

Six Sigma

simplification de la solution ;
modification de la documentation ;
formation des collaborateurs

Identifier les bonnes pratiques et dupliquer


Lorsquune bonne pratique est identifie 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 financier, technique, humain et mthodologique.
Bilan financier : parvenu la fin du projet, on doit faire le bilan final
des gains et des cots du projet, et comparer ce bilan avec les prvisions qui avaient t faites dans ltape Dfinir .
Bilan technique : un certain nombre dapports techniques, de nouvelles 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 fige.
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


Enfin, on peut clore le projet en remplissant sa fiche de clture et en
documentant tous les lments de suivi des projets Six Sigma.

60

ditions dOrganisation

Les concepts de 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 rflexion 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 groupes, il ne faut pas hsiter fter les rsultats pour en stimuler de nouveaux.

4.7.3 Revue R5 Standardiser/Prenniser


La revue R5 vient conclure cette sixime tape, en marquant la fin du
projet.
Simplifier l o cest possible la solution adopte lors de la
dmarche Six Sigma
Rechercher ce qui demande un effort et qui risque den compromettre la prennit.
Simplifier la solution.
Finaliser lensemble des procdures dautocontrle afin 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.
Identifier les bonnes pratiques et dupliquer
Faire le bilan efficacit/efficience.
Identifier 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.

ditions dOrganisation

61

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 (philosophie de la qualit tourne vers la satisfaction totale du client et rduction 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 responsabilits bien dfinies. Cela suppose aussi de former son personnel et de
dterminer des rles particuliers pour les individus qui vont conduire
le changement. Pour illustrer la dfinition des rles de chacun, lentreprise General Electric sest appuye sur des dnominations marquantes
telles que White Belt, Green Belt, Black Belt, Master Black Belt et Champion. 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.

62

ditions dOrganisation

Les concepts de Six Sigma

5.1 Les diffrents niveaux de pilotage


Figure 2.23 Les diffrents niveaux de pilotage

Pilotage stratgique

Responsable
de l'entit
Champion

Pilotage tactique
Black Belt
Pilotage oprationnel
Green Belt
Conduite et suivi

Oprationnels

Comme pour toutes autres activits, le pilotage dune dmarche Six


Sigma doit reposer sur les quatre couches : stratgique, tactique, oprationnelle, conduite et suivi.
Stratgique : on procde la mise en place de Six Sigma partir
dobjectifs en termes de cots, de performances internes, de satisfaction clients et de perception externe, et enfin de parts de march et de
positionnement vis--vis de la concurrence. Pour atteindre ces objectifs, il faut alimenter les moteurs du progrs en donnant une vision
claire sur la faon dont on veut que les choses avancent. Ces engagements 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 dcisions 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 Champion 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.

ditions dOrganisation

63

Six Sigma

Conduite et suivi : cette couche trs applicative va consister appliquer les dcisions qui sortent de la dmarche DMAICS. Elle va impliquer 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

Champion

Groupe projet
dirig par un
Black Belt

Master Black Belt

Pour tre efficace, 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 responsabilit du dploiement de Six Sigma dans un secteur de lentreprise. Typiquement, 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 :
dploiement et les Champions projet .

64

les

Champions

ditions dOrganisation

Les concepts de Six Sigma

Les Champions dploiement ont en charge le succs du dploiement de Six Sigma dans un secteur de lentreprise. Ils doivent avoir
une solide exprience de management au niveau stratgique et tactique, 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 sassurer que les ressources sont disponibles tant en hommes quen matriels.
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 activement lvolution des projets, tant notamment responsable de lorganisation des revues de projets qui ponctuent chaque fin dtape. Ces
revues sont loccasion pour le Champion projet de vrifier que les
objectifs fixs 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 (notamment statistique) des Black Belts, mais doivent quand mme disposer
des bases leur permettant de saisir lobjectif et dinterprter les rsultats 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.

ditions dOrganisation

65

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 problmes.
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 suffisante cependant pour mener bien en
autonomie de petits projets dans le cadre de leur travail et participer
efficacement 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.

66

ditions dOrganisation

Les concepts de Six Sigma

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 office 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 amliorer et dvelopper la mthode.
Il a une responsabilit importante dans le dploiement de la mthode
dans lentreprise. cette fin, il doit crer une dynamique Six Sigma en
organisant des confrences, des changes dexpriences, des formations complmentaires. Six Sigma nest pas une mthode ferme, au
contraire, elle est en perptuelle mutation pour sadapter aux volutions de lentreprise. Le Master Black Belt doit favoriser cette volution
en incitant les Black Belts investir de nouveaux horizons au travers
des congrs scientifiques, 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 suffit pas, il faut que cette formation
soit couple avec une exprience de mise en uvre de la dmarche.

ditions dOrganisation

67

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 (figure 2.25).

Figure 2.25 Exemple de formation dun Black Belt


1 session de formation de 4 jours
Dfinir

Tour dhorizon de la mthode et dfinition de Six Sigma


Identification de CTQ
La charte du projet
3 semaines dapplication
1 session de formation de 5 jours

Mesurer

Bases statistiques
La mesure et lobservation des processus
tude de capabilit
3 semaines dapplication
1 session de formation de 5 jours

Analyser

Analyse descriptive des donnes


Identifier les sources de variation
3 semaines dapplication
1 session de formation de 5 jours

Amliorer

Plans dexpriences
Optimisation des procds
3 semaines dapplication
1 session de formation de 5 jours

Contrler

Validation des tolrances


Mise sous contle dun procd
3 semaines dapplication
1 session de formation de 4 jours

Standardiser

68

Prennisation dun procd


Dployer les bonnes pratiques

ditions dOrganisation

Les concepts de Six Sigma

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 formation, 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 conceptuelles. 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 spcifique. 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 afin 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

ditions dOrganisation

69

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 collaborateurs.
Lorganisation par projet requiert que lon sappuie sur une structure
de fonctionnement matricielle, en rupture avec les organisations traditionnelles hirarchiques. Sans dtruire la notion indispensable de hirarchie 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 afin 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 suffisantes au projet.
4. Choix dun rfrent du projet (le Champion) qui va en suivre
lavancement, les difficults, et lui allouer les ressources
ncessaires.
5. Dfinition des objectifs et des limites du projet.
6. Dtermination dun budget et suivi de ce budget au travers dun
tableau de bord financier.
7. Dfinition des modes de validation de lavancement du projet.
8. Dfinition des modes de communications (rapports dtapes,
runions)

70

ditions dOrganisation

Les concepts de Six Sigma

6.2 Six Sigma et le management par projets


Lorganisation de Six Sigma, telle que nous lavons dcrite, est intrinsquement 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 vrifie la
cohrence avec la stratgie globale de lentreprise, il fixe 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 ractualisation des objectifs et donne le feu vert pour le passage ltape suivante.
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 communes, 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 dimpliquer tout le monde dans le processus Six Sigma. Cest une dmarche
Top Down qui implique dabord la direction gnrale qui doit fixer les
objectifs en termes de rentabilit. Elle implique galement les directeurs oprationnels qui joueront le rle de Champion. Enfin, 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.

ditions dOrganisation

71

Chapitre 3

tape 1 Dfinir

La premire tape dune dmarche Six Sigma va consister parfaitement dfinir le cadre du projet.
Cette tape se dcompose en deux sous-tapes7 :
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 dfinir 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 produit, 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 dfinir .

73

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 planifications ;
atteindre un rendement lev des processus ;
tolrer des variations normales du processus pendant la production (robustesse).
Parmi les points importants de cette tape, on mentionnera la recherche des CTQ (Critical To Quality) qui reprsentent les lments essentiels et les plus srs en termes de satisfaction des clients. Il faudra
ensuite tre capable de les hirarchiser et de fixer pour chaque caractristique une cible et des spcifications 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 Dfinir ; dans ce chapitre, nous allons dcliner les outils les
plus souvent utiliss pour la mener.

1. Identifier 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 permettra lentreprise de vendre plus et mieux, et ainsi damliorer ses
performances conomiques.

74

ditions dOrganisation

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 identifier les besoins. Pour cela, il
faut :
Identifier 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.
Identifier 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 personnes silencieuses) ;
coute dans la structure de vente, les foires, les expositions
information existante au sein des archives de lentreprise.

ditions dOrganisation

75

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 rflexion de lentreprise, comment situe-t-elle les dveloppements de
ses nouveaux produits, ragit-elle positivement ou bien reste-t-elle arcboute 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 caractristiques que lon sait valuer par une mesure.
Pour chacune de ces caractristiques, on doit pouvoir dterminer une
cible et des spcifications limites.

76

ditions dOrganisation

tape 1 Dfinir

Figure 3.1 Diagramme CTQ

Client

Besoin
Exigences
Caractristiques
Ce qui amne Ce qui permet Comment mesure-t-on
le client
au client dtre que le client est satisfait ?
utiliser
satisfait.
le processus.

Besoin
de se nourrir

Spcification
Quelles sont les
spcifications
sur la mesure ?

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 %

M2 par client potentiel

>4

Temprature de la salle

20 23

Confort

Afin dillustrer ce diagramme, prenons lexemple dun restaurant. Au


dpart, le besoin du client est de se nourrir, ventuellement de se runir 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 fixe pour la satisfaction de cette exigence ? Cest
toute cette rflexion que demande la construction dun diagramme
CTQ.
En face de chaque exigence, doit figurer une caractristique mesurable
avec une spcification. On devra rechercher parmi ces caractristiques
celles qui sont critiques pour le client (CTQ) et bien valider que les
spcifications que lon dtermine sont en accord avec ses attentes.
Les CTQ sont trs importants, car le respect des spcifications portes
sur ces caractristiques formera le socle de la dmarche Six Sigma.

ditions dOrganisation

77

Six Sigma

1.3 Classification de Kano


Figure 3.2 Modle de Kano

Niveau de satisfaction du client

Trs satisfait
Sduction (S)
Agrables surprises
Dlices du client

Pas ralis

Degr de ralisation de la fonction

Tout fait ralis

ps

m
Te

Performance (P)
Le client en veut plus !

Qualit Devrait tre (D)


On s'y attend
Typique des produits invisibles
Insatisfait

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 performance mdiocre va crer une insatisfaction et une performance 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 performance laisse lutilisateur indiffrent.
3. Sduction (S) : la satisfaction nest pas proportionnelle la performance de la caractristique. En cas de faible performance,
lutilisateur sera indiffrent ; en revanche, une bonne performance crera un sentiment de dlice pour le client.
4. Indiffrent (I) : lutilisateur na que faire de cette caractristique.

78

ditions dOrganisation

tape 1 Dfinir

5. Questionnable (Q) : les rponses des utilisateurs au questionnaire 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
enfin tre considre comme Devrait tre .

Ex
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
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 acceptezvous de payer pour


que cette caractristique soit prsente ?

 Dlice
 Espr et souhait
 Pas de sentiment
 Vit avec
 Pas dsir
 Autre

 Dlice
 Espr et souhait
 Pas de sentiment
 Vit avec
 Pas dsir
 Autre

 10
 20
 40
 80
 160

Pour chaque caractristique, laffectation dans une des six catgories


sera dtermine par le croisement des questions sur la prsence ou
labsence de la caractristique (figure 3.4).

ditions dOrganisation

79

Six Sigma

Figure 3.4 Traduction du questionnaire en catgorie


Absent dans le produit

Prsent dans le produit

Dlice

Espr et
Pas de
souhait sentiment

Vit avec

Pas dsir

Dlice

Espr et souhait

Pas de sentiment

Vit avec

Pas dsir

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 dfinir si les exigences sont
satisfaites ou non.

80

ditions dOrganisation

tape 1 Dfinir

Figure 3.5 Diagrammes Exigences/Performances

Performances
3
Dveloppements inutiles

Produit adapt

0
Produit adapt

Produit insatisfaisant


Exigences

3
3

Le diagramme Exigences/Performances (figure 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  et
). Des performances leves pour des exigences faibles (zone )
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 ).
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  offrent des potentiels de gains
financiers.
Les CTQ placs dans la zone  offrent des potentiels de gains
qualit.

ditions dOrganisation

81

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 spcifications essentielles du produit (les
CTQ) consiste remplir la premire matrice QFD8. QFD signifie Quality
Function Deployment, ce que lon traduit gnralement par
Dploiement de la fonction qualit .
Figure 3.6 La maison de la qualit

COMMENT
versus
COMMENT
COMMENT

POURQUOI

QUOI

QUOI versus COMMENT

QUOI versus POURQUOI

COMBIEN

COMBIEN versus COMBIEN

Son objectif est exprim dans sa dfinition mme :


Le QFD est une mthode permettant de traduire de faon approprie
les attentes du consommateur en spcifications 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 figurer 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).

82

ditions dOrganisation

tape 1 Dfinir

Figure 3.7 Exemple de matrice QFD sur un stylo-bille


 Corrlation trs positive



  

 Corrlation positive

Corrlation ngative

 Corrlation trs ngative

 


Facile manipuler
Ne roule pas sur la table

COMBIEN

Dure longtemps


  2

 3

  

valuation
concurrentielle

Distance dcriture

Inclinaison critique

Diamtre moyen

Importance entreprise

Belle criture

Importance tudiant

 

Poids moyen

crit facilement

Longueur du stylo

Densit de la couleur

Largeur du trait

Coeff. de frottement

QUOI

Effort axial minimal

COMMENT

POURQUOI

12345

Valeur cible

0,3 < 0,2 > 15 8 > 2


N 0,1 mm conc cm mm 15 km  Relation forte (9)

Importance
absolue

49 49 12 49 23 11 11 23
1

Relation modre (3)


 Relation faible (1)

2
valuation
concurrentielle

3
4
5

La maison de la qualit permet de traduire les attentes du client (les


QUOI), crites en lignes, en spcifications du produit (les COMMENT),
crites en colonnes. Le principe de base du passage de lun vers lautre

ditions dOrganisation

83

Six Sigma

est la rponse la question QUOI/COMMENT tout en assurant davoir


rpondu aux questions essentielles POURQUOI et COMBIEN. On mettra en parallle la matrice QFD et le diagramme CTQ. Les QUOI sont les
exigences, les COMMENT les mesures, les COMBIEN les spcifications.
Lexemple choisi (figure 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 prsentation.
La dclinaison des QUOI en COMMENT se ralise dans une prsentation 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 fixer 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 limportance quil lui accorde et une note dvaluation du produit de lentreprise par rapport la concurrence.
Les COMMENT traduisent les spcifications du produit. Pour chaque
COMMENT, on dtermine une spcification et on ralise une valuation concurrentielle.
On recherche ensuite les relations qui existent entre les QUOI et les
COMMENT en fixant en gnral trois niveaux de relation (forte, modre ou faible). Cette relation permet de calculer limportance de chaque 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 dfinir de faon plus fine les
relations entre les exigences des clients et les spcifications du produit
que ne le peut une relation point point dans un diagramme CTQ.

84

ditions dOrganisation

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 spcifications qui ont t fixes 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 vrifier quil ny a pas de corrlation ngative
entre deux spcifications. Par exemple, si une largeur de trait importante 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 flux physiques et les flux 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 description 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 cartographie.
Avant de dfinir diffrentes reprsentations graphiques des processus,
il est bon de rappeler les dfinitions des termes processus et activits.
Voici selon la norme ISO 9000 la dfinition 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.

ditions dOrganisation

85

Six Sigma

Note 2 : Les processus dun organisme sont gnralement planifis et mis en uvre dans des conditions matrises afin dapporter une valeur ajoute.
Note 3 : Lorsque la conformit du produit rsultant ne peut tre
immdiatement ou conomiquement vrifie, le processus est
souvent qualifi de procd spcial .
Pour sa part, lactivit peut tre dfinie comme un ensemble de tches
lmentaires que lon peut dcrire par des verbes dans la vie de
lentreprise : tourner, fraiser, assembler, ngocier un contrat, qualifier
un fournisseur
La cartographie ralise sera fonction de lobjectif, comme le font les
gographes. Une carte dEurope montrant la pluviomtrie sera trs diffrente dune carte illustrant les flux 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 figure
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).

86

ditions dOrganisation

tape 1 Dfinir

Figure 3.8 Bote noire dune activit

Facteurs bruits
X

10

5
Frequency

0
0 2. 1

0 2. 2

0 .23

0 2. 4

0 .25

0 26
.

0 2. 7

0 .28

0 29
.

Facteurs de pilotage

2.2 Diagramme SIPOC


Un outil trs adapt cette cartographie est le diagramme SIPOC (Suppliers, Input, Process, Output, Customers) qui permet de faire apparatre
les flux matires et les flux dinformations sur un mme graphique ou
sur deux graphiques spars. La figure 3.9 montre un exemple de
SIPOC flux physiques. Le mme diagramme est galement reprsent
en indiquant le flux dinformations circulant dans le processus (les
documentations aux postes, les relevs fournis par les postes).

ditions dOrganisation

87

Six Sigma

Figure 3.9 SIPOC flux physiques dun processus de production

Suppliers

Input

Processus

Steel

Produit
argent

Collage

Wab

Applique

Myl

Clich

Dcalque

Bevac

Encre

Passage au four

Steel

Tampon

Lessive

Customer

Dchet

Beo

Retouche
Mise plat
Contrle

Cleana

Output

Rebut

Lavage
Contrle

Rebut
Produit fini

Client

Dans le cadre Processus, on reprsente le flux du processus. Dans la


colonne Input, on place les produits fournis et, dans la colonne Supplier, on spcifie le fournisseur de ce produit.
De mme, dans la colonne Output, on place les produits fournis par le
processus, et on spcifie dans la colonne Customer les clients de ces
produits.
Pour formaliser le flux 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 informations 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.

88

ditions dOrganisation

tape 1 Dfinir

Figure 3.10 Cartographie matricielle

Acteur 1

Acteur 1

Acteur 1

Activit 2

Activit 3

Acteur 1

Activit 1

Test

Activit 4

Activit 5

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
identifier les foyers importants de perte de performance et gnrateurs
de dlais, afin de parvenir la plus grande efficacit possible dans
laction. On cherchera plutt une reprsentation graphique permettant
de faire apparatre la chronologie du processus avec une cartographie.

ditions dOrganisation

89

Six Sigma

Figure 3.11
Cartographie du processus dans une dmarche Lean Six Sigma

Founisseur
30 jours

1f/semaine
1f/semaine

Bi mensuel
5
jours

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

Client

2
jours

Chronogramme du processus
Dlais de production
4
Temps de cycle
Temps de valeur

10
5

2
5
3

7
4
4

59 jours
19 min.
12 Min.

La cartographie consiste suivre lensemble du processus pour identifier tous les lments de la performance sur chaque tape. On cherchera identifier :
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 commande client jusqu sa livraison.

90

ditions dOrganisation

tape 1 Dfinir

2.5 Diffrents niveaux de cartographie


La cartographie a pour objectif de comprendre le processus et de visualiser de faon simple la faon dont les diffrentes tapes senchanent.
Une des difficults 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 fin 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 macroscopie.
Le niveau le plus lev donnera une reprsentation trs macroscopique
du processus et chaque tape de cette macro-reprsentation sera dtaille dans un sous-processus.

3. Dfinir les limites du projet


Une erreur classique lorsque lon nonce un problme consiste
rechercher directement une solution sans avoir positionn correctement le problme. Ltape Dfinir doit pousser le Black Belt rassembler 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 dfini au dpart. cet effet, il faut procder un dballage
dides avec le groupe de travail en se servant ventuellement de plusieurs outils qui peuvent amliorer lefficacit de la rflexion, notamment les sept outils de base de la qualit9.
9. Voir louvrage Qualit en production, chapitre 6, op. cit.

ditions dOrganisation

91

Six Sigma

Outre ces outils de base, plusieurs mthodes ont fait montre dune
grande efficacit :
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
Dfinir , on doit rechercher les causes possibles de non-satisfaction 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 causes 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 ?

92

ditions dOrganisation

tape 1 Dfinir

Figure 3.12 Diagramme des 5 pourquoi

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 ?
Aprs la premire rclamation du
client le dlai de satisfaction a t
de 50 jours ouvrables.

Il organise son temps librement


entre ses multiples activits, Il na
pas de dfinition 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.

Sa charge de travail est leve et le


traitement des retours est fait
lorsquil a le temps .

Il est difficile pour le magasinier de


dissocier les retours dfinitifs des
retours pour service aprs-vente.

Le magasinier manque de temps


pour traiter tous les retours.

Le produit navait pas t identifi


clairement ds son arrive.

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.

Propagation du problme ?

Lentreprise est jeune et chacun fait


au mieux, il faudrait rationaliser les
fonctions du personnel.

Lexemple choisi (figure 3.12) a trait une entreprise de vente par correspondance partir dun site Internet. Elle a identifi une caractristique 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.

ditions dOrganisation

93

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 identifi clairement ds son arrive.
Pourquoi ?
Il est difficile pour le magasinier de dissocier les retours dfinitifs
des retours pour service aprs-vente. Pourquoi ?
Il nest pas demand aux clients qui utilisent le service aprsvente de noter une mention spciale sur le paquet.

Propagation du problme
On va se poser la question en ces termes : Pourquoi ce problme se diffuse-t-il ?
Le dlai de service aprs-vente cible nest pas respect pour une majorit 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 dfinie et personne na explicitement en charge le traitement des retours. Pourquoi ?
Lentreprise est jeune et chacun fait au mieux, il faudrait rationaliser 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 cerner les causes.

94

ditions dOrganisation

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


NEST PAS

Quel est lobjet ?


Et plus prcisment ?

Quels sont les objets similaires


qui pourraient aussi tre dfectueux,
mais qui ne le sont pas ?

Quel est le dfaut ?


Et plus prcisment ?

Quels sont les autres dfauts que lobjet


pourrait avoir, mais quil na pas ?

O, gographiquement,
observe-t-on lobjet dfectueux ?
Et plus prcisment ?

quel autre endroit pourrait-on


lobserver, mais on ne lobserve pas ?

O, sur lobjet, observe-t-on


le dfaut ?
Et plus prcisment ?

quel autre endroit de lobjet pourraiton lobserver, mais on ne lobserve pas ?

Quand, historiquement, a-t-on


enregistr ce problme
pour la premire fois ?
Et plus prcisment ?

quel autre moment aurait-on pu


lenregistrer, mais on ne la pas
enregistr ?

Quelle est la frquence


dapparition ?

Quelle autre frquence aurait-on pu


avoir et on ne la pas eue ?

Quand, dans le cycle de vie de


lobjet, ce dfaut apparat-il ?
Et plus prcisment ?

quelles autres tapes de la vie de


lobjet le dfaut aurait-il pu apparatre et
il nest pas apparu ?

QUAND

QUI QUOI

EST

ditions dOrganisation

95

COMBIEN

COMMENT

Six Sigma

Comment et sous quelle forme


apparat le dfaut ?

Sous quelle forme pourrait apparatre le


dfaut, mais il napparat pas ?

Quelles sont les consquences


du problme (cots, temps,
ressources) ?

Quelle aurait pu tre limportance


du problme ?

Combien y a-t-il dobjets


dfectueux ?

Combien dobjets pourraient tre


dfectueux, mais ne le sont pas ?

Quelle est la dimension (taille,


nombre) du dfaut ?

Quelles autres dimensions (taille,


nombre) pourrait-on constater ?

Quelle est la tendance ?

quelles tendances pourrait-on


sattendre qui ne sont pas observes ?

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 identifier 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 directement de ltape Dfinir 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 .

96

ditions dOrganisation

tape 1 Dfinir

Il faut galement pouvoir prouver statistiquement les oppositions fortes 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 (figure 3.14).
Le groupe de travail va ensuite noter sur des post-it les diffrents lments 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 dfinir 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 ultrieures. Un item sur la frontire signifie que le groupe se pose des
questions sur le sujet et une des missions du projet Six Sigma sera
dclairer cette question.
Lexemple choisi (figure 3.14) reprend quelques items concernant
lentreprise de vente par correspondance, laquelle souhaite amliorer
les dlais sur son service aprs-vente.

ditions dOrganisation

97

Six Sigma

Figure 3.14 Diagramme Dedans/Dehors

Dehors

Prestataires de services
de transport

Frontire

Augmentation du nombre
de magasiniers

Ngociation des dlais


avec les fournisseurs

Dedans
Dfinition de la procdure
de SAV
Organisation
de l'entrept
Dfinition des tches
pour les magasiniers

4. Dfinir 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 lentreprise continue de vivre et de prosprer. Laspect conomique est donc
trs important et il convient de ne pas le ngliger ds le dpart du projet.
Ainsi, ds le dbut du projet, on doit tenir inform le contrle de gestion et obtenir un numro dordre afin de suivre les gains et les cots.

4.1 Dfinir 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 ;

98

ditions dOrganisation

tape 1 Dfinir

rcolte de donnes sur le terrain ;


ralentissement et arrt de production pour cause dessais ou de
modification 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
financire qui permettra en continu, tout au long du projet, daffiner
cette premire estimation.

4.2 Dfinir les gains prvisionnels


Si les cots sont difficiles estimer ds le dpart, il nest pas plus ais
destimer les gains. En effet, une partie des gains est facilement identifiable, il sagit des conomies ralises. Mais une grosse partie des
gains est difficilement quantifiable, comme lamlioration de limage
de la socit auprs des clients. Cest la raison pour laquelle dans la
charte du projet (figure 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 difficilement 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

ditions dOrganisation

99

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 identifis (clients aval et clients finaux)


Clients aval :

Impacts :

Clients finaux :
Diagramme CTQ
Besoin des clients

Exigences

Caractristiques
mesurables

Spcifications

tat actuel

tat souhait

Gains et cots mesurables

Gains et cots non mesurables

Groupe de travail
Nom

Tl.

Service

Ml

Planification du projet
Semaines
Dfinir
Mesurer
Analyser
Amliorer
Contrler
Standardiser
Signatures
Client :

100

Propritaire :

Pilote :

Direction :

ditions dOrganisation

tape 1 Dfinir

La charte du projet (figure 3.15) se matrialise par une fiche qui


rsume les principaux rsultats de ltape Analyser . On y retrouve :
la dfinition du problme ;
lidentification 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 dfinition 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 fiche ; on conservera prcieusement
lensemble des graphiques et mthodes utiliss pour aboutir ce consensus.
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
modification de la charte doit obtenir la signature de lensemble des
acteurs.

ditions dOrganisation

101

Chapitre 4

tape 2 Mesurer

1. Introduction
La premire tape nous a permis de parfaitement dfinir le cadre du
chantier et de mettre en vidence les paramtres critiques pour la qualit telle quelle est vue par le client (CTQ : Critical To Quality) et
dorienter le projet vers des causes racines probables. Dans ltape suivante, nous allons mettre en place un moyen de mesure si possible
continu nous permettant de mesurer le z du processus. Afin davoir
des donnes suffisamment fiables pour pouvoir les exploiter, on vrifiera au pralable que la variabilit de notre systme de mesure est faible 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-

103

Six Sigma

sance, mais peu dapproches damlioration des performances ont fait


de la mesure un pralable indispensable, comme Six Sigma le prconise.
Rechercher des mesures afin 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 surtout sur le processus. Lorsque lentreprise est capable de quantifier la
satisfaction des clients sur les CTQ et le fonctionnement de ses processus, elle peut relier les deux et mettre ainsi en vidence les caractristiques 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 influence sur les Y ;
les variables du processus permettant de caractriser sa performance en termes de cot, qualit, dlais, scurit.
Ces mesures sont continues (un chiffre sur une plage continue) ou discrtes (bon/pas bon ; Fournisseur 1, 2 ou 3). On privilgie un prlvement 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 afin de pouvoir tablir des
relations entre les X et les Y du processus et ainsi damliorer
lefficacit de ce dernier.

104

ditions dOrganisation

tape 2 Mesurer

2. Trouver un moyen de mesure des CTQ


2.1 Quantifier
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.

Ex
Exemple 1 : Une entreprise de mcanique cherche amliorer la
fiabilit 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.

Ex
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 proportion 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 dfectueux.
Dans ce dernier cas, il faut avoir lesprit une remarque de Genichi Taguchi : Pour atteindre la qualit, il ne faut pas mesurer la
qualit !

ditions dOrganisation

105

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 mesurable.
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

Variable 1 (pertinente)

Avec fuite

Sans fuite

Variable 2 (non pertinente)

Avec fuite

Sans fuite

Dans lexemple choisi (figure 4.1), la variable 1 pourra tre utilise


comme mesure Y du projet Six Sigma.

106

ditions dOrganisation

tape 2 Mesurer

Cas des services


Dans le cas dun projet Six Sigma portant sur un service, il est souvent
difficile 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 identifier 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 Vrifier le R&R


Un des objectifs de ltape Mesurer est de mettre en place un processus 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 matrise.

ditions dOrganisation

107

Six Sigma

Figure 4.2 Dcomposition de la dispersion vue

Dispersion
vue

Dispersion
due au
processus
de mesure

Milieu
Mesurande
Main-d'uvre
Mthode

Reproductibilit
R&R

Rptabilit

Dispersion
due au
processus
de production

Moyen

Justesse

Gestion
des moyens
de mesure

Linarit
Stabilit

Le schma (figure 4.2) illustre la dcomposition de la dispersion telle


quelle apparat lors dune mesure. Une partie de cette dispersion provient du processus de production, et une autre du processus de
mesure.
2 avec
Ladditivit des variances nous permet dcrire : T2 = P2 + M

T2 : Variance totale
P2 : Variance relle du processus de production
2 : Variance du processus de mesure
M

Le but de ltude R&R est de vrifier que la part de la variance de


mesure est faible par rapport la variance du processus. Autrement
dit, on veut vrifier quun cart entre deux mesures traduit bien un
cart entre deux produits diffrents.

2.3 Dfinitions
Justesse : cart systmatique entre la moyenne de plusieurs mesures et
la valeur de rfrence.
Linarit : diffrence de justesse sur la plage dutilisation de linstrument.

108

ditions dOrganisation

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 doivent tre vrifis 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 mesurande 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 spcifique.

2.4 Gestion des moyens de mesure


Pour mesurer, on dispose dun instrument. La premire des vrifications raliser, cest de valider cet instrument. Pour cela, on doit
vrifier :
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 :
didentifier tous les instruments disponibles dans lentreprise ;
de rattacher les instruments aux chanes dtalonnage ;
de planifier une vrification et un talonnage avec un intervalle
adapt de lensemble des instruments.
La plupart du temps, ces talonnages sont sous-traits des entreprises spcialises.

ditions dOrganisation

109

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 garantie.
Dans lexemple prsent (figure 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
talon

talon

talon

talon

talon

5,011

10

10,006

15

15,002

20

19,995

25

24,996

5,009

10

10,01

15

15,001

20

19,996

25

24,989

5,013

10

10,002

15

14,997

20

20,003

25

24,992

5,016

10

10,005

15

15

20

20

25

24,994

5,014

10

10,006

15

15,004

20

19,999

25

24,994

5,019

10

9,999

15

15,001

20

19,997

25

24,991

5,014

10

10,007

15

14,998

20

19,999

25

24,997

5,009

10

10,005

15

15,001

20

19,997

25

24,993

5,008

10

10,002

15

15,001

20

19,996

25

24,989

5,015

10

10,009

15

14,998

20

19,991

25

24,99

En dessinant lcart entre les valeurs et les talons en fonction des


valeurs des talons, on peut visualiser lerreur de linarit et la dispersion de mesure sur un talon (figure 4.4).

110

ditions dOrganisation

tape 2 Mesurer

Figure 4.4 tude de linarit

tude de linarit
R2 = 0,8295

y = 0,000968x + 0,0161
0,0250
0,0200
0,0150
cart

0,0100
0,0050
0,0000
0,0050
0,0100
0,0150
0

10

20

30

talon

Ce graphique est complt par deux tudes statistiques :


le test de Student (figure 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 (figure 4.6) pour chaque position teste avec
un test t pour savoir si ce biais est significatif (se reporter galement au chapitre 5 pour plus de dtail sur le test t). On peut
ventuellement compenser ce biais qui forme une erreur systmatique.
Figure 4.5 quation de rgression
quation de rgression : cart = 0,0161 0,000968 talon
Prdicteur

Coef.

Constant
talon

ditions dOrganisation

Sigma

0,0161

0,001050

15,25

0,000

0,000968

0,00006334

15,28

0,000

111

Six Sigma

Figure 4.6 Biais par position


talon Moyenne

Sigma

Biais

0,013

0,0033089

12,2658718

0,000 Significatif

10

0,00518275

0,00331817

4,93925957

0,001 Significatif

15

0,00026431

0,00203675

0,41036934

0,692 Non significatif

20

0,00276747

0,0032677

2,67818922

0,025 Significatif

25

0,007478

0,00280676

8,42519325

0,000 Significatif

Interprtation
Dans notre exemple, linstrument a une erreur de linarit importante,
double dune dispersion de mesure autour de cet cart de linarit, galement importante. Ce test est ralis partir de pices talon, dans des
conditions de laboratoire de mtrologie. Pour tre acceptable, linstrument doit avoir un cumul derreurs de linarit et de dispersion ngligeable 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 vrifier 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 identifie quelles sont les conditions de mesure qui sont susceptibles de changer (oprateurs diffrents par exemple) et on ralise une mesure dans les deux
conditions.

112

ditions dOrganisation

tape 2 Mesurer

Il est galement important de raliser ce test sur plusieurs produits diffrents. 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 produits, mesurs au moins deux fois, par au moins deux oprateurs diffrents. 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

Oprateur 1

Oprateur 2

Mesures dans les mmes


conditions

Mesures dans les mmes


conditions

N Pice

1re Mesure

2e Mesure

1re Mesure

2e Mesure

7,700

7,699

7,700

7,700

7,699

7,700

7,699

7,699

7,702

7,703

7,702

7,702

7,703

7,703

7,702

7,702

7,703

7,703

7,702

7,703

7,703

7,703

7,703

7,703

7,699

7,698

7,699

7,699

7,701

7,700

7,700

7,700

7,704

7,704

7,702

7,703

10

7,699

7,699

7,699

7,700

ditions dOrganisation

113

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 lanalyse de la variance dans le chapitre 5, Analyser.
Soit Yijr reprsentant la mesure de loprateur i pour la pice j lors de
la rptition r. On considre que lon a :
Yijr = + 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 2 .
Ladditivit des variances donne donc : y2 = 2 + 2 + (2 ) + 2
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) ;
Yijk reprsente la mesure de loprateur i, sur la pice j, pour la
ke rptition ;
a

1 Y ijk
Y = moyenne gnrale = --------abn i = 1 j = 1 k = 1
n

Yij reprsente la notation abrge de --1- y ijk


nk = 1

114

ditions dOrganisation

tape 2 Mesurer

1 y ijk
Yj reprsente la notation abrge de ----an i = 1 k = 1
Rappelons que lanalyse de la variance part de la dcomposition de la
somme totale des carrs des carts de toutes les observations :
SST = SSO + SSP + SSOP + SSE
Avec :
Somme des carrs oprateurs :
a

SS O = bn

( Y i.. Y ... ) 2

i=1

Somme des carrs pices :


b

SS P = an

( Y .j. Y ... ) 2

j=1

Somme des carrs interactions


a

SS OP = n

( Y ij. Y i.. Y .j. + Y ... ) 2

i = 1j = 1

Le tableau danalyse de la variance scrit de la faon suivante :


Figure 4.8 Tableau danalyse de la variance
Source

SS2

ddl

Pices

SSP

P = b 1

Oprateurs
(reproductibilit)

SSO

o = a 1

Interaction

SSOP OP =
(a 1)(b 1)

Rsidus
(rptabilit)

SSR

R = ab(n 1)

Totale

SST

T = abn 1

ditions dOrganisation

Moyenne des carrs

Test stat.

SS P
MS P = ----------b1

MS P
F 0 = --------------MS OP

SS O
MS O = ----------a1

MS O
F 1 = --------------MS OP

SS OP
MS OP = ---------------------------------(a 1)(b 1)

MS OP
F 2 = --------------MR

SS r
MS R = ----------------------ab ( n 1 )
2
N-1

115

Six Sigma

En cas dinteraction non significative, on fusionne linteraction avec la


dispersion rsiduelle, les ratios MSR, F0 et F1 se calculent alors par la
relation :
SS r + SS OP
MS R = ----------------------------------------------------------------ab ( n 1 ) + ( a 1 ) ( b 1 )

MS
F O = ----------PMS R

MS
F 1 = ----------OMS R

Lanalyse du tableau dANAVAR nous permet de dissocier les diffrentes sources de variabilit :
Figure 4.9 Dcomposition des dispersions
Source

Variance

Interprtation

Dispersion
du moyen
(rptabilit)

D Rp = 6 MS R

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

MS O MS OP
D O = 6 ---------------------------------bn

Cette dispersion reprsente


limportance des variations
observes par le mme oprateur
sur plusieurs pices.

Dispersion
de linteraction

MS OP MS R
D OP = 6 --------------------------------n

Cette dispersion reprsente


limportance des diffrences
observes sur les moyennes de
plusieurs mesures par diffrents
oprateurs sur diffrentes pices.

Dispersion
de reproductibilit

Dispersion
sur les pices

Dispersion
de linstrument

116

D Repro =

2 + D2
DO
OP

MS P MS OP
D P = 6 --------------------------------an

R&R =

2 + D2
D R2 + D O
OP

Cette dispersion reprsente la


reproductibilit qui est le cumul
de la dispersion des oprateurs et
de linteraction.
Cette dispersion reprsente
limportance des variations
observes sur une mme pice
par plusieurs oprateurs.
R&R reprsente la somme de toutes les dispersions indsirables.

ditions dOrganisation

tape 2 Mesurer

Intervalle de tolrance
On calcule ainsi le Cmc : Cmc = -------------------------------------------------------------------Dispersion de linstrument
Dans notre exemple, nous aurions :
Figure 4.10 ANAVAR en tenant compte de linteraction
Somme
des carrs

ddl

Pices

SSP = 0,0001166

Oprateurs

SSO = 9E-7

Source

Moyenne
des carrs

F
Sign Risque
limite

VP = 1,29E-5 28,43 3,17


VO = 9E-7

Op*Pices SSOP = 4,1E-6

Rsidus
SSr = 4E-6
(rptabilit)

20

Vr = 2E-7

Totale

39

3,22E-6

0,0001256

OUI

0,000

1,975 5,11 NON 0,193

VOP = 4,5E-7 2,278 2,39

OUI

0,060

Lanalyse des sources de dispersion donne :


Figure 4.11 Dcomposition de la dispersion
Source

Dispersion

% tolrance

Dispersion du moyen D
Rp = 6 2E-7 = 0,0026833
(rptabilit)

13,42 %

Dispersion
oprateur

4,47 %

Dispersion
de linteraction
Dispersion
de reproductibilit
Dispersion
sur les pices
Dispersion
de linstrument

ditions dOrganisation

9E-7 4,55E-7
D O = 6 --------------------------------------- = 0,0008944
10 2
4,55E-7 2E-7
D OP = 6 -------------------------------------- = 0,0021448
2
D Repro =

0,0008944 2 + 0,002145 2

10,72 %

11,62 %

= 0,00232382
1, 29E-7 4,55E-7
D P = 6 ------------------------------------------------ = 0,0106066
22
R&R =

2 + D2
D R2 + D O
OP = 0,00354968

53,03 %

17,75 %

117

Six Sigma

Soit
Tolrance
0,02
Cmc = ------------------------- = -------------------- = 5,36
R&R
0,00355
R&R
R&R % = ------------------------- 100
Tolrance
Cmc > 4 (ou R&R% < 25 %), linstrument est jug acceptable.
Lanalyse de la variance nous fournit galement de prcieux renseignements,
notamment
grce
aux
reprsentations
graphiques
(figure 4.12) :
La contribution la somme des carrs nous donne une information prcieuse sur le ratio entre la part prise par les pices (idalement 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
2
(rptabilit) dans instrument
, variance de linstrument.
Le graphe des effets (figure 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.

118

ditions dOrganisation

tape 2 Mesurer

Figure 4.12 Rsultat dune analyse R&R10

R&R par l'analyse de la variance


Gage name:
Date of study:

montage P121
27/06/2003

Diam by Piece
7,704

% Contribution
% Study Var
% Tolerance

50
0

PPI
7,7+/-0,01

Components of Variation

100
Percent

Reported by:
Tolerance:
Misc:

7,701
7,698

Gage R&R

Repeat

Reprod

Part-to-part

Sample

R Chart by Op
1

6
Piece

10

Diam by Op
7,704

UCL = 0,001307

0,0010
7,701
0,0005

R = 0,0004

0,0000

LCL = 0

7,698
3

Xbar Chart by Op
1

7,702
7,700

Op
Op * Piece Interaction

7,704
UCL = 7,70185
X = 7,7011
LCL = 7,70035

Average

7,704
Sample

Op 1
Op 2

7,702
7,700
1

5 6
Piece

10

2.6 Conduire une tude R&R


Cas des grandeurs non mesurables
Bien que lon cherche toujours disposer dun moyen de mesure continu, 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 figure, 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

ditions dOrganisation

119

Six Sigma

On prend toutes les prcautions pour viter que les manipulations dgradent les produits tests.
Chaque produit est examin (si possible) par un groupe dexperts
afin 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 oprateurs.
On obtient ainsi le tableau suivant (figure 4.13).
Figure 4.13 Test R&R aux attributs
Opr1
No

Rf.

Opr2

Pb rpt.

Insp 1

Insp 2

Insp 1

NC

NC

NC

NC

NC

NC

10

11

12

NC

NC

NC

13

NC

NC

NC

NC

NC

14

15

NC

120

Insp 2 Opr1 Opr2

Pb reprod.
Entre
opr

Avec
rf.

ditions dOrganisation

tape 2 Mesurer

Interprtation
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 oprateurs. 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
(figure 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 confiance 95 % de la loi
binomiale sur le score obtenu. Pour resserrer ces limites, il faut augmenter la taille de lchantillon type.
Figure 4.14 Analyse par oprateur
Oprateur 1

Oprateur 2

Opr 1

Opr 2

Total inspect

15

15

Problmes rptabilit

Problmes vs expert

Plus svre

Moins svre

Total problmes

95 % LSC

99,8 %

98,3 %

Score %

93,33 %

86,67 %

95 % LIC

68,1 %

59,5 %

Conclusion

Adapt

Pas adapt

ditions dOrganisation

121

Six Sigma

R&R Attribut
Entre oprateurs

Oprateurs vs Experts

100

95,0 % Cl

100

95,0 % Cl

Percent

Percent

90

Percent

Percent

90

80

70

80

70

60

60
1

Oprateurs

Oprateurs

Cette analyse est complte par une analyse globale (figure 4.15).

Figure 4.15 Analyse globale


Entre oprateurs

Avec lexpert

Total inspect

15

15

Problmes rptabilit

Problmes reproductibilit

Total problmes

95 % LSC

95,67 %

95,67 %

Score s %

80,00 %

80,00 %

95 % LIC

51,91 %

51,91 %

Adapt

Adapt

Lanalyse globale fait le cumul des problmes de rptabilit et de reproductibilit. On peut ainsi calculer un score qui doit tre suprieur ou gal
80 % afin quil soit acceptable.
122

ditions dOrganisation

tape 2 Mesurer

3. Mesurer le processus
Dans la seconde phase de ltape Mesurer , on va runir des informations 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 amliorer le processus sans recourir des statistiques, simplement en
figeant 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 variabilit sur le processus source de non-satisfaction des clients ? On
recherchera tous les X influents sur le centrage et sur la dispersion de
Y.
Figure 4.16 Diagramme des 5M
Matire
Pices sales

Milieu
Influence
de l'opration amont
Variation
de la composition

Main-d'uvre
Temprature extrieure

Variation de la pression
dans le rseau

Diffrence de rglage
entre les oprateurs

Diffrence
entre fournisseurs

Diffrences
entre les postes
Dispersion
de positionnement
sur les posages

Formation des nouveaux


oprateurs
Dispersion forte
Capabilit
insuffisante

Flexion
des butes franches

Vitesse
d'avance

Prise pices
non adapte
Paramtres de coupe
non robustes

Vibration machine
Afftage des outils

Moyens

ditions dOrganisation

Mthodes

123

Six Sigma

Un des outils danalyse parmi les plus utiliss est le diagramme en


arte de poisson (diagramme dIshikawa). On identifie cinq causes fondamentales 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 processus avec ses propres 5M qui doit tre matris, et le management rentre
dans la main-duvre.
partir de cette analyse, on doit identifier les lments dont on a la
garantie quils ont une faible influence 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 bloquant le plus possible toutes les petites sources de variabilit. Lanalyse 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 identifi (dcentrage et
dispersion), et trouver pour chacune sil existe une solution simple
permettant de rduire cette variabilit moindres frais. Le tableau pr-

124

ditions dOrganisation

tape 2 Mesurer

sent ci-aprs (figure 4.17) montre quelques exemples simples de


rduction de variabilit qui ont t raliss partir du diagramme des
5M (figure 4.16).
Figure 4.17 Rduction des sources de variabilit
Source de variabilit

Solution envisage

Diffrence de rglage entre


Rdaction dune fiche de poste formalisant le
les oprateurs
rglage
Formation des nouveaux oprateurs 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

Modification de la gamme
passage systmatique en machine laver

Voici les principaux moyens mis en uvre pour figer les paramtres :
modifier le processus pour figer une position ;
fixer les valeurs des constantes, mme l o cela na a priori
pas dinfluence, lorsque cela ne cote rien ;
amliorer les procdures ;
figer davantage de consignes ;
systmatiser la faon de faire ;
formaliser la faon de faire sur des documents et vrifier lapplication
partir de ces actions, on constate gnralement une rduction importante de la variabilit. Cette rduction du bruit permettra de mieux
faire ressortir dans ltape Analyser les X susceptibles de faire progresser de faon importante le processus.

ditions dOrganisation

125

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 prsents 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 problme (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 facteurs responsables du problme, mais de simplement prciser l'impact
de chaque X sur l'ensemble des Y. Cette analyse a beaucoup de similitude avec une analyse de type 5M. Elle est particulirement utile pour
faire apparatre les relations complexes lorsqu'il y a plusieurs CTQ
optimiser.
La figure 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 identifier pour chaque X son
impact sur tous les Y. S'il impacte fortement on mettra , moyennement , faiblement . Le poids de chaque X est automatiquement
calcul en faisant la somme des produits poids impact. Ainsi la
caractristique Lubrification 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 empirique. Cette note permet de calculer un coefficient de satisfaction potentiel sur chaque CTQ fonction de l'impact des X et de leur capabilit.
Ainsi le coefficient de satisfaction du premier CTQ est calcul par la
relation :
9 3 + 3 10 + 9 5 + 1 6
CS = --------------------------------------------------------------------------------- = 22 %
9 10 + 3 10 + 9 10 + 1 10
Le coefficient CS est gal 100 % si chaque X impactant le Y a une
capabilit gale 10. Le profil des coefficients de satisfaction doit reflter le profil des problmes rencontrs sur les CTQ.

126

ditions dOrganisation

tape 2 Mesurer

Lubrification

Profil des dentures

Qualit des lavages

Poids

90

51

54

1 Prcision
de marche

10

   

22

49 %

2 Robustesse
aux positions

10

 

18

65 %

3 Vitesse
de remontage

25

15

52 %

Prsence systmatique

Note de 3
capabilit

32 Somme des Niveau de


coefficients satisfaction

10

Absence

Sans rsidus

 
Profil V

N CQT :
caractristiques
critiques
du produit (Y)

Dformation au montage

Caractristique X impactant les Y


Objectifs

Cible et tolrance
ou objectif

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

ditions dOrganisation

127

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 efficace, il faut
dj connatre les analyses que lon veut raliser partir de ces donnes. 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 (figure 4.16), plusieurs sources de variabilit
potentielle ont t souleves (fournisseurs, postes) sans que lon ait
prouv rellement leur influence. La campagne de relevs devra permettre de mettre en vidence linfluence de ces diffrents facteurs.
cette fin, on doit raliser un tableau de donnes mettant en relation le
Y (la rponse) avec les X potentiels (fournisseurs, postes).
Pour simplifier 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 (figure 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
No relev

Fournisseurs

Y obtenu

1 2 3 4

10,25

1 2 3 4

10,27

1 2 3 4

10,22

128

No Poste

ditions dOrganisation

tape 2 Mesurer

Les relevs formeront un chantillon permettant danalyser le comportement 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 chantillonnages de petite taille des moments diffrents plutt quun seul
prlvement important un moment prcis. Cela permet dviter
que des donnes soient biaises par une configuration particulire, 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. Lchantillonnage retenu doit donc couvrir tout le primtre (lieu) pour
toute la priode (temps).
2. Avoir un nombre suffisamment important de valeurs. En effet,
il sera trs difficile de tirer des conclusions significatives partir
dune dizaine de valeurs. Plus il y a de valeurs, et plus les rsultats seront pertinents. Pour donner un ordre de grandeur, une
trentaine de donnes est ncessaire pour calculer le z du processus. Mais si la mesure est discrte, la taille des chantillons peut
tre beaucoup plus importante. Pour dterminer la taille ncessaire, il faut identifier 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 identifier le niveau
de qualit atteint. Pour cela, on doit mesurer le z du procd. Rappelons que lobjectif dune dmarche Six Sigma est datteindre un z suprieur 6, ce qui correspond moins de 6,4 dfauts par million
dopportunits.

ditions dOrganisation

129

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 (figure 4.20) en est une premire reprsentation. Il prsente linconvnient de donner une image difficilement
interprtable lorsque les donnes sont tales selon une grande plage
de mesure.
Figure 4.20 Diagramme des frquences
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

7,682

7,688

7,694

7,700

7,706

7,712

7,718

7,724

Diam 7,7

Pour les raisons qui viennent dtre dites, on lui prfre la reprsentation sous forme dhistogramme (figure 4.21) qui donne une meilleure
image de la rpartition des valeurs.

130

ditions dOrganisation

tape 2 Mesurer

Figure 4.21 Histogramme

Histogramme du Diam 7,7


Normal
16
14

Mean 7,704
St Dev 0,007686
N
50

Moyenne

Frquence

12

Classe

10

cart type

Largeur
de classe

6
4
2
0
7,68

7,69

7,70

7,71

7,72

tendue
Diam 7,7

Dfinition
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 NC est proportionnel au nombre de valeurs N ; on prend en
gnral N C =

10 log ( N )
N ou N C = 1 + ----------------------3

La largeur de classe doit correspondre un multiple de la rsolution de


linstrument de mesure. Ainsi, sur lhistogramme (figure 4.21), la largeur de classe est gale 0,005 pour un instrument de mesure qui donnait des valeurs avec une rsolution de 0,001.

ditions dOrganisation

131

Six Sigma

4.1.2 Calcul des paramtres de position et de dispersion


Une fois que lon dispose de ces donnes, on va chercher qualifier la
position et la variabilit de la population. Pour qualifier 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.
n

i=1
X = -------------n

Loi de Gauss :

Xi

1
--------------e
2

n 1 = S =

1 X
--- -------------
2

( Xi X )2

i=1
------------------------------n1

Moyenne
Modle : loi de Gauss
Moyenne ?
cart type ?

cart type
Point d'inflexion

Observation d'un chantillon


Moyenne X
cart type S

tendue

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 reprsente la distance entre la moyenne et le point dinflexion de la courbe.

132

ditions dOrganisation

tape 2 Mesurer

4.1.3 Dispersion court terme et dispersion long terme


Dans un processus, on dissocie deux types de dispersion (figure 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 rgulire sur une semaine de production pour calculer sigma, un autre de
30 relevs galement reprsente 5 minutes de production. En appliquant 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

ditions dOrganisation

133

Six Sigma

Figure 4.22 Sigma court terme et long terme

LT

4LT

Long terme :
ZLT = 4 ou Cpk = 1,33

Court terme :
ZST = 6 ou Cp = 2

6ST

3,4
ppm

3,4
ppm
6

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. Cependant, les entreprises qui pratiquent de manire intensive la mthode
demandent en gnral une performance du processus telle que
ZLT = 4, ce qui correspond un Ppk = 1,33 (on dfinira dans la prochaine section de ce chapitre la notion de Ppk).

134

ditions dOrganisation

tape 2 Mesurer

4.1.4 Dtermination du z partir dun chantillon


Figure 4.23 Loi normale et capabilit

Limite
spcification
Sup(LSS)

z1

(LSS)
z2

Dfauts

Mauvaise capabilit, z faible

Bonne capabilit, z lev

Un processus sera capable de donner satisfaction aux clients si sa dispersion 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 :
LSS X
z = ------------------
Sil existe une spcification Sup et Inf, on peut calculer un z pour chaque spcification.
Relation entre le z et le % de non conformes
Figure 4.24 Relation entre le z et la proportion hors tolrance

LSS = 10
Y = 6,98
z1

=2

% dfauts
= 6,55 %

z
0,0
0,5
1,0
1,5
2

0,00
0,5000
0,3085
0,1587
0,0668
0,0228
Z1 =

ditions dOrganisation

0,01
0,4960
0,3050
0,1562
0,0655
0,0222

0,02
0,4920
0,3015
0,1539
0,0643
0,0217

10 6,98
= 1,51
2

135

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 rsums. Dans lexemple prsent (figure 4.24), le z1 = 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 (figure 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

Point d'inflexion

-5

68,26 %
95,44 %
99,73 %
99,9999976 %

Ainsi entre 3, on a 99,73 % de la population et seuls 2 produits par


milliard excdent 6.
Dfinition de la dispersion : la dispersion du procd est dfinie par
lintervalle 3 .
Calcul du zprocess en tenant compte dun dcentrage

136

ditions dOrganisation

tape 2 Mesurer

Figure 4.26 Calcul de z en tenant compte dun dcentrage de 1,5

LSI

LSS
1,5

% dfauts

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 dvelopperons au chapitre 7, Contrler/matriser, on ne sait pas bien dtecter
un dcentrage infrieur 1,5 cart type. Le lecteur averti pourra vrifier sur les courbes defficacit 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 zprocessus
Ce qui permet de dterminer le tableau des non-conformits en fonction du zprocessus (figure 4.27).

ditions dOrganisation

137

Six Sigma

Figure 4.27 Dfauts par million en fonction du niveau de qualit z


Niveau de qualit z

ppm centr
dans les tolrances

ppm avec un dcalage


de 1,5

317310,52

697672

1,5

133614,46

501350

45500,12

308770

2,5

12419,36

158687

2699,93

66811

465,35

22750

63,37

6210

4,5

6,80

1350

0,574

233

5,5

0,03807

0,00198

3,4

6,5

0,00008

0,29

0,00000

0,019

7,5

0,00000

0,0010

0,00000

0,000040

3
3,5
4

32

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

138

ditions dOrganisation

tape 2 Mesurer

Figure 4.28 Distribution de Weibull

Analyse de capabilit de Y
USL = 10

LSL = 0

Potential Capability

Process Data
LSL
0,00000
Target
*
USL
10,00000
Mean
1,78227
Sample N
100
St Dev (Within)
1,00989
St Dev (Overall) 1,05708

CP
CPL
CPU
Cpk

1,65
0,59
2,71
0,59

Overall Capability
Pp
PPL
PPU
Ppk
Cpm

0,0
Observed Performance
PPM < LSL
PPM > USL
PPM Total

1,5

3,0

4,5

Exp. Within Performance

0,00
0,00
0,00

PPM < LSL


PPM > USL
PPM Total

LSL = 0

38797,50
0,00
38797,50

6,0

7,5

9,0

10,5

Exp. Overall Performance


PPM < LSL
PPM > USL
PPM Total

Analyse de capabilit de Y
Distribution de Weibull

45894,87
0,00
45894,87

USL = 10
Overall Capability

Process Data
LSL
Target
USL
Mean
Sample N
Shape
Scale

Pp
PPL
PPU
Ppk

0,00000
*
10,00000
1,77445
100
1,69661
1,98847

1,66
1,03
1,89
1,03

Exp. Overall Performance


PPM < LSL
PPM > USL
PPM Total

Observed Performance
PPM < LSL
PPM > USL
PPM Total

1,58
0,56
2,59
0,56
*

0,000000
0,186817
0,186817

0
0
0

0,0

1,5

3,0

4,5

6,0

7,5

9,0

10,5

Dans cet exemple (figure 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.

ditions dOrganisation

139

Six Sigma

La loi de Weibull est une loi de distribution souvent utilise en fiabilit


qui permet de reprsenter diffrentes formes de distribution en fonction des paramtres de la loi (figure 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 :
x
--
-

F(x) = 1 e
Et voici la fonction de densit de probabilit :
x

---
f(t) = ------ x 1 e

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
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

Le choix du paramtre sera trs important pour dfinir le type


de distribution modlis par la loi de Weibull.
Le choix du paramtre dfinit le changement de lchelle de la
distribution.

140

ditions dOrganisation

tape 2 Mesurer

Toute la difficult dans lutilisation de la loi de Weibull rside dans


lestimation des paramtres. Plusieurs mthodes permettent dy satisfaire, 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 mathmatique de la grandeur afin 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 disposent dalgorithmes permettant de trouver la valeur du coefficient
qui optimise la transformation.

Ex
Exemple de transformation de Box
Un relev de donnes a conduit lhistogramme prsent ciaprs (figure 4.30) qui visiblement ne suit pas une loi normale.
Aprs transformation des donnes par la relation Y1 = Y0,3, on
trouve un second histogramme qui suit une loi normale.
Figure 4.30
Distribution non normale et transformation de Box
Histogramme de Y1 = Y0,3
Normal

Histogramme de Y
Loi normale
Mean 0,7492
St Dev 0,1264
N
100

20

15
Frquence

Frquence

15
10
5
0
0,2

Mean 0,7492
St Dev 0,1264
N
100

20

10
5
0

0,0

0,2

0,4

0,6
Y

ditions dOrganisation

0,8

1,0

1,2

0,45

0,55

0,65

0,75
Y

0,85

0,95

1,05

141

Six Sigma

Pour calculer la probabilit de produits hors spcification, on utilise 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 possible de calculer le z du procd au moyen des mthodes exposes prcdemment.
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 figure :
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 opportunits de dfauts (semelle dcolle et couture dcousue). Sur une journe 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.

142

ditions dOrganisation

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 partir du tableau T1 des Tables et rsums et galement dans le
tableau prsent en figure 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 :
z = 0,8406 + 29,37 2,221 ln(ppm)
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 donnerait un pourcentage de dfauts de 5000 ppm.
Figure 4-31
Six Sigma en tenant compte dun dcentrage de 1,5 sigma

1,5

5 000
ppm

0
ppm
3

En utilisant sur Excel la fonction LOI.NORMALE.STANDARD.INVERSE


(0,005), on trouve le zquivalent= 2,57, auquel il convient de rajouter le
dcalage de 1,5. Ce qui donne : zprocess = 2,57+ 1,5 = 4,07
ditions dOrganisation

143

Six Sigma

Remarque
Le zprocess est parfois appel zcourt terme. Le zquivalent est alors appel
zLong terme

Relations
Nombre de dfauts = D
Nombre dunits = U
Dfaut par unit = DPU=D/U
zquivalent = zlong terme = z dune loi normale

(0,1) pour p = DPU

zcourt terme = zquivalent + 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 comprenant dix opportunits de dfauts. Si lon veut pouvoir faire des
comparaisons entre plusieurs processus ayant des niveaux de complexit diffrents, il est parfois intressant dutiliser la notion de DPO
plutt que celle de DPU.
Le tableau prsent ci-aprs (figure 4.32) donne un exemple de calcul
du z partir des DPO.
Figure 4.32 DPO et DPU
Nb de Nb de
produits dfauts

DPU

Nb
opportunits

DPO

Zquiva Zprocess

D/U

Op

D/(UOp)

1eDPO

Ze

Ze +1,5

500

14

0,028000

25

0,00112

0,00112

3,06

4,56

2563

25

0,009754

0,00975

0,00971

2,34

3,84

1462

0,000684

0,00014

0,00014

3,64

5,14

250

0,016000

0,01600

0,01587

2,15

3,65

120000

12

0,000100

0,00002

0,00002

4,11

5,61

144

ditions dOrganisation

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 106
Proportion dunits dfectueuses = p = 1 eDPO
zquivalent = zlong terme = z ~ (0,1)
zprocess = zcourt terme = zquivalent + 1,5

Pour trouver le z dans ce cas de figure, il faut dterminer le pourcentage 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 (eDPO), sachant que la
probabilit dopportunit de dfaut est gale DPO. Le nombre dunits avec un ou plusieurs dfauts sera donc le complment et p est calcul au moyen de la relation :
p = 1 eDPO
Comme dans le cas des DPU, le zquivalent est dtermin par assimilation une loi normale qui donnerait un pourcentage p de dfaut.
Le zprocess (ou zcourt 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 afin 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 (figure 4.33).

ditions dOrganisation

145

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

zLong terme opration = z ~ (0,1) qui aurait une proportion DPU de


non conformes
zcourt terme opration = zLong terme + 1,5
Rendement de lopration = YOp = eDPU
Rendement cumul du processus = Ycumul =YOpe (produit des YOpe)
Nombre dunits ncessaires pour produire 1 unit conforme
=1/Ycumul
Rendement normalis = Y norm =

Y Cumul

Dfaut par unit normalis = DPUnorm = ln(YNorm)


z du processus complet = zYnorm +1,5
Dans lexemple (figure 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 calculer un z du processus qui tiendra compte de la complexit de celui-ci
et donc du nombre dtapes.
Y norm =

Y Cumul =

10

0,32 = 0,89

DPUnorm = ln(YNorm) = 0,115


zProcessus = 1,20 + 1,5 = 2,7

146

ditions dOrganisation

tape 2 Mesurer

Figure 4.33 Rendements par opration et cumul


1

10

Unit

1000

950

800

1050

660

860

900

650

980

680

Dfaut

105

312

130

122

13

62

115

82

87

DPU

0,11

0,33

0,16

0,12

0,02

0,07

0,13

0,01

0,08

0,13

zLT Ope

1,25

0,44

0,98

1,19

2,06

1,46

1,14

2,30

1,38

1,14

zCT 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

Rendements
1

Rendement en proportion

0,9
0,8
0,7
0,6

Opration

0,5

Cumul

0,4
0,3
0,2
0,1
0
1

10

Oprations

5. Identifier 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.

ditions dOrganisation

147

Six Sigma

Cependant, il demeure malgr tout un indicateur de capabilit relativement 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 indispensables danalyse dans un projet Six Sigma.

5.1 Capabilit et performance


Dans le schma prsent plus haut en figure 4.22, nous avons montr
quon pouvait identifier 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 dispersion (dfinie comme tant lintervalle 3) sera faible devant lintervalle de tolrance (figure 4.34). On peut donc dfinir un indicateur de
capabilit du procd , Cp, par la relation :
Tolrance
LSS LSI
C p = ---------------------------------------------------------- = ----------------------------Dispersion court terme
6 Court terme
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.

148

ditions dOrganisation

tape 2 Mesurer

Figure 4.34 Cp : capabilit du procd


Mauvaise capabilit, Cp faible
LSI

Bonne capabilit, Cp lev


LSS

LSI

LSS

Dispersion = 6

Dispersion = 6

Prise en compte du dcentrage Cpk


Figure 4.35 Indice Cpk

LSI

Cpkl =

Cible

LSS

LSI
3

LSS

Cpku =

LSS
3

3
Dispersion = 6

Lindicateur Cp est calcul dans une situation centre. En cas de dcentrage 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
(figure 4.35).
LSI
LSS
Cpk = min ----------------------------- ;-----------------------------
3 Court terme 3 Court terme
Le Cpk est un indicateur qui se dgrade proportion du pourcentage
de produits non conformes.

ditions dOrganisation

149

Six Sigma

Prise en compte du dcentrage Cpm


Figure 4.36 Indice Cpm

LSI

Cible

LSS

LSS

L = K(Y Cible) 2
L = K[ 2 + ( Cible) 2]
Cpm =

LSS LSI
6 2 + ( Cible) 2

3
Dispersion = 6

Une autre faon de tenir compte du dcentrage consiste considrer la


perte financire qui en dcoule. Taguchi a dmontr que cette perte
financire 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 dfini par la relation :
LSS LSI
Cpm = -------------------------------------------------6 2 + ( Cible ) 2
Le Cpm est un indicateur qui se dgrade proportion du cot de nonqualit.

Relations entre Cp, Cpk, Cpm et z


Compte tenu des relations que nous venons de dfinir, nous avons :
Cp Cpk ; les deux indicateurs sont gaux lorsque le procd est
centr.

150

ditions dOrganisation

tape 2 Mesurer

Cp Cpm ; les deux indicateurs sont gaux lorsque le procd est centr.
Cp
Cpm est reli Cp et Cpk par la relation : Cpm = ----------------------------------------------1 + 9 ( Cp Cpk ) 2
Lobjectif Six Sigma (z > 6) avec un dcentrage de 1,5 peut se traduire par la relation :
z > 6 Cp >2 et Cpk > 1,5 ; Cpm > 1,11

5.1.2 Performance Pp, Ppk, Ppm


Les indicateurs Pp, Ppk, Ppm sont des indicateurs de performance calculs partir de la dispersion long terme. Les formules permettant de
les calculer sont donc les mmes que pour Cp, Cpk et Cpm ; il suffit de
remplacer court terme par Long terme. On a donc :
Tolrance
LSS LSI
P p = -------------------------------------------------------- = ---------------------------Dispersion long terme
6 Long terme
LSI
LSS
Ppk = min ---------------------------- ;----------------------------
3 Long terme 3 Long terme
LSS LSI
Ppm = ---------------------------------------------------------------------2
2
6 Long
terme + ( Cible )
Pour ces indicateurs, on considre gnralement un procd performant 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 suffit de calculer lestimateur n-1 sur un chantillon reprsentatif de la production sur le long terme.

ditions dOrganisation

151

Six Sigma

n 1 = S =

( Xi X )2

i=1

-------------------------------n1

Par exemple, on peut estimer lcart type long terme en contrle de


rception dun lot. On prlve 50 units dun lot de production. partir 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 production (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 production.
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/d2 = R/1,128


152

ditions dOrganisation

tape 2 Mesurer

Ex
Exemple mthode 2
Une entreprise fabrique des tubes haute frquence en petite srie
(production journalire de 3 tubes). Un relev sur une caractristique 120 15 de 30 tubes raliss conscutivement a donn :
Figure 4.37 chantillonnage exhaustif
No

Interv

No

No

11

124,6

1,5

Interv

Interv

21

119

0,1

122,1

119,4

2,7

12

121,9

2,7

22

118,9

0,1

124,2

4,8

13

121,7

0,2

23

124

5,1

127,8

3,6

14

124,6

2,9

24

119,7

4,3

128,1

0,3

15

125,4

0,8

25

119,4

0,3

130,1

16

121,6

3,8

26

118,5

0,9

122

8,1

17

126,5

4,9

27

125,9

7,4

125

18

127,3

0,8

28

122,6

3,3

129,3

4,3

19

129,1

1,8

29

127,1

4,5

10

123,1

6,2

20

30

118

9,1

118,9

Film de la production de Y
140
135

Intervention

130
125
120
115
110
105
1

11

13

15

17

19

21

23

25

27

29

Pour chaque couple de produits conscutifs, on calcule ltendue


R entre les deux valeurs. Dans lexemple choisi (figure 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.

ditions dOrganisation

153

Six Sigma

On obtient :
R = 3,20 donc Court terme = R/d2 = 3,20/1,128 = 2,83
X = 123,53
Sur lensemble des valeurs, on peut calculer Long terme = 3,62
Do les indicateurs :
30
LSS LSI
Cp = ----------------------------- = -------------------- = 1,76
6 Court terme
6 2,83
LSS
135 123,5
Cpk = ----------------------------- = ----------------------------- = 1,35
3 Court terme
3 2,83
LSS LSI
Cpm = ---------------------------------------------------------------------2
2
6 Court
terme + ( Cible )
30
= --------------------------------------------------------------------- = 1,10
6 2, 83 2 + ( 123,53 120 ) 2
30
LSS LSI
Pp = ---------------------------- = -------------------- = 1,38
6 Long terme
6 3,62
LSS
135 123,5
Ppk = ---------------------------- = ----------------------------- = 1,06
3 Long terme
3 3,62
LSS LSI
Ppm = --------------------------------------------------------------------2
6 Long terme + ( Cible ) 2
30
= ------------------------------------------------------------------- = 0,99
2
6 3,62 + ( 123,53 120 ) 2
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/d2
partir de la moyenne des carts types S : court terme = S/c4
154

ditions dOrganisation

tape 2 Mesurer

partir de la moyenne pondre des variances lintrieur de chaque


v i S i2

-------------- vi

chantillon : Court terme =


avec

i nombre de degrs de libert = n 1


Si : estimateur de lcart type calcul sur les n valeurs de lchantillon

Ex
Exemple mthode 3
Prenons lexemple de donnes dune carte de contrle avec
comme tolrance 07 (figure 4.38).
Figure 4.38 Donnes dune carte de contrle
1

10

Total

Moyenne

0,6

1,4

1,8

0,2

1,4

0,2

1,2

0,4

1,6

0,4

tendue

1,14

2,07

1,30

1,48

1,67

1,79

1,79

1,14

1,95

1,14

cart type

ditions dOrganisation

155

Six Sigma

Carte Xbar/R
UCL = 2,24953

Sample Mean

2
1

X=0

0
1
2

LCL = 2,24953
1

10

Sample
UCL = 8,24650

Sample Range

8
6

R = 3,9

4
2

LCL = 0

0
1

10

Sample

Analyse de capabilit
LSL = 7

Tar = 0

USL = 7
Potential Capability

Process Data
LSL
Target
USL
Mean
Sample N
StDev (Within)
StDev (Overall)

Cp
CPL
CPU
Cpk

7,00000
0,00000
7,00000
0,12000
50
1,59423
1,81217

Overall Capability
Pp
PPL
PPU
Ppk
Cpm

6
Observed Performance
PPM < LSL
PPM > USL
PPM Total

156

0,00
0,00
0,00

1,46
1,49
1,44
1,44

Exp. Within Performance


PPM < LSL
PPM > USL
PPM Total

3,98
7,96
11,94

1,29
1,31
1,27
1,27
1,29

Exp. Overall Performance


PPM < LSL
PPM > USL
PPM Total

42,65
73,36
116,01

ditions dOrganisation

tape 2 Mesurer

partir de ce tableau, nous pouvons tirer la moyenne des


moyennes X et la moyenne des tendues R ou des carts types S
(selon que lon travaille avec une carte Moyennes/tendues ou
Moyennes/carts types).
X = 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/c4 = 1,548/0,94 = 1,64
partir de R : court terme = R/d2 = 3,9/2,326 = 1,68
partir de la moyenne des variances
Court terme =

S2

-----------i
10

= 1,58

Nous pouvons donc calculer :


IT
Cp = ----------------------------------- = 1,46
6 Court terme

TS X
Cpk = ----------------------------------- = 1,44
3 Court terme

Lcart type long terme se calcule sur lensemble des valeurs


individuelles :

Long

terme

= 1,80

14
IT
Pp = ---------------------------------- = -------------------- = 1,29
6 1,80
6 Long terme
6,88
TS X
Ppk = ---------------------------------- = -------------------- = 1,27
3 1,80
3 Long terme

5.3 La chute des capabilits


Dans ce chapitre, nous avons montr comment mesurer diffrents indicateurs de capabilit :
Cmc : Capabilit du moyen de contrle.
Cp, Cpk, Cpm : Capabilit court terme du procd.
Pp, Ppk, Ppm : Performance long terme du procd.

ditions dOrganisation

157

Six Sigma

Figure 4.39 Lorigine de la non-qualit

Cible

Problme de dispersion
court terme, Cp < 1
Cible

Problme de centrage
Chute entre Pp et Ppk

Cible

Problme de stabilit
Chute entre Cp et Pp
Cible

Problme de stabilit (chute entre Cp et Pp)


et de centrage (chute entre Pp et Ppk)

Pour les indicateurs Cmc, Cp, Pp, nous avons montr quil sagit toujours du ratio entre la tolrance et la dispersion (6). La relation qui
existe entre tous ces indicateurs est charge dune information considrable quil faut absolument exploiter dans une dmarche Six Sigma.

158

ditions dOrganisation

tape 2 Mesurer

Figure 4.40 Chute des capabilits (court terme et long terme)

Mesure
R&R < 0,25
ou Cmc > 4

Condition
d'acceptation
d'un processus
Court terme
ZST > 6
ou Cp > 2
Stabilit
du procd

Long terme
Pp

Centrage
du procd

Condition
d'acceptation
d'un lot

Long terme
avec dcentrage
ZLT > 4
Ppk > 1,33

Perte de capabilit

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 zCourt 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 consignes et la dispersion long terme sera proche de la dispersion court
terme.

ditions dOrganisation

159

Six Sigma

Figure 4.41 Chute entre Cp et Pp

Cote

Dispersion
court terme

Cote

Dispersion
court terme
Dispersion
long terme

Dispersion
long terme
Variation de consigne

Variation de consigne

Temps

Procd non stabilis

Temps

Procd stabilis

On peut quantifier 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 quantifier cette chute entre le Pp et le Ppk
par le rendement de rglage (Rr) :
Rr % = 100(Ppk/Pp)
Enfin, 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 ZLT = 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 performance 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 fondamental, 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 (figure 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 drglement sur le court terme peut trs rapidement tre compens.

160

ditions dOrganisation

tape 2 Mesurer

Figure 4.42 Tableau des capabilits


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 %

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 figure 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 insuffisante. Une action mthode
ou maintenance simpose. Nous ne pouvons probablement pas rsoudre le problme dans latelier. Il faut soit modifier la gamme de fabrication, soit rparer la machine dans le cas dune dtrioration de la
capabilit court terme par rapport la capabilit court terme historique.

ditions dOrganisation

161

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 suprieur 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 figure gnre une perte suprieure au cas
Pp = 1,33 et Ppk = 1,33. Cela peut tre dlicat dans le cas dun tolrancement statistique.

162

ditions dOrganisation

Chapitre 5

tape 3 Analyser

1. Introduction
Aprs avoir accompli les tapes Dfinir et Mesurer , on a parfaitement identifi les caractristiques critiques pour la qualit (CTQ) et
on dispose dun moyen de mesure permettant de les quantifier. Lors de
ltape Mesurer , on a galement pu mettre en place une campagne
dobservation du processus afin de rcolter des donnes fiables.
Ltape Analyser a pour objectif daugmenter notre connaissance du
processus afin de dcouvrir les causes racines de la variabilit et de
la performance insuffisante. la fin de cette tape, on doit avoir une
ide trs prcise des sources dinsatisfaction et des paramtres qui
devront tre modifis 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

163

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 afin 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.

164

ditions dOrganisation

tape 3 Analyser

Figure 5.1 tape Analyse

Graphe multivari
Test de comparaison
Analyse de la variance
Test de corrlation

Normalit
Causes spciales
Valeurs aberrantes
Chute des capabilits
Process Capability Sixpack pour Y
Carte X barre et R
10,35

Moyenne

10,5
10,4
10,3
10,2
Y
10,1
10,0
9,9
9,8

Histogramme des aptitudes

UCL = 10,28

10,20
Moy = 10,14
10,05
LCL = 9,996
9,90

Sous-grp. 0

9,8

10

10,2

tendue

0,4
R = 0,2486

0,2
0,0

LCL = 0
10,00

Dern 10 sous-groupes

Valeurs

Matin

Aprs-midi

10,6

Droite de Henry

0,6

l'intrieur de

10,30

Ec Typ : 0,106871
CP :
1,25
Cpk : 0,81

10,05

Global(e)

9,80

Ec Typ : 0,184410
CP :
0,72
Cpk : 0,47
0

4
5
6
7
Nombre de sous-groupes

10,25

10,50

Graphique des aptitudes

10,55

Tolrance d'un procd


l'intrieur de
Global(e)
Spcifications
96

104

10

Bruits

X(S)
Analyse des X

Observation des Y

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.

ditions dOrganisation

165

Six Sigma

2. Reprsentation graphique de donnes


La reprsentation graphique des donnes est un premier niveau
dinterprtation. Lorsque lon dispose simplement dun tableau de relevs tel que celui du tableau prsent ci-aprs (figure 5.2), il est trs difficile de se faire une ide de la rpartition de ces donnes. Nous avons
dj abord certaines prsentations graphiques dans les chapitres prcdents, 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
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

La bote moustache est couramment utilise pour reprsenter les distributions de population. Dans cette reprsentation (voir figure 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.

166

ditions dOrganisation

tape 3 Analyser

Pour dfinir 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 dfinies prcdemment. Ils sont gnralement reprsents par des astrisques (*).
Le trait sparant la bote reprsente la mdiane (50 % des
valeurs).
Figure 5.3 Bote moustache

Bote moustache du Diam 7,7


7,73
Moustaches

Diam 7,7

7,72

Troisime quartile
(75 %)

7,71

Mdiane

Bote

Premier quartile
(25 %)

Valeur aberrante

7,70

7,69

7,68

Ce type de reprsentation est particulirement utile pour visualiser la


symtrie dune rpartition.

ditions dOrganisation

167

Six Sigma

2.2 Le diagramme multi-vari


Le diagramme multi-vari prsente lintrt de reprsenter sur un mme
graphique linfluence de plusieurs X sur une rponse Y. Ce diagramme
doit beaucoup Dorian SHAININ11 qui a identifi 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)
Variations temporelles
Variation dune quipe lautre,
Variation matin et soir,
Variation entre les jours de la semaine
Aprs avoir recherch les grands types de variations pouvant concerner 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 (figure 5.4) a
permis didentifier :
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.

168

ditions dOrganisation

tape 3 Analyser

Figure 5.4 Type de variations

P4

P3

P1
P2

Variations de position
ou l'intrieur d'une unit
Position sur le plateau

Lot matire
Fournisseur
Variations cycliques
ou d'une unit l'autre

Oprateur
Matin/A-M
Variations temporelles

La saisie de donnes pour pouvoir raliser le multi-vari est en fait un


plan dexpriences complet (voir chapitre Innover/amliorer) et se rapporte ainsi :

ditions dOrganisation

169

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

170

ditions dOrganisation

tape 3 Analyser

Le multi-vari se prsente de la faon suivante :


Figure 5.6 Multi-vari

Multi-vari pour pb usinage


Am Midi
P1

Matin

Am Midi

P2

P3

10,05

10,04

Hauteur

Matin
P4

Lot
Lot 1
Lot 2
Lot 3

10,03

10,02

10,01

10,00

9,99
Am Midi

Matin

Am Midi

Matin

Heure
Panel variable : Poste

Interprtation
Le no de lot na pas dinfluence 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 influence 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 confirme 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.

ditions dOrganisation

171

Six Sigma

2.3 Diagramme des effets


et diagramme des interactions
Le diagramme des effets et le diagramme des interactions sont des diagrammes proches du diagramme multi-vari. Ils ont pour but de montrer graphiquement des relations entre un Y et des X.
Si nous reprenons les donnes du diagramme multi-vari (figure 5.5),
nous pouvons tablir le tableau des moyennes (figure 5.7). Par exemple, la moyenne de la modalit Matin du facteur Heure est obtenue 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

10,0205 Matin

10,0097

10,0109

Niveau 2

10,0176 Aprs-midi

10,030

10,0023

Niveau 3

10,0195

10,0305

Niveau 4

10,0358

172

ditions dOrganisation

tape 3 Analyser

Figure 5.8 Graphe des effets

Graphe des effets


Heure

Poste

10,04

Moyenne des mesures


du matin

10,03

Mean of Moyenne

10,02
10,01
10,00
Am Midi

Matin

P1

P2

P3

P4

Lot

10,04
10,03
10,02
10,01
10,00
Lot 1

Lot3

Lot3

Le graphe des interactions va montrer linfluence dun facteur dans les


conditions particulires dun autre facteur. En reprenant les deux effets
importants : Poste et Heure, nous pouvons tablir le tableau des interactions (figure 5.9).
Figure 5.9 Tableau des interactions
Poste
P1
Heure

P2

P3

P4

Matin

10,0001

9,9958

10,0196

10,0237

Aprs-midi

10,0219

10,0087

10,0416

10,0480

ditions dOrganisation

173

Six Sigma

Figure 5.10 Graphe des interactions

Graphe des interactions


10,05

Heure
Ap Midi
Matin

10,04

Effet du poste
mesur l'aprs-midi

Mean

10,03

10,02

10,01

Effet du poste
mesur le matin

10,00

9,99
P1

P2

P3

P4

Poste

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 statistique dun ensemble de donnes se dcomposant en trois lments :
identification 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 graphiques ou des paramtres numriques. Le tableau suivant (figure 5.11)
donne les lments le plus souvent utiliss pour les caractriser.

174

ditions dOrganisation

tape 3 Analyser

Figure 5.11 Caractrisations les plus communes


Numrique

Graphique

Forme

Skewness
Kurtosis

Bote moustaches
Histogramme
Diagramme des probabilits

Position

Moyenne
Mdiane

Bote moustaches
Histogramme
Diagramme de corrlation

tendue
cart type
Variance
Inter-percentile

Bote moustaches
Histogramme

Dispersion

Figure 5.12 Rpartition de Gauss

Moyenne
Modle : loi de Gauss
Moyenne
cart type

cart type

Observation d'un chantillon


Moyenne X
cart type S

tendue

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 X . De mme, la vraie valeur de lcart
type est note , et son estimateur S.
ditions dOrganisation

175

Six Sigma

La figure suivante (figure 5.13) donne un exemple de rsum graphique de statistique descriptive, fourni par Minitab. Lestimation des
paramtres dchelle et de position est donne par une estimation et
par un intervalle de confiance. Dans ce cas, lestimation de la moyenne
est de 7,7037, et lintervalle de confiance ayant 95 % de chance
dinclure est de [7,7015 7,7059].
Figure 5.13 Statistiques descriptives avec Minitab

Statistiques descriptives du Diam 7,7


Anderson-Darling Normality Test

7,68

7,69

7,70

7,71

7,69

7,70

7,71

7,72

0,24
0,316

Mean
St Dev
Variance
Skew ness
Kurtosis
N

7,7037
0,0077
0,0001
0,117743
0,823668
50

Minimum
1st Quartile
Median
3rd Quartile
Maximum

7,72

*
7,68

A-Squared
P-Value

7,73

95 % Confidence intervals

7,6820
7,6990
7,7030
7,7093
7,7240

95 % Confidence Interval for Mean


7,7015
7,7059

Mean

95 % Confidence Interval for Median


7,7020
7,7060

Median

95 % Confidence Interval for St Dev


0,0064
0,0096
7,701

7,702

7,703

7,704

7,705

7,706

3.1 Paramtres de position


Comme son nom lindique, un paramtre de position donne une indication sur la position de la distribution par rapport la grandeur mesure. Voici les principaux indicateurs :
n

Xi

i = 1
la moyenne X = ----------------------n

176

ditions dOrganisation

tape 3 Analyser

la mdiane Y qui reprsente la valeur telle quil y a autant de


valeurs dun ct que de lautre. Dans le cas de rpartition symtrique, la mdiane et la moyenne sont thoriquement identiques.
Sur chacun de ces indicateurs, on peut calculer un intervalle de confiance. Prenons le cas de la moyenne. On dispose dun chantillon
partir duquel on calcule une estimation de la moyenne X 1 . Un autre
tirage dchantillon aurait donn une autre estimation X 2 . Mais ce qui
nous intresse, ce nest pas X , mais , la vraie moyenne de la population.
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 X . Les moyennes suivent une loi normale
dcart type n (figure 5.14).
Figure 5.14 Intervalle de confiance sur les moyennes

S
Min ( ) = X t 2 ------n
Rpartition
des moyennes

<

<

S
Max ( ) = X t 2 ------n

Rpartition
des moyennes

X =
/

X = /

Population

Relation entre l'cart type de la


population () et l'cart type de la
rpartition des moyennes X = /

X
n

2,5 %

/2 = 2,5 %

Lorsque est connu, compte tenu de la position de X, il est facile de


trouver lintervalle de confiance donnant 95 % de chances de trouver
.
ditions dOrganisation

177

Six Sigma

X z 2 --------- < < X + z 2 --------n


n
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 population. Mais gnralement, sigma est inconnu. On doit le remplacer par
son estimateur S et utiliser la loi de Student. La relation devient :
S
S
X t 2 --------- < < X + t 2 --------n
n
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.

Ex
Exemple
Dans le cas de la figure 5.13, on avait :
X =7,7037
S = 0,0077
n = 50 soit 49 ddl
t/2 = 2,0096
Lintervalle se calcule par la relation :
0,0077
0,0077
7,7037 2,0096 -------------------- < < 7,7037 + 2,0096 -------------------50
50
Soit 7,7015 < < 7,7059
178

ditions dOrganisation

tape 3 Analyser

3.2 Paramtres dchelle


Les paramtres dchelle donnent une ide de la dispersion des mesures.
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 dfinie lorsque la taille des chantillons augmente.
n

( Xi X )2
n 1 = S =

i=1

-------------------------------- est un estimateur de lcart type


n1

Il existe une relation entre ltendue pour une taille dchantillon donne et lcart type.
R
= ------d 2*
Le coefficient d 2* dpend la fois de la taille de lchantillon et du
nombre dchantillons qui ont permis de calculer R . Lorsque ce nombre est lev (> 15), on remplace d 2* par d 2 .
ditions dOrganisation

179

Six Sigma

Figure 5.15 Coefficient d 2 pour lestimation de partir de R


Nombre dchantillons

Nombre de mesures
par chantillon

10

11

12

13

14

15

>15

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

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 : Y = X 1 + X 2 , en supposant lindpendance de X1 et X2, on peut crire Y = X 1 + X 2 (additivit des moyennes) et V( Y ) = V( X 1 ) + V( X 2 ) (additivit des variances).
En revanche, la relation ( Y ) = ( X 1 ) + ( X 2 ) est fausse. Cela a plusieurs 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 coefficient correcteur c4 et on obtient les relations suivantes :

Vi
------------

V =

--1- S i
k
S
---et = -------------c4 = c4

Figure 5.16 Coefficient c4 pour lestimation de partir de S


n
c4

10

0,7979 0,8862 0,9213 0,9400 0,9515 0,9594 0,9650 0,9693 0,9727

Lintervalle de confiance pour les carts types peut galement tre


donn en utilisant les proprits de la loi de distribution des estimateurs S par rapport lcart type .
180

ditions dOrganisation

tape 3 Analyser

Si on pose comme notation :


Si : n-1 de lchantillon i (estimation de lcart type calcul sur
n valeurs)
: cart type de la population totale
S i2
on peut montrer que le rapport : R = ( n 1 ) -----2- est distribu selon

une loi du 2.
Les valeurs de 2 pour une probabilit p donne se trouvent en fonction du nombre de degrs de libert = (n1) dans la table de 2.
S2
On peut crire : (2 2 ) < ( n 1 ) -----i- < (21 2 ) qui permet de donner
2
lintervalle de confiance sur lcart type :
(2 2 )
(21 2 )
S ----------------- < < S --------------------(n 1)
(n 1)

Ex
Exemple
Dans le cas de la figure 5.13, on avait :
S = 0,0077
2
2
n = 50 soit 0,025
= 31,55 et 0,975
= 70,22 pour 49 degrs de
libert

ce qui permet de calculer lintervalle :


70,22
31,55
0,0077 -------------- < < 0,077 -------------- soit [0,0062 0,0092]
49
49

ditions dOrganisation

181

Six Sigma

3.3 Identification 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 :
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.

Pour montrer ce phnomne, prenons lexemple dun jeu consistant


lancer 10 ds. Chaque d a une valeur qui peut varier de faon uniforme 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 possibilit). 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

f(x)

X
Un d

f(x)

X
Dix ds

182

10

60

ditions dOrganisation

tape 3 Analyser

Lillustration que nous venons de faire avec les ds est facilement gnralisable tous les systmes soumis de nombreux facteurs indpendants. 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

f(t)

Variations alatoires
dues aux causes communes

Vacances scolaires

Cause spciale

Priode courante

Temps de trajet

Illustrons ce thorme central limite avec un autre exemple : le temps


quil faut pour aller au travail une personne devant passer de nombreux 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 scolaires 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 fin, 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 : vrifier que
les carts entre une distribution thorique parfaite dune loi normale

ditions dOrganisation

183

Six Sigma

(la droite sur la figure 5.19) et une distribution relle (les points) peuvent 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
(figure 5.19), cette probabilit est suprieure 0,05, on considre que
la loi suit une rpartition normale. Dans le cas contraire (pvalue < 0,05), on ne peut pas considrer que la distribution suit une
loi normale.
Figure 5.19 Graphique des probabilits

Test anderson Darling


99
Mean
7,704
St Dev 0,007686
N
50
AD
0,4185
PValue
0,316

Rpartition thorique parfaite


95
90

Per cent

80
70
60
50
40
30
20
10
5

1
7,68

7,69

7,70

7,71

7,72

7,73

Diam 7,7

3.4 Identification 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 paragraphe 4, nous prsentons deux tests pour dtecter des valeurs aberrantes
dans une loi normale :
Le test de Dixon ;
Le test de Grubb.

184

ditions dOrganisation

tape 3 Analyser

4. Statistique infrentielle
Tests de comparaison
Figure 5.20 Variables dpendantes et indpendantes

X
Variables
indpendantes

Systme

Y
Variables
dpendantes

La statistique infrentielle a pour objectif de vrifier sil existe une relation 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 affirmer au risque statistique prs la relation qui existe entre le fournisseur et le pourcentage de rebuts.
Les X sont des variables indpendantes. On les nomme parfois des facteurs. Y est une variable dpendante (elle dpend de la configuration
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 simples et les plus couramment pratiqus :
les tests de comparaison ;
les corrlations.
Il sagit de trouver les quelques X qui ont la plus forte influence sur Y.
En effet, laction sur la variabilit de Y sera principalement dpendante
des relations les plus fortes.
Supposons que Y = X1 + X2,
ladditivit des variances donne V(Y) = V(X1) + V(X2)
ditions dOrganisation

185

Six Sigma

ce qui scrit galement Y =

2 + 2 .
X1
X2

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 Influence relative des X
Diminution de 1 sur X1 (20 %)

Diminution de 1 sur X2 (100 %)

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

Y = 0,976

Y = 0,099

Comme on le voit sur lexemple, la rduction 0 de lcart type sur la


variable X2 (ce qui est sans doute trs coteux) aurait un impact
10 fois plus faible que de rduire de 20 % lcart type sur X1.

4.1 Les tests de comparaison


4.1.1 Diffrents tests
Les tests de comparaison doivent conduire la conclusion de lexistence dun cart significatif, ou non, entre deux ou plusieurs situations. On peut comparer des moyennes, des carts types ou des
frquences.
Lors de la mise en uvre dun test de comparaison dans une entreprise, on cherche soit comparer une situation par rapport une situation thorique, soit comparer plusieurs situations. Il y aura donc
deux types de problmes traiter.

186

ditions dOrganisation

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 amlioration. Puis-je rellement conclure une amlioration ou est-ce simplement 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 estelle suffisante pour conclure ?
Les tests de comparaison ont pour objectif de rpondre ces deux
types de questions. Le problme de type 1 revient comparer les rsultats 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.

ditions dOrganisation

187

Six Sigma

Les tableaux suivants (figure 5.22 et figure 5.23) rcapitulent les diffrents tests que nous dcrirons dans ce chapitre.
Figure 5.22 Les diffrents tests
Comparaison
par rapport une
valeur thorique

Comparaison
Comparaison entre
entre deux valeurs plusieurs valeurs

Test zthorique

Test z
Test t
B to C

ANAVAR

Comparaison
de variances

Test 2

Test F

Hartley

Comparaison
de frquences

1P

2P

Tableau
dindpendance

Comparaison
de moyennes

Figure 5.23
Tableau rcapitulatif des diffrents tests de comparaison
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 modifiant le systme de lubrification 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 ?

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
Test z thorique
essai et les rsultats semblent montrer une amlioration. Puis-je
rellement conclure une amlioration ou est-ce simplement
leffet de la dispersion ?

188

ditions dOrganisation

tape 3 Analyser

Comparaison dune moyenne une valeur thorique, inconnu


Je veux dvelopper un nouveau produit dont une caractristique
Test t thorique doit atteindre une valeur mini. Je fais plusieurs prototypes. Puisje rellement conclure que jatteins cet objectif ou est-ce simplement 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 solution innovante. Les rsultats semblent montrer une amlioration.
Puis-je rellement conclure une amlioration ou est-ce simplement 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 technologiques diffrentes. Puis-je rellement conclure quune solution 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 signifie 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 significativement
diffrent des autres ?

Hartley

Comparaison de plusieurs variances


Un poste de fabrication dusinage possde plusieurs posages. Lanalyse de la production montre une forte dispersion
sur les rsultats. Comment tester lhomognit des variances sur chacun des postes ?

Test hypergomtrique
(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
significative ?

ditions dOrganisation

189

Six Sigma

Comparaison de plusieurs frquences


Je fais un test sur 4 produits diffrents pour valuer linfluence
Tableau
dun (ou plusieurs) X sur un dfaut qui prend sous 3 modalits
dindpendance
(Bon, bruyant, non-fonctionnement). Comment conclure sil y a
un cart significatif ?

4.1.2 Notion de risque alpha () et de risque bta ()


Lorsque lon fait un test statistique, on cherche vrifier une des deux
hypothses suivantes :
Hypothse H0 : il ny a pas dcart significatif entre deux situations.
Hypothse H1 : il y a un cart significatif entre deux situations.
Comme on raisonne sur des chantillons, il y a toujours le risque de
conclure tort comme le montre le tableau suivant (figure 5.24).
Figure 5.24 Risque et risque

Situation relle

Conclusion du test
Hypothse H0 vrai

Hypothse H1 vrai

Hypothse H0 vrai ;
il ny a pas dcart entre
les situations

Conclusion juste

Conclusion fausse
Risque

Hypothse H1 vrai ;
il y a un cart entre les
situations

Conclusion fausse
Risque

Conclusion juste

Risque alpha () = cest le risque de conclure quil y a une diffrence


significative (H1) alors que cela nest pas vrai.
Risque bta () = cest le risque de conclure quil ny a pas de diffrence significative (H0) alors que cette diffrence existe bien.
190

ditions dOrganisation

tape 3 Analyser

4.1.3 Dtermination du risque et (cas du test zthorique)


Figure 5.25 Illustration du risque

Rpartition des moyennes

X =
/

n
Population totale

Risque /2

z0
n

Le test zthorique 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 lhypothse H0 est vraie. En prlevant un chantillon de taille n, on calcule
une moyenne X qui ne sera pas gale la valeur . Le test consiste
vrifier si lcart entre et X est suffisamment petit pour tre expliqu
par les fluctuations dchantillonnage. On sait que les moyennes suivent une loi de distribution normale de moyenne et dcart type
n.
En fonction du risque , on va placer deux limites aux variations
acceptes de X autour de ( z0 n ).
Si X se situe entre ces deux limites, on conclura de faon juste
que lhypothse H0 est accepte.
Si X se situe hors de ces deux limites (ce qui peut arriver avec
un risque ), on conclura de faon fausse que lhypothse H0 est
refuse.

ditions dOrganisation

191

Six Sigma

Figure 5.26 Illustration du risque

Vraie moyenne
Risque

Rpartition des moyennes

X = /

n
Population totale

Risque /2

z0
n

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 X sera distribue selon une loi
normale dcart type n . Il y a un risque (risque ) que cette
moyenne X se situe dans les limites fixes pour accepter lhypothse
H0. Dans ce cas, on acceptera tort lhypothse H0.

4.1.4 Incidence de la taille des chantillons


Sur les schmas suivants (figure 5.27, figure 5.28), on note que les
quatre variables ayant une influence sur les risques derreurs sont : ,
, , .

192

ditions dOrganisation

tape 3 Analyser

Figure 5.27 Influence de la taille des chantillons

Rpartition des moyennes


Risque

X =
/

n
Population totale

Risque /2

X =
/

n
Population totale

Si on augmente la taille de lchantillon, on note (figure 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
(figure 5.28) donne les relations entre ces variables.

ditions dOrganisation

193

Six Sigma

Figure 5.28 Relations entre , , ,


Situation

Risque

Risque

Dcalage

Taille n

Constant

Constant

Constant

Constant

Constant

Constant

Constant

Constant

Constant

Constant

Constant

Constant

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 (figure 5.29) donne la taille des chantillons pour un risque alpha de 5 % et un risque bta de 10 %.
Figure 5.29 Taille des chantillons pour le test t
Dcentrage

0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9

1,1 1,2 1,3 1,4 1,5 1,6

Taille

527 235 133 86

60

23

19

14

13

11

10

Dcentrage

1,7 1,8 1,9

2,1 2,2 2,3 2,4 2,8 2,9 3,6 3,7

Taille

2
7

45

35

28

17

Ex
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.

194

ditions dOrganisation

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 (figure 5.30) donne la taille des chantillons pour un risque alpha de 5 % et un risque bta de 10 %.
Figure 5.30 Taille des chantillons pour le test z
Dcentrage

0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9

1,1 1,2 1,3 1,4 1,5 1,6

Taille

525 234 131 84

58

21

17

12

11

Dcentrage

1,7 1,8 1,9

2,1 2,2 2,4 2,5 2,8 2,9 3,7 3,8

Taille

2
5

43

33

26

15

Ex
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.

ditions dOrganisation

195

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 chantillon 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 ?

Exemple ct suprieur

Pour une valeur aberrante 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.
X( n ) X( n 1 )
D n = --------------------------------X( n ) X( 1 )
3. Comparer la valeur de Dn la
valeur limite c donne dans le
tableau ci-dessous
N
3
4
5
6
7
8
9
10

5%
0,941
0,765
0,642
0,560
0,507
0,468
0,437
0,412

35 29
D n = ------------------ = 0,6
35 25
n = 5 c = 0,642
Conclusion
Dn < c, la valeur 35 ne peut pas tre
considre comme aberrante

Si Dn > c, la valeur maxi est


considre comme aberrante
Remarque 1 : dans ce test, une valeur
aberrante peut tre masque par une
seconde valeur aberrante.

196

ditions dOrganisation

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
125 100
D n = ------------------------ = 0,83
130 100

X( 2 ) X( 1 )
D n = -------------------------X( n ) X( 1 )

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 chantillon 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.

X = 28,2
S = 4,087

2. Calculer la statistique.
Max( X i X )
G = --------------------------------S
3. Calculer GLimite pour un risque
=0,05
t ( N,N2 )
(N 1)
G Limite = ------------------ -----------------------------------------N 2 + t (2 N,N2 )
N
4. Comparer G GLimite
Si G > GLimite le point est aberrant, on le retire de l'chantillon et
on recommence la procdure

35 28,2
G = ----------------------- = 1,66
4,087

t(0,05/5,3) = 5,84
34,12
(4)
G Limite = ------- -------------------------------- = 1,715
5 5 2 + 34,12
Conclusion
1.66 < 1.715, la valeur 35 ne peut pas
tre considre comme aberrante

Si G<GLimite le point n'est pas


aberrant

ditions dOrganisation

197

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 S2. Peut-il tre considr comme reprsentatif de la population totale
de variance 2 ?
Comment faire le test ?

Exemple
Le ressort que je produis a une force
moyenne = 1,2 N et un cart type
= 0,1 N. Ces valeurs ont t calcules sur 150 donnes, on suppose
donc et connus. On conoit un
nouveau ressort afin 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, calculer lcart type S.


2. Vrifier lhypothse sigma connu
en calculant lintervalle bilatral
5 % devant contenir S.
(21 2 )
(2 2 )
--------------------- ---------------(n 1) < S < (n 1)

X = 1,23
S = 0,047
1,69
16
0,1 ----------- < S < 0,1 -----7
7
soit 0,049 < S < 0,15

Le 2 est pris pour n1 ddl et pour


les risques 0,975 et 0,025.
3. Conclure.
Si S est dans lintervalle, on conclut que lcart nest pas significatif.
Si S est hors de lintervalle on conclut que lcart est significatif.

S tant hors de lintervalle, on refuse


lhypothse connu.
On conclut que le nouveau ressort est
significativement plus rgulier que
le ressort prcdent.

4. En cas de doute sur le rsultat (risque ), augmenter la taille de


lchantillon et recommencer la
procdure.

198

ditions dOrganisation

tape 3 Analyser

Fiche Test F
Comparaison de deux variances
Ce que fait le test
Permet de comparer deux carts types (ou deux variances) afin de conclure sil
y a un cart significatif entre les deux.
Comment faire le test ?

Exemple
On conoit un nouveau ressort afin 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

1. partir des valeurs releves, calculer les carts types.

S1 = 0,047 ; S2 = 0,029

2. On nomme S1 lcart type maxi et


S2 lcart type mini.
3. Faire le ratio F entre la variance la
plus leve et la variance la plus
faible.
2
S Max
F = ----------2
S Min

0,047 2
F = ----------------2 = 2,67
0,029

4. Rechercher dans la table de Snedecor 0,05 la valeur Flimite pour


(n1 1) ddl au numrateur et
(n2 1) ddl au dnominateur.

Colonne 7 ligne 5

5. Conclure. Si F > Flimite, on conclut


que lcart est significatif. Sinon,
lcart nest pas significatif.

2,67 < 4,88

Flimite = 4,88

On conclut que lcart nest pas significatif.

6. En cas de doute sur le rsultat (risque ), augmenter la taille de


lchantillon et recommencer la
procdure.

ditions dOrganisation

199

Six Sigma

Figure 5.31 Traitement par logiciel danalyse statistique

Test F
F-Test
Matriau 1

Test Statistic
P-Value

Matriau 2

Test Statistic
P-Value

2,68
0,296

Levene's Test

0,02

0,04

0,06

0,08

0,10

0,88
0,367

0,12

95 % Bonferroni Confidence intervals for StDevs)

Matriau 1

Matriau 2

1,20

1,23

1,26

1,29

1,32

Data

F-Test (normal distribution)


Test statistic = 2,68; p-value = 0,296

Interprtation
La valeur p-value (risque alpha) tant suprieure 5 %, on accepte
lhypothse H0. Il ny a pas dcart significatif.

200

ditions dOrganisation

tape 3 Analyser

Fiche Test z thorique


Comparaison dune moyenne une valeur thorique ( connu)
Ce que fait le test
tant donn un chantillon de taille n, dont les valeurs observes ont pour
moyenne X . Peut-il tre considr comme reprsentatif de la population totale
de moyenne et dcart type ?
Domaine dapplication

Exemple

Les moyennes doivent suivre une loi


normale. Cette condition est robuste
sur la rpartition des valeurs individuelles.

Le ressort que je produis a une force


moyenne = 1,2 N et un cart type
= 0,1 N. Ces valeurs ont t calcules sur 150 donnes, on suppose
donc et connus. On conoit un
nouveau ressort afin daugmenter
cette force.

Comment faire le test ?

Les 4 prototypes du nouveau ressort


donnent : 1,32 1,45 1,18 1,29.
1. partir des valeurs releves, calculer la moyenne X et lcart type
S.

X = 1,31
S = 0,111

2. Vrifier lhypothse sigma connu


en calculant lintervalle bilatral
5 % devant contenir S
(21 2 )
(2 2 )
--------------------- ---------------(n 1) < S < (n 1)
Si ce nest pas le cas, passer au
test t thorique.

0,216
9,35
----------0,1 ------------3 < S < 0,1 3
soit 0,027 < S < 0,18
S tant dans lintervalle, on accepte
lhypothse connu.

3. Calculer la variable rduite z0


X
z 0 = --------------- n
4. Chercher dans la table de Gauss la
valeur zlim pour le risque choisi
(5 % en bilatral, soit 2,5 % de
chaque ct).

ditions dOrganisation

1,31 1,2
z 0 = ---------------------------- = 2,2
0,1 4
zlim = 1,96

201

Six Sigma

5. Conclure.

2,2 tant suprieur 1,96, on conclut


que le nouveau ressort est significativement plus puissant que le ressort
prcdent.

Si z0 > zlim, on conclut que lcart


est significatif.
Si z0 zlim, on conclut que lcart
nest pas significatif.
6. En cas de doute sur le rsultat (risque ), augmenter la taille de
lchantillon.

Figure 5.32 Traitement par logiciel danalyse statistique

Boxplot of proto
(with H0 and 95 % z-confidence interval for mean, and StDev = 0,1)

H0

1,20

1,25

1,30

1,35

1,40

1,45

proto

Test of mu = 1,2 vs not = 1,2


The assumed standard deviation = 0,1
Variable
proto

N
4

Mean
1,31

StDev
0,111

SE Mean 95% CI
0,05
(1,212; 1,408)

Z
2,20

P
0,028

Interprtation
La valeur p-value (risque alpha) tant infrieure 5 % on refuse lhypothse H0. Il y a un cart significatif. Graphiquement, lhypothse H0 est
en dehors de lintervalle de confiance sur la moyenne, lcart est donc
significatif.
202

ditions dOrganisation

tape 3 Analyser

Fiche Test t thorique


Comparaison dune moyenne une valeur thorique ( inconnu)
Ce que fait le test
tant donn un chantillon de taille n, dont les valeurs observes ont pour
moyenne X et un cart type estim S. Peut-il tre considr comme reprsentatif de la population totale de moyenne ?
Domaine dapplication

Exemple

Les moyennes doivent suivre une loi


normale. Cette condition est robuste
sur la rpartition des valeurs individuelles.

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

Comment faire le test ?


1. partir des valeurs releves, calculer la moyenne et lcart type S.
On suppose que lcart type est
estim par S. On utilise alors la loi
de Student.

X = 1,31
S = 0,111

2. Calculer la variable rduite to


X
t 0 = ---------------S n

1,31 1,2
t 0 = ---------------------------- = 1,98
0,111 4

3. Chercher dans la table de Student


la valeur tlim pour le risque choisi
(5 % en bilatral, soit 2,5 % de
chaque cot) et le nombre de ddl
(n1).

tlim = 3,182

4. Conclure.

1,98 tant infrieur 3,182, on conclut que le nouveau ressort nest pas
significativement suprieur 1,2 N.

Si t0 > tlim, on conclut que lcart


est significatif.

risque bilatral, = 4-1 =3

Si t0 tlim, on conclut que lcart


nest pas significatif.
5. En cas de doute sur le rsultat (risque ), augmenter la taille de
lchantillon et recommencer la
procdure.

ditions dOrganisation

Si on veut amliorer le test, il faut


refaire des prototypes afin daugmenter la taille de lchantillon.

203

Six Sigma

Figure 5.33 Traitement par logiciel danalyse statistique

Boxplot of proto
(with H0 and 95 % t-confidence interval for the mean)

H0

1,1

1,2

1,3

1,4

1,5

proto

Test of mu = 1,2 vs not = 1,2


Variable N Mean StDev SE Mean 95% CI
proto
4 1,31 0,111 0,05553 (1,1333; 1,487)

T
1,98

P
0,142

Interprtation
La valeur p-value (risque alpha) tant suprieure 5 %, on accepte
lhypothse H0. Il ny a pas dcart significatif. Graphiquement, lhypothse H0 est dans lintervalle de confiance sur la moyenne, lcart nest
donc pas significatif.

204

ditions dOrganisation

tape 3 Analyser

Fiche Test z
Comparaison de deux moyennes ( connu)
Ce que fait le test
tant donn deux chantillons de taille n1 et n2, dont les valeurs observes ont
pour moyenne X 1 et X 2 On considre connus les carts types 1 et 2. Peut-on
conclure que la diffrence entre X 1 et X 2 est significative ?
Domaine dapplication

Exemple

Les moyennes doivent suivre une loi


normale. Cette condition est robuste
sur la rpartition des valeurs individuelles.

Le ressort que je produis a une force


moyenne = 1,2 N et un cart type
= 0,1N. Ces valeurs ont t calcules sur 150 donnes, on suppose
donc et connus. On conoit un
nouveau ressort afin daugmenter
cette force. On teste en parallle la
solution actuelle et la solution innovante.

Comment faire le test ?

Les 5 ressorts
donnent :

actuels

en

test

1,21 ; 1,26 ; 1,15 ; 1,12 ; 1,18


Les 4 prototypes du nouveau ressort
donnent :
1,32 ; 1,45 ; 1,18 ; 1,29
1. partir des valeurs releves, calculer les moyennes X 1 , X 2 et les
carts types S1 et S2.

X 1 = 1,18 ; X 2 = 1,31
S1 = 0,054 ; S2 = 0,111

2. Vrifier lhypothse sigma connu


en calculant lintervalle bilatral
5 % devant contenir S pour les
deux carts types.
(21 2 )
(2 2 )
--------------------- ---------------(n 1) < S < (n 1)
Si ce nest pas le cas, passer au
test t.

0,035 < S1 < 0,17


0,027 < S2 < 0,18
S1 et S2 tant dans lintervalle, on
accepte lhypothse connu = 0,1 N.

3. Calculer la distance entre les deux


moyennes
d = X1 X2

ditions dOrganisation

d = 1,31 1,18 = 0,13

205

Six Sigma

4. Calculer lcart type de la distance


1 2 2 2
---------- + ----------
n
n
2
1

d =

d =

0,1 2 + 0,1 2
-------
------- = 0,07
4
5

5. Calculer la variable z0
0,13
z 0 = ----------- = 1,88
0,07

d
z 0 = ---- d6. Chercher dans la table de Gauss la
valeur zlim pour le risque choisi
(5 % en bilatral, soit 2,5 % de
chaque ct).

zlim = 1,96

7. Conclure.
Si z0 > zlim, on conclut que lcart
est significatif.
Si z0 zlim, on conclut que lcart
nest pas significatif.
8. En cas de doute sur le rsultat (risque ), augmenter la taille de
lchantillon et recommencer la
procdure.

1,88 tant infrieur 1,9, on conclut


que le nouveau ressort nest pas significativement plus puissant que le ressort prcdent.
Pour diminuer le doute, il faut augmenter la taille de lchantillon.

Figure 5.34 Bote moustache du problme

Boxplot of actuel ; proto


1,45
1,40

Data

1,35
1,30
1,25
1,20
1,15
1,10
actuel

206

proto

ditions dOrganisation

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 X 1 et X 2 et pour carts types S1 et S2. Peut-on conclure que la
diffrence entre X 1 et X 2 est significative ?
Attention : si les deux chantillons peuvent tre appairs, cest--dire que chaque valeur dun chantillon peut tre mise en regard dune valeur dun second
chantillon par un caractre commun, il faut utiliser le test t appair.
Domaine dapplication

Exemple

Les moyennes doivent suivre une loi


normale. Cette condition est robuste
sur la rpartition des valeurs individuelles.

Dans la conception dun assemblage


coll, on veut tester deux types de
colles diffrentes pour augmenter la
force larrachement.

Comment faire le test ?

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, calculer les moyennes X 1 , X 2 et les


carts types S1 et S2.
2. Vrifier lhomognit des deux
variances par le test F.
2
S Max
F = ------------ comparer Fthor pour
2
S Min
1 et 2 ddl

3. En cas dhomognit des variances, calculer la variance intra-srie


1 S 12 + 2 S 22
S 2 = -----------------------------1 + 2

X 1 = 4,58 ; X 2 = 6,47
S1 = 1,24 ; S2 = 1,26
1,26 2
F = ------------2- = 1,04 ; Fthr = 6,26
1,24
F < Fthor,
on accepte
variances.

lhomognit

des

( 4 1,24 2 ) + ( 5 1,26 2 )
S 2 = -------------------------------------------------------------- = 1,57
4+5
S =

1,57 = 1,25

4. Calculer la distance entre les deux


moyennes
d = X1 X2

ditions dOrganisation

d = 6,47 4,58 = 1,89

207

Six Sigma

5. Calculer lcart type de la distance


d =

n1 + n2
S 2 + S 2
----------
---------- = S ----------------n1 n2
n2
n1

5+6
d = 1,25 ------------ = 0,76
30

6. Calculer la variable t0
d
t 0 = ---- d7. Chercher dans la table de Student la
valeur tlim pour le risque choisi
(5 % en bilatral, soit 2,5 % de chaque ct) et le nombre de ddl
(n1 + n2 2).
8. Conclure.
Si t0 > tlim, on conclut que lcart
est significatif.
Si t0 tlim, on conclut que lcart
nest pas significatif.

1,89
t 0 = ----------- = 2,49
0,76
tlim = 2,26

2,49 est suprieur 2,26


On conclut que la colle 2 est significativement plus rsistante (au risque
de 2,5 %) que la colle 1.

9. En cas de doute sur le rsultat (risque ), augmenter la taille de


lchantillon et recommencer la procdure.

208

ditions dOrganisation

tape 3 Analyser

Figure 5.35 Traitement par logiciel danalyse statistique

Boxplot of actuel ; proto


8

Data

3
Colle 1

Colle 2

Mean

StDev

SE Mean

Colle 1

4,58

1,24

0,55

Colle 2

6,47

1,26

0,52

Difference = mu (Colle 1) - mu (Colle 2)


Estimate for difference:
95% CI for difference:

-1,88667
(-3,60250; -0,17083)

T-Test of difference = 0 (vs not =): T-Value = -2,49


0,035 DF = 9

P-Value =

Interprtation
La valeur p-value (risque alpha) tant infrieure 5 %, on refuse lhypothse H0. Il y a un cart significatif.

ditions dOrganisation

209

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 individu du premier chantillon a un point commun avec un individu du second
chantillon.
Comment faire le test ?

Exemple
Une machine de production (presse
injecter) possde six empreintes dans
le moule. Pour comparer leffet de la
pression dinjection, on ralise un premier 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 influence
significative 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.

X d = 0,0167

On vrifie que d est significativement diffrent de zro en ralisant


le test tthorique.

Sd = 0,00516

3. Calculer la variable rduite to


Xd
t 0 = ----------------Sd n

210

0,0167
t 0 = ------------------------------- = 7,91
0,00516 6

ditions dOrganisation

tape 3 Analyser

4. Chercher dans la table de Student


la valeur tlim pour le risque choisi
(5 % en bilatral, soit 2,5 % de
chaque ct) et le nombre de ddl
(n1).

tlimite = 2,57

5. Conclure.

7,91 > 2,57

Si t0 > tlim, on conclut que lcart


est significatif.

On conclut que lcart est significatif.

Si t0 tlim, on conclut que lcart


nest pas significatif.
6. En cas de doute sur le rsultat (risque ), augmenter la taille de
lchantillon et recommencer la
procdure.

Figure 5.36 Traitement par logiciel danalyse statistique

Boxplot of Differences
(with H0 and 95 % t-confidence interval for the mean)

H0

0,025

0,020

0,015

0,010

0,005

0,000

Differences

Paired T for 250B - 280B


N
Mean
250B
6
1,04333
280B
6
1,06000
Diffrence
6
-0,016667

StDev
0,02805
0,02757
0,005164

SE Mean
0,01145
0,01125
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

ditions dOrganisation

211

Six Sigma

Interprtation
La valeur p-value (risque alpha) tant infrieure 5 %, on refuse lhypothse H0. Il y a un cart significatif.
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 distribution ne suit pas une loi connue (loi normale, par exemple). Il peut tre utilis
pour faire une comparaison sur des critres daspect (figure 5. 37).
Comment faire le test ?

Exemple
On veut rgler une tension lectrique sur
un produit. Deux rglages sont possibles
et on les effectue sur deux lots de produits. Peut-on conclure un cart
significatif ?
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
3

2. Compter le nombre de produits en fin sans recouvrement.

Ici, le nombre de produits en fin


= 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.

Lcart est significatif avec un risque de


5 %.

Risque
0,1
0,05
0,01
0,001

212

produits en fin
6
7
10
17

ditions dOrganisation

tape 3 Analyser

Figure 5.37 Utilisation du test B to C pour le contrle daspect

B to C test de comparaison visuel


Lot ralis aprs modification

Lot ralis avant modification


1

11

16

12

17

13

18

14

19

10

15

20

Peut-on dire si la modification a apport queque chose et avec quels risques ?


Ordre dcroissant sur l'aspect visuel

3B

5C

Aprs classement dans lordre dcroissant de qualit daspect, on note


que les 3 meilleures ralisations lont t aprs modification et les 5
plus mauvaises avant modification. Le nombre de bouts (3 + 5 = 8)
est suprieur 7, lcart est donc significatif.

ditions dOrganisation

213

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 S 12 , S 22 , , S k2 ,
toutes tablies avec le mme nombre de degr de libert. Ce test permet de
tester lgalit de k(k < 13) variances.
Domaine dapplication

Exemple

Les chantillons sont tirs dune


population normale.
Les chantillons ont une taille identique.

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.

Comment faire le test ?

On trouve

2
2
1. Identifier S max
et S min
qui sont
respectivement la plus forte et la
plus faible des estimations des k
variances.

2,5

S2

6,25 10,24 3,61 7,84 6,25 2,89

3,2

1,9

2,8

2,5

1,7

2
2
S max
= 10,24 ; S min
= 2,89

2. Former le rapport r tel que


2
S Max
10,24
r = ----------- = -------------- = 3,54
2
S Min
2,89

2
S Max
r = ----------2
S Min

3. Comparer ce rapport la valeur


dans la table de Hartley pour k,
et .

rlimite =62

4. Si r < rtable on accepte lhypothse dhomognit et on peut


calculer un estimateur plus prcis
partir de :

r < rlimite on accepte lhypothse


dhomognit.

S =

1 S 12 + 2 S 22 + + k S k2
---------------------------------------------------------- + ++
1

Comme 1 = 2 = k on peut
simplifier lexpression prcdente qui devient :
S =

214

S 12 + S 22 + + S k2
-----------------------------------------k

On peut calculer

S =

6,25 + 10,24 + + 2,89


------------------------------------------------------------- = 2,49
6

ditions dOrganisation

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 afin de dterminer si la diffrence est significative ou non.
Domaine dapplication

Exemple

Lutilisation de cette loi nentrane


aucune restriction sur les valeurs des
effectifs n1 et n2 des deux chantillons
ni sur les frquences observes (sur
les nombres dindividus x1 et x2 ayant
le caractre A).

Deux machines sont mises en concurrence pour raliser un chantillon de


25 pices pour la premire machine et
de 30 pices pour la seconde. La premire machine a donn 1 pice dfectueuse, alors que la seconde a donn
3 pices dfectueuses. Peut-on pour
autant conclure que la premire
machine est meilleure que la
seconde ?

Comment faire le test ?

1. Par convention, lindice 1 sera


affect lchantillon contenant la
frquence des individus A la plus
faible.

n1 = 25 ; x1 = 1

2. Calculer les frquences f1 et f2.

1
3
f 1 = ------ = 0,04 ; f 2 = ------ = 0,1
30
25

n2 = 30 x2 = 3

3. Calculer lchantillon total.


N = n1 + n2 ; X = x1 + x2
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)
x1

N = 55 ; X = 4
P(0)=0,08
P(1)=0,30
P = P(0) + P(1) = 0,38

( n1 k )

CX C( N X )
P = -----------------------n1
CN
k=0
5. Conclure.

Si p < 0,05, lcart est significatif ;


sinon, lcart nest pas significatif.

ditions dOrganisation

0,38 > 0,05


Lcart nest pas significatif.

215

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 afin de dterminer si la diffrence est
significative ou non.
Comment faire le test ?

Exemple

1. tablir le tableau des rpartitions


des frquences observes

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 fonction dune pice achete chez trois
fournisseurs diffrents. On veut savoir
si le fournisseur a un effet significatif
sur la qualit des moteurs.
Accep Refus

X1

X2

total

Y1

f11

f21

p1

F1

Y2

f12

f22

fi1
fi2
fi3
fij

p2

F2

p3

F3
Total

Y3
Total
%

f13

f23

f1j

f2j

p4

p5

total

16

269

28,71

150

158

16,86

458

52

510

5,44

861

76

937

100

91.89

8,11

100

253

avec p 1 = ( f i1 ) ( f ij )

Les pourcentages de moteurs refuss


sont-ils dpendants du fournisseur ?

2. tablir le tableau des rpartitions


des frquences thoriques.

Rpartition des frquences thoriques :

Y1
Y2
Y3
Tot.
%

216

X1

X2

Tot.

Accep Refus

total

p 1 f 1j

p 1 f 2j

fi1

p1

F1

247,18 21,82

269

28,71

p2

F2

145,18 12,82

158

16,86

p3

F3

468,64 41,36

510

5,44
100

p 2 f 1j
p 3 f 1j

f1j
p4

p 2 f 2j
p 3 f 2j

f2j
p5

fi2
fi3
fij

Total
%

861

76

937

91,89

8,11

100

ditions dOrganisation

tape 3 Analyser

3. On forme le
pour chacune
tableau avec :

( N i N pi ) 2
2 = --------------------------N pi
des

cases

du

Ni : Frquence observe
Npi : Frquence thorique

Tableau du 2
Accep

Refus

Total

F1

0,14

1,55

1,69

F2

0,16

1,81

1,97

X1

X2

Y1

2
11

2
21

F3

0,24

2,74

2,97

Y2

2
12

2
22

tot.

0,54

6,1

6,63

Y3

2
13

2
23

( 253 247,18 ) 2
avec 0,14 = ---------------------------------------247,18

avec

2
11

( f 11 p 1 f 1j ) 2
= -------------------------------------p 1 f 1j

2
Le Total
est gal la somme des 2
de chacune des cases que lon com2
pare avec Maximum
admissible pour
un nombre de degrs de libert gal
(Nb de ligne 1) (Nb de colonne 1).

pour (2 1) (3 1) =2 ddl

4. Conclusion

6,63 > 5,89

2
2
Si Total
> Maximum
on refuse
lhypothse H0. Il y a un cart significatif.

On refuse lhypothse H0 ; le fournisseur a bien une influence sur le nombre de dfauts constats.

2
Total
= 6,63
2
= 5,89
Maximum

Figure 5.38 Traitement par logiciel danalyse statistique


Accep

Refus

All

F1

253
247,2

16
21,8

269
269,0

F2

150
145,2

8
12,8

158
158,0

F3

458
468,6

52
41,4

510
510,0

All

861
861,0

76
76,0

937
937,0

Pearson Chi-Square = 6,633 ; DF = 2 ; P-Value = 0,036

ditions dOrganisation

217

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 vrifier linfluence 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 (figure 5.39). Peut-on conclure
linfluence de la position et de loutil ? Linteraction position*outil estelle significative ?
Les tests simples de comparaison de moyennes ne peuvent pas rpondre 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 rsultats dun plan dexpriences comme nous le verrons au chapitre 6.
Figure 5.39 Exemple de donnes pour lanalyse de la variance

218

Position

Outil

Y1

Y2

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

ditions dOrganisation

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 significatives entre plusieurs modalits dun facteur.
Par exemple, on a ralis un essai avec trois types de joints pour diminuer une fuite. Le montage de chaque type de joint a t ralis sur
cinq produits ; le rsultat est prsent au tableau suivant (figure 5.40).
Figure 5.40 Influence du joint sur la fuite
1

Joint 1

11

8,8

Joint 2

10

8,4

Joint 3

13

11

10

10,4

La question pose est la suivante : peut-on conclure que le joint 2, qui


a donn la plus faible moyenne de fuite, est significativement
meilleur ?
Le schma prsent ci-aprs (figure 5. 41) donne une reprsentation
intuitive du principe de lanalyse de la variance. Dans le cas o lhypothse H0 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
H0 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 significativement suprieure la variance
rsiduelle, on conclut que lhypothse H0 est fausse ; le facteur est
significatif.

ditions dOrganisation

219

Six Sigma

Figure 5.41 Hypothse H0

Cas o le facteur n'est pas significatif (H0 vraie)

Facteur modalit 1
Y

Y1

Effet suppos du facteur

Facteur modalit 2
Y

Y2
Cas o le facteur est significatif (H0 fausse)

Facteur modalit 1
Y

Y1

Effet suppos du facteur

Facteur modalit 2
Y

Y2

5.2.2 Dcomposition de la variance


Notations
Y Moyenne de lensemble des valeurs
Yij Mesure de la rptition j de modalit i
Y i Moyenne des mesures de la modalit i
m nombre de modalits
n nombre de rptitions pour chaque modalit

220

ditions dOrganisation

tape 3 Analyser

Lexemple prsent la figure 5.40 comporte 15 valeurs (m modalits


et n rptitions sur chaque modalit) sur lesquelles on peut calculer la
variance totale :
n

( Yij Y )

i = 1j = 1

V T = ------------------------------------------ = 36,4
nm 1
Cette variance a deux origines.
La variance rsiduelle que lon peut observer lorsque le facteur
reste sur la mme modalit (le mme joint) Variance intrachantillon.
m

( Yij Yi ) 2
i = 1j = 1

V R = -------------------------------------------m(n 1)
La variance due aux variations de modalits du facteur (variation
sur Y en changeant de joint) Variance inter-chantillon.
m

( Yi Y )
i = 1j = 1

n ( Yi Y )

i=1

- = ----------------------------------V A = ---------------------------------------m1
m1

ditions dOrganisation

221

Six Sigma

Figure 5.42 Dcomposition de la variance

Variance
rsiduelle
n rptitions

(Yij - Y )2

VT = i=1 j=1
nm - 1

Variance totale

Y1
Y
m modalits

Variance de l'effet du facteur


m

n (Y i - Y )2
VA =

i=1

m-1

Y2
Variance rsiduelle

(YYij - Y i )2

VR =

i=1 j=1

m (n - 1 )

Dans cette dcomposition de la variance, les numrateurs sont appels


Somme des carts au carr (SS) et les numrateurs degrs de
libert () .
SS T
SS R
SS A
On a ainsi V T = --------- , V R = --------- , V A = --------T
R
A
On montre facilement que lon a : SST = SSA + SSR et T = A + R
m

SS T =

( Y ij Y ) =

i = 1j = 1
m

SS T =

( Yij + Yi Yi Y )

i = 1j = 1

( Yij Yi ) 2 + ( Yi Y )

2 ( Y ij Y i ) ( Y i Y )

i = 1j = 1
m

SS T =

( Y ij Y i ) 2 +

i = 1j = 1

SST = SSR + SSA

i = 1j = 1

( Yi Y ) 2

( Yij Yi ) ( Yi Y )

i = 1j = 1

=0

de mme,
T = nm 1 = nm m + m 1 = m(n 1) + m 1 = R + A
222

ditions dOrganisation

tape 3 Analyser

En cas dhypothse nulle, la variance VA nest que la manifestation de


la variance rsiduelle VR. VA et VR sont donc gales sous lhypothse
H0. Le test de lanalyse de la variance consiste comparer VA et VR par
un test F en calculant le ratio :
V
F = ------AVR
Figure 5.43 Test de Snedecor

f
Y1

Rpartition du rapport VA/VR

VR

VA
5%
VR
VA/VR
Y2

1
Zone non significatif

Flimite

Zone cart significatif

Le facteur sera significatif si la valeur F est suprieure la limite maximale admissible en fonction du risque alpha choisi dans la table de
Snedecor pour A et R degrs de liberts.

ditions dOrganisation

223

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


Origine

Somme des carrs SS

SS A = n

( Yi Y )

ddl

SS R =

( Y ij Y i )

i = 1j = 1

Total

SS T =

( Y ij Y )

i = 1j = 1

Flimite p Contrib.

A =
Table
SS A
V
m1 V A = --------- F = ------AA
VR

i=1

Rsidus

SS A
--------- %
SS T

R =
SS R
m(n1) V R = --------R

SS R
--------- %
SS T

T =
SS
nm-1 V T = --------TT

Ce qui donne dans le cas de notre exemple (figure 5.45) :

Figure 5.45 Application sur les fuites


Origine
A

Somme des carrs SS

ddl

SSA = 5(0,42+0,82+1,22) A=2


= 11,2

Rsidus SSR = 8,8+5,2+11,2


= 25,2

R=12

Flimite

Contrib.

11,2
5,6 =2
0,11 R2
V A = ----------- F = -------- 1
2,1 2=12
2
30,8 %
F=3,88
= 5,6
= 2,67
25,2
V R = ----------12

69,2 %

= 2,1

Total

SST = 36,4

T=14

36,4
V T = ----------14
= 2,6

224

ditions dOrganisation

tape 3 Analyser

Interprtation
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 H0 et conclure que
le facteur nest pas significatif. De mme, lorsquun logiciel calcule la
probabilit p (ici, 0,11), lorsque cette probabilit est suprieure 0,05, on
accepte lhypothse H0. La part de la variance rsiduelle est de 69,2 %.
La part du facteur est de 30,8 %. Nous reviendrons sur ce coefficient
appel R2, quand nous tudierons les corrlations en section 6.
Pour complter linterprtation, il est utile dafficher la bote moustache
telle que nous lavons dfinie au paragraphe 2.1.
Figure 5.46 Bote moustache du problme de fuite

Bote moustache pour Fuite ft de joint


13
12

Fuite

11
10
9
8
7
Joint 1

Joint 2

Joint 3

Joint

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 ;

ditions dOrganisation

225

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 configuration est repre r fois.
Figure 5.47 Gnralisation du tableau ANAVAR
Origine

SS

ddl

Facteur
A

SSA

Facteur
B
Interaction
AB

Flim

Contrib.

A = a1

SS A
V A = --------A

VA
F = ------VR

SS A
--------- %
SS T

SSB

B = b1

SS B
V B = --------B

VB
F = -----VR

SS B
--------- %
SS T

SSAB

AB =
(a1)(b1)

SS AB
V A = ----------- AB

V AB
F = --------VR

SS AB
----------- %
SS T

Rsidus

SSR

R = m(n1)

SS R
V R = --------R

Total

SST

T =nm1

SS T
V T = --------T

SS R
--------- %
SS T

On pose comme notation :


Yijk reprsente la rponse lorsque A = i ; B = j ; ke rptition
a

1 Y ijk
Y = moyenne gnrale = ------abr i = 1 j = 1 k = 1
r

Yij reprsente la notation abrge de 1


--- y ijk
rk = 1
a

1 y ijk
Yj reprsente la notation abrge de ---ar i = 1 k = 1

226

ditions dOrganisation

tape 3 Analyser

Les sommes des carts au carr se calculent partir des relations


suivantes :
a

SS A = br ( Y i.. Y ... ) 2
i=1
b

SS B = ar ( Y .j. Y ... ) 2
j=1
a

SS AB = r

( Yij. Yi.. Y.j. + Y... ) 2

i = 1j = 1

SS R =

( Yijk Yij. ) 2

i = 1j = 1k = 1

5.3.2 Application sur un exemple


Nous allons reprendre lexemple (figure 5.39) donn au dbut de cette
section, concernant linfluence de la position dune pice et dun type
doutil sur une caractristique Y.
Figure 5.48 Tableau dANAVAR 2 variables
Somme des
carrs SS

ddl

32 522

16,26

Outil

3 741

Interaction

6 732

Erreur
Total

Origine
Position

Flim.

Contrib.

41,78

5,14

0,000

71,7 %

3,74

9,61

5,99

0,021

8,3 %

3,37

8,65

5,14

0,017

14,9 %

2 335

0,3892

45 329

11

5,2 %

Au vu de la somme des contributions


(71,7 % + 8,3 % + 14,9% = 94,8 %),
on a donc un coefficient R2 = 0,948

ditions dOrganisation

227

Six Sigma

Interprtation
Les facteurs et linteraction reprsentent 94,8 % de la variance constate.
La probabilit p tant infrieure 0,05 pour chaque coefficient, on peut
refuser lhypothse H0 et conclure que chaque lment a un effet significatif.
Linterprtation doit se terminer par lexamen de trois graphiques : la bote
moustache (figure 5.49), le graphe des effets (figure 5.50) et le graphe
des interactions (figure 5.51). Linteraction significative se note par un
cart important entre les effets des positions selon loutil considr.
Figure 5.49 Bote moustache

Boxplot de Y avec Position ; Outil


126
125
124

123
122
121
120
119
Outil
Position

228

O1

O2
P1

O1

O2
P2

O1

O2
P3

ditions dOrganisation

tape 3 Analyser

Figure 5.50 Graphe des effets

Graphe des effets sur Y


Position

Outil

Moyenne de Y

124

123

122

121

120
P1

P2

P3

O1

O2

Figure 5.51 Graphe des interactions

Graphe des interactions pour Y


126

Outil
O1
O2

125
124

123
122
121
120
119
P1

P2

P3

Position

ditions dOrganisation

229

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 voluent de faon commune. Le principe du diagramme est le suivant :
On reprsente les mesures sur un diagramme dont les axes reprsentent les deux variables.
Chaque mesure reprsente un point, le relev de plusieurs mesures 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 fils

1,30
1,25
1,20
Couple
Pre 1,75
Enfant 1,17

Taille 1,15
de l'enfant
1,10
1,05
1,00
1,5

1,6

1,7

1,8

1,9

Taille du pre

Dans cet exemple (figure 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.

230

ditions dOrganisation

tape 3 Analyser

Figure 5.53 Les cinq types de corrlation

Absence
de corrlation

Corrlation
positive

Corrlation
positive
forte

Corrlation
ngative
forte

Corrlation
ngative

On peut classer les diagrammes de corrlation en cinq types selon le


nuage de points comme lindique le graphique de la figure 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 coefficient R2 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 (figure 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 .

ditions dOrganisation

231

Six Sigma

Figure 5.54 Diffrence entre corrlation et cause/effet

10
6
Volume moyen
en ordures
mnagres

6
4
2
0
0

300

600

900

1 200

Cot moyen du poste automobile

6.2 Mthode de la mdiane


Afin de savoir sil y a corrlation, la mthode la plus simple appliquer 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.
Identifier 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).

232

ditions dOrganisation

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
confirmation, 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
Nombre
de points

Total le plus important entre les zones 1/4 et 2/3

10

10

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 %

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.

ditions dOrganisation

233

Six Sigma

Rappel : une droite a pour quation Y = 0 + 1X.


Figure 5.57 Droite de rgression
X

108

102

112

118

118

119

100

108

117

174

173

185

197

191

197

174

188

204

Y = 1,3947X + 31,719
R 2 = 0,7789

Corrlation Y/X
210
205
200

195
190
185
180

ei

Yi 175
170
165
95

100

105

Xi

110

115

120

6.3.1 Identification des coefficients


Pour chaque couple de points, on peut crire : ei = Yi (0 + 1Xi)
Ce qui peut scrire sous forme matricielle de la faon suivante :
e1

Y1

1 X1


0
soit e = Y Xa
ei = Yi 1 Xi
1


en
Yn
1 Xn

234

ditions dOrganisation

tape 3 Analyser

Il sagit de trouver les coefficients 0 et 1 qui minimisent les carts


ei2 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.

Solution
La somme des carts ei2 scrit e.te avec te matrice transpose de e.
Minimiser e.te consiste trouver les valeurs de 0 et 1 qui
anulent la drive de e.te par rapport a
e.te = [Y Xa]t[Y Xa] = YtY 2atXtY + atXtXa
e t e = 2XtY + 2XtXa
-------------a
Pour annuler cette drive, on a alors : = (XtX)-1.XtY

Application
Tous les logiciels statistiques calculent facilement les coefficients 0 et
1 ; il est possible galement dutiliser un tableur pour retrouver ces
valeurs. Appliquons la relation = (XtX)-1.XtY sur les donnes de
lexemple partir dun tableur Excel.
1 108
Matrices X = et
1 117

XtX =

Y =

174

204

9
1002 ; (XtX)-1 = 29,76 0,266
1002 111974
0,266 0,0024

= (XtX)-1.XtY = 31,719 qui dtermine les coefficients de la droite


1,3947
de rgression.

ditions dOrganisation

235

Six Sigma

6.3.2 Test de Student sur les coefficients


La relation = (XtX)-1.XtY permet de trouver les valeurs des coefficients. Mais il faut se poser la question suivante : ces coefficients sontils significatifs ? Pour rpondre cette question, on utilise le test de
Student pour voir si le coefficient calcul est significativement diffrent
de 0 (hypothse nulle).

Hypothse nulle : le coefficient a une valeur alatoire autour de zro.

Figure 5.58 Test de Student sur les coefficients

Non significatif

Significatif
Coefficient
0

On rejette lhypothse nulle si lcart entre le coefficient 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 coefficients dpend (voir dmonstration) :
de la dispersion rsiduelle ;
de la position des points tests dans le domaine dtude (matrice
X).

236

ditions dOrganisation

tape 3 Analyser

Dmonstration
= (XtX)-1.XtY donc V() = V[(XtX)-1.XtY]
X est la matrice des essais, cest une constante on peut donc
crire :
V() = (XtX)-1.Xt.V(Y).X(XtX)-1
Dans lhypothse nulle, V(Y) = V(ei) est la variance des rsultats
des essais, que lon suppose homogne dans tout le domaine
dtude.
On peut crire V(Y) = r2I
(I matrice identit et r2 Variance rsiduelle)
V() = r2(XtX)-1XtIX(XtX)-1 = r2(XtX)-1

Application sur notre exemple


Figure 5.59 Calcul des ei
X

108

102

112

118

118

119

100

108

117

174

173

185

197

191

197

174

188

204

0 + 1X

182,4 174,0 187,9 196,3 196,3 197,7 171,2 182,4 194,9

ei = Y (0 + 1X)

8,4

1,0

2,9

On calcule V(ei) =

r2

e i2

------------

= 32,98

ddl

0,7

5,3

0,7

2,8

5,6

9,1

avec ici le nombre de degrs de libert = 9 (donnes) 2 (coefficients)


= 7 soit r = 5,74
Connaissant r on dtermine facilement V() = r2(XtX)-1

r2(XtX)-1 = 32,98 29,76 0,266 = 981,66 8,78


8,78 0,079
0,266 0,0024

ditions dOrganisation

237

Six Sigma

Ce qui permet de faire le tableau de test de Student :


Figure 5.60 Test de Student
Prdicteur

Coef.

sigma

Const 0

31,719

981,66 = 31,33

31,72/31,33 = 1,01

0,345

Pente 1

1,3947

0,079 = 0,28

1,39/0,28 = 4,97

0,002

Les valeurs de p sont trouves avec la table de Student pour 7 degrs


de libert. On considre que la corrlation est significative lorsque p
est infrieur 0,05. Dans notre exemple, on conclut que la constante
0 nest pas significativement diffrente de 0, mais la pente de 1 est
significative.

6.3.3 Dtermination du coefficient R2


Le test de Student permet de savoir si les coefficients calculs sont oui
ou non significatifs. Mais ce nest pas parce quun facteur X est significatif que lon a expliqu avec ce facteur une part importante des variations de Y.
Nous allons complter lanalyse en calculant un coefficient R2 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 expliques par la relation, R2 est donc toujours infrieur 1. On peut le
ramener en pourcentage en multipliant par 100.
Le coefficient R2 se calcule trs simplement par la relation suivante :
V ( Y ) V ( e1 )
130,5 28,858
R 2 = -------------------------------- = ------------------------------------- = 0,779
V(Y)
130,5
Mais si lon veut tenir compte des degrs de libert sur les rsidus, il
est prfrable de calculer le ratio :
V(Y) 2
130,5 32,98
2
R Ajust
= ------------------------r- = ---------------------------------- = 0,747
V(Y)
130,5
238

ditions dOrganisation

tape 3 Analyser

Figure 5.61 Signification de R2

Y = 1,3947X + 31,719
R 2 = 0,7789

Corrlation Y/X
210
205
200

V(Y) r2

195

V(Y)

190
185

r2

180
175
170
165
95

100

105

110

115

120

Pour bien comprendre la signification du ratio R2, observons le schma


(figure 5.61). La variance V(Y) correspond la variance totale observe sur Y. Cette variance peut se dcomposer en deux parties :

une partie imputable la corrlation donne par la pente de la


droite (V(Y) r2) ;

une partie imputable aux dispersions alatoires autour de la


droite (r2).

Le ratio R2 calcule la proportion de la variance totale que lon peut


imputer la corrlation. Ainsi un coefficient R2 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 signifie galement que, si on fige la variable
X, on obtiendra une rduction de 30 % de la variance sur Y.

ditions dOrganisation

239

Six Sigma

6.4 Mthode de la rgression linaire multiple


Figure 5.62 Bote noire

X1
X2
X3
X4

Y
Systme

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.

240

ditions dOrganisation

tape 3 Analyser

Cas 1. Risque de voir une fausse corrlation


Figure 5.63 Risque de voir une fausse corrlation

On croit une corrlation


entre B et Y
Y

A
Y
On voit la corrlation
entre A et Y
A

Surface de rponse :
un effet de A sur Y
pas d'effet de B sur Y

Dans lexemple de la figure 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 trouvera une corrlation parfaite avec un coefficient R2 = 1 (100 % expliqu).
Mais si on tablit la corrlation entre B et Y, on trouvera une corrlation avec un coefficient R2 non nulle. Cela tient ce que dans les donnes 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

ditions dOrganisation

241

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 rendre 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

Y
Y

A
On voit la corrlation
entre A et Y

B
On ne voit pas
la corrlation
entre B et Y

Surface :
effet fort de A
effet faible de B

Dans lexemple de la figure 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 coefficient R2 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 coefficient R2 proche de zro. Cela tient ce que ce qui apparat comme de la dispersion rsiduelle est en fait leffet projet de A,

242

ditions dOrganisation

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 corrlations 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 prsence de soufflures. 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 (figure 5.65).
Figure 5.65 Historique du dfaut soufflure
Coule

%C

%MN

%SI

%P

%NI

%CR

Y=%
Soufflure

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

ditions dOrganisation

243

Six Sigma

On va chercher expliquer Y (pourcentage de soufflures) par les variations des X (composition de la matire) sous la forme :
Y = 0 + 1 C + 2 MN + 3 SI + 4 P + 5 NI + 6 CR
La rgression multiple a pour objet de trouver ces coefficients , de
savoir sils sont significatifs et de connatre le pourcentage de la
variance de Y que lon a expliqu avec cette relation (coefficient R2).

Le tableau de la figure 5.65 peut scrire sous une forme matricielle :


Yi = Y i+ei, lobjectif tant de minimiser les ei.

e1

Y1

1 C 1 NI 1 CR 1 0

ei
Yi
1 C i NI i CR i j soit e = Y Xa

en

Yn


1 C n NI n CR n 6

La solution comme dans le cas de la corrlation simple (paragraphe


6.3) est :
= (XtX)-1.XtY
avec comme variance sur a :
V() = r2(XtX)-1
et comme coefficient R2ajust
V(Y) 2
2
R Ajust
= ------------------------rV(Y)
244

ditions dOrganisation

tape 3 Analyser

Application sur lexemple


On trouve :
89,9
4,5
70,9
= 1,0
16,6
88,5
24,8
1625,7
27,9
68,1

avec V() = r2

58,2
1 700,1
207,2
1 152,1

soit Y = 89,9 4,5C 70,9MN + 1,0SI + 16,6P + 88,5NI 24,8CR


Pour chaque coule, on peut calculer la prvision Y et le rsidu ei.
Figure 5.66 Prvision et rsidus
No

%C

%MN

%SI

%P

%NI

%CR

ei

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

ditions dOrganisation

245

Six Sigma

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

ei2 4,33
On peut ainsi calculer r2 = ------------ = --------------- = 0,632 et V(Y) = 19,26
14 7
ddl
V(Y) 2
19,26 0,632
2
Soit R Ajust
= ------------------------r- = ---------------------------------- = 0,967
V(Y)
19,26
Autrement dit, 96,7 % de la variance des Y est explique par les variations des X, cest une excellente corrlation. Pour savoir si ces coefficients sont significatifs, il faut faire le test de Student :
Figure 5.67 Test de Student
Prdicteur

Coef.

sigma

Const 0

89,94

0,63*1625,7

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

Les trois coefficients qui apparaissent significatifs sont la constante, le


manganse (MN) et le nickel (NI). Les autres ntant pas significatifs,
il convient de refaire la rgression en liminant les coefficients non
significatifs. Pour aboutir :
Y = 52,3 72,5MN + 92,5 NI
246

ditions dOrganisation

tape 3 Analyser

Figure 5.68 Test de Student


Prdicteur

Coef.

sigma

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

2
R Ajust
= 0,972

Interprtation
Dsormais, tous les coefficients sont significatifs, le pourcentage de manganse a un coefficient ngatif ; donc, plus il y a de manganse, moins il
y a de soufflures, et en revanche plus il y a de nickel, plus il y a de soufflures.

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 (MN2 et NI2) ou le terme dinteraction MN*NI.
Avec la rgression multiple, cest trs facile ; il suffit dintroduire dans
le tableau ces termes (figure 5.69) et de faire les mmes calculs que
prcdemment.
Figure 5.69 Intgration de termes de second ordre
Coule

MN

MN2

NI

NI2

MN*NI

Y = % Soufflure

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

ditions dOrganisation

247

Six Sigma

Ce qui conduit lanalyse :


Y = 44,83 34,7MN 25,9*MN2 2,9NI + 476,7NI2 177,3*MN*NI
Figure 5.70 Test de Student
Prdicteur

Coef.

sigma

Const.

44,83

81,42

0,55

0,597

MN

34,7

215,7

0,16

0,876

MN2

25,9

151,6

0,17

0,868

NI

2,9

160,1

0,02

0,986

NI2

476,7

791,4

0,60

0,564

MN*NI

177,3

992,7

0,18

0,863

2
R Ajust
= 0,964

Interprtation
Plus aucun coefficient nest significatif, il sagit donc dune mauvaise ide
de rajouter les termes de second ordre. On revient au modle ne comportant que MN et NI.

6.4.4 Procdure StepWise ( pas pas )


La procdure pas pas propose dans tous les logiciels danalyse statistique est trs intressante ; elle permet dintroduire ou de supprimer
pas pas des variables afin dobtenir le sous-ensemble de variables
qui soit le plus pertinent possible.
La procdure Forward part dun modle sans prdicteur et permet dajouter au fur et mesure des variables.
La procdure Backward part dun modle contenant tous les prdicteurs et permet de retirer au fur et mesure des variables.

248

ditions dOrganisation

tape 3 Analyser

Les logiciels disposent tous dune procdure mixte permettant dajouter 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
Alpha pour entrer = 0,15

Alpha pour sortir = 0,15

Pas

Const.

69,12

52,30

MN

78,5

72,5

5,25

16,56

p value

0,000

0,000

NI

92,5

11,46

p value

0,000

2,52

0,731

R2

69,65

97,65

2
R Ajust

67,12

97,23

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 ei doivent tre alatoires.
Il est utile de tester leur normalit (figure 5.72).

ditions dOrganisation

249

Six Sigma

Figure 5.72 Test de la normalit des rsidus

Test de normalit des rsidus


(rponse = % Soufflure)
99

N
AD
PValue

95

14
0,4061
0,304

90

Pour cent

80
70
60
50
40
30
20
10
5

1
2

-1

Rsidus

Dans cet exemple, la valeur p est suprieure 5 %, on peut donc retenir 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

250

ditions dOrganisation

tape 3 Analyser

7.1. Le test d'inversion


Objectif du test : dterminer quel est le composant coupable d'un problme 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 particulirement 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).

Ex
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 Identifier 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.

ditions dOrganisation

251

Six Sigma

Calculer l'tendue moyenne de dmontage remontage R.


R
Calculer l'cart type de dmontage remontage = -----d 2*
d 2* 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 vrifie 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 population). Ces plages dfinissent les limites des variations alatoires
de dmontage remontage. Pour que le test fonctionne bien, il est
prfrable que les deux plages ainsi dfinies soient bien spares.
Figure 5.73 Dfinition des plages de variations alatoires

R1

50
45

D > 1,25 R

40

R2

35
30
25
Initial

252

Premier
Fin du
deass/as processus

ditions dOrganisation

tape 3 Analyser

Ex
Exemple
Moteur B

Moteur M

Premier montage

35

47

Second montage

31

49

Troisime montage

34

50

Etendue

Moyenne

33,33

d2 = 1,806

48,67

t0,95 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
3,5
R
= ------ = -------------- = 1,94
1,806
d 2*
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 efficacit, on fait les inversions en commenant par le composant le plus suspect.
Si le M reste le M et le B reste le B, le composant chang n'intervient 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.

ditions dOrganisation

253

Six Sigma

S'il y a un change partiel entre le composant M et B, le composant chang n'est pas le seul responsable du dfaut, il y a interaction avec un autre composant, ou un cumul de deux effets il
faut continuer l'change.
chaque dmontage remontage, on remet les pices pralablement changes dans leurs produits originaux pour s'assurer que
les conditions initiales restent les mmes.

Ex
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
54,1
50
45
43,3
40

Fin du processus
dchange

38,7

35
30
27,9
Initial

Premier
deass/as

second
deass/as

Ech
de I

Ech
de J
Cause
importante

254

Ech
de K

Ech
de L
Cause
importante

Test
Ech

Chapeau
de J et L
Possibilit
dinteraction

ditions dOrganisation

tape 3 Analyser

tape 4 Faire l'essai chapeau de vrification


On inverse tous les composants qui ont une influence sur la rponse,
on doit avoir une inversion totale des rsultats

Ex
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'influence des facteurs dclars
significatifs par l'inversion, on ralise un plan complet pour dterminer 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)

Ex
Exemple
Les facteurs J et L ont t dclars importants, on fait un plan
complet deux facteurs deux niveaux :
N

Rponse

35

40

41

48

ditions dOrganisation

255

Six Sigma

Figure 5.75 Plan d'expriences de validation

C1
J

C2
M

C3
J/M

3,50

3,00

0,50

44,50
Moy Y
41,00

37,50

50
J=M
40
J=B
30
L=B

L=M

Remarque : Toutes les combinaisons du plan d'expriences ont


t testes pendant l'inversion, il suffit de les identifier, en faire
la moyenne et les insrer dans le plan d'expriences.
Dans l'exemple prsent, les deux segments de droite sont parallles, il n'y a pas d'interaction mais simplement addition des
deux effets des composants J et L. Avec seulement deux composants extrmes on a pu, grce ce test, piger les deux principales 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 comparer des paires de produits bons et mauvais en notant toutes les diffrences. En reproduisant plusieurs fois cette comparaison on peut
identifier des diffrences qui se reproduisent systmatiquement. Ce test
est constitu de 5 tapes :

256

ditions dOrganisation

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 signification 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 signification de 1,5 %.

Ex
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 n1 = 4 x1 =0 n2 = 4 x2 = 4
donne un cart significatif avec un risque alpha de 1,42 %

ditions dOrganisation

257

Six Sigma

Figure 5.76 Comparaison par paires


Paire 1

Paire 2

Paire 3

Paire 4

Mauvais

Bon

258

ditions dOrganisation

Chapitre 6

tape 4 Innover/amliorer

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 modifi
le processus en profondeur. Les modifications introduites nont port
pour linstant que sur la rduction de la variabilit en figeant tous les
facteurs qui pouvaient ltre (voir tape Mesurer ).
Le temps est venu dapporter des modifications en profondeur au processus afin datteindre lobjectif fix 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.

259

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 dvelopper 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 efficace pour tre
rentable. Un dballage dides bien anim permet de gagner un temps
prcieux. Le principe de base en est de runir un groupe pluridisciplinaire afin de provoquer une crativit par mulation. On distingue
trois phases dans un dballage dides : la dfinition de lobjectif, le
dballage, la classification.

Dfinir 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 efficace, un animateur doit inscrire sur des bouts de papier
les lments au fur et mesure quils sortent et les afficher sur un mur
laide dun adhsif repositionnable. Il est trs important dviter les
tableaux en papier, qui ne permettent pas de structurer efficacement le
travail aprs le dballage. Dans un premier temps, les papiers sont colls en dsordre sur le mur et noncs clairement afin de donner des
ides aux autres membres du groupe.

260

ditions dOrganisation

tape 4 Innover/amliorer

En gnral, il nest pas trs utile de poursuivre trs longtemps le dballage. Souvent une demi-heure une heure bien conduite suffit largement.

Classification
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 affinits qui consiste regrouper toutes les ides par
proximit (par affinit). Cest au cours de ce classement que lutilisation dadhsifs repositionnables est apprcie. On limine les redondances, parfois on dmultiplie une ide qui est comprise diffremment
par deux personnes et, enfin, on regroupe sous la forme de macroides 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 possible de mettre en place les 15 solutions, il faut choisir celles qui paraissent le plus efficaces. Afin dviter de longues et striles discussions,
on donne par exemple cinq droits de vote chaque membre du groupe.
Les cinq personnes rflchissent individuellement et choisissent les
cinq solutions qui leur semblent le plus efficaces. Aprs rflexion, chacun 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 solutions 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.

ditions dOrganisation

261

Six Sigma

Celles qui obtiennent des avis partags. Elles sont en gnral peu
nombreuses et font lobjet de discussions au sein du groupe afin
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
figure 6.1 montre le rsultat dun vote dans lequel on a demand
chaque membre de noter les ides de 1 5 selon trois critres : lefficacit, le cot et le dlai de ralisation. Chaque critre nayant pas la
mme importance, on affecte dun poids diffrent lefficacit (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
Efficacit
(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 fluide

1,3

1,3

1,2

11,6

Rajouter une gorge

3,5

2,5

2,1

27,1

Modifier le diamtre de gorge

2,8

4,6

4,6

32,4

Solutions

Ce vote montre que le meilleur compromis entre lefficacit, le cot et


le dlai de mise en uvre de la solution est ralis par la solution
modifier 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 modifis pour atteindre notre objectif, il faut passer la dmarche
exprimentale, lors de laquelle nous allons modifier le processus pour
dfinir la meilleure configuration.

262

ditions dOrganisation

tape 4 Innover/amliorer

3. Les dmarches exprimentales


3.1 Limportance de la dmarche exprimentale
Dans toute dmarche de progrs, lexprimentation doit tre privilgie. Dans une relation Y = f(X), nous devons rechercher une configuration 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, ltablissement des tolrances et la minimisation des cots ;
de loptimisation des processus pour la rsolution des problmes.
Les tapes prcdentes de la dmarche ont permis didentifier les facteurs cls et dorienter la recherche de solutions, il va falloir maintenant tre capable de tester ces dernires et doptimiser les
configurations au moyen dexpriences.
La conduite des expriences est une dmarche naturelle doptimisation. 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 inconvnients suivants :
de nombreux essais, dont le cot est important ;
une faible prcision dans le rsultat ;
une absence de modlisation ;
une solution non optimale.

ditions dOrganisation

263

Six Sigma

Pourtant, depuis bien des dcennies dj, les tudes portant sur loptimisation des dmarches exprimentales ont donn lieu des mthodes
structures : les plans dexpriences. Relativement simples mettre en
uvre, ces dmarches sont extrmement efficaces 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 proposes et nous dcrirons dans ce chapitre les trois principaux types de
plans dexpriences (figure 6.2).
Figure 6.2 Les grands types de plan dexpriences

Criblage

Caractrisation

Modlisation

Temps

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 influence 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 facteurs 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.

264

ditions dOrganisation

tape 4 Innover/amliorer

Les plans de modlisation : la modlisation devient ncessaire lorsque 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 afin doptimiser Y. Dans ces conditions, on cherchera
nanmoins apporter la preuve statistique de lamlioration en ralisant un test statistique montrant que la nouvelle configuration du X
apporte un changement significatif 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 modifis, la dmarche traditionnellement mise en uvre consiste souvent modifier successivement 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 difficile.
Lorsque plusieurs facteurs doivent tre modifis, il est prfrable de
modifier lensemble des facteurs en mme temps dans un plan dexpriences optimisant le nombre dessais.
Pour illustrer ce point, prenons lexemple dune presse injecter avec
ltude de deux facteurs (figure 6.3). La rponse tudie est la variation sur une cote de la pice.

ditions dOrganisation

265

Six Sigma

Figure 6.3 Dfinition du domaine dtude


Facteur

Mini

Maxi

Pression

300

500

Temprature

40

60

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

Stratgie traditionnelle

Stratgie plan dexpriences

Pression

Temprature

Pression

Temprature

400

40

300

40

400

60

300

60

300

50

500

40

500

50

500

60

266

ditions dOrganisation

tape 4 Innover/amliorer

Dfinition dune interaction


Il y a interaction lorsque leffet dun facteur dpend de ltat dun autre
facteur.
Sur le schma de la figure 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 pression na pas deffet, alors que lorsque la temprature est 40 le passage dune pression de 500 300 modifie 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 suffit de comparer le rsultat de lessai 2 au rsultat de
lessai 1.
On calcule ET = Y2 Y1
Dans la stratgie plans dexpriences, on doit faire la moyenne des
deux carts constats entre Y5 /Y6 et Y7 /Y8
On calcule E T = 1
--- [ ( Y 6 Y 5 ) + ( Y 8 Y 7 ) ]
2
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(Y1) = [] = Variance(Y8) = Variance(Y).
Calculons la variance sur leffet de la temprature dans les deux situations (rappelons que la variance a la proprit dadditivit voir
chapitre 5).

Situation traditionnelle
V(ER) = V(Y2 Y1) = V(Y2) + V(Y1) = 2V(Y)
ditions dOrganisation

267

Six Sigma

Situation plan dexpriences

ET = V 1
--- [ ( Y 6 Y 5 ) + ( Y 8 Y 7 ) ]
2

=1
--- [ V ( Y 6 ) + V ( Y 5 ) + V ( Y 8 ) + V ( Y 7 ) ] = V ( Y )
4
On le constate, la variance sur leffet (et donc la prcision de la modlisation) sera deux fois plus faible dans la situation plans dexpriences 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 dexpriences 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 processus de fabrication. Le Black Belt a identifi deux facteurs susceptibles
damliorer le rsultat (la vitesse de coupe et lavance par tour). Lanalyse technique le conduit mener une exprience avec 2 niveaux par
facteurs.

268

ditions dOrganisation

tape 4 Innover/amliorer

Figure 6.5 Dfinition du domaine dtude


Vitesse de coupe

Avance

Niveau 1

120

0,010

Niveau 2

200

0,015

Avance

Nud

0,015

Maillage

0,010
120

Vitesse

200

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
Vitesse

Avance

Rugosit

Essai 1

120

0,010

10

Essai 2

120

0,015

16

Essai 3

200

0,010

Essai 4

200

0,015

Interprtation du plan dexpriences


Tableau des moyennes :
Figure 6.7 Tableau des moyennes
Vitesse

Avance

Niveau 1

(10 + 16)/2 = 13

(10 + 4)/2 = 7

Niveau 2

11

ditions dOrganisation

269

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 (figure 6.8). Le troisime graphe donne limportance de linteraction, nous y reviendrons.

Graphe des effets


Figure 6.8 Graphe des effets

C1
Vit

C2
Av

C3
Vit/Av

4,00

2,00

1,00

13,00
Moy Y
9,00

5,00

Tableau des interactions


Figure 6.9 Tableau des interactions
Vitesse =120

Vitesse = 200

Avance = 10

10

Avance = 15

16

Pour visualiser les interactions, il faut considrer les quatre combinaisons de configuration 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 configuration considre.
Ce tableau des interactions se reprsente ainsi graphiquement
(figure 6.10) :

270

ditions dOrganisation

tape 4 Innover/amliorer

Graphe des interactions


Figure 6.10 Graphe des interactions

16
12

Av = 15

8
Av = 10
10

16

Vitesse

0
120

200

16
4

Vit = 120
12
6

8
Vit = 200
4

Avance

0
0,010

0,015

Pour visualiser linteraction entre les deux variables X, il faut un graphe 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 (figure 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
figure 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 suffit 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 (figure 6.10), on doit rechercher un
modle polynomial de type :
Y = 0 + 1 Vit + 2 Av + 3 Vit Av
ditions dOrganisation

271

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

1
1
1
1

120
120
200
200

0,010
0,015
0,010
0,015

120 0,010
120 0,015
200 0,010
200 0,015

0
1
2
3

10
= 16
4
6

Voici la solution de la rsolution du systme dquations :


5
= (XtX)-1.XtY soit = 0,025
2 400
10
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 coefficients sont difficilement interprtables car ils dpendent de lunit de la vitesse et de la
pression. En gnral, pour pouvoir comparer ces coefficients, on prfre utiliser une unit standard dans laquelle le domaine dtude varie
de 1 1.

272

ditions dOrganisation

tape 4 Innover/amliorer

Figure 6.11 Domaine dtude standardis


Units du problme

Units codes

Niveau bas

Niveau haut

Niveau bas

Niveau haut

Vitesse

(1) 120

(2) 200

Avance

(1) 0,010

(2) 0,015

(1)

(2)

Interaction

1
La matrice X devient alors 1
1
1

1
1
1
1

1
1
1
1

1
1 et le vecteur =
1
1

9
4
2
1

Ce qui donne comme polynme : Y = 9 4Vit + 2Av Vit AV

Interprtation
Interprtation des coefficients
Dans cette nouvelle unit standard, les coefficients 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 (figure 6.13).
Linteraction apparat comme tant lcart entre le plan moyen et la surface de rponse relle.

Calcul du modle Mthode 2


On peut galement calculer les coefficients 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.

ditions dOrganisation

273

Six Sigma

Figure 6.12 Calcul des effets

Niveau 1
1

Codage

Niveau 2
1

Moyenne des essais


lorsque A est au niveau 2

1 = (moyenne des essais lorsque A = i) Y


Y
Y = 0 + 1 A

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
EAi = (Moyenne des essais lorsque A = i) Y
Exemple :

EVit2 = 5 9 = 4

EAv2 = 11 9 = 2

Interaction lorsque A = i et B = j
Linteraction est dfinie comme tant lcart entre le plan moyen et la
surface de rponse (figure 6.13). On peut donc calculer :
IAiBj = (Moyenne des essais lorsque A = i) EAi EBj Y
avec Y la moyenne gnrale de tous les essais.
Exemple : IVit2Av2 =6 (4) (2) 9 = 1
Ce qui permet de trouver lquation : Y = 9 4Vit + 2Av Vit AV

274

ditions dOrganisation

tape 4 Innover/amliorer

Figure 6.13 Interprtation graphique des coefficients

C1
Vit

C2
Av

C3
Vit/Av

13,00

Moy Y
9,00

5,00

4
4,00
1

2,00
1

1,00
1

+2 (effet de Av)

4 (effet de Vit)
1 (interaction)

ditions dOrganisation

275

Six Sigma

Plan complet deux facteurs 2 niveaux et table L4 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 L4 de Taguchi et graphe associ


1

3
Facteur

Interaction

La table donne la configuration des essais raliser. Dans un graphe


de Taguchi, les facteurs sont reprsents par des ronds et linteraction
entre deux facteurs est signifie 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 (figure 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 utilise la rgle mnmonique suivante :
A

AB

(1)(1) 1

(1)(2) 2

(2)(1) 2

(2)(2) 1

276

ditions dOrganisation

tape 4 Innover/amliorer

Pour retrouver la colonne dinteraction avec les notations 1/1 on utilise la rgle mnmonique suivante :

(1)(1) 1

AB

(1)(1)

(1)(1)

(1)(1)

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 (figure 6.15), soit
23 = 8 essais. On peut gnraliser au plan complet de k facteurs n
niveaux, qui ncessitera nk essais.
Figure 6.15 Plan dexpriences trois facteurs 2 niveaux
N

Niveau 2

Niveau 1

Niveau 1
Niveau 2
C

Niveau 1

Niveau 2

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.

ditions dOrganisation

277

Six Sigma

Figure 6.16 Domaine dtude


Facteur

Nom court

Niveau 1

Niveau 2

Pression

350

600

Temprature

40

60

Lubrifiant

Avec

Sans

La table prsente ci-aprs (figure 6.17) montre le plan dexpriences.


Linterprtation du plan consiste dterminer les facteurs et les interactions significatives afin de les placer au niveau qui optimise la dispersion.

Figure 6.17 Plan dexpriences


No

P*T

P*L

T*L

P*T*L

Y1

(1) 350

(1) 40

(1) Avec

0,4

(1) 350

(1) 40

(2) Sans

1,15 1,15 1,24

(1) 350

(2) 60

(1) Avec

1,02 0,96 1,11

(1) 350

(2) 60

(2) Sans

1,43 1,48 1,92

(2) 600

(1) 40

(1) Avec

0,57 0,13 0,34

(2) 600

(1) 40

(2) Sans

0,87 0,67 0,66

(2) 600

(2) 60

(1) Avec

0,59 0,58 0,27

(2) 600

(2) 60

(2) Sans

0,92 0,65 1,06

Y2

Y3

0,71 0,46

Tableau des moyennes et graphe des effets


No

P*T

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

278

ditions dOrganisation

tape 4 Innover/amliorer

Figure 6.18 Graphe des effets

1,100

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

Moy Y
0,85

0,595

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 interactions, semblent significatifs. Pour pouvoir conclure, il faut faire
lanalyse de la variance (figure 6.19) qui permet de conclure sur le
niveau de signification 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 significative (niveau
de risque alpha = 0,035 < 0,05). Les autres interactions ne sont pas
significatives, on ne les tracera pas.

ditions dOrganisation

279

Six Sigma

Figure 6.19 Analyse de la variance


Col.

Source

S2

ddl

Var

Flim

Contrib. Conclusion

1,363 1

1,363 44,13 4,494 0,000 32,6 %

Significatif

0,552 1

0,552 17,87 4,494 0,001 13,2 %

Significatif

P*T

0,163 1

0,163 5,29

Significatif

1,530 1

1,530 49,53 4,494 0,000 36,6 %

Significatif

P*L

0,077 1

0,077 2,49

4,494 0,134 1,8 %

Non signif.

T*L

0,001 1

0,001 0,05

4,494 0,819 0,0 %

Non signif.

P*T*L

0,002 1

0,002 0,09

4,494 0,767 0,0 %

Non signif.

Rsidus

0,494 16

0,494

Total

4,185 23

4,494 0,035 3,9 %

11,8 %

Tableau des interactions et graphe des interactions


On ne sintresse qu linteraction P*T juge significative.
Temp = 40

Vitesse = 60

Pression = 350

0,852

1,320

Pression = 600

0,540

1,100

Figure 6.20 Interaction Pression*Temprature

40

60

350

600

280

Minimum pour P = 600 et T = 40

ditions dOrganisation

tape 4 Innover/amliorer

Modlisation polynomiale
En ne conservant que les facteurs significatifs, 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 :
EP2 = 0,6092 0,8475 = 0,2383

Optimisation
Lobjectif du plan dexpriences est de minimiser la rponse. La meilleure configuration consiste :
augmenter la pression (P = 600) ;
diminuer la temprature (T = 40) ;
utiliser le lubrifiant (L = Avec Niveau 1 ; figure 6.18).

4.3 Trois facteurs 2 niveaux plan fractionnaire


Dans le cas o on suppose que seuls les effets de premier ordre sont
significatifs et que toutes les interactions sont nulles (ou faibles devant
leffet des facteurs), on peut modliser les comportements du systme
en appliquant :
Y = 0 + 1A + 2B + 3C
Ce modle comporte 4 inconnus (0 3), il suffit donc de faire
quatre essais. Comparons deux stratgies quatre essais qui permettent dtudier un modle sans interaction.

ditions dOrganisation

281

Six Sigma

Figure 6.21 Deux stratgies de plans fractionnaires


C

C
Y6

Y4
Y7

Y1

Y3

Y5
Y8

Y2

Un facteur la fois

Stratgie plan dexpriences

Dans la premire stratgie, on ralise un essai de rfrence (1) et on


modifie chaque essai un facteur par rapport cette rfrence.
leffet du facteur A est calcul par EA = Y2 Y1
la variance sur leffet de A est calcule par
V(EA) = V(Y2) + V(Y1) = 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 configuration correspond
aux 3 colonnes de la table L4 de Taguchi.
On peut calculer :
leffet de A par EA = 1/2[(Y7 + Y8) (Y6 + Y5)]
la variance sur leffet de A
V(EA)=1/4[V(Y7)+V(Y8)+V(Y6)+V(Y5)]=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 .

282

ditions dOrganisation

tape 4 Innover/amliorer

Plan dexpriences sur la presse injecter


avec un plan fractionnaire
Supposons que lon souhaite tudier le plan dexpriences de la presse
injecter (figure 6.17) avec un plan dexpriences fractionnaire quatre essais (figure 6.22). Les quatre essais font partie des huit essais du
plan complet.
Figure 6.22 Plan fractionnaire 4 essais
No

P*T

P*L

T*L

P*T*L

Y1

(1) 350

(1) 40

(1) Avec

0,4

(1) 350

(2) 60

(2) Sans

1,43 1,48 1,92

(2) 600

(1) 40

(2) Sans

0,87 0,67 0,66

(2) 600

(2) 60

(1) Avec

0,59 0,58 0,27

Y2

Y3

0,71 0,46

Le traitement du plan donne ceci.

Graphe des effets


Figure 6.23 Graphe des effets
No

Niveau 1

1,067

0,628

0,502

Niveau 2

0,607

1,045

1,172

C1
P

C2
T

C3
L

1,17
Moy Y
0,84

0,50
0,23

ditions dOrganisation

0,21

0,34

283

Six Sigma

Analyse de la variance
Figure 6.24 ANAVAR
Col.

S2

Source

ddl

Var

Flim

Contrib. Conclusion

0,63

0,63

17,3

5,32

0,003 22,67 % Significatif

0,52

0,52

14,19 5,32

0,006 18,6 % Significatif

1,35

1,35

36,69 5,32

0,000 48,2 % Significatif

Rsidus

0,294 8

Total

2,80

0,037

10,5 %

11

Modlisation
On trouve comme quation de la surface de rponse :
Y = 0,837 0,23P+0,208T=0,335T
On retrouve facilement ces coefficients par la formule
EAi = (Moyenne des essais lorsque A = i) Y
EP2 = 0,607 0,837 = 0,230
ET2 = 1,045 0,837 = 0,208
EL2 = 1,172 0,837 =0,335

Notion dalias
Lorsquon regarde le plan fractionnaire quatre essais (figure 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 significatives, lerreur est beaucoup plus faible, et ninflue pas sur le rsultat de la table L4.
On peut donc tablir le tableau des alias :

284

ditions dOrganisation

tape 4 Innover/amliorer

Figure 6.25 Tableau des alias


Action

Alias

Signification

Constante

P*T*L

Lorsquon calcule la constante, on calculera en fait


la constante + leffet de P*T*L

T*L

Lorsquon calcule leffet de P, on calculera en fait


P + leffet de T*L

P*L

Lorsquon calcule leffet de T, on calculera en fait


T + leffet de P*L

P*T

Lorsquon calcule leffet de L, on calculera en fait


L + leffet de P*T

Dans cet exemple, linteraction P*T est relativement faible devant


leffet du facteur L. Lerreur commise ne remet pas en question les conclusions si lon souhaite minimiser la rponse. Cependant, en cas
dinteraction forte, on peut commettre de graves erreurs dinterprtation 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 confirmation 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
(figure 6.23) montre clairement que la solution consiste fixer :
la pression au maximum (600) ;
la temprature au minimum (40) ;
la lubrification au niveau 1 (Avec).
Or cet essai na pas t ralis ! En faisant lessai de confirmation
essai no 5 du plan complet (figure 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.

ditions dOrganisation

285

Six Sigma

La variance rsiduelle est de 0,037(figure 6.24), soit un cart type de


0,037 = 0,192
Pour valuer limportance de lerreur, on peut calculer lcart en nombre dcarts types en tenant en compte que la valeur 0,347 est une
moyenne de 3 valeurs :
0,283
Erreur standardise = ------------------------- = 2,54
0,192 3
Dans cet exemple, lerreur standardise tant infrieure 4, il est difficile 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 (figure 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 (figure 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.

286

ditions dOrganisation

tape 4 Innover/amliorer

4.4 Construction dun plan fractionnaire 2 niveaux


4.4.1 Notion de rsolution des plans dexpriences
Figure 6.26 Rsolution et alias
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 interactions 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 interactions dordre IV.


A alias BCDE
I
IV
Les interactions dordre II sont confondues
avec dautres interactions dordre III.
AB alias CDE
II
III

Modlisation

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 rsolution 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.

ditions dOrganisation

287

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 nombreux essais pour les raliser.

288

ditions dOrganisation

tape 4 Innover/amliorer

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 lefficacit du plan (nombre de ddl/nombre dessais).

Table L4

Table L8

Table L16

Table L12

****

2 Plan complet
Aucun risque

***
****
Fractionnaire,
Plan complet
rsolution III
Utiliser les
3
Facile dsaliasser
colonnes 1, 2, 4
en passant au plan Aucun risque
complet L8

Nombre de facteurs

***
****
Fractionnaire,
Plan complet
rsolution IV
Utiliser les
Utiliser les
colonnes 1, 2, 4, 8
colonnes 1, 3, 5, 7 Aucun risque
Facile dsaliasser
en passant au plan
complet L16

6
7
8
9

11
11

15

ditions dOrganisation

**
****
Fractionnaire
Fractionnaire,
rsolution III
rsolution V
Pas de colonne
Utiliser les
privilgier
colonnes
Facile dsaliasser
1, 2, 4, 8, 15
en continuant les
***
colonnes impaires
Fractionnaire,
de la table L16
rsolution IV
Utiliser les
colonnes impaires

*
Fractionnaire,
rsolution III
Pas de colonne
privilgier

***
Plan fractionnaire
Ne permet pas
dtudier des
interactions
Choix des colonnes en fonction
de la difficult
des modifications
des facteurs
Idal pour
dbroussailler
Les interactions
sont dilues

289

Six Sigma

Ce tableau en figure 6.27 donne en fonction du nombre de facteurs


tudier les tables que lon peut utiliser et la rsolution obtenue. Les flches 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 L8
4.5.1 Prsentation de la table
La table L8 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
No

a
b

a
c

b
c

a
b
c

Groupe

290

ditions dOrganisation

tape 4 Innover/amliorer

Cette table est accompagne de deux graphes des effets permettant de


donner deux solutions de plan dexpriences en rsolution IV ( 4 facteurs).
Figure 6.29 Graphe des effets

Premier graphe

Deuxime graphe

1
2

6
3

Interprtation des graphes


Dans les graphes des effets, les ronds reprsentent les facteurs, les
traits les interactions. La couleur des ronds est lie la difficult de
modification des facteurs (figure 6.30).
Figure 6.30 Signification des ronds
Symbole

Groupe

Difficult de modification des niveaux

Difficile

Assez difficile

Assez facile

Facile

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 indpendant. Voici lquation polynomiale de ce plan :
Y = 0+1A+2B+3C+4D+5AB+6AC+7BC
ditions dOrganisation

291

Six Sigma

Le facteur A plac en colonne 1 ne change de niveau quune fois pendant les essais ; en revanche, le facteur C plac en colonne 5 change
presque chaque essai.
Cette table est associe au triangle des interactions (figure 6.31).
Figure 6.31 Triangle des interactions de la table L16

(1)

(2)

(3)

(4)

(5)

(6)

Cette table donne les colonnes dinteractions entre toutes les colonnes
de la table L8. 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 construction 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.

292

ditions dOrganisation

tape 4 Innover/amliorer

Figure 6.32 Tableau des alias du premier graphe


No de colonne

Action du modle

AB

AC

BC

Alias

CD

BD

AD

Remarque sur lordre des essais


Lordre propos dans les tables permet daffecter des colonnes aux facteurs dont la modification de niveau est difficile 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 conditions, il ne faut pas raliser les essais dans lordre, mais plutt observer un ordre alatoire afin quil ny ait pas de biais dans les rsultats.

4.5.2 Construction dun plan de rsolution III avec la table L8


Les graphes des effets donnent des solutions pour 4 facteurs. Pour tudier un plan de 5 7 facteurs partir de la table L8, il faut modifier 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.
Difficult de modification des facteurs :
D est trs difficile ;
A est difficile ;
B, C, E sont faciles.

ditions dOrganisation

293

Six Sigma

Voici le modle polynomial de ce plan :


Y = 0+1A+2B+3C+4D+5E+6AB+7AC
Comme il comprend 8 coefficients, ce plan demande donc au moins 8
essais.
Si lon veut tenir compte de la difficult de modification 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

4
1
D

3
A

7
6

2
B
5

294

ditions dOrganisation

tape 4 Innover/amliorer

Plan dexpriences
No

Facteur

Tableau des alias


Figure 6.34 Tableau des alias
No de colonne

Action du modle

Alias

AE + BC

AD

DE

CD

BD

AC

BE

AB

CE

Le tableau des alias (figure 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 confirmation. En cas de doute sur les interactions, nous
verrons ci-aprs comment dsaliasser ce plan en rajoutant 8 essais
complmentaires pour passer une table L16 en rsolution IV.
ditions dOrganisation

295

Six Sigma

4.5.3 Limite de la table L8


Figure 6.35 Interactions disjointes

C
E

La table L8 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 (figure 6.35) a un modle
polynomial de la forme :
Y = 0+1A+2B+3C+4D+5E+6AB+7CD
Comme il a 8 coefficients, 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 L16
La table L16 se prsente de la mme manire que la table L8 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 L16 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 L16 suit la mme logique
quune construction partir de la table L8.
296

ditions dOrganisation

tape 4 Innover/amliorer

4.7 Construire des plans gigognes


partir des graphes de Taguchi
Parmi les proccupations des industriels, figure 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 confirmation.
On a vu que, pour obtenir un plan de rsolution IV, il suffisait de placer
tous les facteurs dans des colonnes impaires. Ainsi, si on souhaite
dsaliasser le plan de la figure 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 proposes par Taguchi. Les tables 2k, en particulier, ont deux proprits
intressantes.
Les lignes de la premire moiti de la table 2k sont en fait la table
2k-1. Ainsi, les 8 premires lignes des colonnes 2 et 3 de la table
L16 sont en fait la colonne 1 de la table L8. De mme, les 8 premires lignes des colonnes 4 et 5 de la table L16 sont en fait la
colonne 2 de la table L8. 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 colonnes 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/filles entre les
tables 2k :
Figure 6.36 Colonnes mres et filles
L4

L8
L16

1
1

2
3

ditions dOrganisation

3
5

4
7

5
9

10

6
11

12

7
13

14

15

297

Six Sigma

Il est donc facile de dsaliasser une table L8 en passant une table L16
et dune table L16 une table L32. Ainsi, si dans un plan de 8 essais, un
facteur se trouve dans la colonne mre 3, pour dsaliasser le plan, il
suffira de placer ce facteur dans la colonne fille 7 de la table L 16. Les
huit premires lignes de la colonne 7 de la L16 sont identiques aux
lignes de la colonne 3 de la L8. Le principe est bien sr le mme pour
passer de la table L16 la table L32, et plus gnralement de la table 2n
la table 2n+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 figure 6.33 qui est en rsolution III, on ait des doutes sur les interactions retenues ; on peut alors
passer un plan en rsolution IV en ajoutant 8 essais.
Facteur

Colonnes mres plan L8

Colonnes filles plan L16

11

298

ditions dOrganisation

tape 4 Innover/amliorer

Figure 6.37 Dsaliasser un plan dexprience


3

Bloc

10

11

12

13

14

15

16

Colonnes L16

11

Colonnes L8

Premier plan

Complment raliser

On note que les 8 premiers essais de la table L16 (figure 6.37) sont dj
raliss (figure 6.33). lissue des 16 essais, on peut tablir le nouveau tableau des alias (figure 6.38).

ditions dOrganisation

299

Six Sigma

Figure 6.38 Tableau des alias


Colonne L8

Actions

Alias

Colonne L16

AE + BC

AD

DE

CD

BD

AB

BE

AC

CE

Actions

AE + BC
D

AD

DE

8
9

Alias

CD
B

10

BD

11

12

AC

BE

AB

CE

13
14
15

On note que dans la table L16 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 L16 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 composent soit actif. Une autre faon de comprendre ce principe, cest

300

ditions dOrganisation

tape 4 Innover/amliorer

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 L16. Le tableau ci-aprs (figure 6.39) donne les
colonnes utilises et le dtail des alias.
Figure 6.39 Tableau des alias
Colonne L16

Actions

2
3

AB+CD+EF
B

4
5

AC+BD
C

6
7

AD+BC
D

8
9

AE+BF
E

10
11
12

Alias

AF+BE
F
CE+DF

13
14

CF+DE

15

Le graphe des effets (figure 6.40) montre que la colonne 2 qui contient
des interactions est active. Cependant, dans cette colonne, il y a 3 interactions (AB, CD, EF). Laquelle des 3 retenir ?

ditions dOrganisation

301

Six Sigma

Figure 6.40 Graphe des effets

C1
A

C2

C3
B

6,44

3,69

2,31

C4

C5
C

C6

C7
D

0,19

0,06

1,31

C8

C9
E

C10

C11
F

0,06

0,06

0,19

0,94

C12

C13

C14

0,56

0,31

C15

19,75
Moy Y
13,31

6,88
0,31

0,19

0,69

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 dtudier des interactions. La table L12 ou la table L20 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 .

Ex
Exemple dapplication
Figure 6.41 Processus de gravage

Mtallisation

302

Nettoyage

Prparation

Gravage

ditions dOrganisation

tape 4 Innover/amliorer

Une entreprise qui fait de la gravure chimique observe de grandes 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 comportement de la gravure, mais faire sortir le loup du bois . Il
nest donc pas utile dutiliser une table de rsolution IV ou suprieure, mais il convient plutt de privilgier le nombre de facteurs tester. Cest prcisment ce que font les plans de criblage.
Figure 6.42 Utilisation dune table L12
Sup pr1 tel1 net tdu cgr te2 asp cst te3 pul Rp 1 Rp 2
1

39

42

49

50

15

16

11

12

35

40

13

15

10

27

31

11

12

10

On affecte les colonnes en fonction de la difficult de modification des facteurs. Du plan rsulte le graphe des effets
(figure 6.43).

ditions dOrganisation

303

Six Sigma

Figure 6.43 Graphe des effets de la table L12

C1
Sup

C2
pr1

C3
te1

C4
net

3,88

1,88

C5
tdu

C6
cgr

C7
te2

10,29

5,46

C8
asp

C9
cst

C10
te3

C11
pul

0,38

0,88

0,04

30,25
Moy Y
19,96

9,67
2,13

6,63

1,79

0,54

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 influence mineure.
Si lon veut matriser le temps de gravure, il faudra matriser les 4
facteurs actifs identifis avec le plan de criblage. Il peut tre intressant de refaire un plan dexpriences de rsolution plus leve
uniquement sur ces quatre facteurs.
Remarque 1
En cas dinteraction AB dans une table L12, cette interaction va
affecter toutes les autres colonnes que A et B pour le tiers de la
valeur de linteraction.
Remarque 2
La table L20 joue le mme rle que la table L12.

304

ditions dOrganisation

tape 4 Innover/amliorer

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 insuffisants lorsque lon veut raliser
une modlisation fine dune surface de rponse. En gnral, on recherche un modle en surface de rponse lorsque lon a identifi les deux
ou trois facteurs les plus influents. 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.

ditions dOrganisation

305

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 suffisamment fine le domaine dtude.
Prenons lexemple dun soudage laser dans lequel on souhaite maximiser la profondeur de soudure. Les deux facteurs tudis sont les
suivants :
la vitesse,
la puissance.

Domaine dtude
Figure 6.45 Domaine dtude
Facteurs
Vitesse
Puissance

Mini du domaine

Maxi du domaine

30 mm/mn

60 mm/mn

200 W

600 W

Plan dexpriences
En plaant 4 niveaux par facteur, on ralise un maillage de 16 nuds
(42) ce qui donne le plan suivant :
Figure 6.46 Plan complet 2 facteurs 4 niveaux

306

No

Vitesse

Puissance

P1

P2

30

200

23

26

30

350

57

68

30

500

73

76

30

650

61

60

40

200

29

36

40

350

63

65

40

500

78

80

ditions dOrganisation

tape 4 Innover/amliorer

40

650

59

60

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

Lanalyse du plan dexpriences donne le graphe des effets et le graphe


des interactions (figure 6.47). Lanalyse de la variance (figure 6.48)
permet de conclure que les deux facteurs et linteraction sont significatifs.

Moyenne des essais


lorsque la vitesse
est place au niveau 1

Vitesse

Puissance

Niveau 1

55,50

34,00

Niveau 2

58,75

63,38

Niveau 3

58,75

75,50

Niveau 4

55,00

55,13

Figure 6.47 Graphe des effets et des interactions

Graphe des effets principaux


Vitesse

80

Graphe des interactions

Puissance

80

Vitesse
30
40
50
60

70
70
69
Prof

Prof

69

50

50

40

40

30
20

30

200
30

40

50

ditions dOrganisation

60

200

350

500

650

350

500

650

Puissance

307

Six Sigma

Figure 6.48 Tableau dANAVAR


Source

S2

Ddl

Var.

Contrib.

Signif.?

Vit.

99,00

33,00

3,50

0,040

1,2 %

Oui

Puis.

7323,25

2441,08

258,66

0,000

89,9 %

Oui

V*P

574,75

63,86

6,77

0,001

7,1 %

Oui

Rsidus

151,00

16

9,44

total

8148,00

31

En lissant les points obtenus par le plan complet, il est possible dobtenir une image en 3D de la surface de rponse (figure 6.49). Loptimum
de profondeur ( maximiser) se situe pour une puissance de 508 et une
vitesse de 43.

Figure 6.49 Surface de rponse

308

ditions dOrganisation

tape 4 Innover/amliorer

5.2 Les plans composites centrs


Les plans composites centrs sont des plans dexpriences spcialement tudis pour que lon puisse identifier des modles du type :
Y = 0+1A+2B+3AB+4A2+5B2
Les termes de type AB sont les interactions.
Les termes de type A2 sont dits quadratiques.
Pour identifier 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

B
1,414
1

1
1,414

A
-1,414 1

1,414

1
2

1
1

1
1

3
4

1
1

1
1

5
6
7

1,414
1,414
0

0
1,414

8
9
10

0
0
0

1,414
0
0

11
12
13

0
0
0

0
0
0

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) ;

ditions dOrganisation

309

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 figurent 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 (figure 6.45) en utilisant
un plan composite centr pour le mme domaine dtude.
Figure 6.50 Plan composite 2 facteurs
No

Vit.

Puis.

P1

P2

34,39

265,88

41

46

34,39

584,12

74

73

55,61

265,88

53

43

55,61

584,12

65

62

30

425

75

78

60

425

70

67

45

200

31

42

45

650

58

57

45

425

71

72

10

45

425

70

78

11

45

425

71

63

12

45

425

74

82

13

45

425

79

74

Modle polynomial
Le modle recherch est :
Y = 0+1V+2P+3VP+4V2+5P2
310

ditions dOrganisation

tape 4 Innover/amliorer

Pour trouver le modle polynomial, on utilise la mthode de la


rgression multiple (voir chapitre 5) :
0
1
1
Xa = Y + e ou encore
1
1

1
1

0
0

1
1

0
0

1
1

0
0

1
1

0
0

1
1

0
0

2
3
4
5

e1
43,5
e2
73,5
= +
78
e 12
76,5
e 13

La solution qui minimise e est = (XtX)-1.XtY


0
1
2

soit

3
4
5

73,4
2,10
= 9,40
3,63
1,11
13,86

Pour savoir si tous les coefficients sont significatifs, on fait un test de


Student (voir chapitre 5, section sur la corrlation).
Figure 6.51 Test de Student
Source

Coefficients

Sigma

Statistique t

Probabilit

Constante

73,40

1,575

46,60

0,0000

2,10

1,245

1,69

0,1070

9,40

1,245

7,55

0,0000

VP

3,63

1,761

2,06

0,0528

V2

1,11

1,336

0,83

0,4175

P2

13,86

1,336

10,38

0,0000

ditions dOrganisation

311

Six Sigma

V2 ntant pas significatif, on lenlve du modle pour aboutir une


modlisation polynomiale :
Y = 72,63 2,10V+9,40P 3,63VP 13,72P2
La reprsentation 3D est donne ci-aprs (figure 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.
312

ditions dOrganisation

tape 4 Innover/amliorer

Figure 6.53 Plan composite centr 3 facteurs


N

8
9 10

B
Plan complet 23

11 12

13 14
Alpha = 1,682
n = 6

15

20

Le coefficient alpha est gal 4 N b avec Nb le nombre dessais du plan


de base (ici Nb = 8 ; = 1,682).

5.2.3 Les plans composites centrs


Le tableau ci-aprs (figure 6.54) donne lensemble des plans composites centrs de base pour 2 5 facteurs.

Figure 6.54 Plans composites centrs de base


Nombre de facteurs

Plan factoriel de base (Nb)

L4
(complet)

L8
(complet)

L16
(complet)

L16
(resV)

L32
(complet)

Valeur de alpha ( 4 N b )

1,414

1,682

2,378

Points au centre

10

Nb dessais

13

20

31

32

52

ditions dOrganisation

313

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 privilgiant plutt la presque orthogonalit. Dans ce cas, le coefficient alpha
dpend du nombre de points au centre (figure 6.55). On calcule alors
le coefficient alpha au moyen de la relation :
=

Nb ( N Nb ) 2
---------------------------------------4

avec N, nombre total dessais.


Figure 6.55
Plans composites privilgiant la presque orthogonalit
Nombre de facteurs
Plan factoriel de base (Nb)

L4
L8
L16
(complet) (complet) (complet)

L16
(resV)

L32
(complet)

N0 = 1

1,215

1,414

1,547

1,596

N0 = 2

1,078

1,287

1,483

1,607

1,662

N0 = 3

1,147

1,353

1,547

1,664

1,841

N0 = 4

1,210

1,414

1,607

1,719

1,896

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 dfinis pour 3 k facteurs. Le principe de construction en est de combiner des plans complets 2 facteurs 2 niveaux
pendant que les autres facteurs restent au centre du domaine.

314

ditions dOrganisation

tape 4 Innover/amliorer

5.3.1 Plan de Box Benhken pour 3 facteurs


Figure 6.56 Plan de Box Benhken pour trois facteurs
C

1
2
3

1
1
1

1
1
1

0
0
0

4
5
6

1
1
1

1
0
0

0
1
1

7
8

1
1

0
0

1
1

9
10
11

0
0
0

1
1
1

1
1
1

12
13
14

0
0
0

1
0
0

1
0
0

15

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
No

14

58

9 12

13 15

ditions dOrganisation

315

Six Sigma

5.3.2 Plan de Box Benhken pour 4 facteurs


La logique de construction est la mme que pour 3 facteurs ; le tableau
prsent ci-aprs (figure 6.58) donne le plan en notation abrge.
Figure 6.58 Plan de Box 4 facteurs
No

14

58

9 12

13 16

17 20

21 24

25 27

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 configuration souhaitable,
on peut introduire le facteur C (essais 5 12). Ensuite, on peut introduire nouveau un quatrime facteur D (essais 13 24).

316

ditions dOrganisation

tape 4 Innover/amliorer

5.3.3 Plan de Box Benhken pour 5 facteurs


Figure 6.59 Plan de Box 5 facteurs
No

14

58

9 12

13 16

17 20

21 24

25 28

39 32

33 36

37 40

41 46

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 coefficients ;
ils comportent moins dessais pour les plans de plus de 4 facteurs.

ditions dOrganisation

317

Six Sigma

6. Analyser les risques LAMDEC


Chaque fois quune nouvelle solution est choisie, quune modification
est apporte un processus, que ce soit du point de vue organisationnel 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
modifiant les procdures, les processus et le niveau des facteurs. Il y a
donc un risque que ces modifications 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 nouveau 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 possible les dfaillances potentielles dune tude. Pour cela, on cherche :
identifier les dfaillances potentielles ;
identifier leurs effets pour les clients ;
identifier la chane des causes qui peuvent conduire ces
dfaillances ;
identifier 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
(figure 6.60).

318

ditions dOrganisation

tape 4 Innover/amliorer

Le libell de la dfaillance est Rupture du manche . partir de ce


libell, le groupe de travail doit :
identifier leffet ressenti par lensemble des clients du processus ;
rechercher la/les cause(s) ou la chane de causes qui peuvent
conduire cette dfaillance ;
vrifier 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

La dtection :
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

L'effet :
ce que ressent le (les) client(s)
On considre le client aval
et
le client final

Dtection

Procdure
de rception matire

Libell :
Rupture
du manche

Cause 2

Effet

Matire non conforme

Le client se blesse

La cause :
L'origine de la dfaillance qui reste
dans mon domaine de comptence

Cotation dun mode de dfaillance


Loriginalit de la mthode AMDEC tient en ceci que lon note chaque
mode de dfaillance identifi 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 ;

ditions dOrganisation

319

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 fixe une note de 1 10 en fonction dune
grille de notation (figure 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.

Ex
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
Frquence

Gravit
Dtection

Cotation

F Frquence

G Gravit

D Dtection

13

Jamais ou presque Sans consquence

100 % ou presque

46

possible

Mcontentement

Non optimal

79

Souvent

Trs mcontent
Panne critique

Inexistante,
incertaine

10

Toujours

Problme de scurit Impossible


NPR = F x G x D

320

ditions dOrganisation

tape 4 Innover/amliorer

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 (figure 6.62) dans le cas dune AMDEC processus.
Figure 6.62 Feuille danalyse AMDEC

OP

Produit

Processus

Dfaut
Effet
potentiel dfaut

Cause
dfaut

30 Rsistance Casse Erreur


du manche
matire
faible

ditions dOrganisation

Prvu/existant
plan de
surveillance
Nant

Note

Actions
Responsable Dlai

D F G NPR
9 3 9 243 M. Aubel

Rsultat
Mesures

Note
D F G NPR

S47 cration
3 3 9 27
procdure
magasin

321

Chapitre 7

tape 5 Contrler

1. Introduction
Lensemble des tapes Dfinir , Mesurer , Analyser , Innover/
amliorer a permis de fournir une solution afin damliorer le z du
processus. Cette cinquime tape a pour objectif de se donner les
moyens de mettre sous contrle le processus afin de sassurer de la stabilit de la solution trouve.
Le point essentiel dans cette tape est la mise sous contrle du procd. Pour cela, il faut :
valider les spcifications ;
formaliser les modes opratoires ;
surveiller que le processus ne drive pas en appliquant les
mthodes de la matrise statistique des processus.

323

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 spcifications


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 spcifications.
Une spcification 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 spcifications 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
fin du processus. Pour y pourvoir, lorsque lon a identifi une relation
entre une caractristique lmentaire et une caractristique finale, 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 (figure 7.1).

324

ditions dOrganisation

tape 5 Contrler

Figure 7.1 Relation de corrlation entre X et Y

Caractristique rsiduelle

4,2
4,1
4,0
3,9
3,8
3,7
3,6
3,5
3,4
3,3

3,2
22

22,5

23

23,5

24

24,5

25

25,5

26

26,5

27

27,5

28

Caractristique lmentaire

La variable Y a pour cible 3,8 et pour tolrance 0,3. Comment dterminer 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, Analyser).
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 (figure 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.

ditions dOrganisation

325

Six Sigma

Figure 7.2 Enveloppe de la corrlation

4,2
4,1

Droite de rgression

4,0
3,9
3,8

Enveloppe

3,7
3,6
3,5
3,4
3,3

3,2
22

22,5

23

23,5

24

24,5

25

25,5

26

26,5

27

27,5

28

3. On fixe les tolrances sur X en compltant le paralllogramme


des tolrances (figure 7.3). Dans lexemple, on fixe les tolrances
25,33 0,9.
Figure 7.3 Paralllogramme des tolrances

4,2
4,1
4,0
3,9
3,8
3,7
3,6
3,5
3,4
3,3

3,2
22

326

22,5

23

23,5

24

24,5

25

25,5

26

26,5

27

27,5

28

ditions dOrganisation

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 : 0,12 = 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).
Statistiques de la rgression
R2

0,74

cart type rsiduel

0,07834584

Coef.

cart type

Probabilit

0,15

0,000440

341,8

2 E-84

Dtermination de la cible
On en dduit la relation pour tablir la cible : Ycible = 0,15 Xcible
Soit : Xcible = Ycible/0,15 = 3,8/0,15 = 25,33

Dtermination des tolrances


Pour les limites, on utilise ladditivit des variances :
V(Y) = 0,152V(X) + Vrsiduel
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.
V ( Y ) V rsiduel
0,01 0,0783 2
------------------------------------ = 0,17
On a donc : V ( X ) = ------------------------------------=
0,15 2
0,15 2
soit cible(X) =
ditions dOrganisation

0,17 = 0,41
327

Six Sigma

En fixant 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 fixe 25,33 1,20

2.1.3 Cas dune tolrance unilatrale


On cherche montrer linfluence dun dfaut de concentricit dun axe
sur le bruit mesur sur le produit fini. Il ne semble pas possible aux
ingnieurs dtablir une relation entre ce bruit en final et la concentricit 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 mesurera le bruit. Le bruit maximal tolr est de 43 dB.
On tablit la relation entre le bruit et la concentricit au moyen du graphique de corrlation.
Figure 7.4 Relation entre le bruit et la concentricit

55

50

Bruit

45

40

35

30
0

0,05

0,1

0,15

0,2

Concentricit

328

ditions dOrganisation

tape 5 Contrler

Mthode graphique
Figure 7.5 Dtermination graphique des tolrances

55

50

45

40

35

30
0

0,05

0,1

0,15

0,2

Graphiquement, on constate aisment quune concentricit leve correspond toujours un bruit lev. partir du graphique prcdent
(figure 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 significative, on ralise un test de Student.
Voici lquation de rgression : Bruitmoyen = 33,96 + 93,8 Conc
Coef.

cart type

Constante

33,96

0,836

40,599

8,06E-39

Conc.

93,80

9,923

9,4525

1,54E-12

S = 2,96

R2 = 65 % R2 (ajus) = 64,3 %

La probabilit p indique le risque de conclure tort que le rgresseur


est significatif. Dans notre exemple, ce risque est infrieur 5 %, on
conclut donc que la concentricit a bien un effet significatif sur le
bruit.

ditions dOrganisation

329

Six Sigma

Le coefficient R2 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 ngligeable.
BruitMax = 33,96 + 93,8 ConcMax + 3rsiduel
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 :
Bruit Max 33,96 3 2,96
Conc Max = -------------------------------------------------------------------- = 0,076
93,8

2.2 Exemple en corrlation multiple


Dans certains cas de figure, on ne cherchera pas la relation entre un
rsultat final 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.

Ex
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.

330

ditions dOrganisation

tape 5 Contrler

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

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

En ne conservant que les rgresseurs significatifs, on trouve la


relation :
Amp = 17,4 + 1,51 F 0,798 R + 8,71 J

ditions dOrganisation

331

Six Sigma

Coef.

Constante

17,4

0,82

21,28

0,000

1,51

0,45

3,36

0,002

0,798

0,02

34,58

0,000

8,71

2,98

2,92

0,007

Rgresseur

R2 = 98,0 % R2 (ajus) = 97,8 %

S = 0,1508

Lquation prcdente explique 97,8% des fluctuations mesures


sur lamplitude. Lerreur rsiduelle a comme cart type
e = 0,1508
Les valeurs cibles sont fixes 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) = 1,512 V(F) + 0,802 V(R) + 8,712 V(J) + e2
Soit (amp) =

2 + 0,64 2 + 75,9 2 + 0,1508 2


2,28 (F)
(R)
(J)

En supposant un coefficient de proportionnalit entre les carts


types et les intervalles de tolrances IT (par exemple, IT = 8
) , on peut crire :
IT(amp) =

2 + 0,64IT 2 + 75,9IT 2 + 0,1508 2


2,28IT (F)
(R)
(J)

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

332

ditions dOrganisation

tape 5 Contrler

pertes de performance du processus. Par perte de performance, on


entend plusieurs lments : qualit, cots, dlais, scurit, environnement.
Lorsque lon tudie les causes de dfaillances rcurrentes dans un processus de production, on identifie 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 l'application

Performance

Miracle

Axe de la connaissance
Expert

Recette

Industrialisation

Axe de la formalisation

Axe de la connaissance/comptence
Cet axe dcrit les connaissances et la matrise du sujet par les personnes 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.

ditions dOrganisation

333

Six Sigma

Le manque de comptences sur le sujet dpasse le cadre de


lentreprise et les moyens qui permettraient dassurer une performance correcte nexistent pas.
Les moyens qui permettraient datteindre la performance existent, 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 existent 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 premires tapes de la dmarche Six Sigma nous ont permis de prendre
connaissance de ses rgles mais, ce stade, elles ne sont pas formalises.

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 suffit pas que les connaissances soient dans lentreprise et que celles-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.

334

ditions dOrganisation

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 connaissance. Parmi les raisons qui peuvent tre invoques ici, on peut citer la
priodicit dune activit (une fonctionnalit dun logiciel qui nest utilis 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 campagne 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 respecter 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 standardisation des oprations. Cette formalisation peut prendre plusieurs
formes :

ditions dOrganisation

335

Six Sigma

La mise en place de procdures gnriques garantissant la conformit de la tche. Par exemple, la couleur rouge est systmatiquement rserve aux produits non conformes.
La rdaction de documents synthtiques tels que les fiches 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 notamment 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 sassurer 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 noircir 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 formaliser 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
lefficacit et se poser la question de lutilit du document que lon
rdige. On identifie 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 ;

336

ditions dOrganisation

tape 5 Contrler

lorsquon veut auditer lactivit et quon a besoin dune rfrence.


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 variations 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

Film de la production de Y
4,00
3,00
2,00
1,00
0,00
1,00
2,00
3,00
4,00
1

11

13

15

17

19

21

23

25

27

29

31

33

35

37

39

Lexemple de la figure 7.7 donne le film dune production sur laquelle


on a mesur la totalit des units produites. Le processus est visiblement 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 ?

ditions dOrganisation

337

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 fondamentales 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
difficilement 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

1er rglage

Causes spciales
3

+3

2e rglage

Causes communes

Les causes spciales : ce sont les causes de dispersion identifiables,


souvent irrgulires et instables, et par consquent difficiles prvoir.
Lapparition dune cause spciale ncessite une intervention sur le procd. Contrairement aux causes communes, les causes spciales sont
en gnral peu nombreuses. Un drglement d une usure doutil est
une cause spciale.

338

ditions dOrganisation

tape 5 Contrler

4.2 Le principe dune carte de contrle


La dmarche vise donc identifier la dispersion due aux causes communes afin de dtecter les limites de variations admissibles.
Figure 7.9 Calcul de ltendue glissante
No

No

No

No

0,77

11

1,47

1,36

21

2,29

1,08

31

2,53

0,64

1,13

1,9

12

1,2 2,67

22

1,71

0,58

32

1,72

0,81

1,02

2,15

13

1,38

2,58

23

2,23

0,52

33

1,25

0,47

0,14 1,16

14

1,27

0,11

24

3,15

0,92

34

1,75

2,13

2,27

15

1,61

0,34

25

1,44

1,71

35

2,66

0,34

0,25 2,38

16

0,83

0,78

26

2,08

0,64

36

3,31

0,65

0,99 0,74

17

2,24

1,41

27

1,62

0,46

37

1,85

1,46

0,47

1,46

18

0,74

1,5

28

2,21

0,59

38

2,19

0,34

0,82 1,29

19

0,7

1,44

29

2,78

0,57

39

3,03

0,84

10

0,11

20

1,21

1,91

30

3,17

0,39

40

3,02

0,01

0,93

Dans lexemple de la figure 7.7, on peut faire lhypothse que les variations dune unit lautre sont la manifestation des causes
communes ; la drive que lon constate reprsente une cause spciale.
Pour identifier lcart type des causes communes, nous pouvons utiliser la mthode des tendues glissantes entre 2 valeurs conscutives
que nous avons prsente dans les chapitres prcdents.
R = valeur absolue (Xi Xi 1)
Exemple : R2 = Abs( 1,13 0,77) = 1,9
On calcule la moyenne des tendues et on calcule lcart type par la
relation :
R
1,11
= -------------- = -------------- = 0,98
1,128
1,128

ditions dOrganisation

339

Six Sigma

Il est donc ais de placer les limites des fluctuations naturelles du processus Cible 3, soit 0 3 0,98 = 2,94.

Figure 7.10 Limites naturelles du processus

Film de la production de Y

Limite naturelle

Pt hors contrle

4,00
3,00
2,00
1,00
0,00
1,00
2,00
3,00
4,00
1

11

13

15

17

19

21

23

25

27

29

31

33

35

37

39

Ayant dtermin les limites naturelles du processus, il est facile de


dterminer une rgle claire dintervention. Ainsi, ds le 24e 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 faudra surveiller galement sa dispersion. Ainsi, il faudra en gnral suivre deux cartes :

une pour garantir labsence de cause spciale sur la position ;

lautre pour garantir la stabilit de la dispersion naturelle du procd.

340

ditions dOrganisation

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 reprsenter 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

Valeurs individuelles

Carte de contrle valeurs individuelles tendues glissantes


4

1 1

UCL = 2,94258

2
X=0

0
2

LCL = 2,94258
4

12

16

20

24

28

32

36

40

tendues glissantes

Observations
4
UCL = 3,61496
3
2
1

MR = 1,10641

LCL = 0
4

12

16

20

24

28

32

36

40

Observations

ditions dOrganisation

341

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 figure 7.11 reprend les donnes du tableau prsent en
figure 7.9. Il montre que le processus subit une drive sur la position
avec de nombreux points hors contrle sur la carte des valeurs individuelles. 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 :
LICX = Cible 3 = Cible 3(R/d2) = Cible A4 R
LSCX = Cible+3 = Cible+3(R/d2) = Cible+A4 R
Pour les tendues mobiles, les limites sont fixes R 3R, ce qui, aprs
simplification, donne les quations :
LICR = D3 R
LSCR = D4 R
Figure 7.12 Tableau des coefficients
n

A4

2,660

1,772

1,457

1,290

D3

D4

3,267

2,574

2,282

2,114

Les coefficients sont choisis en fonction de la taille retenue du sousgroupe 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.

342

ditions dOrganisation

tape 5 Contrler

5.2 Interprtation des cartes de contrle


Figure 7.13 Les rgles de pilotage des cartes de contrle
Graphique

LSC

LIC

Description
Procd
sous contrle
Les courbes X et R
oscillent de chaque ct de la
moyenne.
2/3 des points
sont dans le tiers
central de la
carte.

Dcision
carte position

Dcision
carte dispersion

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
La capabilit court terme
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


La capabilit court terme
se dtriore. Il faut trouver
lorigine de cette
dtrioration et intervenir.
Cas tendance infrieure
La capabilit court terme
samliore. Il faut trouver
lorigine de cette amlioration pour la maintenir.

LSC

LIC

LSC

LIC

ditions dOrganisation

343

Six Sigma

LSC

LIC

LSC

LIC

Tendance
croissante
ou dcroissante
7 points conscutifs
sont en augmentation rgulire ou en
diminution
rgulire.

Rgler le procd
Cas srie croissante
si le dernier point appro- La capabilit court terme
che les limites de conse dtriore. Il faut trouver
trle de lcart qui
lorigine de cette
spare le dernier point
dtrioration et intervenir.
la valeur cible.
Cas srie dcroissante
La capabilit court terme
samliore. Il faut trouver
lorigine de cette amlioration 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 contrle.

Confirmer
en prlevant immdiatement un autre chantillon.
Si le point revient dans
le tiers central production.
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 capabilit se dtriore. Il faut trouver lorigine de cette
dtrioration et intervenir.

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.

Pour interprter les cartes de contrle, il faut appliquer les rgles de


pilotage (figure 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 calcules 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 reprsentatif de la dispersion court terme. Ltendue est calcule sur les n

344

ditions dOrganisation

tape 5 Contrler

valeurs de lchantillon. La taille n sera dterminante quant lefficacit de la carte dtecter un dcentrage. Nous reviendrons sur ce point
au paragraphe suivant.

Calcul des limites de contrle


Les limites de contrle sont fixes 3 de la rpartition des moyennes et des tendues. Elles se calculent en utilisant les formules
suivantes :
Pour la carte des moyennes

Limite de contrle suprieure : LSCX = Cible+ A2 R

Limite de contrle infrieure :

LICX = Cible A2 R

Pour la carte de contrle des tendues


Limite de contrle suprieure :

LSCR = D4 R

Limite de contrle infrieure :

LICR = D3 R

La cible est la valeur sur laquelle il faut se centrer. Elle est souvent
fixe 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 fixe la cible sur la moyenne des moyennes ( X ) de la
carte dobservation.
Les coefficients A2, D3, D4, sont fonction de la taille des chantillons.
Lorigine de ces coefficients est dmontre dans la littrature spcialise12.
Figure 7.14 Tableau des coefficients pour le calcul des cartes
n

10

A2

1,88

1,02

0,73

0,58

0,48

0,42

0,37

0,34

0,31

D3

0,07

0,14

0,18

0,22

D4

3,27

2,57

2,28

2,11

2,00

1,92

1,86

1,82

1,78

12. Voir Appliquer la Matrise statistique des procds (MSP/SPC), Maurice PILLET, Les ditions
dOrganisation, 2001.

ditions dOrganisation

345

Six Sigma

Figure 7.15 Carte moyennes tendues


No

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

25,4

UCL = 25,2292

Moyennes

25,2

X = 25

25,0
24,8

LCL = 24,7708
3

12

15

18

21

24

27

30

N chantillon
0,8
UCL = 0,717850

tendues

0,6
0,4
R = 0,314667
0,2
LCL = 0

0,0
3

12

15

18

21

24

27

30

N chantillon

Ex
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 calcul la moyenne des tendues de chaque sous-groupe R = 0,315.
La cible est le milieu de lintervalle de tolrance soit 25,00.

346

ditions dOrganisation

tape 5 Contrler

Choix des coefficients


Les groupes tant de 4 pices, nous prenons les coefficients A2,
D3, D4, dans la colonne 4 : A2 = 0,73 ; D3 = ; D4 = 2,28
En appliquant les formules, nous trouvons :
Limite suprieure de contrle des moyennes
LSCX = 25,00 + 0,73 0,315 = 25,23
Limite infrieure de contrle des moyennes
LICX = 25,00 0,73 0,315 = 24,77
Limite suprieure de contrle des tendues
LSCR = 2,28 0,315 = 0,718
Il ny a pas de limite infrieure pour des groupes de 4 pices.

5.4 Efficacit des cartes de contrle


en fonction de la taille de lchantillon
Lefficacit 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 dcisionnels :
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 (figure 7. 16) montre le risque dans le cas dun
rglage parfait et le risque dans le cas dun dcentrage.
ditions dOrganisation

347

Six Sigma

Figure 7.16 Les risques et

Limite infrieure
de contrle

z 2

z 2

Limite suprieure
de contrle

z 2

/2

Limite suprieure
de contrle

Procd centr

Procd dcentr

Soient :
A : la valeur cible recherche (nominale)
B : la limite de contrle des moyennes loignes de la valeur cible de

z 2 ------n
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 n . Dans le cas dun procd dcentr, la probabilit de ne pas dtecter le drglage k (risque ) est gale la
surface grise.
Pour calculer la probabilit de dtecter un drglage k , il faut calculer 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 k = z 2 ------- + z ------n


n
Do
z = k n z 2
qui reprsente lquation de la courbe defficacit. Cette quation peut
galement se noter :

348

ditions dOrganisation

tape 5 Contrler

z + z 2
n = ---------------------k

z + 3
n = -------------k

qui devient avec z/2 = 3

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 (figure 7.17) donne la courbe defficacit
du contrle en fonction de la taille de lchantillon. En abscisse, on
trouve le dcentrage en nombre dcarts types, et en ordonne la probabilit de ne pas dtecter ce dcentrage.

Figure 7.17 Courbe defficacit des cartes de contrle

100

Probabilit en %
de ne pas dtecter le dcentrage

90
80
70
60
50
40
15 10 7 6 5

30

2,0

2,5

N=1

20
10
0
0,0

0,5

1,0

1,5

3,0

3,5

4,0

4,5

5,0

Dcentrage par rapport la cible en nombre d'carts types

On note sur cette courbe la trs grande difficult 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).

ditions dOrganisation

349

Six Sigma

Ex
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 figure 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 raisonnant sur la dernire pice. Le raisonnement traditionnel a pour
point defficacit la courbe n = 1. Ds que le raisonnement a lieu sur
deux pices plutt que sur une pice, la courbe defficacit 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 remplacer la carte des tendues par la carte des carts types S.
On dessine alors sur la carte lestimateur S de lcart type de lchantillon
n

n 1 = S =

( Xi X )2

i=1

-------------------------------n1

Calcul des limites de contrle :

350

Limite de contrle suprieure :

LSCS = B4 S

Limite de contrle infrieure :

LICS = B3 S
ditions dOrganisation

tape 5 Contrler

Figure 7.18 Tableau des coefficients : carte des carts types


n

10

B3

0,030

0,118

0,185

0,239

0,284

B4

3,267

2,568

2,266

2,089

1,970

1,882

1,815

1,761

1,716

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 figure 7.13.
Lexemple suivant (figure 7.19) montre le trac dune carte moyennes/
carts types partir des donnes de lexemple prcdent (figure 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

Carte moyennes/carts types


1

25,4

UCL = 25,2318

Moyennes

25,2

X = 25

25,0
24,8

LCL = 24,7682
3

12

15

18

21

24

27

30

N chantillon
0,3

carts types

UCL = 0,322566
0,2
S = 0,142347

0,1

LCL = 0

0,0
3

12

15

18

21

24

27

30

N chantillon

ditions dOrganisation

351

Six Sigma

5.6 Carte de contrle aux mdianes et tendues


La carte de contrle aux mdianes prsente aussi des possibilits intressantes. La mdiane est la valeur telle quil y a autant de valeurs
dun ct que de lautre (figure 7.20). Le symbole reprsentant la
mdiane est Y . Le rang de la valeur mdiane se calcule en appliquant :
rang = (n+1)/2
Figure 7.20 La mdiane
Mdiane

3 valeurs

3 valeurs

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 = 3e valeur).
Figure 7.21 Exemple de carte aux mdianes

Mdiane

352

ditions dOrganisation

tape 5 Contrler

Avantage de la carte des mdianes


La carte de la figure 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 manuellement, 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 difficults calculer
ltendue, on peut simplifier ce problme en utilisant un gabarit. Celuici 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 finesse danalyse que cette dernire. Son
efficacit est donc un peu moins bonne.
Toutefois, compte tenu de sa facilit de mise en uvre, nous conseillons dutiliser cette carte au lieu de la carte de contrle des moyennes dans le cas dun suivi manuel.
Calcul des limites : les limites se calculent de la mme faon quune
carte aux moyennes ; seul le coefficient A2 est remplac par le coefficient A2
Limite de contrle suprieure : LSC X = Cible + A2 R
Limite de contrle infrieure : LIC X = Cible A2 R
Figure 7.22 Coefficients pour la carte aux mdianes
n

10

A2

1,88

1,187

0,796

0,691

0,548

0,508

0,433

0,412

0,362

ditions dOrganisation

353

Six Sigma

5.7 Carte de precontrol


Les cartes de precontrol ont t dveloppes des fins dalternative
aux cartes de SHEWHART. Elles ont t largement popularises dans les
mthodes de SHAININ13. Les cartes de precontrol nont pas pour but de
dtecter quun processus devient hors contrle, mais de garantir la
conformit aux spcifications. 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 avantage quelles sont simples dutilisation pour les oprateurs.
On illustre le fonctionnement dune carte de Shainin sur le schma suivant (figure 7.23). Le principe en est de partager la tolrance par deux
afin de dfinir 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

Tolrance suprieure
Limite suprieure de prcontrle
IT

Limite infrieure de prcontrle


Tolrance infrieure
Rglage

Rglage

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.

354

ditions dOrganisation

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 spcification en 4 ; la zone situe dans la moiti de la spcification est appele zone verte. Les limites sont appeles lignes de precontrol (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
Zone rouge
Zone jaune

Limite suprieure de spcification


Limite suprieure de prcontrle

Zone verte
Limite infrieure de prcontrle
Zone jaune
Zone rouge

Limite infrieure de spcification

Rgle 2
Pour dterminer si le processus est fiable, prendre cinq pices conscutives 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 pices pour calculer le Cp et le Cpk devient inutile. Par lapplication du
thorme de multiplication des probabilits ou la distribution binomiale, il peut tre prouv quun minimum de Cpk de 1,33 sera automatiquement obtenu.) La production peut alors commencer.
Si une pice tombe en dehors de la zone verte, le procd est hors contrle. Pour dterminer la cause de la dispersion, il faut alors mener une
investigation.

ditions dOrganisation

355

Six Sigma

Rgle 3
Une fois que la production est dmarre, prendre deux pices conscutives de faon priodique. On rcapitule dans le tableau suivant
(figure 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
No

Schma

Description

Action

Les deux pices


sont dans la zone verte

Continuer la production

Une pice
est dans la zone verte,
une autre dans la zone jaune

Continuer la production

Sur deux prlvements


conscutifs, on trouve
une pice dans la zone jaune

Rgler le procd

Si les 2 units sont dans


la mme zone jaune

Rgler le procd

Si les 2 units sont dans


des zones jaunes diffrentes

Arrter le procd et conduire


une investigation sur la cause de
la dispersion

Si une pice
est dans la zone rouge

Un produit dfectueux est


connu, il faut arrter le process
pour en trouver la cause

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.

356

ditions dOrganisation

tape 5 Contrler

Dans les cas o la capabilit court terme est infrieure deux, il faut proscrire 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 ralise un filtre 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 (figure 7.26) ralise partir des donnes
du paragraphe 4.1, on constate que, ds la 17e valeur, on dtectait une
drive du processus. Cette drive ntait dtecte qu partir de la
24e valeur avec la carte de SHEWHART. La carte EWMA montre galement 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


3

EWMA

UCL = 0,980860

X=0

LCL = 0,980860

1
4

12

16

20

24

28

32

36

40

N Mesure

ditions dOrganisation

357

Six Sigma

Dans la carte EWMA, pour chaque point, on va tenir compte de lhistorique des valeurs mesures. Pour chaque chantillon, on calcule une
moyenne pondre par un coefficient , telle que :
Mi = xi + (1 )Mi1
Cest cette valeur Mi qui apparat sur la carte EWMA
avec :
1 une constante (on prend souvent = 0,2)
M0, valeur initiale = cible
No

0,77

1,13

1,02

0,14

2,13

0,1543

0,102

0,1226

0,0695

0,4822

Par exemple (M0 = 0 ; = 0,2) :


pour le point 1 : M1 = 0,2 0,77 + 0,8 0 = 0,1543
pour le point 2 : M2 = 0,2 (1,13) + 0,8 0,1543 = 0,102

On dtectera la prsence dune cause spciale lorsque Mi franchira une
limite suprieure ou infrieure de contrle.

Calcul des limites dune carte EWMA


Les limites sont calcules 3 carts types de la valeur Mi. On montre que les limites se calculent par les relations :
[ 1 ( 1 ) 2i ]
LSC Mi = Cible + 3 -------------------------------------n(2 )
[ 1 ( 1 ) 2i ]
LIC Mi = Cible 3 -------------------------------------n(2 )
avec :
i : le numro de lchantillon
: lcart type de la population
358

ditions dOrganisation

tape 5 Contrler

n : la taille de lchantillon
: le coefficient de pondration
Cible : la valeur sur laquelle on veut centrer la carte
Les limites dpendent donc du numro de lchantillon, mais elles convergent trs vite vers une droite comme le montre le graphique de la
figure 7.26. Lorsque i augmente, le terme [1 (1 )2i] tend vers 1, les
limites deviennent donc :

LSC Mi = Cible + 3 --------------------n(2 )

LIC Mi = Cible 3 --------------------n(2 )


Ces limites sont deux droites qui dpendent du coefficient , de la
taille des chantillons n et bien sr de lcart type .

Ex
Exemple de calcul de limites de contrle
Dans le cas de lexemple de la figure 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 :
R
1,11
= -------------- = -------------- = 0,98
1,128
1,128
0,2

LSC Mi = Cible + 3 --------------------- = 0 + 3 0,98 --------------------- = 0,98


( 2 0,2 )
n(2 )
0,2

LIC Mi = Cible 3 --------------------- = 0 3 0,98 --------------------- = 0,98


( 2 0,2 )
n(2 )

ditions dOrganisation

359

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 franchissement des limites dclenche un signal de drive du processus.
En cas de rglage, la valeur Mi apparat comme une estimation de la
valeur moyenne du processus ; il convient donc de rgler le processus
de lcart entre la valeur Mi et la cible.
Enfin, 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), tendues (figure 7.27).
Figure 7.27 Carte EWMA Valeurs individuelles et tendues

Rglage

Cause spciale

360

ditions dOrganisation

tape 5 Contrler

6. Cartes de contrle pour caractristiques


non mesurables
6.1 Principes
Les cartes que nous venons de prsenter sont adaptes lorsquon dispose 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 caractristiques non mesurables comme une proportion de produits non
conformes (attributs). Dans ce cas, si on trace sur un graphique
(figure 7.28) lvolution de la proportion de produits non conformes
issus dun processus, on trouvera des fluctuations importantes.
Figure 7.28 Suivi dune proportion dunits non conformes

Proportion de non-conformits (%)


14
12

Prsence de cause spciale ?

10
8
6
4
2
0

chantillons

Les questions que lon doit se poser sont les suivantes : ces fluctuations 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 (figure 7.28) de deux lments statistiques (figure 7.29) :
1. la moyenne historique des proportions de non conformes observe sur le procd ;

ditions dOrganisation

361

Six Sigma

2. la limite naturelle suprieure (et ventuellement infrieure) calcule statistiquement permettant de dterminer les limites des
fluctuations alatoires de la proportion de non conformes du procd.
Figure 7.29 Carte p Proportion de non conformes

%
14
12
10
8
6
4
2
0

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

Linterprtation dune carte de contrle aux attributs est presque identique 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 contrle (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.

362

ditions dOrganisation

tape 5 Contrler

Dans dautres cas, on cherche plutt suivre le nombre de non-conformits. 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 figure selon que lon suive le
nombre ou la proportion. Dans le cas dunits non conformes par
exemple, le suivi en nombre sera simple, il suffira 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 proportion (en pourcentage) dunits non conformes demande un calcul
supplmentaire, mais permet de saccommoder dchantillons de taille
variable.
La double classification (units non conformes/non-conformits et
nombre/proportion) se rsume donc en quatre situations, rapportes
dans le tableau (figure 7.30), qui conditionnent quatre cartes de contrle.
Figure 7.30 Les diffrentes cartes de contrle par attributs
dfaut
dfaut

dfaut
dfaut

= 1 non conforme
Units non conformes
Nombre

= 2 non-conformits
Non-conformits

Carte np
Carte c
Nombre de produits non conformes Nombre de non-conformits

Carte p
Proportion Proportion de produits
non conformes

Carte u
Proportion de non -conformits

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.

ditions dOrganisation

363

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
Nb total de dfauts
np 1 + np 2 + + np k
= ------------------------------------------------np = ---------------------------------------------------k
Nb dchantillons
Proportion moyenne de dfectueux p = np/n
avec
npi : 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
LSC np = np + 3 np ( 1 p )
LIC np = np 3 np ( 1 p )

6.3.2 Carte p Proportion dunits non conformes


Calcul de la proportion moyenne de dfectueux
Nb total de dfauts
np 1 + np 2 + np 3 + + np k
- = ------------------------------------------------------------------------p = ------------------------------------------------------------------n1 + n2 + n3 + + nk
Nb total de pices contrles
avec
npi : nombre de dfauts dans lchantillon i
n : nombre dunits dans lchantillon i
Calcul des limites de contrles
p(1 p)
LSC p = p + 3 -------------------ni

364

ditions dOrganisation

tape 5 Contrler

p(1 p)
LIC p = p 3 -------------------ni

6.3.3 Carte c Nombre de non-conformits


Calcul du nombre moyen de dfauts dans le procd
Nb total de non-conformitss
c1 + c2 + + ck
= -------------------------------------------------------------------------c = --------------------------------------k
Nb dchantillons
avec
k : le nombre dchantillons (de sous-groupes)
ci : le nombre de non-conformits dans le sous-groupe i
Calcul des limites de contrle
LSC c = c + 3 c
LIC c = c 3 c

6.3.4 Carte u Proportion de non-conformits


Nombre moyen de non-conformits par unit dans le procd
c1 + c2 + + ck
u = -----------------------------------------n1 + n2 + + nk
Nb total de non-conformits
= -------------------------------------------------------------------------------------------------------------Nb ou quantit totale de produits contrls
avec
ni : la taille du sous-groupe i
ci : le nombre de non-conformits dans le sous-groupe i
Calcul des limites de contrle :
LSC u = u + 3 u n i
LIC u = u 3 u n i

ditions dOrganisation

365

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 contrle 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 :

366

Production

Retouches

118
108
124
94
87
120
102
130
105
90
102
88
120
114
118
120
89
98
103
98
105
96
102
106
86

7
8
4
2
4
5
3
3
5
5
9
14
6
6
7
6
6
6
9
1
10
2
10
3
8

5,9 %
7,4 %
3,2 %
2,1 %
4,6 %
4,2 %
2,9 %
2,3 %
4,8 %
5,6 %
8,8 %
15,6 %
5,0 %
5,3 %
5,9 %
5,0 %
6,7 %
6,1 %
8,7 %
1,0 %
9,5 %
2,1 %
9,8 %
2,8 %
9,3 %

ditions dOrganisation

tape 5 Contrler

Calcul de la proportion moyenne dunits non conformes


Nb total de dfauts
149
p = ------------------------------------------------------------------------- = -------------- = 0,0568
Nb total de pices contrles
2 625

Calcul des limites de contrle


Dans le cas cit en exemple, la taille des chantillons nest pas constante, or, elle intervient dans le calcul des limites. Lorsque les variations sont infrieures 25 % de la taille moyenne, on peut donc
calculer les limites partir de la taille moyenne :
n 2 625
n = --------- = -------------- = 105
k
25
p(1 p)
0,0568 ( 1 0,0568 )
LSC p = p + 3 -------------------- = 0,0568 + 3 ------------------------------------------------- = 0,1245
ni
105
p(1 p)
0,0568 ( 1 0,0568 )
LIC p = p 3 -------------------- = 0,0568 3 ------------------------------------------------- = 0,0110
ni
105
La limite infrieure tant infrieure zro, on ne met pas de limite. La
carte prsente ci-aprs (figure 7.31) montre un point hors contrle.

ditions dOrganisation

367

Six Sigma

Figure 7.31 Carte p en considrant la taille n = 105

Carte P pour retouches


0,14

UCL = 0,124505

0,12

Proportion

0,10
0,08
0,06

P = 0,056762

0,04
0,02
LCL = 0

0,00
2

18

10

12

14

16

18

20

22

24

chantillon

Avec les logiciels statistiques (ou mme avec les tableurs), il nest pas
souhaitable de prendre une taille dchantillon moyenne. Il est prfrable de recalculer pour chaque chantillon les limites de contrle en
fonction de la taille relle de lchantillon (figure 7.32).

368

ditions dOrganisation

tape 5 Contrler

Figure 7.32 Carte P avec n rel

Carte P pour retouches


1

0,16
0,14

UCL = 0,131615

Proportion

0,12
0,10
0,08
0,06

P = 0,056762

0,04
0,02
0,00

LCL = 0
2

18

10

12

14

16

18

20

22

24

chantillon

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 suivre la production avec cette carte, il faut recalculer la proportion de
non conformes (p) en liminant le point 12, ce qui donnerait un nouveau p = 0,0533.

6.5 Suivi des dfauts rares


Dans un certain nombre de cas, lapparition de dfauts est extrmement rare, par exemple une deux fois par semaine pour des productions 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 apparaissent, la machine est arrte, ce qui entrane une perte de productivit
importante.

ditions dOrganisation

369

Six Sigma

Considrons lhistorique donn dans le tableau suivant (figure 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
No

Jour

Nombre de pices
entre deux apparitions

Transf.

1 250

7,24

12

1 810

8,03

17

1 125

7,04

24

1 903

8,14

30

1 498

7,62

33

782

6,36

38

1 263

7,27

44

1 504

7,63

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

Une premire solution consisterait faire une carte c (nombre de nonconformits par jour) en prenant c sur les 50 premiers jours (c = 0,18).

370

ditions dOrganisation

tape 5 Contrler

Figure 7.34 Carte c

Carte C
1,6
UCL = 1,45279

Nombre de non-conformits

1,4
1,2
1,0
0,8
0,6
0,4
0,2

C = 0,18

0,0

LCL = 0
1

12

18

24

30

36

42

48

54

60

chantillon

La carte c (figure 7.34) met en vidence sur la fin 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 exponentielle. Pour le ramener une loi normale, on applique une
transformation : Ynorm = Y0,2777
Par exemple, pour la premire observation on a 1 250 produits. La
transformation donne : Ynorm = 1 2500,2777 = 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
(figure 7.35) ou mieux encore avec une carte EWMA (figure 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.

ditions dOrganisation

371

Six Sigma

Figure 7.35
Carte aux valeurs individuelles/tendues glissante sur Ynorm
Carte VI tendues glissantes sur valeurs transformes
UCL = 9,42

Valeurs transformes

9
8

X = 7,44
7
6
LCL = 5,46
5
1

10

11

12

13

14

Observation
UCL = 2,43243

tendues glissantes

2,4
1,8
1,2

MR = 0,74448

0,6
0,0

LCL = 0
1

10

11

12

13

14

Observation

Figure 7.36 EWMA sur les valeurs transformes

EWMA sur les valeurs transformes


8,25
UCL = 8,11729
8,00

EWMA

7,75
7,50

X = 7,44

7,25
7,00
LCL = 6,76271

6,75
6,50
1

10

11

12

13

14

chantillon

372

ditions dOrganisation

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 rflexion spcifique
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.

373

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 possible.
Sil est souvent facile de progresser sur un sujet lorsque les moyens
humains, financiers, managriaux sont disponibles, il est plus difficile
de garantir que ces progrs seront dfinitivement ancrs dans lentreprise lorsquon ne sintressera plus spcifiquement ce sujet.
Enfin, cette tape permettra de clore le projet dans les dlais les plus
serrs possible. Il nest pas bon quun projet trane en longueur. La clture du projet sera loccasion de faire le bilan des amliorations apportes et des gains induits. Elle permettra galement de faire le point sur
les difficults rencontres afin denrichir la dmarche Six Sigma dans
lentreprise et de communiquer sur les rsultats obtenus.

2. Prenniser la solution
2.1 Les difficults
De nos jours, de plus en plus dentreprises se rendent compte de
limportance des tapes finales 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. Comment prenniser une action russie ? Quels sont les outils, les mthodes 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 illustrer ce vide, relatons lexprience dun groupe dindustriels runis
autour du thme Prennisation des actions russies . Chaque industriel devait apporter un exemple dune action damlioration russie

374

ditions dOrganisation

tape 6 Standardiser/prenniser

prennise et un exemple dune action russie qui na pas t prennise. Tous ont prsent une action non prennise et personne na
amen dexemple daction prennise !
Cet tat de fait a t confirm par la suite plusieurs fois auprs dindustriels de tous secteurs dactivits. Il y a une relle difficult maintenir
dans le temps les progrs dune action. Sil est souvent facile de progresser sur un sujet lorsquon y met les moyens humains, financiers,
managriaux, il est plus difficile de garantir que ces progrs seront
dfinitivement ancrs dans lentreprise ds lors que ce sujet ne sera
plus lordre du jour. Combien dentreprises ont fait des progrs considrables 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 modifie pas
notre faon de faire. Cest la raison pour laquelle cette sixime tape,
Standardiser/ prenniser , nous semble indispensable.

2.2 Les causes de ces difficults


Partant de cette constatation, nous nous sommes interrogs au sein du
groupe de travail du LISTIC15 sur les causes de ces difficults. Sans
avoir la prtention dtre exhaustifs, nous avons identifi 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 .

ditions dOrganisation

375

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 no1 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 dfinissons 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 dfinitions donnes par lAcadmie franaise du terme
d organique : Qui est organis, qui implique une force centrale
agissant, consciemment ou non, en vue dune fin.
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 faucher et dentretenir les haies si lon ne veut pas que la situation se
dgrade.

376

ditions dOrganisation

tape 6 Standardiser/prenniser

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 naturellement 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 rangement. Cela va dpendre de la culture dentreprise du personnel. Dans
certaines entreprises qui ont une culture du rangement et de la propret 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 pousser 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 production 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 organique 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

ditions dOrganisation

377

Six Sigma

ne ncessitant pas dentretien. Il faudra quand mme attendre quelques annes pour obtenir le rsultat souhait pendant lesquelles un
minimum dentretien sera ncessaire.
Atteindre cet tat organique implique donc de se poser un certain nombre de questions.
Comment simplifier les procdures mises en place pour quelles
soient appliques naturellement ?
Comment standardiser les procdures afin quelles soient naturellement 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 processus pour faire voluer ltat organique de lentreprise ?
Comment intgrer les mthodes et processus standards dans le
dveloppement de nouveaux produits ?

Principe no2 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 conditions, 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 pendant 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 contrle, on doit se poser la question de lintrt quaura loprateur sui-

378

ditions dOrganisation

tape 6 Standardiser/prenniser

vre cette carte et modifier 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 qualification et l'habilet technique.
Plus on a l'habitude de raliser une tche, et moins sa ralisation
demandera de rflexion, d'analyse. Elle apparatra plus facile.
Plus l'habilet et la qualification des collaborateurs seront importantes, 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 fastidieuse. 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.
Simplifier les tches. Raliser une tche complique demande un
effort. Si on simplifie cette tche, par exemple en recourant des
outils informatiques, mthodologiques, mcaniques, etc., l'op-

ditions dOrganisation

379

Six Sigma

rateur acceptera plus facilement de la raliser de faon prenne.


Toutes les actions prises pour simplifier le travail des gens participent donc la prennisation.
Figure 8.1 les trois principes de la prennisation

Forme = facilitation
Effort = contrepartie

Pente = tat organique

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 (figure 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 organique qui dfini 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 contrepartie. Cela peut tre le besoin de se dplacer, ou le plaisir de
faire du sport.
Enfin, selon la forme et l'entranement de notre cycliste, la mme
pente n'apparatra pas avec un niveau de difficult quivalent.
Cest la facilitation. De mme, rouler en peloton permettra
notre cycliste de monter plus facilement et avec plus de plaisir.

380

ditions dOrganisation

tape 6 Standardiser/prenniser

2.4 Lpreuve du feu


Toute mesure damlioration doit passer lpreuve du feu. Aprs quelque temps de mise en application dune nouvelle procdure, on doit la
valider pour vrifier :
que lon a bien pris en compte les diffrents lments de lenvironnement ;
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 modifie aprs un certain temps dpreuve du feu est un point trs important pour la
prennisation. Un projet Six Sigma ne peut tre considr comme termin si cette tape na pas t franchie.
Cette tape a donc pour objectif didentifier 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 :
simplifier les procdures pour ramener le processus ltat organique ;
faire voluer ltat organique en standardisant et en dployant
les bonnes pratiques.

2.5 Le changement vers la prennisation


La figure 8.2 illustre le passage vers un tat organique prenne. Dans
un premier temps, le changement russi apporte des gains significatifs
sur la performance, mais l'tat organique n'a pas encore volu. Ces
gains rsultant directement des efforts raliss par les acteurs du changement, des contreparties doivent tre rapidement mises en place.
Si on s'arrte l, trs vite les contreparties se rvleront insuffisantes 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 simplificatrices, ou de dveloppement d'habilits techniques.

ditions dOrganisation

381

Six Sigma

Dans le mme temps, il s'agit galement d'identifier et d'affirmer 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 organique doit assurer lui tout seul cette prennisation.
Figure 8.2 Lvolution vers ltat organique
Performance

Contrepartie, donner du sens

Changement

Facilitation

tat organique
Temps

3. Laudit de prennit
3.1 Objectif de laudit
Cette tape peut commencer par un audit de prennit, aprs un certain temps dpreuve du feu, que lon fait accompagner dun questionnaire dalerte.

382

ditions dOrganisation

tape 6 Standardiser/prenniser

Laudit de processus a pour objectif de sassurer que les CTQ (Critical


To Quality) sont bien mesurs et suivis, quun minimum de formalisation existe et quon applique bien les procdures dcides. On doit
vrifier :
que les nouvelles mthodes, les procdures, sont suffisamment
documentes pour pouvoir faire lobjet dun audit par une personne trangre au projet Six Sigma ;
que les modifications dcides sur le processus sont effectivement en place ;
que les procdures dfinies sont effectivement appliques ;
sil existe des difficults faire fonctionner au quotidien les nouveaux processus ;
que les capabilits atteintes la fin de ltape Contrler sont
maintenues.
Le questionnaire dalertes (figure 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 lapplication 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 ciaprs. On recourt la mthode IEMSE pour procder lvaluation.

ditions dOrganisation

383

Six Sigma

Figure 8.3 Grille daudit


Audit dun processus Six Sigma
Points daudit

I E M S E

Actions
correctives

Mesure

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 vrification.
Les frquences de contrles sont respectes.
Les CTQ sont suivis dans le temps.
Les capabilits mesures sont conformes
avec lobjectif du projet Six Sigma.

Processus

Les procdures, mthodes appliquer, ont


t documentes.
Les modifications dcides dans le projet Six
Sigma sont effectivement en place.
Les procdures, mthodes appliques, sont
conformes ce qui a t dfini.
Les comptences et les formations
ncessaires ont t dfinies et sont en accord
avec les faits.

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 quefficaces, efficients, simples

384

ditions dOrganisation

tape 6 Standardiser/prenniser

Figure 8.4 Questionnaire dalerte


Questionnaire dalerte
Points daudit

OUI

NON

Mise en place

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.

Application

Il existe un support de communication pour proposer


des amliorations cette procdure.
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.

4. Les actions de prennisation


4.1 Simplifier 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 finalement inutile tel endroit de la procdure

ditions dOrganisation

385

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 liminer les lourdeurs et les actions inutiles, ou parfois la renforcer. Cette
revue est facilite si on a prvu ds le dpart un support de communication permettant denrichir la procdure.

Ex
Exemple de simplification 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 simplification a permis de rgler la machine en
interposant des flasques entre loutil et le porte-outil. Le nouveau
rglage est quasi instantan.

Ex
Exemple de simplification 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 simplifier 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.

386

ditions dOrganisation

tape 6 Standardiser/prenniser

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 fonctionnement absolu. Cela dpend dun contexte, dun environnement, appels
sans doute voluer dans lavenir. Comment adapter le point de fonctionnement aux volutions futures de lenvironnement ou du processus lui-mme ?
Une premire faon de faire consiste figer 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.

Ex
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 figes lorsque la voiture est neuve peuvent devenir catastrophiques lorsque
la mme voiture compte 200 000 km.
Figure 8.5 Rseau de neurones

X1
Y1
X2
Y2
X3

Pour prvoir cette ncessaire adaptation des rgles tout au long du processus, plusieurs solutions sont la disposition du Black Belt :
le revisitage des rgles des priodes rgulires ;

ditions dOrganisation

387

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 relation entres/sorties.

4.3 Identifier 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 profiter, il faut toutefois avoir
pris conscience quil y a une bonne pratique cet endroit, il faut
tre capable de formaliser cette connaissance, et enfin 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 nouveaux moyens et de nouvelles procdures qui donnent satisfaction.
Cest sans doute le bon moment pour identifier une bonne pratique
quil peut tre utile de formaliser et de dmultiplier.
Le fait didentifier et de dupliquer des bonnes pratiques est sans aucun
doute une excellente faon de faire voluer ltat organique de lentreprise. Lorsquune bonne pratique est applique systmatiquement, elle
entre dans la culture de lentreprise, et le niveau de contrainte ncessaire pour la maintenir est considrablement moindre. Plusieurs exemples 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 considrables en matire de rangement et de nettoyage. Lorsque cette bonne

388

ditions dOrganisation

tape 6 Standardiser/prenniser

pratique est partage par lensemble du personnel, elle est ralise


naturellement et la prennit en est garantie avec un minimum de contraintes. En matire de suivi par cartes de contrle, de nombreuses
socits ont mis en place plusieurs fois des projets de Matrise statistique 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 Efficacit/efficience
Efficience
10
Pratiques locales
sans intrt
0

8
4

66

Bonnes pratiques

10

Efficacit

Pratiques proscrire

Actions difficiles
prenniser

Une bonne pratique est dfinie16 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
vrifiables la place o les exprimentations ont t effectues . Une
autre dfinition en est donne par Prax17 : Toute pratique, connaissance ou savoir-faire qui a montr son efficacit ou sa valeur dans une
partie de la socit et qui est applicable une autre partie de la
socit.
On doit tout dabord identifier la bonne pratique en la situant sur la
cartographie Efficacit/efficience . Lefficacit est relative au rsultat
obtenu, lefficience lest par rapport leffort que lon dploie pour
16. The European Quality Promotion Policy (European Commission DGIII Industry), Benchmarking Introduction and main principles , Quality series, number 7, January 1998.
17. J.-Y. PRAX, Le Guide du Knowledge Management, ditions Dunod, 2000.

ditions dOrganisation

389

Six Sigma

atteindre le rsultat. La bonne pratique facile maintenir est une pratique dont le rsultat est trs satisfaisant sans ncessiter deffort particulier (tat organique).
Pour qualifier lefficacit 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 conforme aux spcifications 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 qualifier lefficience, 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 efficacit et efficience est plac sur la
cartographie Efficacit/efficience (figure 8.5) pour juger de la pertinence du dploiement de la pratique.
Pour pouvoir tre duplique, la bonne pratique doit tre formalise.

4.4 Finaliser la documentation du poste


Toute modification apporte la faon de procder doit tre un minimum formalise si lon veut garantir la prennit. Dans la phase
Contrler , on a pris soin de raliser cette documentation en tablissant les rgles de pilotage. ce stade, on va revoir la documentation
afin de valider avec un peu de recul les points suivants :

390

ditions dOrganisation

tape 6 Standardiser/prenniser

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 efficacit 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 pertes 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 profil des filets quil fallait utiliser ;
la faon de raliser ces filets ;
la faon de monter les vis.
Toutes ces amliorations ont fait lobjet de normes internes qui garantissent 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.

ditions dOrganisation

391

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 solution 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 dfinition :
Un indicateur de performance est une donne quantifie qui mesure
lefficacit de tout ou partie dun processus ou dun systme, par rapport une norme, un plan ou un objectif qui aura t dtermin et
accept, dans le cadre dune stratgie densemble.
Lefficacit 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 performance doivent faire apparatre lvolution de toutes ces caractristiques par rapport aux cibles et aux spcifications qui ont t fixes 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 connatre les performances du processus (voir chapitre 4, Mesurer ).

392

ditions dOrganisation

tape 6 Standardiser/prenniser

Figure 8.7 Suivi des capabilits

Capabilit
4,0
3,0

Cp
Pp

2,0

Ppk

1,0
Mois
J

Un suivi graphique de ces trois indicateurs (figure 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 rflchir 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, financier, humain et mthodologique.

ditions dOrganisation

393

Six Sigma

Bilan technique
synthse des amliorations techniques apportes ;
modification de procdures, de mthodes ;
amlioration des capabilits

Bilan financier
synthse des cots mesurables et non mesurables ;
synthse des gains mesurables et non mesurables.

Bilan humain
fonctionnement du groupe de travail ;
identification les manques en matire de formation, de comptences

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 propres expriences de conduite de projets, mais ils peuvent galement
profiter 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 bnficie 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 rflexion supplmentaire pour rpondre
aux questions.

394

ditions dOrganisation

tape 6 Standardiser/prenniser

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.
Enfin, tout en conservant une ncessaire confidentialit, il ne faut pas
hsiter sortir de lentreprise pour prsenter ces bilans devant la communaut scientifique. Llvation de niveau qui en rsulte profite
tout le monde.

ditions dOrganisation

395

Chapitre 9

Le management Six Sigma

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 entreprise, il lui faut une logistique de soutien que doit lui fournir le management.
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 difficult 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 ;

397

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 lentreprise.

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 lliminer. 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-conformit, 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
signifie 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 lment culturel qui est trs difficile faire entrer dans nos entreprises.
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.

398

ditions dOrganisation

Le management Six Sigma

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 statistiques 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

ditions dOrganisation

399

Six Sigma

Figure 9.2 Structure de management Six Sigma

Responsable excutif

Comit de pilotage

Groupes 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 hirarchique 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 dfinit les priorits stratgiques concernant les projets sur lesquels
on investit du temps et des moyens. Le comit est constitu des Champions 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 dofficialiser 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.

400

ditions dOrganisation

Le management Six Sigma

Niveau entreprise
D Dfinir 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 performance.
C Mettre sous contrle les caractristiques critiques.
S Standardiser les systmes qui se sont rvls tre les meilleures
pratiques.
Niveau oprationnel
D Dfinir 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 oprationnels.
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 Dfinir 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.

ditions dOrganisation

401

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 dmarches 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 linfluence des X sur les
Y, il faut ncessairement que les X varient, crant alors une augmentation 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 cration 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 lentreprise et le responsable excutif de lentreprise. Il est parfois confondu
avec le comit de direction, mais il est quand mme ncessaire de planifier intervalle rgulier un point sur lavancement des projets Six

402

ditions dOrganisation

Le management Six Sigma

Sigma, la dynamique de motivation pour lapplication de Six Sigma et


les ventuelles difficults 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 fin 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-

ditions dOrganisation

403

Six Sigma

ques que les aspects plus conceptuels. Ce sont en gnral danciens


Black Belts ayant men bien de nombreux projets. Dans les plus petites structures, le MBB est un consultant extrieur lentreprise.

2.4 Le groupe Six Sigma


2.4.1 Dfinition 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 considre 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 personnes 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 travail dans les analyses raliser et la force de persuasion sur les rsultats 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 dfinis ;

404

ditions dOrganisation

Le management Six Sigma

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 capitaine dune quipe de football que comme un responsable hirarchique. Il doit tre leader sur le terrain mais aussi dans les vestiaires. Cest
souvent la pause lorsque les troupes sont dmotives par une premire mi-temps difficile 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 confiance 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 facilite 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.

ditions dOrganisation

405

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 HERZBERG18, la satisfaction dans le travail dpend de cinq facteurs 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 responsabilit 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 former des groupes de travail efficaces dans les entreprises.
18. Chercheur psychologue amricain, spcialiste de la motivation au travail.

406

ditions dOrganisation

Le management Six Sigma

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 travail 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 connaissances des responsables.
Fournir un retour dinformation : laisser Csar ce qui revient
Csar . Valoriser et partager les bnfices 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 projet19. 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 identifie les
points forts et les points faibles des quipiers et favorise lefficacit du
19. H. P. MADERS, Conduire une quipe projet, Les ditions dOrganisation, 2000.

ditions dOrganisation

407

Six Sigma

groupe. Il sait couter tout en prenant facilement la parole. Il est capable 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 confiance 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 confiance en soi
mme si cest parfois pour cacher ses propres doutes. Sa contribution
lavancement du projet est importante, il relve facilement les dfis. 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 rflexion 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 difficilement la critique de ses
propres ides. Il faut donc du doigt afin 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 parfois papillonner dune activit lautre, il risque cependant de sintresser 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.

408

ditions dOrganisation

Le management Six Sigma

Le rationnel
Dun QI lev, extraverti, il se distingue du semeur par sa froideur. Plutt que de chercher amener des ides novatrices, il va digrer le travail 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 perdre de vue lobjectif global.
Pour valuer la qualit dun groupe de travail, on utilise le schma
radar (figure 9.3) qui permet dvaluer la faon dont est compos le
groupe. On value le type quincarne chaque participant et on identifie
dans une grille de 1 3 son adquation. Un type de comportement
peut tre ventuellement reprsent par plus dune personne, et certains 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
figure 9.3 montre un groupe de travail possdant deux moteurs, mais
pas dorganisateur. Le risque est grand de partir dans toutes les directions au niveau des runions, mais que rien navance entre les runions faute de planning et de responsabilits dfinies. Labsence de
rationnel renforce ce danger dans la mesure o aucun contrepouvoir ne viendra faire lanalyse rationnelle des ides qui seront
mises.

ditions dOrganisation

409

Six Sigma

Figure 9.3 valuation dun groupe de travail Six Sigma

Prsident
Alain
Organisateur
Marcel

Moteur
Bernard et Paul

Perfectionniste
Marcel

Semeur
Lise

quipier
Laetitia

Explorateur
Julien
Rationnel
Julien ?

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 dfinir 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 plusieurs 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 suffisante pour conduire un
projet Six Sigma.
Ses comptences personnelles doivent lui permettre dexposer clairement 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 galement des qualits pdagogiques qui lui seront ncessaires dans les
phases de formation des groupes de travail.

410

ditions dOrganisation

Le management Six Sigma

Ses comptences en management vont inclure la capacit conduire


un groupe de travail, animer une runion et manager plusieurs projets la fois. On attend du Black Belt des rsultats financiers, il est
donc ncessaire que les techniques financires de lentreprise ne lui
soient pas inconnues.
Comme il est trs difficile de juger de lensemble de ces qualits au
dpart, General Electric par exemple ne certifie 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.

ditions dOrganisation

411

Six Sigma

Les formations sont essentiellement tournes vers laction, voil pourquoi on pratique une alternance entre les sances de formation,
dapplication et de rebouclage (figure 9.4).

Figure 9.4 Planning de dploiement de Six Sigma


Exemple de dploiement de Six Sigma
tapes

Semaines

Description

1-3

Orientation et dfinition du dploiement de Six Sigma.


Choix des Black Belts.

4-7

Formation des Champions.

9-30

31

valuation des premires expriences et qualification des


Black Belts.

32-52

Prise en autonomie des projets suivants par les Black Belts


qualifis.
Formation des Black Belts pour les qualifier former les
groupes de travail.

52-

Revue de projet du comit de pilotage.


Choix des premiers projets.
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.

Les Black Belts expriments forment les Green Belts.


De nouveaux Black Belts sont forms.

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
(figure 9-5) donne un exemple de larchitecture formation, application,
rebouclage en alternance.

412

ditions dOrganisation

Le management Six Sigma

Figure 9.5 Les diffrentes formations dans Six Sigma


Qualification

Formation

Dirigeant de haut niveau


(directeur, responsable
de service), familier avec
Champion 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.

Cadre technique, tel quingnieur


ou chef dun service. Il a
lexprience de la conduite
Master
Black Belt 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.

Cadre technique, tel quingnieur,


il a des comptences reconnues
dans le domaine o il devra
Black Belt 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.

Technicien ayant des comptences Six jours de formation


dans le domaine du projet. Il est
en alternance avec la conduite
Green Belt
rompu lutilisation des outils
du projet.
statistiques de base.
Comptence dans le domaine
White Belt du projet. Il participe un projet
Six Sigma.

Six heures de tour dhorizon


sur la dmarche 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 notamment ne peut pas atteindre lobjectif de la formation. Pour comprendre,
il faut appliquer, il faut saisir avec ses mains les concepts de variabi-

ditions dOrganisation

413

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 exposs thoriques et les applications pratiques. De nombreux outils sont
disponibles sur le march pour enseigner de faon concrte la dmarche 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 informatique interactive de processus industriels afin denseigner les cartes de
contrle, les plans dexpriences, les outils Shaining, Six Sigma
Leur utilisation permet de mettre en situation le stagiaire. Par exemple, 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 possibilit de raliser un plan dexpriences pour amliorer la capabilit
court terme Cp (le z du processus). Avec le simulateur de processus de

414

ditions dOrganisation

Le management Six Sigma

soudage laser, on peut mettre en uvre des plans dexpriences en surface 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 microonde, de simulateurs de tir de golf, de machines caf

ditions dOrganisation

415

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 trombones20 qui consiste amliorer le fonctionnement dun service fictif dassemblage et de distribution de documents. Un autre
exemple est la mallette Six Sigma Toolskit21, 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 transactionnels. 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 profiter pleinement 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 Champion. 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 judicieuse 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 Fictitious 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/

416

ditions dOrganisation

Le management Six Sigma

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 fin de la premire tape, elle a valeur de feuille de route pour le groupe de travail.
Les objectifs, les dlais et les cots prvisionnels doivent tre clairement dfinis 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 planification et la
ralisation des diffrentes tapes dun projet avec les ventuels recouvrements. Dans une planification dun projet Six Sigma, les six tapes
doivent tre planifies (voir figure 9.8). videmment, on peut et on
doit aller plus loin dans le dtail de la planification des tches. Chaque
tape peut faire lobjet dun autre Gantt compos des principales phases 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 principalement constitus des revues qui permettent de valider chaque fin
dtape. Cependant, se contenter des revues est insuffisant pour garantir une volution du projet. Une runion davancement toutes les trois
semaines semble, lusage, un bon compromis.

ditions dOrganisation

417

Six Sigma

Figure 9.8 Exemple de macro-Gantt pour un projet Six Sigma


tape

Janv.

Fvr.

Mars

Avr.

Mai

Juin

Juill.

Dfinir
Mesurer
Analyser
Innover
Contrler
Standardiser
Planifi

Ralis

Revues

4.3 Le diagramme PERT


PERT22 signifie Program and Evaluation Review Technique , soit
Technique dlaboration et de contrle des projets , en franais.
Cest galement un outil de planification des dlais dun projet Six
Sigma.
Figure 9.9 Exemple de diagramme PERT

Chemins critiques
2

2
2

A:2
1

B:1

E:1
3

1
3

H:3

X:0

C:1
5

X:0
4

4
4

D:2

3
F:2

6
6

G:1

7
7

X:0

Le diagramme PERT (figure 9.9) permet de visualiser lenchanement


des tches en faisant apparatre les dates au plus tt, au plus tard, et le
22. Voir pour plus de dtails sur le diagramme PERT, Gestion de production, COURTOIS, BONNEFOUS, PILLET, Les ditions dOrganisation, 2003.

418

ditions dOrganisation

Le management Six Sigma

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 flche et possde une dure :
par exemple, une tche A dune dure de 2 jours se reprsentera
comme ceci :
2

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.
Date au plus tt
N du sommet

1
3

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 sommets 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 flche


Il donne une reprsentation visuelle des diffrentes tapes et dcisions
dun projet. Cest une version simplifie dun diagramme de Pert.

ditions dOrganisation

419

Six Sigma

4.5 Lanalyse budgtaire


Une des difficults 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 suivantes :
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 fixe 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 particulire deux points :
le dlai normal de droulement de la tche associ son cot
normal ;
le dlai critique de droulement et le cot critique.

420

ditions dOrganisation

Le management Six Sigma

Figure 9.10 La relation cot/dlai

Cot critique

Cot normal

Dlai critique

Dlai normal

Ce diagramme (figure 9.10) permet de dfinir le cot par unit de


temps sauv :
Cot critique Cot normal
Cot dune unit de temps sauv = --------------------------------------------------------------------------Dlai critique Dlai normal

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
coefficients dfinis 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

ditions dOrganisation

421

Six Sigma

Dans cet exemple (figure 9.11), on a identifi 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 lefficacit 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 tabli 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 gratifications

422

ditions dOrganisation

Le management Six Sigma

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 lancer un plan de communication interne sur le sujet ds le dbut du programme, afin 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 ralis.

5.1.3 Participation active des cadres suprieurs


Limplication ne suppose pas simplement de dispenser quelque soutien, mais de mouiller la chemise ! Voil pourquoi les cadres suprieurs 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 dmarrage des formations pour rappeler la place stratgique de Six Sigma
dans la politique de lentreprise et y compris quand elles prennent fin
pour recueillir les ractions et insuffler 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 expriences, 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
bnficieront de cet outil.
Le comit de pilotage du programme Six Sigma doit disposer dun
tableau de bord afin de :
suivre lavancement de chaque projet ;
mesurer leffet cumulatif des projets termins.

ditions dOrganisation

423

Six Sigma

Les Black Belts doivent disposer dune base de donnes afin 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 dvelopper, lorsque le besoin se fera sentir, les outils et mthodes complmentaires.
Les sances de formation doivent tre particulirement soignes et
menes par des personnes comptentes au plan pdagogique. La pdagogie est en soi une dmarche mtier et on ne simprovise pas formateur du jour au lendemain. Il convient donc de choisir un formateur
runissant les trois qualits suivantes :
comptence scientifique ;
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 :

424

ditions dOrganisation

Le management Six Sigma

des prsentations formelles devant un large public des rsultats


des projets ;
une politique de communication qui met en avant le travail ralis par les quipes ;
un intressement financier 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 finale. Comme on ne
peut pas tout traiter faute de ressources, il faut tre capable de se concentrer 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 final par lamlioration
des prestations du produit ou du service. Cela permet de revivifier la
fidlit du client et dclenche coup sr de nouvelles commandes.
Un impact financier
Un bon projet Six Sigma doit avoir un impact financier pour lentreprise. On doit tre capable ds le dbut du projet de faire apparatre ces
gains en mesurant les cots associs aux dfauts, retouches, ajustements rendus ncessaires par la situation actuelle. On identifie cinq
faons de mesurer limpact dun projet Six Sigma :
le nombre de dfauts par million dopportunits ;
une rduction vrifiable sur les cots fixes ou variables ;
une rduction dans le cot de non-qualit pour produire 100 %
de produits conformes du premier cot ;

ditions dOrganisation

425

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

Process A

TRS

Process B

Process C

40 %

87 %

95 %

Rebut

0,2 par unit

0,43 par unit

1,24 par unit

Cot

35

2,5

Projet 1

Projet 2

Projet 3

Le tableau dvaluation (figure 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 diffrents.
Le projet doit tre raliste
Un projet bien dimensionn doit pouvoir tre conduit en quatre huit
mois. Pour cela, il faut vrifier 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 rassembles.
Les comptences techniques ncessaires existent.
La probabilit de succs est importante.

426

ditions dOrganisation

Le management Six Sigma

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 correctement la mthodologie Six Sigma. Les revues de projet permettent galement 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 runir des comptences techniques, scientifiques, managriales et humaines. Ce sont donc les meilleurs qui deviennent Black Belts. Mais la
conduite dun projet nest pas un long fleuve tranquille, il y a des difficults, des obstacles qui paraissent parfois infranchissables. Pour surmonter 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 consacre 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 occups, cest coup sr courir lchec.

ditions dOrganisation

427

Six Sigma

Parmi les projets, il doit y avoir des projets stratgiques pour lentreprise et seule laffectation dun Black Belt temps plein peut permettre
de les mener bien.

5.3.3 Disposer dun support technique et scientifique


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 toujours quelquun qui skie mieux que soi et qui a quelque chose nous
apprendre. Les Master Black Belts sont l pour jouer ce rle. Ils rencontrent rgulirement les Black Belts (toutes les trois semaines par exemple) 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 scientifiques tels que
Qualita23 . 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 organis tous les 2 ans par RUFEREQ http://wwwcqp2.utc.fr/rufereq/

428

ditions dOrganisation

Chapitre 10

Tables

429

Six Sigma

T1 Tableau des ppm en fonction du z du


processus

430

ppm centr
dans les tolrances

ppm avec un dcalage de 1,5

1
1,2
1,4
1,6
1,8
2
2,2
2,4
2,6
2,8
3
3,2
3,4
3,6
3,8
4
4,2
4,4
4,6
4,8
5
5,2
5,4
5,6
5,8
6
6,2
6,4
6,6
6,8
7

317310,52
230139,46
161513,42
109598,58
71860,53
45500,12
27806,80
16395,06
9322,44
5110,38
2699,93
1374,40
673,96
318,29
144,74
63,37
26,71
10,83
4,23
1,59
0,57
0,20
0,07
0,02
0,01
0,00
0,00
0,00
0,00
0,00
0,00

697672,15
621378,38
541693,78
461139,78
382572,13
308770,21
242071,41
184108,21
135686,77
96809,10
66810,63
44566,73
28716,97
17864,53
10724,14
6209,70
3467,03
1865,88
967,67
483,48
232,67
107,83
48,12
20,67
8,55
3,40
1,30
0,48
0,17
0,06
0,02

ditions dOrganisation

Tables

T2 Table de la loi normale

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

ditions dOrganisation

431

Six Sigma

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

0,0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

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

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

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

432

ditions dOrganisation

Tables

T3 Table de Student

t ,

0,40

0,25

0,10

0,325

1,000

3,078 6,314 12,706 31,821 63,657 127,32 318,31 636,62

0,289

0,816

1,886

2,920

4,303

6,965

9,925 14,089 23,326 31,598

0,277

0,765

1,638

2,353

3,182

4,541

5,841

7,453 10,213 12,924

0,271

0,741

1,533

2,132

2,776

3,747

4,604

5,598

7,173

8,610

0,267

0,727

1,476

2,015

2,571

3,365

4,032

4,773

5,893

6,869

0,265

0,718

1,440

1,943

2,447

3,143

3,707

4,317

5,208

5,959

0,263

0,711

1,415

1,895

2,365

2,998

3,499

4,019

4,785

5,408

0,262

0,706

1,397

1,860

2,306

2,896

3,355

3,833

4,501

5,041

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

ditions dOrganisation

0,05

0,025

0,01

0,005 0,0025 0,001 0,0005

433

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

434

ditions dOrganisation

Tables

T4 Table de Snedecor pour p = 0,95


1 (degr de libert du numrateur)

2 Degr de libert du dnominateur

10

161,45 199,50 215,71 224,58 230,16 233,99 236,77 238,88 240,54 241,88

18,51

19,00

19,16

19,25

19,30

19,33

19,35

19,37

19,38

19,40

10,13

9,55

9,28

9,12

9,01

8,94

8,89

8,85

8,81

8,79

7,71

6,94

6,59

6,39

6,26

6,16

6,09

6,04

6,00

5,96

6,61

5,79

5,41

5,19

5,05

4,95

4,88

4,82

4,77

4,74

5,99

5,14

4,76

4,53

4,39

4,28

4,21

4,15

4,10

4,06

5,59

4,74

4,35

4,12

3,97

3,87

3,79

3,73

3,68

3,64

5,32

4,46

4,07

3,84

3,69

3,58

3,50

3,44

3,39

3,35

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

ditions dOrganisation

435

Six Sigma

T5 Table de la loi du 2
P

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

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

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

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

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

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

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

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

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

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

436

ditions dOrganisation

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

ditions dOrganisation

437

Six Sigma

T6 Test de Hartley Valeurs limites de r


Risque = 0,05
Nombre de variances

10

11

12

39

87,5

142

202

266

333

403

475

550

626

704

15,4

27

39,2

50,7

62

72,9

83,6

93,9

104

114

124

9,6

15,5

20,6

25,2

29,5

33,6

37,5

41,1

44,6

48

51,4

7,15

10,8

13,7

16,3

18,7

20

22,9

24,7

26,5

28,2

29,9

5,02

8,38

10,4

12,1

13,7

15

16,3

17,5

18,6

19,7

20,7

4,99

6,94

8,44

9,7

10,8

11

12,7

13,5

14,3

15,1

15,8

4,43

7,18

8,12

9,03

9,78

10,5

11,1

11,7

12,2

12,7

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

438

ditions dOrganisation

Tables

Risque = 0,01
Nombre de variances

199

448

729

1036 1362 1705 2063 2432 2813 3204 3605

47,5

85

120

151

184

216

249

281

310

337

361

23,2

37

49

59

69

79

89

97

106

113

120

14,9

22

28

33

38

42

46

50

54

57

60

11,1

15,5

19,1

22

25

27

30

32

34

36

37

8,89

12,1

14,5

16,5

18,4

20

22

23

24

26

27

7,50

9,9

11,7

13,2

14,5

15,8

16,9

17,9

18,9

19,8

21

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

ditions dOrganisation

10

11

12

439

Six Sigma

T7 Taille des chantillons


Comparaison de deux chantillons Test z
2 ( u 2 + u )2
n i = n j = ---------------------------------k2
Alpha = 20 %

20% 10% 5%

Alpha = 10 %

1% 20% 10% 5%

Alpha = 5 %

1% 20% 10% 5%

Alpha = 1 %

1% 20% 10% 5%

1%

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

Dcalage entre les deux chantillons en nombre dcarts types

0,3 100 146 190 289 137 190 240 350 174 233 289 408 260 331 396 534

440

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

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

12

18

12

15

22

11

15

18

26

16

21

25

33

1,3 5

10

15

10

13

19

12

15

22

14

18

21

28

1,4 5

13

11

16

11

13

19

12

15

18

25

1,5 4

12

10

14

12

16

10

13

16

21

1,6 4

10

12

10

14

12

14

19

1,7 3

11

13

10

12

17

1,8 3

10

11

11

15

1,9 2

10

10

13

12

2,5 1

2
3

ditions dOrganisation

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 %.
Dcentrage

0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9

1,1 1,2 1,3 1,4 1,5 1,6

Taille

527 235 133 86

60

23

19

14

13

11

10

Dcentrage

1,7 1,8 1,9

2,1 2,2 2,3 2,4 2,8 2,9 3,6 3,7

Taille

2
7

45

35

28

17

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 1,2 1,3 1,4 1,5 1,6

Taille

525 234 131 84

58

21

17

12

11

Dcentrage

1,7 1,8 1,9

2,1 2,2 2,4 2,5 2,8 2,9 3,7 3,8

Taille

ditions dOrganisation

2
5

43

33

26

15

441

Six Sigma

T10 Taille des chantillons pour le test F


La taille des chantillons est calcule pour un risque a de 5 % dans
lhypothse H0 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

1,9

3,61

2,1

4,41

2,2

4,84

2,3

5,29

2,4

5,76

2,5

6,25

2,6

6,76

2,7

7,29

2,8

7,84

2,9

8,41

16

25

442

ditions dOrganisation

B3

ditions dOrganisation

D3

2,004

2,114

2,282

2,574

3,267

D4

D5

Pour le calcul
de la carte des R

5,078

4,918

4,698

4,358

3,686

D6

0,321
0,354
0,382
0,406
0,428
0,510

11 0,9754 3,173 0,787 0,905 0,285 0,927

12 0,9776 3,258 0,778 0,866 0,266 0,886

13 0,9794 3,336 0,770 0,832 0,249 0,850

14 0,9810 3,407 0,762 0,802 0,235 0,817

15 0,9823 3,472 0,755 0,775 0,223 0,789

20 0,9869 3,735 0,729 0,671 0,180 0,680

1,490

1,572

1,594

1,618

1,646

1,679

0,503

0,420

0,399

0,374

0,346

0,314

1,471

1,544

1,563

1,585

1,609

1,637

0,415

0,347

0,328

0,307

0,283

0,256

1,585

1,653

1,672

1,693

1,717

1,744

1,548

1,207

1,121

1,026

0,924

0,812

5,922

5,937

5,693

5,646

5,592

5,534

10 0,9727 3,078 0,797 0,949 0,308 0,975 0,362 1,114 0,284 1,716 0,277 1,669 0,223 1,777 0,687 5,469

9 0,9693 2,970 0,808 1,000 0,337 1,032 0,412 1,224 0,239 1,761 0,232 1,707 0,184 1,816 0,546 5,394

8 0,9650 2,847 0,820 1,061 0,373 1,099 0,433 1,233 0,185 1,815 0,178 1,752 0,136 1,864 0,387 5,307

7 0,9594 2,704 0,833 1,134 0,419 1,182 0,508 1,374 0,118 1,882 0,113 1,806 0,076 1,924 0,205 5,203

2,088

2,276

2,606

B6

6 0,9515 2,534 0,848 1,225 0,483 1,287 0,548 1,389 0,030 1,970 0,029 1,874

B5

2,089

2,266

2,568

3,267

B4

Pour le calcul
de la carte des S

1,964

5 0,9400 2,326 0,864 1,342 0,577 1,427 0,691 1,607

A3

A2

4 0,9213 2,059 0,880 1,500 0,729 1,628 0,796 1,639

d3

3 0,8862 1,693 0,888 1,732 1,023 1,954 1,187 2,010

d2

Carte
mdiane

c4

Pour le calcul
de la carte X

2 0,7979 1,128 0,853 2,121 1,880 2,659 1,880 2,121

Estimation de

Tables

T11 Tableau des coefficients

443

Six Sigma

Coefficient d2* pour l'estimation de partir de R


Nombre dchantillons

Nombre de mesures
par chantillon

444

10

11

12

13

14

15

>15

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

ditions dOrganisation

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 lefficacit du plan (nombre de ddl/nombre dessais).

Table L4

Table L8

Table L16

Table L12

****

2 Plan complet
Aucun risque

***
****
Fractionnaire,
Plan complet
rsolution III
Utiliser les
3
Facile dsaliasser
colonnes 1, 2, 4
en passant au plan Aucun risque
complet L8

Nombre de facteurs

***
****
Fractionnaire,
Plan complet
rsolution IV
Utiliser les
Utiliser les
colonnes 1, 2, 4, 8
colonnes 1, 3, 5, 7 Aucun risque
Facile dsaliasser
en passant au plan
complet L16

6
7
8
9

11
11

15

ditions dOrganisation

**
****
Fractionnaire
Fractionnaire,
rsolution III
rsolution V
Pas de colonne
Utiliser les
privilgier
colonnes
Facile dsaliasser
1, 2, 4, 8, 15
en continuant les
***
colonnes impaires
Fractionnaire,
de la table L16
rsolution IV
Utiliser les
colonnes impaires

*
Fractionnaire,
rsolution III
Pas de colonne
privilgier

***
Plan fractionnaire
Ne permet pas
dtudier des
interactions
Choix des colonnes en fonction
de la difficult
des modifications
des facteurs
Idal pour
dbroussailler
Les interactions
sont dilues

445

Six Sigma

Rappel des symboles utiliss :


Symbole

Groupe

Difficult de modification des niveaux

Difficile

Assez difficile

Assez facile

Facile

Table L4 (23)
1

a
b

Groupe

446

(1)

3
(2)

2
1

ditions dOrganisation

Tables

Table L8 (27)
No

a
b

a
c

b
c

a
b
c

Groupe

Triangle des interactions entre deux colonnes

(1)

ditions dOrganisation

(2)

(3)

(4)

(5)

(6)

447

Six Sigma

Graphe des effets


Premier graphe

Deuxime graphe

1
2

6
3

Table L9 (34)
No

a
b

a
b2

Groupe

448

ditions dOrganisation

Tables

Table L12 (211)


La table L12 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.
No

10

11

10

11

12

Groupe

ditions dOrganisation

449

Six Sigma

Table L16 (215)


N

10

11

12

13

14

15

10

11

12

13

14

15

16

a
b

a
c

b
c

a
b
c

a
d

b
d

a
b
d

c
d

a
c
d

b
c
d

a
b
c
d

Groupe

450

ditions dOrganisation

Tables

Table L16 Triangle des interactions

(1)

10

11

12

13

14

15

11

10

13

12

15

14

(2)

10

11

14

15

12

13

(3)

11

10

15

14

13

12

(4)

12

13

14

15

10

11

(5)

13

12

15

14

11

10

(6)

14

15

12

13

10

11

(7)

15

14

13

12

11

10

(8)

(9)

(10) 1

(11) 7

(12) 1

(13) 3

(14) 1

Table L16 Graphes de rsolution V


(1a)

(1b)

(1c)

13

14

3
15

11
6

10

12

ditions dOrganisation

13

10

14

3
7

11
6

15

12

13

14
11

15
2

10

12

451

Six Sigma

Table L16 Graphes de rsolution IV


(2)

(3)

15

13

12
11

10

12

4
14
12

13

15

11

11

10

4
6
8

10

14
1

12
15

(5b)

14

15

10

13

452

11

(6b)
7

12

13

10

(6a)
1

15

14
4

11

12

8
7

12
6

13

(5a)

15

(4b)
8

13

(4a)
6

14

5
6

10

14

11

11

10

13

15

10

13

12

11

15

ditions dOrganisation

Tables

T13 Plans composites centrs


Nombre
de facteurs

L4
(complet)

L8
(complet)

L16
(complet)

L16
(resV)

L32
(complet)

1,414

1,682

2,378

Nombre de points
au centre

10

Nombre dessais

13

20

31

32

52

Plan factoriel
de base
Valeur de

Exemple de construction 2 facteurs

Plan factoriel de base

4 essais sur les axes

5 essais au centre du domaine

ditions dOrganisation

No

1.414

+1.414

1.414

+1.414

10

11

12

13

453

Chapitre 11

Fiches rsums

455

Six Sigma

tape 1 DFINIR :
mmo des actions principales raliser
Durant cette tape, on dfinit 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 lentreprise.

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 qualit).
Raliser un QQOQCP.

3. Clients identifis
Identifier les clients amont, aval, et les clients finaux.
Identifier parmi tous les paramtres pouvant influer sur le problme, les paramtres Y concernant ce qui est critique pour le
client.
Dfinir 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 ?

456

ditions dOrganisation

Fiches rsums

Quels sont les paramtres Y du processus qui sont lis ce qui


est critique pour le client ?
Quelles sont les spcifications actuelles sur les Y ?

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 modifier et ce que lon veut conserver.

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 identifis 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,
fiabilit).

8. Planification du projet
Indiquer le numro des semaines, colorier les cases pour indiquer les dures des tapes et mettre une croix pour les semaines
de formation.
Identifier les acteurs du projet.

ditions dOrganisation

457

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 identifis (clients aval et clients finaux)


Clients aval :

Impacts :

Clients finaux :
Diagramme CTQ
Besoin des clients

Exigences

Caractristiques
mesurables

Spcifications

tat actuel

tat souhait

Gains et cots mesurables

Gains et cots non mesurables

Groupe de travail
Nom

Tl.

Service

Ml

Planification du projet
Semaines
Dfinir
Mesurer
Analyser
Amliorer
Contrler
Standardiser
Signatures
Client :

458

Propritaire :

Pilote :

Direction :

ditions dOrganisation

Fiches rsums

tape 2 MESURER :
mmo des actions raliser
Dans cette tape, on doit trouver un moyen pour mesurer la/les caractristique(s) critique(s) pour les clients, valider le processus de mesure
et raliser une campagne de relevs sur le processus afin 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 daffiner la cartographie du processus
ralis dans la premire tape.
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 au minimum) ?
Quelles sont les spcifications actuelles sur les Y ?
Quels sont a priori les X ? Les paramtres dentre, les paramtres 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 fige ?

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.

ditions dOrganisation

459

Six Sigma

Dfinir 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 figeant par une instruction de contrle.

4. Rduction de la variabilit
Analyser les X potentiels (analyse des 5M).
Rduire les causes de variation en fixant des paramtres.

5. Observation du processus
Mettre en place des cartes dobservations et des feuilles de relevs.
Enregistrer toutes les informations disponibles sur Y avec ses
attributs (X correspondants).
Validation des spcifications.

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

460

ditions dOrganisation

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 ?

Processus
tudi

Facteurs de pilotage :
Moyen de mesure et procdure

Capabilit des moyens de mesures R&R


Cmc souhait :

Cmc mesur :

Commentaire(s) :

Verrouillage du procd
Mesureur :

Outil :

Frquence :

Prcision :

Processus de mesure :
Liste des actions pour limiter la variabilit
Intitul

Actions

Capabilit du processus
Mesure :
Commentaire :
Cmc

Interprtation :
Chute
entre

Explication/
processus :

Causes :

Cp
Pp

Cp
Pp

Pp
Ppk

Ppk

Actions de suivi (cartes dobservation, feuilles de relevs)


Intitul

ditions dOrganisation

Action de suivi :

461

Six Sigma

tape 3 ANALYSER :
mmo des actions raliser
Durant cette tape, on analyse les Y (sorties du processus), les X (variables du processus) et les relations entre les X et les Y afin didentifier
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 afin de dterminer les facteurs
X qui peuvent influer 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 statistique 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 relation.

462

ditions dOrganisation

Fiches rsums

6. Gains mesurables et gains non mesurables (ractualisation)


nouveau, une analyse des gains et des cots doit tre faite afin
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)
Machine

Milieu

Mthode

Matire

Main-d'uvre

Analyse des symptmes


Symptmes

Les ides sur le phnomne

Liste des tudes danalyse ralises et conclusions


Test(s) ralis(s) Rf. document

Causes fondamentales

Gains et cots mesurables

ditions dOrganisation

Analyses des tests raliss

Poids

Conclusions

Explications

Gains et cots non mesurables

463

Six Sigma

tape 4 INNOVER :
mmo des actions raliser
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 slectionner celles qui semblent efficaces et ralisables partir des
critres :
Effet : cette solution est-elle susceptible de rsoudre rellement 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.
Vrifier que les X principaux sont significatifs du point de vue
statistique.
Choisir le niveau des X pour obtenir le centrage et la rduction
de la dispersion.
Programmer des essais de confirmation.
Calcul des capabilits aprs amlioration.

464

ditions dOrganisation

Fiches rsums

4. Analyser les risques


Ralisation dune AMDEC pour valider la solution retenue.

5. Planifier la mise en uvre de la solution


Identifier les acteurs.
Identifier les tapes.
Faire la planification du changement.

6. Gains
Actualiser les gains mesurables et les gains non mesurables.
Actualiser les cots mesurables et les cots non mesurables.

ditions dOrganisation

465

Six Sigma

Six Sigma tape 4 : INNOVER/AMLIORER


Intitul du projet :
Diagramme des 5M (placer les X qui seront tudis dans ltape Innover/amliorer)
Machine

Milieu

Mthode

Matire

Main-d'uvre

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

Planification du changement
No

tape

Responsable

Gains et cots mesurables

466

Production

Dlai

Cot

Gains et cots non mesurables

ditions dOrganisation

Fiches rsums

tape 5 CONTRLER :
mmo des actions raliser
Lors de cette tape, on vrifie les rsultats des actions damlioration
mises en uvre au stade prcdent, en observant comment les caractristiques 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 analyss laide des outils de la qualit pour dterminer si les amliorations prvues sont significatives. 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, indiquer :
la spcification retenue,
le type de suivi qui permet de surveiller la caractristique.
Calculer les limites de contrle.
tablir les rgles de pilotage.

ditions dOrganisation

467

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.

468

ditions dOrganisation

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 Spcifications Type de suivi
(enregistrement ; cartes X/R ; EWMA)

Rf.
documents

Liste des poka yoke mis en place


Caractristiques Spcifications 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
3
2
1
0

Gains et cots mesurables

ditions dOrganisation

Temps

Gains et cots non mesurables

469

Six Sigma

tape 6 STANDARDISER :
mmo des actions raliser
Durant cette tape, on verrouille laction, cest--dire que lon permet
le maintien des amliorations en empchant le retour des erreurs antrieures. On va galement en profiter pour dmultiplier les bonnes pratiques identifies et clore le projet.

1. Simplifier la solution
Raliser un audit de poste et identifier :
les points qui demandent un effort particulier ;
les carts entre le nouveau standard et la pratique ;
les points mal formaliss.
Faire les transformations afin que le nouveau standard soit appliqu 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 connaissance.
Identifier les bonnes pratiques , les formaliser, les diffuser.
Intgrer les processus et mthodes standards dans le dveloppement de nouveaux produits.
Mettre en place les indicateurs de performance.

3. Bilan du projet
Bilan technique :
faire la synthse des amliorations techniques apportes ;
modification de procdures, de mthodes ;
amlioration des capabilits
Bilan financier :
faire la synthse des cots mesurables et non mesurables ;
faire la synthse des gains mesurables et non mesurables.

470

ditions dOrganisation

Fiches rsums

Bilan humain :
fonctionnement du groupe de travail ;
identifier les manques en matire de formation, de comptences
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 fin du projet.

ditions dOrganisation

471

Six Sigma

Six Sigma tape 6 : STANDARDISER


Intitul du projet :
Simplifier la solution
QUOI

QUI

QUAND

Prenniser la solution
QUOI

QUI

QUI

QUAND

Indicateur de performance suivi

QUAND

Conclusions du bilan du projet


Technique : tat en dbut de projet

Financier : gains et cots mesurables

Technique : tat en fin de projet

Financier : gains et cots non mesurables

Conclusions du bilan humain

Conclusions du bilan mthodologique

Documentation du projet
Document

472

Rf.

ditions dOrganisation

Sites internet utiles

Logiciels d'analyse statistique


Les calculs de cet ouvrage ont t raliss avec Minitab logiciel d'analyse statistique et Excel de Microsoft Office.
http://www.minitab.com
http://office.microsoft.com
On peut galement consulter :
Statgraphics : http://www.microsigma.fr/Editeurs/STATGRAPHICS/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

473

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

474

ditions dOrganisation

Bibliographie

AMGHAR A.,
Management de projets, Editions J.C.I. Inc, 2001.
AVRILLON L., PILLET M.,
Lapproche Shainin , Qualit rfrence, no 17, juillet 2002, p 95100, 2002.
BAYLE P. et alii,
Illustration of Six Sigma Assistance on a Design Project , Quality
Engineering, vol. 13, no 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.

475

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 dOrganisation, 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 Introduction 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, no 3, mars 2000, p. 311315, 2000.
GEORGE M. L.,
Lean Six Sigma, Mc Graw Hill, 2002.
GOH T. N.,
The Role of Statistical Design of Experiments in Six Sigma: Perspectives of a Practitioner , Quality Engineering, vol. 14, no 4, juin
2002, p. 659-671, 2002.
GOH T. N.,
Information Transformation Perspective on Experimental Design
in Six Sigma , Quality Engineering, vol. 13, no 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.

476

ditions dOrganisation

Bibliographie

GOUPY J.,
Plans dexpriences pour surfaces de rponse, Dunod, 1999.
GRAVES Spencer,
Six Sigma Rolled Throughput Yield , Quality Engineering, vol.
14, no 2, dcembre 2001, p. 257-266, 2001.
HAHN Gerald J., DOGANAKSOY Necip,
The Evolution of Six Sigma , Quality Engineering, vol. 12, no 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, no 1, septembre 2000, p. 1-9, 2000.
HOERL Roger W. et al.,
Six Sigma Black Belts: What Do They Need to Know? And Subsequent Discussions and Response , Journal of Quality Technology,
vol. 33, no 4, octobre 2001, p. 391-435, 2001.
LE BRUN M., AUSSEDAT F.,
Six Sigma et la supply chain , Qualit rfrence, no 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.

ditions dOrganisation

477

Six Sigma

MONTGOMERY D. C.,
Introduction to Statistical Quality Control, 4e 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, ditions 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, no 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, 2e dition, ditions dOrganisation,
2000.
SANDERS Doug, HILD Cheryl,
Six Sigma on Business Processes: Common Organizational
Issues , Quality Engineering, vol. 12, no 4, juin 2000, p. 603-610,
2000.

478

ditions dOrganisation

Bibliographie

SANDERS Doug, HILD Cheryl R.,


A Discussion of Strategies for Six Sigma Implementation ,
Quality Engineering, vol. 12, no 3, mars 2000, p. 303-309, 2000.
SANDERS Doug, HILD Cheryl R.,
Common Myths About Six Sigma , Quality Engineering, vol. 13,
no 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, nos 15, 16, 17, 18, 19,
janv 2002-janv. 2003.
SOURIS J.-P.,
Quelle dmarche choisir entre lISO 9000, EFQM et Six Sigma ? ,
Qualit rfrence, no 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.

ditions dOrganisation

479

Index

5 pourquoi ?, 92

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

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

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

481

Six Sigma

EWMA (Exponentially Weighted Moving Average), 357, 371


Moyennes/tendues, 157
np Nombre dunits non conformes, 364
p Proportion dunits non conformes, 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 R2, 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

482

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 dOpportunits), 22
DPO, 142
DPU, 142

E
cart type, 175, 179
chantillon, 151, 152

ditions dOrganisation

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 Criticality Analysis), 318
fonction perte, 54
formalisation, 333
formation, 67, 411, 424
forme de la distribution, 182
frquence, 319

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

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

Kaizen, 6
Kano, 78
Kurtosis, 175

ditions dOrganisation

L
Lean
Management, 9, 11
Six Sigma, 17
limite(s)
de contrle, 345, 359, 364
naturelles, 56, 340
linarit, 108, 110

483

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 Deployment, 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

484

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

ditions dOrganisation

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, Output, Customers), 87
Six Sigma, 1
Skewness, 175
sous contrle, 337
spcifications, 324
stabilit, 109

ditions dOrganisation

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

485

Six Sigma

thorme central limite, 182


tolrance, 52, 324, 327
unilatrale, 328
tolrancement, 324
TPM (Total Productive Maintenance),
55
transformation de Box, 141

variance, 175, 180


vote pondr, 261

W
Weibull, 139
White Belt, 62, 67

U
units non conformes, 362

V
valeurs aberrantes, 184
variabilit, 2, 10, 19, 398, 402
variable(s)
dpendante, 185
indpendantes, 185

486

Z
z
court terme, 145
du processus, 4, 22, 129
quivalent, 145
long terme, 145
process, 136, 145
zro dfaut, 56

ditions dOrganisation

Mettre en uvre un chantier Six Sigma pour


amliorer la profitabilit 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 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.

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 (Dfinir, 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 efficace 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.

-:HSMHKI=VXUW^[:

Les deux premiers chapitres, volontairement dpourvus de


calculs, permettent de faire le tour de la dmarche et den
comprendre les points essentiels.

Maurice Pillet est professeur des


Universits lIUT dAnnecy, dpartement Gnie de la Production, Certifi
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 duniversitaire et de praticien.

ditions dOrganisation 0Eyrolles


Code diteur : G53029 ISBN : 2-7081-3029-3

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.

45