Peut-être l’avez-vous déjà commencé (je l’espère) lors de votre phase de définition, mais attention
là on passe à la vitesse supérieure !
Cette étape va vous confronter, vous et votre équipe, à vos « a priori » ! Ne vous
laissez pas surprendre et construisez un plan de collecte de données suffisamment costaud pour qu’il ne laisse pas de place au doute face aux résultats.
De plus vous allez voir que comme par magie vos Variables Clés sortantes du processus vont
s’améliorer dès que vous allez commencer la phase mesure ! C’est systématique, dès lors que vous faîtes mesurer un processus par ses acteurs, il s’améliore d’au moins 5%. Je ne veux entendre
personne me dire qu’il s’agit de triche dans la mesure, arrêtons de croire que l’homme est foncièrement vicieux et mauvais. De toute façon, l’analyse du système de mesure est là pour éviter ce
genre de biais (que je n’ai jamais rencontré). Cela est tout simplement dû au fait que lorsque vous vous mesurez vous portez une plus grande attention à ce que vous faîtes.
Voici ci-dessous la démarche à suivre pour réaliser une bonne Phase mesurer, vous retrouverez à la
fin de cet article une check list des points à réaliser afin de réussir cette phase.
I. Recueil des
données
Afin d’être en mesure de renseigner le plan de collecte de données ci-dessous, vous allez avoir
besoin de quelques information complémentaires
a. Les différents types
de données
Parce qu’il est toujours bon de savoir de quoi l’on parle, petite introduction aux types de
données que vous allez rencontrer :
Les données Continues
Données mesurées sur une échelle continue ou pouvant être mesurer indéfiniment, par
exemple :
· La
température
· Le
temps
· La
taille
· Le
poids
· Les
coûts
· …
Ces informations sont les plus détaillées !
Les données Discrètes
Données pouvant être dénombrées, par exemple :
· Nombre de pièces produites
· Nombre de pièces rebutées
· Nombre d’appel téléphonique reçus
· …
L’intérêt de ces données est qu’elles peuvent être transformées en proportions et pourcentages et
que dès lors elles deviennent continues.
Les données attribut (attribut binaire)
Données classifiées en catégories, généralement celles qui sont extraites des différents formulaire
de satisfaction que vous pouvez remplir, par exemple :
Pour les données attributs binaires
· Pour / Contre
· A
temps / En retard
· Satisfait / Mécontent
· Défectueux / Non Défectueux
Pour les données attributs (échelle de choix plus grande)
· A
temps / En retard / Très en retard / Jamais reçu
· Satisfait / très satisfait / Non Concerné / Ne se prononce pas
b. Définition des
facteurs de stratification
Comme leur nom l’indique, les facteurs de stratification permettent de discriminer les données afin
de les rendre plus lisibles. N’oubliez pas que les données que vous recueillez maintenant serviront la phase d’analyse.
Plus vous aurez discriminé vos données, plus l’analyse pourra être poussée mais car la période de
relevé sera également plus longue ou plus chère !
Par exemple, pour un projet, je devais mesurer le temps à non valeur ajoutée c’était mon Y j’ai
donc réalisé le diagramme ci-dessous :
Même si c’est une fois encore extrêmement contraignant, il faut faire l’effort, car je peux vous
assurer que devoir relancer un plan de mesure parce que l’on a oublié un facteur de stratification est tout ce qu’il y a de plus inutile et donc de moins lean possible par de la destruction
de valeur !
Très important !! Chacun des outils que je vous présente doivent être complétés en équipe lors de vos réunions de groupe projet sans quoi vous aurez le droit
de faire les relevés de données tout seul.
c. Les définitions
opérationnelles
Encore un concept des plus important car grâce à elles vous allez pouvoir partager avec l’ensemble
du groupe les attentes que vous avez sur les données que vous souhaitez recueillir.
Une bonne définition opérationnelle vous permettra de définir de manière précise vos attentes
en terme de mesure et ainsi vous assurer que chacun mesure de la même façon.
Cela vous permet de vous assurer une interprétation commune et éviter les surprises lors de la
phase d’analyse des données.
Assurez-vous que chacun partage la définition opérationnelle des données à mesurer, lorsque vous la
présentez à l’équipe assurez vous qu’il n’y a aucune interprétation divergente, sans quoi il vous faudra la modifier.
d. L’origine et la
localisation des données
Grâce à votre travail sur les définitions opérationnelles vous allez pouvoir commencer à analyser
les données historique ou existantes du système :
· Est-ce que ces données répondent aux définitions opérationnelles ?
· Est-ce qu’elles sont représentatives du processus étudié ?
Posez-vous des questions sur la faisabilité du
recueil des données si les données dont vous disposez ne sont pas suffisantes :
· Quel est le coût pour recueillir de nouvelles données ?
· Quel est le délai pour recueillir ces nouvelles données ?
· Est-ce que j’ai le temps matériel (par rapport au planning de la phase Définir) de recueillir ces données ?
· Est-ce absolument nécessaire à la réalisation du projet ?
e. Comment sont
recueillies les données
A cette étape, il vous faut choisir le support et la méthode de recueil de données le plus
pertinent et le moins timewasting pour vos équipiers. JE vous propose de réaliser avant la réunion des modèles de grilles de recueil de données (il faut que l’étape de stratification ait déjà été
réalisée).
Choisissez vos facteurs de stratification
Utilisez des titres clairs pour tous
Laissez assez d’espace
Déterminez la période de temps
Vous avez le choix quand au type de fiche de contrôle à utiliser :
· La
plus visuelle : la fiche de contrôle en diagramme de fréquence. Elle permet une illustration visuelle de la tendance.
· La
basique, attention à ne pas la rendre trop complexe !
· La
fiche de suivi, normalement disponible dans toutes les entreprises disposant d’une assurance qualité, peut-être que vous n’aurez qu’à « l’améliorer »
f. La taille de
l’échantillon
Alors là on s’attaque à un gros morceau de statistiques… Il est fondamental de bien choisir la
taille de l’échantillon à utiliser, c’est la base de la « statistique inférentielle ».
Le fait d’utiliser un échantillon vous permet de limiter l’étendu des mesures et ainsi économiser
du temps et de l’argent, bien entendu cela implique d’accepter un degré d’incertitude.
Afin de définir la taille de l’échantillon, il faut prendre certains facteurs en
compte :
· Le
type de données
· L’objectif de ces mesures et ce que vous ferez des données
· La
confiance que vous pouvez déjà accorder à ces données et la marge d’erreur
Voici quelques formules qui devraient vous aider à déterminer la taille de l’échantillon selon le
type de données à mesurer.
Link: http://www.profecogest.com/article.php3?id_article=96
· Données continues
Dans l’exemple ci-dessous N est la taille de l’échantillon, S est l’écart type (issu de précédentes
mesures) ∆ est la marge d’erreur.
N = (1.96S/ ∆)²
1.96 est une constante représentant un intervalle de confiance de 95%
Attention, cette approche n’est valable que si le résultat est supérieur à
30
Exemple : Un groupe LSS souhaite connaître le temps de traitement moyen d’une panne à une panne prés (la marge d’erreur). En se basant sur
des mesures précédement réalisée, l’équipe sait que l’écart type est de 4 heures.
Quelle est la taille minimale requise de l’échantillon afin de pouvoir estimer la moyenne avec une
précision de 95% ?
N = (1.96 *4 / 1)² = 62 pannes (on arrondi à l’entier supérieur)
· Données discrètes
Ici nous allons introduire le facteur P qui correspond à la proportion de données
étudiée
N = (1.96S/ ∆)² (P)(1-P)
Attention, cette approche n’est valable que pour les très grandes populations ou si la
taille de l’échantillon ne correspond qu’à 5% des cas. Afin de valider le calcul assurez vous que (N)*(P)≥5 et (N)*(1-P)≥5
Exemple : Ce même groupe souhaite maintenant définir le nombre de pannes qui nécessite un retravaille suite à la réparation. L’équipe sait
qu’à peu prés 25% des pannes nécessite une deuxième intervention. Quelle doit être la taille de l’échantillon pour déterminer le % exigeant des retouches dans 5% de la population.
N = (1.96 *4 / 0.05)² (0.25)(1-0.25)= 289 pannes (on arrondi à l’entier supérieur)
Derniers Commentaires