La fiabilité de la mesure : un enjeu fondamental

La fiabilité de la mesure : un enjeu fondamental

En amont de toute démarche de type Lean Six Sigma on trouve très souvent une problématique de la mesure, c.a.d. un système de mesure non fiable. Bien souvent nous alertons nos clients sur cette problématique.

En effet si, comme dans Six Sigma et même dans le Lean, on fait de l’optimisation à partir des données mesurées sur les processus, comme le dit la formule bien connue « GARBAGE IN, GARBAGE OUT ! ». Nos clients ont souvent des données mais quand on leur pose la question de la fiabilité de ces données, bien souvent un ange passe. Rien ne sert de faire de l’optimisation sur des données non fiables !

C’est une évidence mais les données sont prélevées via un système de mesure. Et ce système de mesure, pour être fiable doit vérifier plusieurs propriétés : il doit être précis, exact, stable dans le temps, linéaire et suffisamment discriminant. Dans la pratique une ou plusieurs de ces propriétés ne sont pas vérifiées. Et bien sûr cela a de grosses conséquences sur la fiabilité des indicateurs de performance dont se servent les entreprises pour calculer leur performance. Il y a toute une formation à la culture de la mesure à effectuer dans bon nombre d’entreprises qui de fait pilotent leur activité avec des indicateurs non fiables (calculés à partir de données non fiables).

Prenons un exemple réel (anonymisé bien sûr) :

Système de mesure non suffisamment discriminant. Ceci se voit de façon évidente via un test de normalité (droite de Henry). Dans la figure ci-dessous on voit nettement que la mesure Densité présente des « trous dans la raquette ». Cette mesure physique dans l’Industrie qui est par nature « continue » (comme très souvent les grandeurs physiques mesurées dans l’Industrie) est ici représentée sous la forme de barres verticales. La mesure a été tronquée : on a fait des arrondis. Si cette mesure tronquée est utilisée pour faire, par exemple, un calcul de capabilité du processus (Cp, Cpk etc…) eh bien ces calculs seront faux et l’entreprise communiquera à ses clients de faux indicateurs.

Graphique 1

Cette figure n’a pas du tout la même allure que la figure suivante « Limpidité avant filtration » où la courbe est beaucoup plus continue. Dans nos vieux souvenirs de mathématiques une courbe est dite « continue » si on peut la tracer sans lever le crayon.

Graphique 2

Un autre exemple classique est celui du fameux Gage R&R qui va tester la reproductibilité et la répétabilité de la mesure quand un opérateur intervient dans la mesure. C’est souvent le cas dans l’Industrie.

Dans la carte ci-dessous on voit bien que le système de mesure (contrôle Qualité d’un grand groupe de l’agroalimentaire) présente une mauvaise répétabilité (par définition la répétabilité de la mesure signifie qu’un même opérateur mesurant plusieurs fois la même pièce avec un même appareil va trouver la même mesure). Nous avons ici les mesures de numération de trois opératrices d’un laboratoire interne de Contrôle Qualité (que nous avons nommées ALP, PG, SO) sur dix lots de levure.

Graphique 3

Et des exemples de non-fiabilité de la mesure nous en voyons tous les jours. A l’heure des entreprises « data driven » l’enjeu est fondamental. Piloter son entreprise avec des données c’est bien, encore faut-il que ces données soient fiables ! Nous vous proposons de vous accompagner sur ces enjeux de fiabilité.