Quelque soit le type d'industrie, et les outils qualité utilisés pour l'amélioration produit/process, le point commun de toutes les méthodes est qu'il vous faudra des données. Ce n'est qu'avec des données suffisamment fiables et nombreuses que vous pourrez prendre la bonne décision et la faire partager.
Les types de données :
Les données par attribut : ce ne sont pas des données chiffrées, mais des résultats, bons ou mauvais. Par exemple, la tenue au couple d'un taraudage suite à un essai destructif. Soit le taraudage tient la valeur maximale spécifiée et dans ce cas là il est considéré CONFORME, soit il casse et est considéré NON CONFORME. C'est binaire.
Les données variables : il s'agit d'un données chiffrée, qui varient. Reprenons l'exemple du taraudage. Au lieu de se contenter de vérifier s'il casse ou non avant la limite de tenue, on va appliquer un couple de plus en plus fort, sans tenir compte de la limite maximale, de façon à casser tous les taraudages, et on notera la valeurs de casse. Il s'agira d'un tableau de valeurs variables.
Chaque type de données a son intérêt. Les valeurs par attribut sont simples à obtenir et permettent de présenter des résultats simples. Si vous souhaitez démontrer la non conformité de la tenue d'un taraudage, par exemple, il suffira d'appliquer le couple maximal à tenir sur une dizaine de pièces pour constater que la moitié casse avant de l'atteindre => la non conformité est démontrée.
Les données variables sont plus difficiles et plus chères à obtenir. Il faut mesurer le résultat avec une précision suffisante et les moyens appropriés. Les moyens à utiliser sont souvent plus complexes, mais le résultat est plus précis et vous pouvez vous en servir pour faire des études statistiques. Dans l'exemple qui nous occupe, utiliser des données variables vous permettrait de faire des capabilités et d'évaluer le pourcentage de pièces touchées, afin d'obtenir le risk assesment.
De plus, les données variables vous permettent de vérifier l'évolution d'un paramètre. Là où les données par attribut vous disent que vous étiez conformes la semaines dernière et non conforme aujourd'hui, les données variables permettent de constater que cela fait une semaine que vous n'avez fait que vous dégrader jusqu'à avoir atteint la non conformité. Elles permettent donc de réagir avant et de mettre en place les actions correctives nécessaires pour ne jamais être non conforme.
Choisir les bonnes données
Avoir des données, c'est bien. Mais il faut prendre garde à ne pas en avoir de trop. Il y a des milliers de choses à mesurer dans un process de fabrication (les cotes du produit finies, celles des composants, celles des outils de fabrication, celles des outils de contrôles, la consomation électrique de la machine d'assemblage, les taux de rebuts,....). Et à force de tout vouloir mesurer, vous allez vous retrouver sous des liasses de tableaux de données dont vous ne pourrez plus rien tirer.
Il s'agit donc de faire le tri et de sortir les données dont vous avez réellement besoin. Pour cela, il fait avoir en tête les 4 règles suivantes :
Pertinentes : vos données doivent avoir un lien avec le process que vous cherchez à améliorer.
Fiables : les données doivent être collectées et enregistrées avec soin.
Représentatives : elles doivent être clairement représentatives de la situation que vous cherchez à améliorer.
Lisibles : elles doivent être claires, facile à comprendre et à utiliser.
Si les données sont essentielles, il est tout aussi essentiel de bien les choisir et de les traiter correctement. Une feuille volante, écrite à la main, où ne sont pas précisés les conditions d'un essai, par exemple, ne vous apportera rien. Il en est de même si vous mesurez des cotes avec un moyen de mesure non répétable. Des données pas claires, voir fausses, vous amènerons à prendre de mauvaises décisions.
Aucun commentaire:
Enregistrer un commentaire