[Total : 1    Moyenne : 5/5]

C’est l’ultime outil de validation, qui va nous permettre de vérifier si la cause principale est bien la principale ou si la solution mise en place est bien meilleure que la situation initiale.

Introduction

La méthode B vs C est en fait une technique de comparaison de 2 situations : B la « Better » (meilleure) situation, et C la situation « Current » (actuelle).  C’est l’ultime outil de validation, qui va nous permettre de vérifier si la cause principale est bien la principale ou si la solution mise en place est bien meilleure que la situation initiale.

La méthode part de l’observation que la plupart du temps, nous mettons en place des améliorations, on effectue un test ou deux puis on valide. Et quelques jours ou semaine plus tard, le problème réapparait.

Le principe est plutôt simple : partant de ce constat, la méthode va consister à comparer la situation actuelle avec la nouvelle plusieurs fois  en alternant nouvelle situation et ancienne.

1 – Définir les 2 situations

On va commencer par définir les situations de production : la situation B qui est donc celle où nous avons mis notre solution en place, et la C qui est la situation d’origine.

2 – Effectuer un premier test

On va dans un premier produire 3 éléments dans la situation B et 3 éléments dans la situation C. On appelle cela le Six pack test.

3 – Réitérer 2 fois l’étape 2

Pour s’assurer du résultat de l’étape précédente, on va la reproduire 2 fois.

4 – Analyse

L’enjeu est ici de pouvoir reproduire le défaut. Ainsi, lorsque nous avons produit dans les conditions de la situation B, nous n’avons pas du générer du défaut. Et vice versa.

Si sur les 3 cycles de production, nous retrouvons ces résultats, alors nous pouvons conclure que notre solution et / ou la cause de notre défaut sont bien validés.

On notera simplement qu’effectuer 3 cycles est statistiquement peu puissant. On pourra, si un doute persiste, augmenter la puissance statistique en augmentant le nombre de paire d’échantillons.

5 – Valider statistiquement les résultats

Pour valider statistiquement les résultats, la méthode Shainin propose d’utiliser le test de Tukey. Ce test va nous permettre d’évaluer le niveau de confiance que l’on peut apporter à notre résultat. La représentation graphique de cette validation est la suivante :

Résultat statistiquement peu fiable

Résultat statistiquement fiable

Le processus pour la réalisation de ce test est le suivant :

  1. Ranger les 8 bons et 8 mauvais individus dans l’ordre du meilleur au moins bon
  2. Compter le nombre de bons et de mauvais de chaque côté
  3. Faire la somme de ces 2 nombres
  4. Déterminer le niveau de confiance du résultat

Total

Niveau de confiance

<6

Aucune confiance

6

90%

7

95%

10

99%

13

99,9%

Exemple

On reprend l’exemple de l’épaisseur matière développé pour la comparaison par paire. Nous avions conclu que la qualité du freinage était dépendant de l’épaisseur du frein.

On va valider cette conclusion à priori en faisant le test de Tukey. On prend au hasard 8 bonnes et 8 mauvaises pièces. On obtient le tableau suivant :

Epaisseur des pièces bonnes

Epaisseur des pièces mauvaises

0,015

0,019

0,018

0,018

0,014

0,016

0,022

0,023

0,017

0,024

0,019

0,023

0,011

0,021

0,007

0,017

On classe les individus par ordre et on obtient le tableau suivant :

Valeur

Bon / Mauvais

0,007

Bon

0,011

Bon

0,014

Bon

0,015

Bon

0,016

Mauvais

0,017

Mauvais

0,017

Bon

0,018

Mauvais

0,018

Bon

0,019

Mauvais

0,019

Bon

0,021

Mauvais

0,022

Bon

0,023

Mauvais

0,023

Mauvais

0,024

Mauvais

On s’aperçoit dans ce classement, que nous avons d’affilé 4 bons en têtes et 3 mauvais à la fin. En faisant l’addition, nous obtenons donc 4 + 3 = 7.  On conclue que notre cause est bien identifiée avec un niveau de confiance de 95%.

Source

R. D. Shainin (1990) – Analysis of experiments

K. R. Bhote, A. K. Bhote (2000) – World class quality

K. S. Vinay, P. Gowda, H. Ramakrishna (2004) – Industrial scrap reduction using Shainin technique

Share This