L'échantillonnage statistique, expliqué à ceux qui ne veulent pas tout compter
Quand on cherche à améliorer un processus, on ne peut presque jamais tout mesurer. Vérifier chaque facture, chaque soudure, chaque temps d'attente d'un patient est trop lent et trop coûteux — et au cours de la dernière année, avec des équipes sous tension et un approvisionnement perturbé, l'envie d'inspecter cent pour cent de quoi que ce soit n'a fait que diminuer. L'échantillonnage statistique est la discipline qui consiste à observer un sous-ensemble soigneusement choisi pour en tirer des conclusions fiables sur l'ensemble. Bien menée, quelques centaines d'observations en disent plus, et plus vite, qu'une tentative bâclée de tout compter.
En Lean Six Sigma, cette pratique apparaît partout dans les phases Mesurer et Analyser du DMAIC. Avant de pouvoir affirmer qu'un processus est capable ou qu'un changement a vraiment aidé, il faut des données qui représentent équitablement la réalité. Tout l'édifice repose sur une idée : si l'échantillon est représentatif, ce qui est vrai de l'échantillon l'est approximativement de la population — et l'on peut quantifier ce « approximativement ».
Pourquoi un échantillon peut surpasser un recensement
Il paraît contre-intuitif que mesurer moins puisse valoir mieux, mais un recensement complet engendre ses propres erreurs. Mesurer des milliers d'éléments invite la fatigue, les raccourcis et une technique inconstante — on se retrouve alors avec un jeu de données complet mais discrètement faux. Un échantillon plus petit permet de mesurer avec soin, d'étalonner son instrument et de vérifier son travail. Le compromis est l'erreur d'échantillonnage, l'écart inévitable entre le résultat de l'échantillon et la vraie valeur de la population. Le but des statistiques n'est pas d'éliminer cette erreur mais de la mesurer, afin de savoir quelle confiance accorder à votre chiffre.
Tirer un échantillon digne de confiance
Définissez la population avec précision. Décidez exactement dans quoi vous puisez — les commandes du dernier trimestre, la production de cette ligne pendant le quart de jour — avant de prendre la moindre mesure. Une population floue donne une réponse floue.
Utilisez le hasard délibérément. Chaque élément doit avoir une chance connue et non nulle d'être choisi. Prendre ce qui se trouve sur le dessus de la pile, c'est de l'échantillonnage de commodité, et cela importe en douce le biais même que vous cherchez.
Dimensionnez selon la question. Des échantillons plus grands resserrent la marge d'erreur mais coûtent davantage. Les effets marqués demandent peu de données; les effets subtils en exigent beaucoup. Décidez d'abord de la précision voulue, puis dimensionnez en conséquence.
Méfiez-vous d'une structure cachée. Si la production varie selon le quart, la machine ou le fournisseur, échantillonnez à travers ces strates pour qu'aucun groupe ne soit sur- ou sous-représenté.
Quelques pièges attrapent sans cesse les débutants. L'échantillonnage de commodité — mesurer ce qui est facile à atteindre — est le plus courant et le plus nuisible, car ce qui est facile à atteindre est rarement typique. Échantillonner à un seul instant en supposant que cela tient dans le temps ignore la dérive des processus entre les quarts et les saisons. Et confondre un grand échantillon avec un échantillon représentatif est une erreur classique : une méthode biaisée ne s'améliore pas en accumulant davantage de données biaisées. Dix mille relevés issus d'un instrument mal étalonné ne sont qu'une erreur coûteuse, affichée avec assurance.
Gardez l'objectif en vue. Vous ne courez pas après un chiffre parfait; vous prenez une décision défendable assortie d'un degré d'incertitude connu. Énoncez votre niveau de confiance, indiquez votre marge d'erreur et soyez honnête sur la manière dont l'échantillon a été tiré. Un échantillon modeste mais bien documenté, que l'on peut auditer, l'emportera toujours sur une pile impressionnante de chiffres dont personne ne peut répondre.
Instaurer la rigueur de mesure qui permet à une équipe de faire confiance à ses propres données — et d'agir en conséquence — fait partie de ce que le conseil stratégique de XNM apporte aux organisations qui cherchent à améliorer leur fonctionnement.