L'instrument mentait : une leçon Lean Six Sigma sur l'analyse du système de mesure
Un fabricant de composants de précision avait un taux de défauts qui refusait de bouger. Au fil de 2020 et au début de 2021 — déjà une période difficile, avec des quarts fractionnés et des revues qualité à distance — une équipe d'amélioration avait resserré le processus, recyclé les opérateurs et ajusté les réglages des machines. Rien ne tenait. Les défauts montaient et descendaient sans cause claire. Ce n'est que lorsqu'un Black Belt a insisté pour faire une analyse du système de mesure avant tout autre changement que l'équipe a trouvé ce qui clochait vraiment. Ce récit anonymisé rappelle l'une des disciplines les moins glamour mais les plus importantes du Lean Six Sigma.
Pourquoi l'AMS précède l'analyse
Dans le cycle DMAIC — Définir, Mesurer, Analyser, Améliorer, Contrôler — l'analyse du système de mesure se situe dans la phase Mesurer, et elle existe pour répondre à une question brutale : pouvez-vous même faire confiance à vos données ? Si votre système de mesure est bruité, vous ne pouvez pas distinguer la variation du processus de celle de la mesure. Vous finissez par réagir à des chiffres qui en disent plus sur votre jauge et vos inspecteurs que sur votre processus. Améliorer un processus avec de mauvaises données, ce n'est pas de l'amélioration; c'est de la devinette coûteuse.
L'AMS décompose l'erreur de mesure. La plus connue est l'étude R&R de jauge, qui sépare deux contributeurs :
Répétabilité — variation quand la même personne mesure le même article à répétition avec la même jauge. Cela pointe vers l'équipement.
Reproductibilité — variation quand des personnes différentes mesurent le même article. Cela pointe vers la méthode, la formation ou l'ambiguïté de la prise de mesure.
Avec le biais, la linéarité et la stabilité, ces éléments vous disent quelle part de la variation observée est réelle et quelle part vient de l'acte de mesurer.
Ce que le cas a révélé
Quand l'équipe a mené une étude R&R de jauge, le résultat était dérangeant : une large part de la variation observée venait du système de mesure, pas des pièces. Deux inspecteurs lisant le même composant divergeaient régulièrement au-delà de la tolérance exigée par la spécification. Le « taux de défauts » était en partie un artefact d'une mesure incohérente, et chaque changement de processus avait poursuivi du bruit.
Ils ont d'abord corrigé la mesure. Les inspecteurs ont été recyclés selon une seule méthode documentée, la jauge a été réétalonnée, et une étape d'inspection ambiguë a été clarifiée pour que deux personnes la lisent de la même façon.
Ils ont refait l'étude. Ce n'est qu'une fois le système de mesure acceptable — variation de mesure faible par rapport à la tolérance — que l'équipe a fait assez confiance aux données pour avancer.
Puis ils ont analysé le vrai processus. Avec des données fiables, les véritables causes des défauts ont enfin ressorti, et les améliorations qui ont suivi ont réellement tenu.
Le taux de défauts a chuté en deux cycles — non parce que le processus avait soudainement changé, mais parce que l'équipe pouvait enfin le voir clairement.
À retenir
Avant d'analyser un problème ou de juger une amélioration, prouvez qu'on peut faire confiance à votre système de mesure. Une AMS modeste tôt dans un projet épargne couramment des mois passés à courir après une variation qui loge dans la jauge, pas dans le processus. C'est la différence entre régler un problème et gérer une rumeur.
Si vos chiffres ne tiennent pas debout et que vous soupçonnez améliorer sur la base de données peu fiables, le conseil stratégique de XNM peut vous aider à bâtir la discipline de mesure et d'analyse qui fait durer l'amélioration.