Lean Digital | Data Driven Factory
2 likes280 views
The document discusses the importance of integrating data into performance improvement within organizations, emphasizing the need for better data quality, relevance, and shared understanding across teams. It highlights potential issues such as data silos and inadequate decision-making due to errors in data interpretation. Additionally, it explores the role of Business Intelligence and emerging technologies like AI and Big Data in enhancing analytical capabilities and fostering data-driven decision-making.
Lean Digital | Data Driven Factory
- 1. 1 Lean Digital | Data Driven Factory Mickaël Sylvestre - Black Belt Lean Guillaume Redon - Black Belt Lean Six Sigma
- 2. 2 1 3 4 2 Les enjeux de la data et les constats Intégrer la data dans l’amélioration de la performance Les outils de la statistique descriptive et analytique Aller plus loin dans l’IA et les Big Data avec de nouveaux métiers et outils 5 Conclusion SOMMAIRE
- 3. 3 ENJEUX DE LA DATA DANS LE MONDE VUCA De plus en plus de perturbations De plus en plus difficile de prévoir Difficulté de compréhension des problèmes dans nos organisations Les solutions ne sont pas binaires et celles du passé ne sont plus forcément les bonnes Volatile Uncertain Complex Ambiguous
- 4. 4 1. Des données de plus en plus accessibles dans l’organisation 2. Des données captées de plus en plus proche du terrain 3. Des possibilités de compréhension plus fines de nos processus avec le 6 Sigma, le Big Data, IA… Les organisations ne manquent pas de données Des données non partagées avec le terrain ou non pertinentes Les problèmes anciens ne sont pas toujours mieux résolus avec plus de données Silo dans les données DE NOUVELLES POSSIBILITÉS AVEC LA DATA MAIS DES LIMITES CONSTATÉES
- 5. 5 ➢ Chaque service construit son propre pilotage de la performance, certains services étant plus centrés sur les coûts que sur les flux (dépend du niveau de maturité). ➢ Ses tableaux de bord sont construits sur des extractions partiellement maîtrisées dans l’organisation (« individu dépendantes ») avec une fréquence de mise à jour variable. ➢ Les données sont peu challengées par les opérationnels et l’organisation au sens large (chacun s’occupe du tableau de bord de son activité et l’organisation rend au mieux visible tous ces tableaux de bord). ➢ Une erreur de données ne peut être détectée et a pour conséquence des mauvaises décisions dans le pilotage. ➢ La pertinence de la donnée n’est pas questionnée (est-ce que ces données sont utiles aux opérationnels ou aux managers ?). CONSTATS Les données ne manquent pas mais leur qualité et leur pertinence ne sont pas suffisantes pour piloter l’entreprise et résoudre ses problèmes
- 6. 6 1 3 4 2 Les enjeux de la data et les constats Intégrer la data dans l’amélioration de la performance Les outils de la statistique descriptive et analytique Aller plus loin dans l’IA et les Big Data avec de nouveaux métiers et outils 5 Conclusion SOMMAIRE
- 7. 7 INTÉGRER LA DATA DANS LA DÉMARCHE D’AMÉLIORATION Petite astuce pour démarrer : Penser au goulot ☺ Objectif : Faire converger les data sur le flux, rendre cohérent la data avec le terrain autant que possible Comment ? En créant un univers de données centré sur le flux avec des outils de Business Intelligence
- 9. 9 ➢ Business Intelligence en Anglais = Informatique décisionnelle en Français C’EST QUOI LA BI ? ➢ Le principe des outils de BI est de connecter les données d’une même organisation dans un univers de données qui proviennent de sources différentes ➢ Ce n’est pas un ERP mais un outil plus orienté restitution et mise en forme de données pour permettre un management plus visuel de l’activité ➢ Ainsi il peut se connecter rapidement à différentes sources de données comme : (liste loin d’être exhaustive)
- 10. 10 UTILISATION DE LA BI DANS UNE DÉMARCHE LEAN 1. Pilotage de l’activité : AIC Visualisation intuitive et facilement accessible de données multi-source 2. Pilotage Supply Chain : PIC-PdP Permet de connecter les data commerces, production et Supply rapidement avec les fichiers existants 3. Résolution de problème Statistiques descriptives : Analyse visuelle et dynamique (filtres en temps réel entre les graphiques) 4. Démarrer l’analyse de données Possibilité de recherche de facteurs influents et intégration de script possible (« R » par exemple)
- 11. 11 1 3 4 2 Les enjeux de la data et les constats Intégrer la data dans l’amélioration de la performance Les outils de la statistique descriptive et analytique Aller plus loin dans l’IA et les Big Data avec de nouveaux métiers et outils 5 Conclusion SOMMAIRE
- 12. 12 LEAN ET 6 SIGMA APPROCHE PROCESSUS ET DATA Processus habituel Processus Lean ഥ 𝑿 La Qualité « habituelle » Coût de non qualité Risque d’insatisfaction client Réduire la variabilité Simplifier pour accélérer les process Processus 6σ
- 13. 13 L’iceberg des pertes (coûts de non-qualité) Les opportunités perdues Rebuts Retouches Inspections qualité Garanties Défauts Ventes perdues Livraisons en retard Redéfinitions intempestives de produits Temps de cycle excessifs Coûts d'expédition en urgence Stocks excessifs Coûts traditionnels de la non-qualité (intangibles) (tangibles) 10% 90% (Facilement identifiables) Pertes de crédibilité Réglages machines plus fréquents que nécessaire Pannes Coûts additionnels de la non-qualité (Difficiles ou impossibles à mesurer) Réclamations client Fonction perte de Tagushi POURQUOI DES STATISTIQUES ?
- 14. 14 L’objectif recherché est de mettre en valeur un modèle du processus pour identifier puis maîtriser les facteurs Xi les plus influents du processus, ceux qui ont un impact sur les résultats Yi du processus. PROCESSUS Entrées X1, X2, …, Xi Yi = (X1, X2, …, Xi) La variation de chaque Yi est la conséquence des variations de chaque facteur Xi POURQUOI DES STATISTIQUES ?
- 15. 15 Types Données Caractérisation Synthèse graphique Suivi dans le temps Objectifs Données discrètes, qualitatives discontinuité dans l’échelle de mesure 1. Attributs Binaire (ex: Oui/Non) 2. Nominales (ex: Paris/Lyon/Marseille) 3. Ordinales (ex: Petit/Moyen/Grand) Proportions, PPM/DPMO, Comptages Loi de distribution (Binomiale, Poisson, …) Aux attributs: P, NP, C, U Série chronologique Suivi de la qualité du produit Données continues, quantitatives pas d’interruption dans l’échelle de mesure Mesurables (ex: Délai, €/$, Distances, T°C, Vitesse, … ) Moyenne, Médiane, Ecart-type, Etendue Loi de distribution (Normale, Weibull, log-logistique, …) Aux mesures: I-EM, X barre-R Série chronologique Pilotage du processus CARACTÉRISER MES DONNÉES Histogramme, boites à moustaches & Diagramme des valeurs individuelles Pareto Diagramme bâton Graph en secteurs 21/03 14/03 07/03 28/02 21/02 14/02 07/02 31/01 24/01 17/01 10/01 14 12 10 8 6 temps Valeurs individuelles _ X=10.024 LCS=13.295 LCI =6.753 1 1 1 Feuille de travail : Feuille de travail 1; 22/11/2018 11:53:05; by Stephanie Carte de contrôle de Y1
- 16. 16 LES OBJECTIFS DE LA STATISTIQUE DESCRIPTIVE ET D’INFÉRENCE ➢ Visualiser : « Le choc des photos! » ➢ Valoriser : « Speak with Data! » ✓ Un niveau de capabilité du moyen de mesure, du process ✓ Un niveau de stabilité du process, causes aléatoires/assignables ✓ Des valeurs et différences de moyenne, médiane, écart-type ✓ Des différences de proportions ✓ Un modèles Y=f(Xi)+ε, son poids R² et sa validité statistique p ➢ Confirmer les influences: « Corrélation n’est pas causalité » ➢ Simplifier les modèles et prédire des résultats Modèle linéaire générale & ANOVA Régressions Tests d’hypothèses
- 17. 17 1 3 4 2 Les enjeux de la data et les constats Intégrer la data dans l’amélioration de la performance Les outils de la statistique descriptive et analytique Aller plus loin dans l’IA et les Big Data avec de nouveaux métiers et outils 5 Conclusion SOMMAIRE
- 18. 18 ALLER VERS DU BIG DATA Le big data, littéralement « grosses données », parfois appelées données massives, désigne des ensembles de données devenus si volumineux qu'ils dépassent l'intuition et les capacités humaines d'analyse et même celles des outils informatiques classiques de gestion de base de données ou de l'information. < 1 To = small data > 1 To = bigdata Plus traitable sur un seul ordinateur de part ses limites de mémoire ou les capacités du processeur
- 19. 19 LOGIQUE DE FONCTIONNEMENT ET DE STRUCTURATION Lac de données hétérogènes en format natif Rivière de données Et/ou Pour donner une réponse rapide « une tendance » à l’utilisateur Twitter Google Traitement de Big data : Stockage, filtrage et analyse Extraction de Small data : pour développer des services rapides : des index Capter en temps réel Traiter de gros batch L’essentiel : la donnée et la compréhension de ce qui se passe
- 20. 20 ➢ JMP (SAS) OUTILS STATISTIQUES ET VOLUMES IMPORTANTS DE DONNÉES ➢ SPM, Minitab: Graph Builder: Profiler permettant de simuler en temps réel: Analyse Exploratoire,très visuelle Partition pour recherche d’optimisation:
- 21. 21 Roadmap de modélisation : 1. Collecter les données en prenant toutes les précautions nécessaires (travail participatif avec les acteurs du processus, analyse terrain, analyse des moyens de mesure, élimination des biais, etc.) 2. Analyser les résultats avec les graphiques adaptés 3. Analyser ces données par les méthodes d’inférence classiques (corrélations multivariées, ANOVA, plans d’expérience le cas échéant) 4. Statuer sur les insuffisances du modèle obtenu 5. Construire un arbre 6. Simplifier l’arbre, en convergeant vers le meilleur compromis simplicité/utilité 7. Déterminer les relations d’influence utiles pour améliorer le processus 8. Identifier la « solution statistique » (jeu de valeurs des paramètres influents) MODÉLISATION PRÉDICTIVE: DÉMARCHE PROPOSÉE (RÉCAPITULATIF)
- 22. 22 DATA MINING: IDENTIFIER DES LIENS OU MODÈLES MULTIDIMENSIONNELS CORRELATIONS MULTIPLES ANALYSE EN COMPOSANTES PRINCIPALES ANALYSE FACTORIELLE CLASSIFICATION ASCENDANTE HIÉRARCHIQUE
- 23. 23 IA ET MACHINE LEARNING 🔢 🖼 Des chiffres Des images 🎶 Audios 🎞 Des vidéos 🔤 Du texte Préparation, traitement des données et enrichissement, renforcement 🏋️♂️ DIFFÉRENTS TYPES DE DONNÉES ⚙ Modèles Apprentissage et Décisions Rejet du défaut Reconnaissance vocale et/ou faciale et automatisation: « Bienvenue David !», personnalisation ambiance sonore et lumineuse, …
- 24. 24 LES MÉTIERS DE LA DATA Explorer, structurer, qualifier les données et les stockages: Data Miner Visualiser les données: Data Analyst Construire les modèles statistiques: Data Scientist Préparer, mettre en place les données, modèles dynamiques: Data Engineer Sécuriser les données: Data Protection Officer Donner une vision stratégique et juridique: Chief Data Officer Comprendre et fiabiliser la donnée : Master Data Manager …
- 25. 25 1 3 4 2 Les enjeux de la data et les constats Intégrer la data dans l’amélioration de la performance Les outils de la statistique descriptive et analytique Aller plus loin dans l’IA et les Big Data avec de nouveaux métiers et outils 5 Conclusion SOMMAIRE
- 26. 26 CONCLUSION : LE CENTRAGE SUR L’HUMAIN ET PAS SUR L’OUTIL Stratégie Digitale en lien avec l’évolution du marché Pilotage et Organisation Attractivité externe Technologie Organisation Marché Techniques - Outils
- 27. 27 Retrouvez toute notre offre sur www.xl-groupe.com Suivez-nous sur : Merci de votre attention À bientôt !