1 Support aux projets  Rapport de Projet Lean Six Sigma Préparé par: Anny Lambert Date: 24 octobre 2011

Introduction  Dans le cadre de mes fonctions de contrôleure d’usine et possédant une des licence de XLSTAT de l’entreprise, j’ai été amené à participer à plusieurs projets de certifications Green Belt de Barry Callebaut.  J’ai aussi fait partie de l’équipe de projet de certification Black Belt de Nicolas Perron  Également, dans un projet de réclamation à notre fournisseur de matière première, j’ai utilisé les données et arguments statistiques.  Les prochaines pages démontreront l’ensemble des outils utilisés ainsi que ma participation dans ces divers projets. 2

SUPPORT PROJET BLACK BELT 3

Projet Black Belt  Nicolas Perron a réalisé sa certification Black Belt avec le mouvement québécois de la qualité.  Les membres actifs de son équipe de projet étaient assez limités : Laurent Gouzou & moi-même. Plusieurs personnes ont participé à quelques parties spécifiques de ce projet.  Ma participation était au niveau du support financier, analyse de certaines données (gage R&R), Pareto en terme de matière ainsi qu’à la participation au VSM d’une recette type  Les prochaines pages montre un aperçu des outils utilisé dans le cadre de ce projet 4

5 Projet Black Belt Cartographie VSM d’une recette type D MA IC Participation à l’élaboration du VSM suivant, à l’élaboration de la recette type, au calcul de TVA, temps tact, goulots potentiels Pour les 3 acétates suivantes, peux-tu identifier les conclusions du VSM? Quel est le goulot ? Pointer le délai d’exécution, et le ECP (%VA/Délai exécution). Quel était l’objectif derrière la cartographie VSM ? (il doit toujours y en avoir un)

6 Projet Black Belt Cartographie VSM d’une recette type (partie chocolat) D MA IC

7 Projet Black Belt Cartographie VSM d’une recette type (partie solide) D MA IC

8 Projet Black Belt Analyse du système de mesure – R&R Le système de mesure contribue très peu à la variation totale (moins de 1%) il est donc capable D M AIC Une des analyses du projet concernait le poids des déchets de l’usine. Pour se faire, nous avons tester notre système de mesure (balance) par la pesée de 10 items, par 3 opérateurs à 3 répétitions Voici le résultats de XLSTAT Peux-tu me donner la capabilité du système de mesure vs les tolérances pour le poids à mesurer ? (i.e. l’écart-type du système de mesure à 6 sigma)

9 Projet Black Belt Analyse du système de mesure – R&R On voit que d’un opérateur à l’autre, il y a très peu de différences D M AIC Tous les résultats sont à l’intérieur des limites de contrôle Quels tests te permettraient de valider cette conclusion sur les opérateurs ? Quelles sont les limites, quel type de carte ? Sur quelle période de temps ?

SUPPORT PROJETS GREEN BELT 10

Projets Green Belts  Plusieurs personnes ont réalisé des projets de certification Green Belts  Étant l’une des seules à avoir une licence XLSTAT, j’ai aidé ces personnes dans l’analyse et l’interprétation des résultats  J’ai participé plus activement à l’un des projets soit celui de l’augmentation de la production de liqueur en faisant partie de l’équipe du projet, participation à plusieurs phases du dit projet (principalement au niveau des analyses)  Dans les prochaines pages, vous trouverez un aperçu des outils et interprétations. 11

Projets Green Belts Tests de normalité 12 À partir d’une collecte de données sur les consommations quotidiennes de beurre de cacao Nous avons établi une tendance D M AIC Juste mentionner quel était l’objectif ? Quel est le facteur « R » de cette régression? Quelle hypothèses tentait-on de valider ?

Projets Green Belts Tests de normalité 13 Nous avons également vérifié la normalité de ces résultats par un test d’hypothèse Comme le Pvalue était inférieur à 5%, nous avons rejeté l’hypothèse nulle et donc convenu que les données n’étaient pas normales. Par contre, étant donné de la nature des matières en causes et de la diversité des facteurs d’influence, nous avons convenu qu’il était admissible de ne pas travailler avec des données normales. D M AIC L’aspect symétrique de l’histogramme peut aussi être un facteur permettant d’utiliser des outils réservés aux courbes normales?

Projets Green Belts Tests de corrélation 14 Au cours de l’analyse des résultats, nous soupçonnions une corrélation entre la finesse de la liqueur et la consommation de beurre étant donné les tendances fortement similaires. D M A IC

Projets Green Belts Tests de corrélation 15 Nous avons donc procéder à un test de corrélation Comme le démontre clairement les scatters plots, il n’y a pas de corrélations entre ces 2 facteurs. Le R2 à va dans ce sens (nous devrions nous approcher de 1 qui représente une corrélation parfaite). Donc malgré nos premières impressions, nous ne pouvons certifier qu’il y a corrélation entre ces 2 facteurs. Le p value étant supérieur à 5%, nous ne pouvons rejetter l’hypothèse nulle ( H0 = pas de corrélation) ce qui augmente la validité du test. D M A IC

Projets Green Belts Éléments extraordinaires 16 Dans l’analyse de normalité des données de production quotidienne de liqueur, certaines données nous semblaient êtres des causes de variations spéciales Nous avons étudiés en profondeur les données qui semblaient aberrantes. Effectivement, certaines de ces journées représentaient des journées de bris d’équipement majeur, d’un lot de MP problématique et des journées d’arrêt-départ suite à un jour férié. Nous avons donc tenu compte de ces informations dans l’analyse des résultats. D M A IC

17 Projet Green Belt Test d’hypothèses sur 2 moyennes D M A I C Dans l’un des projets Green Belt, le but était d’augmenter le output d’une ligne de chocolat. À la fin du projet, nous avons voulu comparer si statistiquement parlant, effectivement la moyenne avant et après projet étaient différentes Comme le P value est inférieur à 5%, nous devons rejeter l’hypothèse nulle et ainsi affirmer que statistiquement, les 2 moyennes sont effectivement différentes. Pour la même période, la moyenne a donc augmenter de 8 MT. Nous avions auparavant effectué un test de normalité et les données suivaient une distribution normale.

18 Projet Green Belt Outil de contrôle D M AI C Dans l’un des projets Green Belt, le but était d’augmenter le output de notre production de liqueur J’en suis présentement à développer l’outil de suivi quotidien de notre production de liqueur. Dès que c’est prêt, je l’intègre dans la présentation!

RÉCLAMATION 19

Réclamation  À l’automne 2009, nous avons reçu un lot de matière première de qualité ne respectant pas les spécifications de Barry Callebaut entrainant une surconsommation de beurre de cacao (près de 1 millions de $ de dépenses supplémentaires).  Nous avons fait une réclamation à notre fournisseur qui est aussi une compagnie sœur (BC Sourcing).Historiquement, très peu de ces réclamations n’aboutissent à un règlement. La réclamation était sommaire et des informations supplémentaires ont été demandé. 20 D M AIC Peux-tu préciser en quoi consiste la non- qualité? Quelle est la spec ?

Réclamation  Pour fournir l’info demandé, nous avons procéder à une collecte de données que nous avons aussi analysé.  Nous avons analysé les wastes dans les NIBS-les wastes retirés-le taux de gras dans la liqueur avant ajout de beurre-le bean blend-le bean yield.  Il a été décidé d’exclure le bean yield de la discussion étant donné que beaucoup de facteurs influencent cette donnée. 21 D MA IC Collecte sur quoi? Pendant combien de temps? Est-ce qu’un FIPEC ne nous aiderait pas à cerner le processus ? (intrants, extrants, …)

Réclamation (suite) 22 Un de nos arguments principal était sur la teneur en gras de notre liqueur avant ajout de beurre pendant cette période problématique D M A IC Une analyse de capabilité aurait été intéressante (% ou PPM hors-spec). Identifie aussi l’axe des Y Chaque point est une moyenne par mois,…?

Réclamation (suite) 23 Nous avons analysé si les moyennes avant et après la période de réclamation étaient statistiquement égales Comme le P value est supérieur à 5%, nous pouvons conclure les les 2 moyennes sont identiques D M A IC Les 2 moyennes sont identiques, mais rencontrent-elles la cible/tolérance?

Réclamation (suite) 24 Nous avons ensuite analysé si les moyennes avant et pendant la période de réclamation étaient statistiquement égales Comme le P value est inférieur à 5%, nous pouvons conclure les les 2 moyennes sont différentes. Il y a donc statistiquement une différence dans le % de gras pendant la période de réclamation. D M A IC De combien de % et quelle impact versus les spécifications?

Réclamation (suite) 25 Un autre argument de notre réclamation était le lien entre les waste dans nos NIBS et le gras obtenu dans la liqueur. Si les fèves reçues étaient de mauvaises qualité, plus de rejets réussissaient à passer à travers notre système de nettoyage. D M A IC

Réclamation (suite) 26 Afin de s’assurer que notre intuition était valide, nous avons procéder à un test de corrélation Avec un facteur de corrélation à , on peut dire qu’il existe une corrélation assez forte entre ces 2 facteurs. De plus, avec un pvalue très minime, nous devons rejeter H0 et donc certifier que le test est valide et qu’il y a effectivement corrélation entre les 2 variables D M A IC Juste écrire textuellement ce que sont ces 2 facteurs?

Réclamation (suite)  Il faut croire que notre argumentation a été convaincante car nous avons obtenu 500K $, une des plus grosses réclamation jamais accordée! 27 D M A IC Il n’y a pas de phase contrôler pour ce projet? Aucun moyen n’a été mis en place pour éviter que ce problème ne survienne à nouveau ?

Conclusion 28  Par conséquent, même s’il n’ont pas été regroupé au sein d’un unique projet, il est maintenant démontré que j’ai su utiliser divers outils dans diverses phases de projets multiples.  Dans le futur, mon implication demeurera très probablement à participer activement à plusieurs projets principalement pour les analyses statistiques.