A la fin des années 2010, je travaillais pour l'un des principaux fabricants d'appareils électroménagers en tant que Master Black Belt Six Sigma, en charge des projets d'amélioration de la qualité. Nous étions très efficaces : nous faisions économiser environ 30 millions de dollars par an en formant les nouveaux Black Belts Six Sigma à la résolution de problèmes et en les encadrant. Je me souviens très bien de la réticence à intégrer des outils d'analyse prédictive aux procédés à cette époque. Nous ne savions pas ce que nous manquions !
A l'époque, les Black Belts apprenaient à appréhender les problèmes via des expériences planifiées reposant sur des données. Par exemple, lorsque les tickets de service concernant un nouveau défaut sur l'une de nos machines à laver commençaient à s'accumuler, nous vérifiions que nous pouvions mesurer précisément le problème, comprendre ses variations et éventuellement utiliser un plan d'expériences (DOE) afin de connaître les causes et les effets pour nos théories et nos solutions prévues. Au travers de la transformation de l'industrie qui s'opère, parfois appelée industrie 4.0, de plus en plus de données sont devenues disponibles et les cadres ont commencé à vouloir des réponses plus rapidement.
Notre communauté de solutionneurs de problèmes avait mis au point une méthode pour classer les problèmes par ordre de priorité. Nous devions souvent attendre la génération d'un rapport sur le taux d'incidents de service pour identifier les problèmes les plus fréquents. Malheureusement, le taux d'incidents de service était un indicateur tardif dont nous prenions souvent connaissance six mois après la survenue des problèmes chez nos clients. Notre défi était évident : nous devions résoudre ces problèmes plus rapidement.
Outre le temps nécessaire à la remontée des problèmes, nous avons également eu des difficultés à passer d'un faible volume de données à un volume plus important. Nos Black Belts seraient allés jusqu'à réduire de grandes quantités de données pour un plan d'expériences factoriel juste parce que c'est comme ça que les choses se faisaient ! Après tout, c'est ce qu'ils pensaient avoir appris auprès de leur Master Black Belt.
Les responsables techniques du secteur, comme les ingénieurs principaux ou les experts Master Black Belt, ont fini par adopter des outils pour le nouveau concept du "Big Data". L'idée était que les données volumineuses puissent être utilisées pour associer les pannes aux données d'usine, afin de prévoir et de réduire les contretemps comme les coûts de garantie, et d'améliorer la qualité. Je parle de nouveau concept car pour nous, bien que nous disposions de ces données depuis des années voire même des décennies, nous ne les avions jamais combinées.
Les techniciens de service travaillant sur les incidents de service collectaient certaines données de test ainsi que le numéro de série des appareils défectueux chez nos clients, mais jamais les données de développement ou de fabrication n'ont été explicitement associées aux données recueillies sur le terrain.
Une partie du problème s'expliquait par les différentes méthodes de stockage des données. Personne ne savait comment traiter ces importantes sources de données et aucun budget n'était généralement alloué pour apprendre à les combiner. Et même si nous pouvions le faire, il n'existait aucun moyen commun pour en extraire des informations.
Finalement, nous avons investi des millions pour que des consultants nous aident à rassembler et à préparer nos sources de données massives à des fins d'analyse. Ce processus d'exploration du lac de données n'est pas simple. Un lac de données est un terme lié au concept du Big Data. J'y fais référence ici simplement pour décrire la façon dont toutes ces sources de données volumineuses ont été assemblées. Nous disposions alors d'un ensemble de données plus important qui nous a permis d'associer des pannes selon un numéro de série à des données de fabrication en fonction du même numéro de série. Nous pouvions ainsi chercher à comprendre quels étaient les points communs entre les appareils défectueux.
L'identification des informations pertinentes est plus difficile qu'elle ne paraît à la simple lecture de cet article de blog. Les indicateurs de test collectés en production sont très nombreux. Il existe si peu de variation et tant de multicollinéarité entre tous ces prédicteurs. Si vous comparez y=pannes de valve par rapport à des centaines de variables x prédictives, les données sont mal organisées et l'analyse de régression n'est pas concluante. Le R2 est très faible. Nous ne faisions que peu confiance à ces anciennes techniques de modélisation.
Nos consultants ont finalement suggéré d'explorer l'analyse prédictive, et nous avons ainsi constaté qu'elle était beaucoup plus apte à traiter des données désordonnées. Nous avons trouvé quelques signaux et apporté quelques améliorations à notre usine pilote en testant ces nouvelles approches. Nous disposions alors de méthodes pour agréger et préparer nos données afin d'en extraire des informations pertinentes.
Toutefois, notre vice-président s'était engagé à obtenir un retour important sur ces investissements en matière de stockage de données et de conseil. A l'époque, nous avions recruté de nouveaux consultants. Bien qu'ils nous aient aidés à extraire de nombreuses informations, ils n'étaient pas ingénieurs et les résultats de l'analyse prédictive n'avaient souvent que peu de sens pour eux. Ils ne savaient pas comment fonctionnaient les appareils électroménagers. Tous ce que les data scientists savaient, c'était que plusieurs indicateurs de test en fin de ligne prévoyaient un défaut.
Quelques années seulement après le début de ce processus onéreux, l'entreprise a décidé que nous en avions appris assez auprès des consultants pour pouvoir prendre nous-mêmes le contrôle de l'analyse. Plus précisément, l'équipe de recherche du vice-président Qualité ainsi que le Master Black Belt en chef et quelques ingénieurs de l'usine pilote sont devenus assez compétents pour reproduire les résultats des consultants.
Notre petite équipe était désormais très compétente en analyse prédictive. Toutefois, l'application de cette méthodologie à l'ensemble de l'organisation a été très difficile. L'utilisation de l'analyse prédictive était si complexe que seule une poignée de personnes se sentaient compétentes. Le reste de l'organisation ne savait même pas sur quoi nous avions travaillé. Comment allions nous former d'autres personnes ? Il a été décidé que le Master Black Belt en chef collecterait les informations et se limiterait à encadrer les équipes d'ingénierie, car elles avaient les moyens de résoudre les problèmes. Le résultat ne fut pas convaincant. A cette époque, il était trop compliqué d'acquérir des connaissances et de former d'autres experts en analyse prédictive en interne.
Observez les options et les résultats proposés par des outils d'analyse prédictive comme les arbres de classification et de régression (CART®), Random Forests et TreeNet. Vous ne pouvez pas simplement ouvrir votre ensemble de données et cliquer sur 'Analyser'. De nombreuses autres compétences entrent en jeu. C'est pourquoi la science des données existe !
Pendant un certain temps, entre la fin des années 2010 et le début des années 2020, certains produits utilisaient l'analyse prédictive pendant que d'autres continuaient à utiliser d'anciennes méthodes. L'analyse prédictive a permis de prévoir les garanties, d'améliorer plus rapidement la qualité et de prévenir les défauts. Les personnes utilisant d'anciennes méthodes attendaient toujours six mois pour obtenir leur rapport sur le taux d'incidents de service et se servaient d'outils Six Sigma pour résoudre les problèmes les plus fréquents.
Aujourd'hui, l'analyse prédictive est à des années-lumière de ce qu'elle était quand j'ai commencé à l'utiliser il y a plus de 10 ans. Ce n'est plus la tâche complexe et spécialisée qu'elle était. L'analyse prédictive de Minitab avec l'outil d'auto-apprentissage par la machine automatisé rend l'analyse prédictive plus accessible au plus grand nombre. Elle peut suggérer les meilleurs modèles à partir de vos données et vous permet de demander d'autres modèles par le biais d'une interface utilisateur simple.
Je vous invite à découvrir comment la complémentarité de Minitab Connect, permettant d'agréger et de préparer les données, et de l'analyse prédictive de Minitab avec l'auto-apprentissage par la machine automatisé, permettant d'extraire de précieuses informations, peut faciliter votre vie ainsi qu'améliorer et accélérer les résultats.
L'utilisation des solutions de Minitab de cette façon dans l'industrie manufacturière permet l'amélioration de la qualité et la prévision de garantie, en temps quasi-réel. Avant l'arrivée de ces outils, l'amélioration de la qualité prenait au minimum six mois et la prévision de garantie reposait sur les données des années précédentes plutôt que sur celles de l'année en cours. Ces concepts valent des millions de dollars pour nos clients et parties prenantes.