Même un processus stable peut présenter des variations lorsque les mesures sont suffisamment détaillées. La variation décrit les différences entre observations. Certaines mesures, comme la taille dans une population appropriée, peuvent se regrouper autour d’une moyenne ; une distribution symétrique en cloche doit toutefois être vérifiée, et non supposée.
Le regard de l’International Six Sigma Institute™
Tout comprendre sur la variation Six Sigma
L’écart-type mesure la dispersion des observations autour de la moyenne du processus, dans les mêmes unités que les mesures. Le réduire diminue cette dispersion. Un niveau sigma compare, lui, la distance entre la moyenne et une limite de spécification à l’écart-type du processus. Cinq, six ou sept sigma décrivent cette distance, pas l’écart-type entre sorties successives.
La cible Six Sigma bien connue d’environ 3,4 défauts par million d’opportunités utilise l’hypothèse conventionnelle d’un décalage de la moyenne de 1,5 écart-type. Ce n’est pas une prédiction inconditionnelle pour tout processus. Pour un processus stable, approximativement normal et centré entre des limites de spécification situées à six écarts-types de la moyenne, Cp et Cpk valent 2 avant tout décalage. Si la moyenne se déplace de 1,5 écart-type vers une limite sans changement de dispersion, Cpk devient 1,5 et cette limite se trouve à 4,5 écarts-types de la moyenne.
Pour réduire la variation, mesurez la performance du processus, étudiez les causes, mettez en œuvre des améliorations et surveillez les résultats. Une moindre variation peut réduire le risque de défauts, mais la relation dépend aussi de la moyenne du processus, des limites de spécification et de la distribution. Estimez les taux de défauts à partir d’un modèle adapté et vérifié ou des données observées avec une opportunité de défaut clairement définie ; réduire la dispersion ne garantit pas à lui seul l’absence de défauts.
Poursuivre l’amélioration peut nécessiter un engagement durable de la direction, des plans d’expériences, une analyse de capabilité et des équipes autonomes. Une distribution normale, ou gaussienne, est symétrique et en cloche, mais les données d’un processus ne sont pas toujours normales. Vérifiez la stabilité et les hypothèses de distribution avant d’utiliser des indices de capabilité fondés sur la normalité ou de prédire les probabilités extrêmes. Pour des données non normales, choisissez une analyse adaptée. Comparez les sorties aux limites de spécification inférieure et supérieure et choisissez les outils — cartes de contrôle, nuages de points, graphiques chronologiques, études de capabilité — selon la question étudiée.
