Les sujets autours de la data défient régulièrement la chronique. La richesse et la valeur des informations issues des algorithmes sont maintenant bien connues. Elles sont par exemple utilisées dans le domaine du markéting, dans la modélisation d’un comportement pour déclencher un acte de choix, d'achat voire de vote. Le monde du sport est également un grand utilisateur de statistiques dans une recherche constante d'amélioration des performances collectives et individuelles.
Déclencher la bonne réaction au bon moment dans le but d'optimiser l'efficience, n’est-ce pas un des objectifs de l’Excellence Opérationnelle ? Et des données, l'entreprise en génère en continu !
Pourtant avant d’orienter le pilotage par la donnée vers le flux de valeur, il reste quelques obstacles à franchir, techniques et surtout humains. Les différents systèmes d’information peuvent avoir été conçus sur le modèle d’organisations isolées, en silos. L’accès et la consolidation des différentes sources de données ne sont donc pas toujours simples. Il peut aussi manquer des compétences au sein de l’entreprise. Passés ces premiers obstacles, un outil même puissant ne remplacera pas l’intelligence collective. Les modèles statistiques ainsi rendus visibles sont de réels catalyseurs d’optimisations. Restons toutefois vigilants à ne pas perdre le contact avec le sol. Les gains réalisés seront le résultat d’actions terrain, robustes, où celles et ceux qui font auront toutes les cartes en main pour piloter leur process.
Sommaire de la présentation :
- Les enjeux liés à la data et les constats
- L’intégration de 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
Thane Call Girls 7091864438 Call Girls in Thane Escort service book now -
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 !