SlideShare a Scribd company logo
1
Lean Digital |
Data Driven Factory
Mickaël Sylvestre - Black Belt Lean
Guillaume Redon - Black Belt Lean Six Sigma
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
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
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
➢ 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
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
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
8
Sécurité
Qualité
Management
Environnement
Délais
Coût
QUOI MESURER ?
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
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
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
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
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
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
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
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
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
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
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
➢ 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
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
DATA MINING: IDENTIFIER DES LIENS OU MODÈLES MULTIDIMENSIONNELS
CORRELATIONS MULTIPLES
ANALYSE EN COMPOSANTES PRINCIPALES
ANALYSE FACTORIELLE
CLASSIFICATION ASCENDANTE HIÉRARCHIQUE
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
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
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
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
Retrouvez toute notre offre sur www.xl-groupe.com
Suivez-nous sur :
Merci de votre attention
À bientôt !

More Related Content

Similar to Lean Digital | Data Driven Factory

Data Quality in Data Warehouse and Business Intelligence Environments - Disc...
Data Quality in  Data Warehouse and Business Intelligence Environments - Disc...Data Quality in  Data Warehouse and Business Intelligence Environments - Disc...
Data Quality in Data Warehouse and Business Intelligence Environments - Disc...
Alan D. Duncan
 
big-data-anallytics.pptx
big-data-anallytics.pptxbig-data-anallytics.pptx
big-data-anallytics.pptx
Sangamesh Kalyan
 
Big Data: selling the Business Case to the business
Big Data: selling the Business Case to the businessBig Data: selling the Business Case to the business
Big Data: selling the Business Case to the business
J On The Beach
 
The Simple 5-Step Process for Creating a Winning Data Pipeline.pdf
The Simple 5-Step Process for Creating a Winning Data Pipeline.pdfThe Simple 5-Step Process for Creating a Winning Data Pipeline.pdf
The Simple 5-Step Process for Creating a Winning Data Pipeline.pdf
Data Science Council of America
 
Brian Alpert: Smithsonian - Web Analytics
Brian Alpert: Smithsonian - Web AnalyticsBrian Alpert: Smithsonian - Web Analytics
Brian Alpert: Smithsonian - Web Analytics
ARTstor-Shared_Shelf
 
Big data and Marketing by Edward Chenard
Big data and Marketing by Edward ChenardBig data and Marketing by Edward Chenard
Big data and Marketing by Edward Chenard
Edward Chenard
 
#MarketingShake - Edward Chenard - Descubrí el poder del Big Data para Transf...
#MarketingShake - Edward Chenard - Descubrí el poder del Big Data para Transf...#MarketingShake - Edward Chenard - Descubrí el poder del Big Data para Transf...
#MarketingShake - Edward Chenard - Descubrí el poder del Big Data para Transf...
amdia
 
Data Analytics Time to Grow Up
Data Analytics Time to Grow Up Data Analytics Time to Grow Up
Data Analytics Time to Grow Up
Lynchpin Analytics Consultancy
 
Challenges Of A Junior Data Scientist_ Best Tips To Help You Along The Way.pdf
Challenges Of A Junior Data Scientist_ Best Tips To Help You Along The Way.pdfChallenges Of A Junior Data Scientist_ Best Tips To Help You Along The Way.pdf
Challenges Of A Junior Data Scientist_ Best Tips To Help You Along The Way.pdf
venkatakeerthi3
 
#bluecruxtalks crash course - Part 1 - Master Data Factories.pdf
#bluecruxtalks crash course - Part 1 - Master Data Factories.pdf#bluecruxtalks crash course - Part 1 - Master Data Factories.pdf
#bluecruxtalks crash course - Part 1 - Master Data Factories.pdf
Bluecrux
 
[DSC Europe 22] The Making of a Data Organization - Denys Holovatyi
[DSC Europe 22] The Making of a Data Organization - Denys Holovatyi[DSC Europe 22] The Making of a Data Organization - Denys Holovatyi
[DSC Europe 22] The Making of a Data Organization - Denys Holovatyi
DataScienceConferenc1
 
Best Practices for Scaling Data Science Across the Organization
Best Practices for Scaling Data Science Across the OrganizationBest Practices for Scaling Data Science Across the Organization
Best Practices for Scaling Data Science Across the Organization
Chasity Gibson
 
Putting data science in your business a first utility feedback
Putting data science in your business a first utility feedbackPutting data science in your business a first utility feedback
Putting data science in your business a first utility feedback
Peculium Crypto
 
KNIME Meetup 2016-04-16
KNIME Meetup 2016-04-16KNIME Meetup 2016-04-16
KNIME Meetup 2016-04-16
W. Daniel Cox, III CMA, CFM
 
Building a Data Platform Strata SF 2019
Building a Data Platform Strata SF 2019Building a Data Platform Strata SF 2019
Building a Data Platform Strata SF 2019
mark madsen
 
Impuls-Vortrag Data Strategy
Impuls-Vortrag Data StrategyImpuls-Vortrag Data Strategy
Impuls-Vortrag Data Strategy
Marco Geuer
 
SDD2017 - 03 Abed Ajraou - putting data science in your business a first uti...
SDD2017 - 03 Abed Ajraou  - putting data science in your business a first uti...SDD2017 - 03 Abed Ajraou  - putting data science in your business a first uti...
SDD2017 - 03 Abed Ajraou - putting data science in your business a first uti...
Dario Mangano
 
Key Principles Of Data Mining
Key Principles Of Data MiningKey Principles Of Data Mining
Key Principles Of Data Mining
tobiemuir
 
How Data Virtualization Puts Machine Learning into Production (APAC)
How Data Virtualization Puts Machine Learning into Production (APAC)How Data Virtualization Puts Machine Learning into Production (APAC)
How Data Virtualization Puts Machine Learning into Production (APAC)
Denodo
 
Enable Advanced Analytics with Hadoop and an Enterprise Data Hub
Enable Advanced Analytics with Hadoop and an Enterprise Data HubEnable Advanced Analytics with Hadoop and an Enterprise Data Hub
Enable Advanced Analytics with Hadoop and an Enterprise Data Hub
Cloudera, Inc.
 

Similar to Lean Digital | Data Driven Factory (20)

Data Quality in Data Warehouse and Business Intelligence Environments - Disc...
Data Quality in  Data Warehouse and Business Intelligence Environments - Disc...Data Quality in  Data Warehouse and Business Intelligence Environments - Disc...
Data Quality in Data Warehouse and Business Intelligence Environments - Disc...
 
big-data-anallytics.pptx
big-data-anallytics.pptxbig-data-anallytics.pptx
big-data-anallytics.pptx
 
Big Data: selling the Business Case to the business
Big Data: selling the Business Case to the businessBig Data: selling the Business Case to the business
Big Data: selling the Business Case to the business
 
The Simple 5-Step Process for Creating a Winning Data Pipeline.pdf
The Simple 5-Step Process for Creating a Winning Data Pipeline.pdfThe Simple 5-Step Process for Creating a Winning Data Pipeline.pdf
The Simple 5-Step Process for Creating a Winning Data Pipeline.pdf
 
Brian Alpert: Smithsonian - Web Analytics
Brian Alpert: Smithsonian - Web AnalyticsBrian Alpert: Smithsonian - Web Analytics
Brian Alpert: Smithsonian - Web Analytics
 
Big data and Marketing by Edward Chenard
Big data and Marketing by Edward ChenardBig data and Marketing by Edward Chenard
Big data and Marketing by Edward Chenard
 
#MarketingShake - Edward Chenard - Descubrí el poder del Big Data para Transf...
#MarketingShake - Edward Chenard - Descubrí el poder del Big Data para Transf...#MarketingShake - Edward Chenard - Descubrí el poder del Big Data para Transf...
#MarketingShake - Edward Chenard - Descubrí el poder del Big Data para Transf...
 
Data Analytics Time to Grow Up
Data Analytics Time to Grow Up Data Analytics Time to Grow Up
Data Analytics Time to Grow Up
 
Challenges Of A Junior Data Scientist_ Best Tips To Help You Along The Way.pdf
Challenges Of A Junior Data Scientist_ Best Tips To Help You Along The Way.pdfChallenges Of A Junior Data Scientist_ Best Tips To Help You Along The Way.pdf
Challenges Of A Junior Data Scientist_ Best Tips To Help You Along The Way.pdf
 
#bluecruxtalks crash course - Part 1 - Master Data Factories.pdf
#bluecruxtalks crash course - Part 1 - Master Data Factories.pdf#bluecruxtalks crash course - Part 1 - Master Data Factories.pdf
#bluecruxtalks crash course - Part 1 - Master Data Factories.pdf
 
[DSC Europe 22] The Making of a Data Organization - Denys Holovatyi
[DSC Europe 22] The Making of a Data Organization - Denys Holovatyi[DSC Europe 22] The Making of a Data Organization - Denys Holovatyi
[DSC Europe 22] The Making of a Data Organization - Denys Holovatyi
 
Best Practices for Scaling Data Science Across the Organization
Best Practices for Scaling Data Science Across the OrganizationBest Practices for Scaling Data Science Across the Organization
Best Practices for Scaling Data Science Across the Organization
 
Putting data science in your business a first utility feedback
Putting data science in your business a first utility feedbackPutting data science in your business a first utility feedback
Putting data science in your business a first utility feedback
 
KNIME Meetup 2016-04-16
KNIME Meetup 2016-04-16KNIME Meetup 2016-04-16
KNIME Meetup 2016-04-16
 
Building a Data Platform Strata SF 2019
Building a Data Platform Strata SF 2019Building a Data Platform Strata SF 2019
Building a Data Platform Strata SF 2019
 
Impuls-Vortrag Data Strategy
Impuls-Vortrag Data StrategyImpuls-Vortrag Data Strategy
Impuls-Vortrag Data Strategy
 
SDD2017 - 03 Abed Ajraou - putting data science in your business a first uti...
SDD2017 - 03 Abed Ajraou  - putting data science in your business a first uti...SDD2017 - 03 Abed Ajraou  - putting data science in your business a first uti...
SDD2017 - 03 Abed Ajraou - putting data science in your business a first uti...
 
Key Principles Of Data Mining
Key Principles Of Data MiningKey Principles Of Data Mining
Key Principles Of Data Mining
 
How Data Virtualization Puts Machine Learning into Production (APAC)
How Data Virtualization Puts Machine Learning into Production (APAC)How Data Virtualization Puts Machine Learning into Production (APAC)
How Data Virtualization Puts Machine Learning into Production (APAC)
 
Enable Advanced Analytics with Hadoop and an Enterprise Data Hub
Enable Advanced Analytics with Hadoop and an Enterprise Data HubEnable Advanced Analytics with Hadoop and an Enterprise Data Hub
Enable Advanced Analytics with Hadoop and an Enterprise Data Hub
 

More from XL Groupe

Postures managériales et embarquement des équipes dans une démarche Lean
Postures managériales et embarquement des équipes dans une démarche LeanPostures managériales et embarquement des équipes dans une démarche Lean
Postures managériales et embarquement des équipes dans une démarche Lean
XL Groupe
 
Le Lean sur une ligne de production : Formation et mise en application directe
Le Lean sur une ligne de production : Formation et mise en application directeLe Lean sur une ligne de production : Formation et mise en application directe
Le Lean sur une ligne de production : Formation et mise en application directe
XL Groupe
 
Lean et Supply Chain : 2 domaines indissociables
Lean et Supply Chain : 2 domaines indissociablesLean et Supply Chain : 2 domaines indissociables
Lean et Supply Chain : 2 domaines indissociables
XL Groupe
 
Chasser les gaspillages dans les services
Chasser les gaspillages dans les servicesChasser les gaspillages dans les services
Chasser les gaspillages dans les services
XL Groupe
 
Rendre les équipes autonomes par la formation dans une démarche de transforma...
Rendre les équipes autonomes par la formation dans une démarche de transforma...Rendre les équipes autonomes par la formation dans une démarche de transforma...
Rendre les équipes autonomes par la formation dans une démarche de transforma...
XL Groupe
 
Comment la démarche statistique peut booster la productivité de votre entrepr...
Comment la démarche statistique peut booster la productivité de votre entrepr...Comment la démarche statistique peut booster la productivité de votre entrepr...
Comment la démarche statistique peut booster la productivité de votre entrepr...
XL Groupe
 
La démarche Lean et les outils associés
La démarche Lean et les outils associésLa démarche Lean et les outils associés
La démarche Lean et les outils associés
XL Groupe
 
Lean Digital : Comment intégrer du digital dans vos démarches de transformati...
Lean Digital : Comment intégrer du digital dans vos démarches de transformati...Lean Digital : Comment intégrer du digital dans vos démarches de transformati...
Lean Digital : Comment intégrer du digital dans vos démarches de transformati...
XL Groupe
 
Améliorer les performances des projets avec le Lean Engineering
Améliorer les performances des projets avec le Lean EngineeringAméliorer les performances des projets avec le Lean Engineering
Améliorer les performances des projets avec le Lean Engineering
XL Groupe
 
Lean Supply Chain : Optimiser votre chaîne de valeur
Lean Supply Chain : Optimiser votre chaîne de valeurLean Supply Chain : Optimiser votre chaîne de valeur
Lean Supply Chain : Optimiser votre chaîne de valeur
XL Groupe
 
Lean Innovation : Fiabiliser le développement de vos nouveaux produits et ser...
Lean Innovation : Fiabiliser le développement de vos nouveaux produits et ser...Lean Innovation : Fiabiliser le développement de vos nouveaux produits et ser...
Lean Innovation : Fiabiliser le développement de vos nouveaux produits et ser...
XL Groupe
 
Lean Service : Améliorer la performance de vos processus
Lean Service : Améliorer la performance de vos processusLean Service : Améliorer la performance de vos processus
Lean Service : Améliorer la performance de vos processus
XL Groupe
 
Performance Industrielle : Rendre efficients vos flux de production​ avec le ...
Performance Industrielle : Rendre efficients vos flux de production​ avec le ...Performance Industrielle : Rendre efficients vos flux de production​ avec le ...
Performance Industrielle : Rendre efficients vos flux de production​ avec le ...
XL Groupe
 
Démarche Excellence Opérationnelle : Transformer votre organisation
Démarche Excellence Opérationnelle : Transformer votre organisationDémarche Excellence Opérationnelle : Transformer votre organisation
Démarche Excellence Opérationnelle : Transformer votre organisation
XL Groupe
 
La certification de compétences en Lean et Lean Six Sigma, accélérateur de pe...
La certification de compétences en Lean et Lean Six Sigma, accélérateur de pe...La certification de compétences en Lean et Lean Six Sigma, accélérateur de pe...
La certification de compétences en Lean et Lean Six Sigma, accélérateur de pe...
XL Groupe
 
Lean et Finance, un alignement indispensable
Lean et Finance, un alignement indispensableLean et Finance, un alignement indispensable
Lean et Finance, un alignement indispensable
XL Groupe
 
Lean et RSE
Lean et RSELean et RSE
Lean et RSE
XL Groupe
 
Lean et Usines du futur
Lean et Usines du futurLean et Usines du futur
Lean et Usines du futur
XL Groupe
 
XL Groupe et le Toyota Production System
XL Groupe et le Toyota Production SystemXL Groupe et le Toyota Production System
XL Groupe et le Toyota Production System
XL Groupe
 
Comment bien vivre les transformations issues d'un chantier Kaizen ?
Comment bien vivre les transformations issues d'un chantier Kaizen ?Comment bien vivre les transformations issues d'un chantier Kaizen ?
Comment bien vivre les transformations issues d'un chantier Kaizen ?
XL Groupe
 

More from XL Groupe (20)

Postures managériales et embarquement des équipes dans une démarche Lean
Postures managériales et embarquement des équipes dans une démarche LeanPostures managériales et embarquement des équipes dans une démarche Lean
Postures managériales et embarquement des équipes dans une démarche Lean
 
Le Lean sur une ligne de production : Formation et mise en application directe
Le Lean sur une ligne de production : Formation et mise en application directeLe Lean sur une ligne de production : Formation et mise en application directe
Le Lean sur une ligne de production : Formation et mise en application directe
 
Lean et Supply Chain : 2 domaines indissociables
Lean et Supply Chain : 2 domaines indissociablesLean et Supply Chain : 2 domaines indissociables
Lean et Supply Chain : 2 domaines indissociables
 
Chasser les gaspillages dans les services
Chasser les gaspillages dans les servicesChasser les gaspillages dans les services
Chasser les gaspillages dans les services
 
Rendre les équipes autonomes par la formation dans une démarche de transforma...
Rendre les équipes autonomes par la formation dans une démarche de transforma...Rendre les équipes autonomes par la formation dans une démarche de transforma...
Rendre les équipes autonomes par la formation dans une démarche de transforma...
 
Comment la démarche statistique peut booster la productivité de votre entrepr...
Comment la démarche statistique peut booster la productivité de votre entrepr...Comment la démarche statistique peut booster la productivité de votre entrepr...
Comment la démarche statistique peut booster la productivité de votre entrepr...
 
La démarche Lean et les outils associés
La démarche Lean et les outils associésLa démarche Lean et les outils associés
La démarche Lean et les outils associés
 
Lean Digital : Comment intégrer du digital dans vos démarches de transformati...
Lean Digital : Comment intégrer du digital dans vos démarches de transformati...Lean Digital : Comment intégrer du digital dans vos démarches de transformati...
Lean Digital : Comment intégrer du digital dans vos démarches de transformati...
 
Améliorer les performances des projets avec le Lean Engineering
Améliorer les performances des projets avec le Lean EngineeringAméliorer les performances des projets avec le Lean Engineering
Améliorer les performances des projets avec le Lean Engineering
 
Lean Supply Chain : Optimiser votre chaîne de valeur
Lean Supply Chain : Optimiser votre chaîne de valeurLean Supply Chain : Optimiser votre chaîne de valeur
Lean Supply Chain : Optimiser votre chaîne de valeur
 
Lean Innovation : Fiabiliser le développement de vos nouveaux produits et ser...
Lean Innovation : Fiabiliser le développement de vos nouveaux produits et ser...Lean Innovation : Fiabiliser le développement de vos nouveaux produits et ser...
Lean Innovation : Fiabiliser le développement de vos nouveaux produits et ser...
 
Lean Service : Améliorer la performance de vos processus
Lean Service : Améliorer la performance de vos processusLean Service : Améliorer la performance de vos processus
Lean Service : Améliorer la performance de vos processus
 
Performance Industrielle : Rendre efficients vos flux de production​ avec le ...
Performance Industrielle : Rendre efficients vos flux de production​ avec le ...Performance Industrielle : Rendre efficients vos flux de production​ avec le ...
Performance Industrielle : Rendre efficients vos flux de production​ avec le ...
 
Démarche Excellence Opérationnelle : Transformer votre organisation
Démarche Excellence Opérationnelle : Transformer votre organisationDémarche Excellence Opérationnelle : Transformer votre organisation
Démarche Excellence Opérationnelle : Transformer votre organisation
 
La certification de compétences en Lean et Lean Six Sigma, accélérateur de pe...
La certification de compétences en Lean et Lean Six Sigma, accélérateur de pe...La certification de compétences en Lean et Lean Six Sigma, accélérateur de pe...
La certification de compétences en Lean et Lean Six Sigma, accélérateur de pe...
 
Lean et Finance, un alignement indispensable
Lean et Finance, un alignement indispensableLean et Finance, un alignement indispensable
Lean et Finance, un alignement indispensable
 
Lean et RSE
Lean et RSELean et RSE
Lean et RSE
 
Lean et Usines du futur
Lean et Usines du futurLean et Usines du futur
Lean et Usines du futur
 
XL Groupe et le Toyota Production System
XL Groupe et le Toyota Production SystemXL Groupe et le Toyota Production System
XL Groupe et le Toyota Production System
 
Comment bien vivre les transformations issues d'un chantier Kaizen ?
Comment bien vivre les transformations issues d'un chantier Kaizen ?Comment bien vivre les transformations issues d'un chantier Kaizen ?
Comment bien vivre les transformations issues d'un chantier Kaizen ?
 

Recently uploaded

The Building Blocks of QuestDB, a Time Series Database
The Building Blocks of QuestDB, a Time Series DatabaseThe Building Blocks of QuestDB, a Time Series Database
The Building Blocks of QuestDB, a Time Series Database
javier ramirez
 
办(uts毕业证书)悉尼科技大学毕业证学历证书原版一模一样
办(uts毕业证书)悉尼科技大学毕业证学历证书原版一模一样办(uts毕业证书)悉尼科技大学毕业证学历证书原版一模一样
办(uts毕业证书)悉尼科技大学毕业证学历证书原版一模一样
apvysm8
 
06-12-2024-BudapestDataForum-BuildingReal-timePipelineswithFLaNK AIM
06-12-2024-BudapestDataForum-BuildingReal-timePipelineswithFLaNK AIM06-12-2024-BudapestDataForum-BuildingReal-timePipelineswithFLaNK AIM
06-12-2024-BudapestDataForum-BuildingReal-timePipelineswithFLaNK AIM
Timothy Spann
 
Beyond the Basics of A/B Tests: Highly Innovative Experimentation Tactics You...
Beyond the Basics of A/B Tests: Highly Innovative Experimentation Tactics You...Beyond the Basics of A/B Tests: Highly Innovative Experimentation Tactics You...
Beyond the Basics of A/B Tests: Highly Innovative Experimentation Tactics You...
Aggregage
 
DATA COMMS-NETWORKS YR2 lecture 08 NAT & CLOUD.docx
DATA COMMS-NETWORKS YR2 lecture 08 NAT & CLOUD.docxDATA COMMS-NETWORKS YR2 lecture 08 NAT & CLOUD.docx
DATA COMMS-NETWORKS YR2 lecture 08 NAT & CLOUD.docx
SaffaIbrahim1
 
一比一原版(Unimelb毕业证书)墨尔本大学毕业证如何办理
一比一原版(Unimelb毕业证书)墨尔本大学毕业证如何办理一比一原版(Unimelb毕业证书)墨尔本大学毕业证如何办理
一比一原版(Unimelb毕业证书)墨尔本大学毕业证如何办理
xclpvhuk
 
原版一比一利兹贝克特大学毕业证(LeedsBeckett毕业证书)如何办理
原版一比一利兹贝克特大学毕业证(LeedsBeckett毕业证书)如何办理原版一比一利兹贝克特大学毕业证(LeedsBeckett毕业证书)如何办理
原版一比一利兹贝克特大学毕业证(LeedsBeckett毕业证书)如何办理
wyddcwye1
 
Global Situational Awareness of A.I. and where its headed
Global Situational Awareness of A.I. and where its headedGlobal Situational Awareness of A.I. and where its headed
Global Situational Awareness of A.I. and where its headed
vikram sood
 
在线办理(英国UCA毕业证书)创意艺术大学毕业证在读证明一模一样
在线办理(英国UCA毕业证书)创意艺术大学毕业证在读证明一模一样在线办理(英国UCA毕业证书)创意艺术大学毕业证在读证明一模一样
在线办理(英国UCA毕业证书)创意艺术大学毕业证在读证明一模一样
v7oacc3l
 
Population Growth in Bataan: The effects of population growth around rural pl...
Population Growth in Bataan: The effects of population growth around rural pl...Population Growth in Bataan: The effects of population growth around rural pl...
Population Growth in Bataan: The effects of population growth around rural pl...
Bill641377
 
一比一原版(GWU,GW文凭证书)乔治·华盛顿大学毕业证如何办理
一比一原版(GWU,GW文凭证书)乔治·华盛顿大学毕业证如何办理一比一原版(GWU,GW文凭证书)乔治·华盛顿大学毕业证如何办理
一比一原版(GWU,GW文凭证书)乔治·华盛顿大学毕业证如何办理
bopyb
 
Udemy_2024_Global_Learning_Skills_Trends_Report (1).pdf
Udemy_2024_Global_Learning_Skills_Trends_Report (1).pdfUdemy_2024_Global_Learning_Skills_Trends_Report (1).pdf
Udemy_2024_Global_Learning_Skills_Trends_Report (1).pdf
Fernanda Palhano
 
Learn SQL from basic queries to Advance queries
Learn SQL from basic queries to Advance queriesLearn SQL from basic queries to Advance queries
Learn SQL from basic queries to Advance queries
manishkhaire30
 
A presentation that explain the Power BI Licensing
A presentation that explain the Power BI LicensingA presentation that explain the Power BI Licensing
A presentation that explain the Power BI Licensing
AlessioFois2
 
End-to-end pipeline agility - Berlin Buzzwords 2024
End-to-end pipeline agility - Berlin Buzzwords 2024End-to-end pipeline agility - Berlin Buzzwords 2024
End-to-end pipeline agility - Berlin Buzzwords 2024
Lars Albertsson
 
Challenges of Nation Building-1.pptx with more important
Challenges of Nation Building-1.pptx with more importantChallenges of Nation Building-1.pptx with more important
Challenges of Nation Building-1.pptx with more important
Sm321
 
Analysis insight about a Flyball dog competition team's performance
Analysis insight about a Flyball dog competition team's performanceAnalysis insight about a Flyball dog competition team's performance
Analysis insight about a Flyball dog competition team's performance
roli9797
 
University of New South Wales degree offer diploma Transcript
University of New South Wales degree offer diploma TranscriptUniversity of New South Wales degree offer diploma Transcript
University of New South Wales degree offer diploma Transcript
soxrziqu
 
Open Source Contributions to Postgres: The Basics POSETTE 2024
Open Source Contributions to Postgres: The Basics POSETTE 2024Open Source Contributions to Postgres: The Basics POSETTE 2024
Open Source Contributions to Postgres: The Basics POSETTE 2024
ElizabethGarrettChri
 
4th Modern Marketing Reckoner by MMA Global India & Group M: 60+ experts on W...
4th Modern Marketing Reckoner by MMA Global India & Group M: 60+ experts on W...4th Modern Marketing Reckoner by MMA Global India & Group M: 60+ experts on W...
4th Modern Marketing Reckoner by MMA Global India & Group M: 60+ experts on W...
Social Samosa
 

Recently uploaded (20)

The Building Blocks of QuestDB, a Time Series Database
The Building Blocks of QuestDB, a Time Series DatabaseThe Building Blocks of QuestDB, a Time Series Database
The Building Blocks of QuestDB, a Time Series Database
 
办(uts毕业证书)悉尼科技大学毕业证学历证书原版一模一样
办(uts毕业证书)悉尼科技大学毕业证学历证书原版一模一样办(uts毕业证书)悉尼科技大学毕业证学历证书原版一模一样
办(uts毕业证书)悉尼科技大学毕业证学历证书原版一模一样
 
06-12-2024-BudapestDataForum-BuildingReal-timePipelineswithFLaNK AIM
06-12-2024-BudapestDataForum-BuildingReal-timePipelineswithFLaNK AIM06-12-2024-BudapestDataForum-BuildingReal-timePipelineswithFLaNK AIM
06-12-2024-BudapestDataForum-BuildingReal-timePipelineswithFLaNK AIM
 
Beyond the Basics of A/B Tests: Highly Innovative Experimentation Tactics You...
Beyond the Basics of A/B Tests: Highly Innovative Experimentation Tactics You...Beyond the Basics of A/B Tests: Highly Innovative Experimentation Tactics You...
Beyond the Basics of A/B Tests: Highly Innovative Experimentation Tactics You...
 
DATA COMMS-NETWORKS YR2 lecture 08 NAT & CLOUD.docx
DATA COMMS-NETWORKS YR2 lecture 08 NAT & CLOUD.docxDATA COMMS-NETWORKS YR2 lecture 08 NAT & CLOUD.docx
DATA COMMS-NETWORKS YR2 lecture 08 NAT & CLOUD.docx
 
一比一原版(Unimelb毕业证书)墨尔本大学毕业证如何办理
一比一原版(Unimelb毕业证书)墨尔本大学毕业证如何办理一比一原版(Unimelb毕业证书)墨尔本大学毕业证如何办理
一比一原版(Unimelb毕业证书)墨尔本大学毕业证如何办理
 
原版一比一利兹贝克特大学毕业证(LeedsBeckett毕业证书)如何办理
原版一比一利兹贝克特大学毕业证(LeedsBeckett毕业证书)如何办理原版一比一利兹贝克特大学毕业证(LeedsBeckett毕业证书)如何办理
原版一比一利兹贝克特大学毕业证(LeedsBeckett毕业证书)如何办理
 
Global Situational Awareness of A.I. and where its headed
Global Situational Awareness of A.I. and where its headedGlobal Situational Awareness of A.I. and where its headed
Global Situational Awareness of A.I. and where its headed
 
在线办理(英国UCA毕业证书)创意艺术大学毕业证在读证明一模一样
在线办理(英国UCA毕业证书)创意艺术大学毕业证在读证明一模一样在线办理(英国UCA毕业证书)创意艺术大学毕业证在读证明一模一样
在线办理(英国UCA毕业证书)创意艺术大学毕业证在读证明一模一样
 
Population Growth in Bataan: The effects of population growth around rural pl...
Population Growth in Bataan: The effects of population growth around rural pl...Population Growth in Bataan: The effects of population growth around rural pl...
Population Growth in Bataan: The effects of population growth around rural pl...
 
一比一原版(GWU,GW文凭证书)乔治·华盛顿大学毕业证如何办理
一比一原版(GWU,GW文凭证书)乔治·华盛顿大学毕业证如何办理一比一原版(GWU,GW文凭证书)乔治·华盛顿大学毕业证如何办理
一比一原版(GWU,GW文凭证书)乔治·华盛顿大学毕业证如何办理
 
Udemy_2024_Global_Learning_Skills_Trends_Report (1).pdf
Udemy_2024_Global_Learning_Skills_Trends_Report (1).pdfUdemy_2024_Global_Learning_Skills_Trends_Report (1).pdf
Udemy_2024_Global_Learning_Skills_Trends_Report (1).pdf
 
Learn SQL from basic queries to Advance queries
Learn SQL from basic queries to Advance queriesLearn SQL from basic queries to Advance queries
Learn SQL from basic queries to Advance queries
 
A presentation that explain the Power BI Licensing
A presentation that explain the Power BI LicensingA presentation that explain the Power BI Licensing
A presentation that explain the Power BI Licensing
 
End-to-end pipeline agility - Berlin Buzzwords 2024
End-to-end pipeline agility - Berlin Buzzwords 2024End-to-end pipeline agility - Berlin Buzzwords 2024
End-to-end pipeline agility - Berlin Buzzwords 2024
 
Challenges of Nation Building-1.pptx with more important
Challenges of Nation Building-1.pptx with more importantChallenges of Nation Building-1.pptx with more important
Challenges of Nation Building-1.pptx with more important
 
Analysis insight about a Flyball dog competition team's performance
Analysis insight about a Flyball dog competition team's performanceAnalysis insight about a Flyball dog competition team's performance
Analysis insight about a Flyball dog competition team's performance
 
University of New South Wales degree offer diploma Transcript
University of New South Wales degree offer diploma TranscriptUniversity of New South Wales degree offer diploma Transcript
University of New South Wales degree offer diploma Transcript
 
Open Source Contributions to Postgres: The Basics POSETTE 2024
Open Source Contributions to Postgres: The Basics POSETTE 2024Open Source Contributions to Postgres: The Basics POSETTE 2024
Open Source Contributions to Postgres: The Basics POSETTE 2024
 
4th Modern Marketing Reckoner by MMA Global India & Group M: 60+ experts on W...
4th Modern Marketing Reckoner by MMA Global India & Group M: 60+ experts on W...4th Modern Marketing Reckoner by MMA Global India & Group M: 60+ experts on W...
4th Modern Marketing Reckoner by MMA Global India & Group M: 60+ experts on W...
 

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 !