🎯 Leçon 1 : Vue d'ensemble de la Phase Analyze
La phase Analyze est le cœur intellectuel du DMAIC. Après avoir
collecté les données en phase Measure, il faut maintenant identifier
pourquoi
le processus ne fonctionne pas comme souhaité.
💡 Objectif : Déterminer les causes racines vérifiées
et validées statistiquement qui expliquent l'écart entre la performance actuelle et
la performance souhaitée.
La démarche en deux temps
La phase Analyze suit une approche en entonnoir :
Les outils de la phase Analyze
| Outil |
Type |
Objectif |
| Ishikawa (6M) |
Qualitatif |
Structurer toutes les causes potentielles |
| Pareto (80/20) |
Semi-quantitatif |
Prioriser les causes par impact |
| 5 Pourquoi |
Qualitatif |
Remonter à la cause racine profonde |
| Tests d'hypothèses |
Statistique |
Prouver qu'une cause a un effet significatif |
| Corrélation / Régression |
Statistique |
Quantifier la relation entre X et Y |
⏰ Durée typique
La phase Analyze représente environ 20-25% de la durée totale
d'un projet DMAIC. C'est souvent la phase la plus stimulante intellectuellement,
où l'équipe a ses « moments eurêka ».
🐟 Leçon 2 : Diagramme d'Ishikawa (Causes-Effet)
Le diagramme d'Ishikawa (aussi appelé « arête de poisson » ou
« causes-effet ») est l'outil roi pour structurer un brainstorming sur les causes
potentielles d'un problème.
🎯 Principe : Organiser visuellement les causes possibles en
catégories (les 6M) autour d'un axe central qui mène à l'effet constaté.
Les 6M — Catégories de causes
Les 6 familles de causes
🧑 Main-d'œuvre
Machines
🧪 Matières
📋 Méthodes
🌡️ Milieu
Mesure
⟶
EFFET (Problème)
| Catégorie (M) |
Questions à poser |
Exemples de causes |
| Main-d'œuvre |
Formation ? Compétence ? Motivation ? |
Opérateur non formé, turnover élevé |
| Machines |
Réglage ? Maintenance ? Capacité ? |
Machine usée, mauvais calibrage |
| Matières |
Qualité fournisseur ? Stockage ? Lot ? |
Matière première hors spec |
| Méthodes |
Procédure ? Standard ? Séquence ? |
Procédure obsolète, pas de SOP |
| Milieu |
Température ? Humidité ? Bruit ? Espace ? |
Température non contrôlée |
| Mesure |
Instrument ? Méthode de mesure ? Fréquence ? |
Jauge non calibrée, erreur opérateur |
Comment construire un Ishikawa
- Définir l'effet : Écrire le problème dans la « tête » du poisson
- Tracer les branches : Une par catégorie (6M ou adapté à votre contexte)
- Brainstormer : Avec l'équipe, lister les causes pour chaque branche
- Approfondir : Pour chaque cause, demander « pourquoi ? » pour trouver
des sous-causes
- Prioriser : Voter ou utiliser un Pareto pour identifier les causes clés
📋 Exemple : Taux de défaut élevé en production
Main-d'œuvre : Nouveaux opérateurs (3 embauches récentes)
Machines : Presse #4 — vibrations anormales depuis 2 semaines
Matières : Nouveau fournisseur de résine (lot B-2026)
Méthodes : SOP non mise à jour après dernier changement de moule
Milieu : Température atelier > 30°C cet été
Mesure : Jauge visuelle — subjectivité opérateur
→ Les causes les plus suspectes seront validées par les données en étape 2.
📊 Leçon 3 : Le Diagramme de Pareto (Règle 80/20)
Le diagramme de Pareto applique le principe de Vilfredo Pareto :
« 80% des effets proviennent de 20% des causes ». C'est l'outil de
priorisation par excellence.
💡 Objectif : Identifier les quelques causes vitales (« vital few »)
parmi les nombreuses causes triviales (« trivial many ») pour concentrer les efforts
sur ce qui a le plus d'impact.
Exemple visuel : Causes de réclamation client
Comment construire un Pareto
- Collecter les données : Compter la fréquence de chaque cause/catégorie
- Trier par ordre décroissant : De la cause la plus fréquente à la moins
fréquente
- Calculer le % cumulé : Pour chaque barre, additionner les pourcentages
- Tracer : Barres (fréquences) + courbe (% cumulé)
- Identifier le point 80% : Les causes avant ce seuil sont les « vital
few »
Quand utiliser le Pareto
- Après un Ishikawa : Pour prioriser les causes identifiées
- Analyse de défauts : Quel type de défaut est le plus fréquent ?
- Réclamations client : Où concentrer les efforts d'amélioration ?
- Coûts de non-qualité : Quelles catégories coûtent le plus ?
Piège du Pareto
Ne confondez pas fréquence et impact. Un défaut
rare mais très coûteux peut être plus important qu'un défaut fréquent mais bénin.
Faites un Pareto sur les coûts en plus de celui sur les fréquences.
❓ Leçon 4 : Les 5 Pourquoi (Root Cause Analysis)
La méthode des 5 Pourquoi (5 Whys), née chez Toyota, consiste à
poser la question « Pourquoi ? » de manière itérative jusqu'à atteindre la
cause racine profonde d'un problème.
💡 Principe : Chaque « Pourquoi » descend d'un niveau dans la
chaîne causale. En général, 5 itérations suffisent pour passer du symptôme
visible à la cause racine systémique.
Exemple complet : Livraisons en retard
Pourquoi les livraisons sont-elles
en retard ?
→ Parce que les commandes sont préparées trop lentement.
Pourquoi les commandes sont-elles
préparées lentement ?
→ Parce que les préparateurs cherchent longtemps les
produits dans l'entrepôt.
Pourquoi cherchent-ils longtemps
les produits ?
→ Parce que les emplacements ne sont pas identifiés sur les
étiquettes.
Pourquoi les étiquettes n'ont-elles
pas d'emplacement ?
→ Parce que le système d'étiquetage n'a pas été mis à jour
lors du réaménagement.
Pourquoi le système n'a-t-il pas
été mis à jour ?
→ CAUSE RACINE : Il n'existe pas de procédure de
mise à jour des étiquettes lors des réaménagements.
Règles d'or des 5 Pourquoi
- Le chiffre 5 est indicatif : Parfois 3 suffisent, parfois il en faut 7
- Restez factuel : Chaque réponse doit être vérifiable, pas une
supposition
- Évitez les personnes : Ne blâmez jamais un individu — cherchez le
système
- Attention aux branches : Un pourquoi peut avoir plusieurs réponses →
explorez chaque branche
- Critère d'arrêt : Vous avez atteint la cause racine quand la solution
est un changement de système, processus ou standard
Erreur fréquente
❌ « Parce que Jean n'a pas fait son travail » → Ce n'est PAS une cause
racine.
Demandez plutôt : « Pourquoi le système a-t-il permis que cette erreur se produise ? »
La bonne réponse est toujours un problème de processus, de formation ou de
standard.
✅ « Parce qu'il n'existe pas de checklist de vérification avant expédition.
»
🧪 Leçon 5 : Tests d'Hypothèses
Les outils qualitatifs (Ishikawa, 5 Pourquoi) vous donnent des hypothèses.
Les tests d'hypothèses vous donnent des preuves
statistiques.
Ils répondent à : « Cette différence est-elle réelle ou due au hasard ? »
💡 Logique du test : On suppose que la cause n'a pas
d'effet
(H₀ = hypothèse nulle). Si les données contredisent H₀ avec une probabilité suffisante
(p-value < 0,05), on rejette H₀ et on conclut que la cause a un effet significatif.
Les hypothèses H₀ et H₁
La p-value
Quel test utiliser ?
| Situation |
Test |
Exemple |
| Comparer 2 moyennes |
Test t (t-test) |
Équipe A vs Équipe B — temps de traitement différent ?
|
| Comparer 3+ moyennes |
ANOVA |
Machine 1 vs 2 vs 3 — rendement différent ? |
| Comparer proportions |
Test Chi² (χ²) |
Taux de défaut différent entre les lignes de production
? |
| Avant / Après |
Test t apparié |
Le temps de cycle a-t-il changé après la formation ?
|
| Données non normales |
Mann-Whitney / Kruskal-Wallis |
Équivalents non-paramétriques du t-test et ANOVA |
📋 Exemple : Test t — Deux fournisseurs
Question : Le temps de séchage des peintures est-il
différent entre le fournisseur A et B ?
H₀ : μₐ = μᵦ (pas de différence)
H₁ : μₐ ≠ μᵦ (différence significative)
Données : 30 mesures par fournisseur
Fournisseur A : x̄ = 4,2 min, σ = 0,5
Fournisseur B : x̄ = 4,8 min, σ = 0,6
Résultat : p-value = 0,001 → p < 0,05 →
Rejet de H₀
✅ Le fournisseur A sèche significativement plus vite que le
B.
Risques d'erreur
| Erreur |
Description |
Conséquence |
Probabilité |
| Type I (α) |
Rejeter H₀ alors qu'elle est vraie |
Fausse alarme — on croit voir un effet qui n'existe pas
|
α = 0,05 (5%) |
| Type II (β) |
Ne pas rejeter H₀ alors qu'elle est fausse |
Raté — on manque un effet réel |
β (dépend de la puissance) |
Attention statistique
« Statistiquement significatif » ne veut pas dire
« pratiquement important ». Une différence de 0,01
mm peut être
significative avec assez de données, mais sans impact opérationnel.
Regardez toujours la taille de l'effet en plus de la
p-value.
📈 Leçon 6 : Corrélation et Régression
La corrélation mesure la force de la relation linéaire entre deux
variables. La régression modélise cette relation pour faire des
prédictions. Ensemble, elles répondent à : « Quand X change, Y change-t-il aussi ? De
combien ? »
Coefficient de corrélation (r)
Interprétation de r
| |r| |
Force de la relation |
Exemple |
| 0,0 – 0,3 |
Faible ou inexistante |
Couleur de l'emballage vs ventes |
| 0,3 – 0,7 |
Modérée |
Heures de formation vs productivité |
| 0,7 – 1,0 |
Forte |
Température du four vs dureté de la pièce |
Nuage de points (Scatter Plot)
Régression linéaire simple
Le R² (coefficient de détermination) indique le pourcentage de
la variation de Y expliqué par X :
- R² = 0,80 → X explique 80% de la variation de Y (très bon)
- R² = 0,50 → X explique 50% de la variation de Y (modéré, d'autres
facteurs jouent)
- R² = 0,10 → X explique seulement 10% de la variation de Y (le modèle
est faible)
📋 Exemple : Température du four et dureté
Données : 20 mesures de température (X) et dureté Rockwell (Y)
Résultat : Y = 15,2 + 0,85X (R² = 0,91)
→ Pour chaque degré de température supplémentaire, la dureté augmente de
0,85 points Rockwell.
→ Le modèle explique 91% de la variation de la dureté.
→ La température est bien une cause racine validée de la variation de
dureté.
💡 Corrélation ≠ Causalité ! Même avec un r élevé, la corrélation
ne prouve pas que X cause Y. Il peut y avoir une variable confondante.
Utilisez la connaissance du processus et, si possible, un plan d'expérience (DOE)
pour confirmer la causalité.
📝 Résumé du Module 4
La phase Analyze transforme les hypothèses en preuves.
Voici les points clés :
- Ishikawa (6M) : Structurez visuellement toutes les causes possibles
- Pareto (80/20) : Priorisez — concentrez-vous sur les « vital few »
- 5 Pourquoi : Creusez jusqu'à la cause racine systémique
- Tests d'hypothèses : Prouvez statistically que la cause a un effet réel
(p < 0,05)
- Corrélation / Régression : Quantifiez la relation entre X et Y (r, R²)
🏁 Gate Review : Avant de passer en phase Improve, vérifiez que :
✅ Les causes racines sont identifiées et documentées •
✅ Chaque cause est validée par des données (tests statistiques ou preuves factuelles) •
✅ La relation X → Y est quantifiée (corrélation, R²) •
✅ L'équipe est alignée sur les causes à traiter
🧠 Quiz — Testez vos connaissances
Vérifiez votre compréhension de la phase Analyze :
1. Combien y a-t-il de catégories dans un diagramme d'Ishikawa
classique (les « M ») ?
A) 4
B) 5
C) 6
D) 8
✅ Correct ! Les 6M : Main-d'œuvre,
Machines, Matières, Méthodes, Milieu, Mesure.
❌ Incorrect. L'Ishikawa classique
utilise 6 catégories (les 6M).
2. Le principe de Pareto dit que :
A) Toutes les causes ont un
impact égal
B) 80% des effets proviennent
de 20% des causes
C) Il faut toujours traiter
toutes les causes
D) Les causes les plus rares
sont les plus importantes
✅ Correct ! Le principe 80/20 permet
d'identifier les « vital few » pour concentrer les efforts.
❌ Incorrect. Le principe de Pareto
(80/20) dit que 80% des effets proviennent de 20% des causes.
3. Dans la méthode des 5 Pourquoi, quel est le critère pour
savoir qu'on a atteint la cause racine ?
A) Quand on a posé
exactement 5 questions
B) Quand on identifie une
personne responsable
C) Quand la solution est un
changement de système, processus ou standard
D) Quand on ne peut plus
poser de question
✅ Correct ! La cause racine est atteinte
quand elle pointe vers un changement systémique, pas vers un individu.
❌ Incorrect. On a atteint la cause
racine quand la solution est un changement de système, processus ou standard.
4. Que signifie une p-value de 0,02 dans un test d'hypothèse (α =
0,05) ?
A) Il n'y a pas de
différence significative
B) On rejette H₀ — la
différence est statistiquement significative
C) Le test est invalide car
p est trop faible
D) On a 98% de chance que H₀
soit vraie
✅ Correct ! p = 0,02 < 0,05, donc on
rejette H₀. La différence observée n'est pas due au hasard.
❌ Incorrect. p = 0,02 <
α=0,05, ce qui signifie qu'on rejette H₀ : la différence est
significative.
5. Un coefficient de corrélation r = −0,85 indique :
A) Aucune
relation entre les variables
B) Une forte
relation positive
C) Une forte
relation négative
D) Une erreur de
calcul
✅ Correct ! |r| = 0,85 →
forte relation. Le signe négatif indique que quand X augmente, Y diminue.
❌ Incorrect. r = −0,85
indique une forte corrélation négative (quand X augmente, Y diminue).
6. Quel test utiliser pour comparer les moyennes de 4
machines différentes ?
A) Test t
(t-test)
B) ANOVA
C) Test Chi²
(χ²)
D) Régression
linéaire
✅ Correct ! L'ANOVA (ANalysis
Of VAriance) est utilisée pour comparer 3 moyennes ou plus simultanément.
❌ Incorrect. Pour
comparer 3+ moyennes, on utilise l'ANOVA. Le t-test ne compare que 2
moyennes.
7. Un R² de 0,75 signifie que :
A) La
corrélation est de 0,75
B) Le modèle
explique 75% de la variation de Y
C) 75% des
données sont correctes
D) La p-value
est de 0,75
✅ Correct ! R² = 0,75
signifie que 75% de la variabilité de Y est expliquée par X dans le modèle
de régression.
❌ Incorrect. R²
(coefficient de détermination) représente le pourcentage de variation de Y
expliqué par le modèle.
8. « Corrélation implique causalité » — cette
affirmation est :
A) Vraie —
corrélation prouve la causalité
B) Fausse —
corrélation ne prouve pas la causalité
C) Vraie
uniquement si r > 0,90
D) Cela dépend
de la taille de l'échantillon
✅ Correct ! Corrélation ≠
causalité. Il peut exister des variables confondantes. Un plan d'expérience
(DOE) est nécessaire pour prouver la causalité.
❌ Incorrect. Corrélation
ne prouve jamais la causalité à elle seule. Il faut toujours vérifier avec
la connaissance du processus.
