Ce message est disponible sur le nouveau blog à partir de ce lien
Il est parfois bon de revenir sur l’état de l’art de certains de nos indicateurs pour savoir de quoi on parle et approfondir la réflexion…
Voici donc un bref aperçu de l’histoire du taux de service, un des indicateurs les plus utilisés de la Supply Chain :
Helmut Schneider (1981) est un des premiers auteurs à avoir fait une revue des systèmes de mesure du taux de service et à avoir mis en perspective les coûts imputables aux ruptures de stocks.
En 1992 Lagodimos définis plus en détail la notion de taux de service en introduisant trois nouvelles mesures qui sont :
- La probabilité de rencontrer une rupture sur un produit sur une période donnée.
- Le « fill rate » qui représente la fraction de la commande qui est livrée au client avec le stock disponible.
- Le « modified fill rate » dont la formule est 1-(« La moyenne des ruptures avant approvisionnement » / « La moyenne de la demande sur une période donnée »)
En 1998 les travaux de Silver précisent la notion de « fill rate ». Même si l’indicateur est communément appelé « fill rate » de nouveaux systèmes de mesure apparaissent comme le « volume fill rate » (VFR), l’ « order fill rate » (OFR) et le « line fill rate » (LFR) qui correspondent à la fraction de ce qui est livré par rapport à ce qui a été commandé par le client. Les trois indicateurs se basent respectivement sur le volume (en quantité ou en montant), sur les commandes complètes ou sur les lignes de commande complètes.
Par la suite ces indicateurs se sont complexifiés en intégrant la notion de temps. Ainsi est apparu l’indicateur On-Time Delivery (OTD) qui permet de d’obtenir la fraction de la commande qui est livrée au client dans les temps. C’est indicateur est également intéressant dans le sens ou il est représentatif de la vision du client et qu’il peut révéler des problématiques autres que celle de la disponibilité du stock.
Cette histoire du taux de service m’inspire 3 réflexions :
1 - Un design dominant qui masque une certaine complexité de calcul de l’indicateur :
En effet, nous pensons tous parler de la même chose lorsque nous évoquons l’indicateur taux de service. Mais en fait, derrière la simplicité déconcertante de la définition de l’indicateur (fraction de la commande qui est livrée) se cache une vaste complexité. Voici quelques questions que nous pouvons être amenés à nous poser :
- Quel est le périmètre des commandes observées sur la période ? Les commandes devant être livrées dans la période ? Les commandes passées dans la période ? Les commandes dont la première livraison a été réalisée sur la période ? Les commandes dont la livraison est totalement réalisée ?
- Qu’est-ce qui constitue le dénominateur (ce qui est commandé) ? Les lignes commandées au départ du client ? Les lignes arrivées chez l’approvisionneur (Lignes commandées d’où sont extraites les lignes rejetées par le système informatique) ? Les lignes enregistrées par l’opérateur de saisie (qui peut écarter de lui-même certaines lignes qui posent problème) ?
- Qu’est-ce qui constitue le numérateur (ce qui est livré) ? Ce qui est partiellement livré ? Ce qui est totalement livré ?
- Quelle date est prise en compte dans l’indicateur OTD ? la date d’expédition ?, la date de livraison théorique ? la date de livraison réelle ?
2 – Le taux de service est un indicateur interne de performance avant d’être un indicateur de qualité.
En effet le taux de service fournis avant tout l’information d’un manque à gagner subit de manière directe par l’entreprise mais s’intéresse peu au ressenti du client. Par exemple si le client ne met pas à jour son fichier article, celui-ci passera des commandes sur des articles fermés. Ces lignes de commandes seront « rejetées » dans le système d’information, si bien que la ligne non livrée n’apparaîtra pas dans le taux de service. Sur ce type de problème : du côté de l’entreprise on perd une vente sur le nouveau produit (il est à noter que certaines entreprises mettent en place des automatismes de substitution mais cela peut poser problème chez le client lors de la réception du produit inconnu) et du côté du client on subit une rupture de stock.
Par ailleurs si l’indicateur OTD présente une bonne alternative comme suivi de la qualité du service client, celui-ci n’est que très peu utilisé car les logisticiens privilégient ce qui est livré sur ce qui est livré à temps.
3 – Les indicateurs de performance de la supply chain ne doivent pas s’arrêter aux frontières de l’entreprise :
Trop souvent (en dehors de quelques mastodontes de la GSA, sur certaines familles de produits à forte rotation) les acteurs de la grande distribution se cantonnent à mesurer leur propre taux de service. Mais la supply chain est un processus transversal qui ne s’arrête pas aux frontières de l’entreprise. Il est donc indispensable que tous les acteurs (industriels et distributeurs) prennent enfin conscience de la nécessité de travaillé ensemble sur un taux de service commun et unique : celui du linéaire du magasin. Cela s’appel le CPFR (Collaborative Planning, Forecasting and Replenishment), c’est très répandu au USA. Arrivé en France dans les années 2000… Il faudra, à mon avis, encore longtemps avant que ce processus soit généralisé en Europe…
Alors pour finir, j’adresserai deux conseils à mes amis de la logistique :
- Si vous souhaitez entamer un projet LSS sur le taux de service : pensez à la vision de votre client (voir à celle du client de votre client) plutôt que de récupérer tel quel le taux de service utilisé dans votre entreprise.
- Et à la phase amélioration : penchez vous sur le processus CPFR, à coup sûr il vous inspira des solutions auxquelles vous n’avez jamais pensé.
PS : Désolé pour le manque d’illustrations de ce post ! ;-)
Affichage des articles dont le libellé est indicateur. Afficher tous les articles
Affichage des articles dont le libellé est indicateur. Afficher tous les articles
lundi 12 janvier 2009
jeudi 18 décembre 2008
Exemples d'indicateurs de Supply Chain à optimiser
Ce message est disponible sur le nouveau blog à partir de ce lien
"C'est bien beau de nous donner des outils du LSS et des clés de compréhension pour les mettre en oeuvre... Mais moi je sais pas ce que je peux optimiser dans mon entreprise...!?"
Voilà ce que vous devez vous dire en ce moment si depuis quelques temps vous vous intéressez au LSS sur le net et plus précisément sur ce blog.
Pour palier à ce manque voici un billet où je vais recesser quelques indicateurs de la supply chain et qui peuvent faire l'objet d'un projet LSS.
Indicateurs de suivi des niveaux de stock :
Le niveau de stock est suivi par la rotation du stock. La rotation du stock exprime en nombre de jours le temps que reste le produit en stock avant d’être vendu. Il se calculera , sur la base d’un stock à J, divisé par les ventes moyennes par jour.
Indicateurs de suivi de la fiabilité des prévisions :
La fiabilité des prévisions porte sur les prévisions de ventes et les prévisions de commandes. Il exprime le % des ventes ou des commandes prévisionnelles établies sur N-1 par rapport au réalisé en N. Il peut être calculé en chiffre d’affaires et / ou en quantité et établie entre les différents maillons de la chaîne d’approvisionnement (centre d’éclatement de l’industriel, le point de vente, le centre de distribution du revendeur). Par exemple pour une prévision de vente de 160 et un réalisé de 200, nous obtenons un écart de prévision de 20% (40/200) ce qui nous donne une fiabilité de prévision de 80%.
Indicateurs de suivi du taux de service dans la chaîne d’approvisionnement :
Le taux de service peut ici porter sur les lignes de commandes, sur les quantités ou sur le nombre de palettes. Le taux de service se calcul en divisant ce qui est livré par ce qui est commandé. Cet indicateur pourra introduire la notion de « livré à temps » ou « hors délai » (les livraisons hors délai pouvant ne pas être comptabilisées.
Indicateur de suivi des reliquats de commandes :
Un indicateur établissant le nombre de jours de retard peut être mis en place. Celui-ci se basera sur le nombre de jours de retard par rapport à la date de livraison fixée dans la commande (à la ligne).
Indicateurs de suivi du taux de service au consommateur :
Pour la vision du taux de service côté consommateur, deux indicateurs peuvent être exploités : d’une part le taux de service en linéaire qui consiste à calculer le nombre de jours (ou d’heures) où le produit était disponible en linéaire sur une durée totale prédéfinie en amont (au mois ou à la semaine par exemple). D’autre part, le taux de rupture en linéaire calculé sur un nombre de relevés de disponibilité du produit. Par exemple si le produit était disponible 9 fois sur les 10 derniers relevés, le taux de rupture est de 1/10 soit 10%.
Indicateurs de suivi des délais :
Concernant le suivi des délais, nous disposons de deux indicateurs. Le premier définit en nombre de jours (ou d’heures) le délai entre le passage de la commande et sa réception. Le deuxième concerne la production. Il établit le délai de production et se calcul en déterminant le nombre de jours (ou d’heures) écoulés entre l’ordre de fabrication et la réception de la commande.
Indicateurs de suivi des modifications non prévues :
Ce suivi peut se réaliser avec plusieurs indicateurs.
Une approche des commandes urgentes pourrait être réalisée en divisant le nombre de commandes livrées dans un délai inférieur au délai contractuel, divisé par le nombre total de commandes.
Un deuxième indicateur permet de déceler l’évolution du nombre de modifications apportées sur un plan commercial.
Un dernier indicateur permet de comptabiliser le nombre de modifications dans l’introduction des nouveaux produits (dates d’introduction, produits lancés…etc.)
Indicateur de suivi des invendus :
Cet élément peut être suivi en observant le taux de vente des produits obsolètes et/ou le stock résiduel en fin de campagne promotionnelle.
Indicateurs de suivi de la diffusion des produits en magasin :
Les indicateurs de suivi de diffusion expriment la présence des produits en magasin. La distribution numérique exprime le % des magasins disposant d’une référence produit par rapport à un univers de magasins, une enseigne ou une zone géographique par exemple. La « distribution valeur » correspond à la distribution numérique pondérée par le chiffre d’affaires du magasin.
Indicateurs de suivi des ventes :
Le taux de fidélisation des clients, l’évolution de parts de marché, l’évolution de quantité de produits vendus par acheteur ainsi que l’évolution du volume des ventes.
Indicateurs de suivi de la planification :
La performance de la planification peut être mesurée en comptant le nombre de jours qui séparent le plan promotionnel du début de l’action commerciale en magasin.
Il peut également être évalué en nombre de jours séparant la date de remontée des commandes et la date d’approvisionnement des produits.
Indicateurs de suivi des contraintes de distribution :
L’optimisation des contraintes de distribution se focalise sur le remplissage des camions et le coût de transport. Les indicateurs existant peuvent exprimer un taux de remplissage. Celui-ci est calculé en divisant le nombre de camions complets (les camions étant remplis à plus de 95% étant considérés comme complets) par le nombre total de camions livrés.
On peut également définir un taux de remplissage moyen par camion en divisant le nombre de palettes chargées par le nombre de places disponibles dans le camion. L’inactivité des camions peut également être évaluée en comptabilisant le nombre de kilomètres à vide et en le divisant par le nombre total de kilomètres parcourus.
Concernant le coût de distribution : un ratio de la totalité des coûts de transport ramené au chiffre d’affaires peut être mis en place.
Indicateurs de suivi de synchronisation des données :
Concernant la synchronisation des données : un indicateur de conformité des
factures peut être analysé. Celui-ci s’obtient en divisant le nombre de lignes de factures correctes par le nombre de lignes de factures totales.
J'espère que ce petit échantillon d'indicateurs de la Supply Chain vous donnera des idées de lancement de projet LSS. N'hésitez pas de laisser des commentaires si vous avez des doutes sur le bienfondé d'un choix d'indicateur...! ;-)
"C'est bien beau de nous donner des outils du LSS et des clés de compréhension pour les mettre en oeuvre... Mais moi je sais pas ce que je peux optimiser dans mon entreprise...!?"
Voilà ce que vous devez vous dire en ce moment si depuis quelques temps vous vous intéressez au LSS sur le net et plus précisément sur ce blog.
Pour palier à ce manque voici un billet où je vais recesser quelques indicateurs de la supply chain et qui peuvent faire l'objet d'un projet LSS.
Indicateurs de suivi des niveaux de stock :
Le niveau de stock est suivi par la rotation du stock. La rotation du stock exprime en nombre de jours le temps que reste le produit en stock avant d’être vendu. Il se calculera , sur la base d’un stock à J, divisé par les ventes moyennes par jour.
Indicateurs de suivi de la fiabilité des prévisions :
La fiabilité des prévisions porte sur les prévisions de ventes et les prévisions de commandes. Il exprime le % des ventes ou des commandes prévisionnelles établies sur N-1 par rapport au réalisé en N. Il peut être calculé en chiffre d’affaires et / ou en quantité et établie entre les différents maillons de la chaîne d’approvisionnement (centre d’éclatement de l’industriel, le point de vente, le centre de distribution du revendeur). Par exemple pour une prévision de vente de 160 et un réalisé de 200, nous obtenons un écart de prévision de 20% (40/200) ce qui nous donne une fiabilité de prévision de 80%.
Indicateurs de suivi du taux de service dans la chaîne d’approvisionnement :
Le taux de service peut ici porter sur les lignes de commandes, sur les quantités ou sur le nombre de palettes. Le taux de service se calcul en divisant ce qui est livré par ce qui est commandé. Cet indicateur pourra introduire la notion de « livré à temps » ou « hors délai » (les livraisons hors délai pouvant ne pas être comptabilisées.
Indicateur de suivi des reliquats de commandes :
Un indicateur établissant le nombre de jours de retard peut être mis en place. Celui-ci se basera sur le nombre de jours de retard par rapport à la date de livraison fixée dans la commande (à la ligne).
Indicateurs de suivi du taux de service au consommateur :
Pour la vision du taux de service côté consommateur, deux indicateurs peuvent être exploités : d’une part le taux de service en linéaire qui consiste à calculer le nombre de jours (ou d’heures) où le produit était disponible en linéaire sur une durée totale prédéfinie en amont (au mois ou à la semaine par exemple). D’autre part, le taux de rupture en linéaire calculé sur un nombre de relevés de disponibilité du produit. Par exemple si le produit était disponible 9 fois sur les 10 derniers relevés, le taux de rupture est de 1/10 soit 10%.
Indicateurs de suivi des délais :
Concernant le suivi des délais, nous disposons de deux indicateurs. Le premier définit en nombre de jours (ou d’heures) le délai entre le passage de la commande et sa réception. Le deuxième concerne la production. Il établit le délai de production et se calcul en déterminant le nombre de jours (ou d’heures) écoulés entre l’ordre de fabrication et la réception de la commande.
Indicateurs de suivi des modifications non prévues :
Ce suivi peut se réaliser avec plusieurs indicateurs.
Une approche des commandes urgentes pourrait être réalisée en divisant le nombre de commandes livrées dans un délai inférieur au délai contractuel, divisé par le nombre total de commandes.
Un deuxième indicateur permet de déceler l’évolution du nombre de modifications apportées sur un plan commercial.
Un dernier indicateur permet de comptabiliser le nombre de modifications dans l’introduction des nouveaux produits (dates d’introduction, produits lancés…etc.)
Indicateur de suivi des invendus :
Cet élément peut être suivi en observant le taux de vente des produits obsolètes et/ou le stock résiduel en fin de campagne promotionnelle.
Indicateurs de suivi de la diffusion des produits en magasin :
Les indicateurs de suivi de diffusion expriment la présence des produits en magasin. La distribution numérique exprime le % des magasins disposant d’une référence produit par rapport à un univers de magasins, une enseigne ou une zone géographique par exemple. La « distribution valeur » correspond à la distribution numérique pondérée par le chiffre d’affaires du magasin.
Indicateurs de suivi des ventes :
Le taux de fidélisation des clients, l’évolution de parts de marché, l’évolution de quantité de produits vendus par acheteur ainsi que l’évolution du volume des ventes.
Indicateurs de suivi de la planification :
La performance de la planification peut être mesurée en comptant le nombre de jours qui séparent le plan promotionnel du début de l’action commerciale en magasin.
Il peut également être évalué en nombre de jours séparant la date de remontée des commandes et la date d’approvisionnement des produits.
Indicateurs de suivi des contraintes de distribution :
L’optimisation des contraintes de distribution se focalise sur le remplissage des camions et le coût de transport. Les indicateurs existant peuvent exprimer un taux de remplissage. Celui-ci est calculé en divisant le nombre de camions complets (les camions étant remplis à plus de 95% étant considérés comme complets) par le nombre total de camions livrés.
On peut également définir un taux de remplissage moyen par camion en divisant le nombre de palettes chargées par le nombre de places disponibles dans le camion. L’inactivité des camions peut également être évaluée en comptabilisant le nombre de kilomètres à vide et en le divisant par le nombre total de kilomètres parcourus.
Concernant le coût de distribution : un ratio de la totalité des coûts de transport ramené au chiffre d’affaires peut être mis en place.
Indicateurs de suivi de synchronisation des données :
Concernant la synchronisation des données : un indicateur de conformité des
factures peut être analysé. Celui-ci s’obtient en divisant le nombre de lignes de factures correctes par le nombre de lignes de factures totales.
J'espère que ce petit échantillon d'indicateurs de la Supply Chain vous donnera des idées de lancement de projet LSS. N'hésitez pas de laisser des commentaires si vous avez des doutes sur le bienfondé d'un choix d'indicateur...! ;-)
mardi 2 décembre 2008
Pareto VS Benford - 3ème volet de "la guerre des indicateurs"
Ce message est disponible sur le nouveau blog à partir de ce lien
Je m'étais décidé à revenir sur les fondamentaux du LSS mais je reste définitivement passionné par cette lutte acharnée que se livrent les "Indicateurs célèbres" et les "Indicateurs de l'ombre". D'un côté nous avons les pantouflards et illusionnistes de Moyenne, Min et Max et de l'autre nous avons les besogneux et robustes Médiane, Quartiles, Ecart Type. A ce jour il paraît bien difficile de les départager... Alors, sur le ring, deux lois de distributions viennent faire le show...! ;-)
A ma droite, taillé comme un boeuf, du haut de ses 20-80 nous avons : M. Pareto...
A ma gauche, allongé comme une logarithme, à la précision aléatoire : M. Benford...
DDDDDDDRRRRRRRRrrrrrrrrrrriiiiiiiinnnnnnnnnnngggggggggg !!!
Bon...là je pense que vous êtes assez conditionnés pour rentrer dans le vif du sujet. Il a quelques années, je fus amené à mettre en place un calcul de coût de revient logistique des produits stockés sur une plateforme. J'avais donc des masses de charges à répartir sur chaque article en fonction de clés de répartition (appelées également unités d'oeuvre). Vous en conviendrez, pour les aspects logistiques comme le stockage ou les expéditions il était opportun de prendre en considération le volume des colis. Aussi la plupart de nos calcul réaffectaient les charges en fonction du volume (volume stocké, volume réceptionné, volume expédié...etc). Donc j'ai fait une jolie matrice sous excel, avec des belles macro pour mettre à jour le zinzin et après quelques jours de travail j'avais devant mes yeux les coûts de revient par produit... Oh miracle...!
Puis vint le temps de l'analyse... Et là : problème ! Je me suis retrouvé avec des articles qui génèraient des coûts faramineux... En cherchant un peu, je finis pas me rendre compte que les mesures de certains produits étaient incohérentes... :-(
J'en appela au responsable logistique et lui demanda de vérifier les produits que j'avais identifiés... Il revint avec les bonnes mesures... Alors je refis mouliner le zinzin et pareil... des articles remontaient à la surface avec des erreurs...!
Le problème c'est qu'il était impossible de demander de remesurer l'ensemble des 6000 produits stockés sur la plateforme ! J'avais donc un joli dilemme devant moi : comment faire pour être certain de la fiabilité de mes données sans avoir à mesurer l'ensemble de mes produits et à refaire des itérations à n'en plus finir sur la prise nouvelle de mesures...!?
Mon premier réflexe fut de me tourner vers la loi de Pareto. Comme chacun sait Pareto a mis en avant une loi de distribution qui est "archi-utilisée" dans les entreprises. Cette loi dit par exemple que 80% de mon CA est généré par 20% de mes clients. Je décide donc de sortir les 20% de mes articles qui génèrent 80% de mes volumes. Par ailleurs je sors les 80% de mes produits en stocks qui représentent 20% de ma valeur de stock global. Ainsi, si je croise mes deux fichiers je me retrouve avec les articles qui ont les plus forts volumes avec les valeurs les plus faibles ce qui me permet de cerner les aberrations ! Au seul détail près que je partais du principe (un peu discutable ;-) que mes articles les plus volumineux étaient forcément les plus coûteux. Et effectivement je pu cerner de nouvelles aberrations...
Alors : Je relança le zinzin... et toujours pareil... Il restait des articles avec des erreurs... Mais j'avais un problème supplémentaire : les erreurs avaient une moins grande ampleur car j'avais corrigé les 20% de mes article qui généraient 80% de mes volumes erronés (sacré Pareto va ! ;-P).
Après quelques jours la lumière s'éclaira. Si la loi de distribution de Pareto trouvait sa limite dans mon problème : alors j'allais utiliser une autre loi de distribution, celle-ci bien moins connue, mais bien plus efficace pour le problème que j'avais à résoudre : la loi de Benford.
Pour ceux qui ne le savent pas : la loi de Benford fait état d'un constat du phénomène aléatoire que nous réserve la nature. Dans une distribution numérique quelconque (le liste des prix d'une grande surface, le liste des dimension de l'ensemble des arbres du territoire, la liste salaires net des habitants d'un pays...etc) si nous prenons le premier chiffre (différent de 0) et que nous comptabilisons ces chiffres : alors nous auront systématiquement cette distribution :
Étrange non...!? Quoi que vous preniez comme distribution, si vous comptabilisez le nombre de 1 en première position, de 2 en première position...etc, vous obtiendrez toujours ce %. Plus étrange encore c'est qu'il y ait plus de 1 que de 2, de 2 que de 3...etc. Mais c'est comme ça... Si tant est que la distribution soit aléatoire celle-ci ressemblerait à cela.
Je décida donc de comparer ma distribution avec celle de Benford et voici ce que j'obtins :
Le résultat était flagrant ! J'avais beaucoup trop de 5 et pas assez de trois. Je fis donc une extraction de tous mes articles avec un 5 dans le premier caractère de mon volume et je passa en revu la liste. Je visualisa rapidement que tous les articles d'une famille (celles des chaussures) avaient la même taille. L'ingratitude de la tâche avait amené les personnes en charge des mesures de faire des copier-coller. Ils se justifièrent par le fait que toutes les boîtes à chaussures faisaient la même taille. Dans une certaine proportion peut-être mais on ne peut pas prendre la loi de Benford, en défaut, de la sorte...! Les boîtes à chaussures ne font pas la même taille lorsqu'il s'agit de chaussures de ville, de bottes de pêche ou de chaussons pour enfants...etc.
Après la mesure de chacune des références de la famille chaussure présentes dans l'entrepôt, je refis une analyse de ma nouvelle distribution et voici ce que cela donna :
Cette fois mon fichier paraissait fiable... Je remoulina le zinzin et obtins avec succès le calcul de mes coûts de revient tant espérés... ;-)
Pour les projets LSS j'aurai le loisir, dans un post à venir, de vous parler de l'outil qui test la fiabilité des données à l'enregistrement de celles-ci (le GR&R) mais bien souvent un projet démarre avec des données dores et déjà enregistrées et dans un tel cas il est nécessaire de vérifier la cohérence de ces données avant d'en fournir une quelconque analyse...!
Bravo à vous M. Benford... Vous avez gagné ce combat haut la main ! ;-P
Je m'étais décidé à revenir sur les fondamentaux du LSS mais je reste définitivement passionné par cette lutte acharnée que se livrent les "Indicateurs célèbres" et les "Indicateurs de l'ombre". D'un côté nous avons les pantouflards et illusionnistes de Moyenne, Min et Max et de l'autre nous avons les besogneux et robustes Médiane, Quartiles, Ecart Type. A ce jour il paraît bien difficile de les départager... Alors, sur le ring, deux lois de distributions viennent faire le show...! ;-)
A ma droite, taillé comme un boeuf, du haut de ses 20-80 nous avons : M. Pareto...
A ma gauche, allongé comme une logarithme, à la précision aléatoire : M. Benford...
DDDDDDDRRRRRRRRrrrrrrrrrrriiiiiiiinnnnnnnnnnngggggggggg !!!
Bon...là je pense que vous êtes assez conditionnés pour rentrer dans le vif du sujet. Il a quelques années, je fus amené à mettre en place un calcul de coût de revient logistique des produits stockés sur une plateforme. J'avais donc des masses de charges à répartir sur chaque article en fonction de clés de répartition (appelées également unités d'oeuvre). Vous en conviendrez, pour les aspects logistiques comme le stockage ou les expéditions il était opportun de prendre en considération le volume des colis. Aussi la plupart de nos calcul réaffectaient les charges en fonction du volume (volume stocké, volume réceptionné, volume expédié...etc). Donc j'ai fait une jolie matrice sous excel, avec des belles macro pour mettre à jour le zinzin et après quelques jours de travail j'avais devant mes yeux les coûts de revient par produit... Oh miracle...!
Puis vint le temps de l'analyse... Et là : problème ! Je me suis retrouvé avec des articles qui génèraient des coûts faramineux... En cherchant un peu, je finis pas me rendre compte que les mesures de certains produits étaient incohérentes... :-(
J'en appela au responsable logistique et lui demanda de vérifier les produits que j'avais identifiés... Il revint avec les bonnes mesures... Alors je refis mouliner le zinzin et pareil... des articles remontaient à la surface avec des erreurs...!
Le problème c'est qu'il était impossible de demander de remesurer l'ensemble des 6000 produits stockés sur la plateforme ! J'avais donc un joli dilemme devant moi : comment faire pour être certain de la fiabilité de mes données sans avoir à mesurer l'ensemble de mes produits et à refaire des itérations à n'en plus finir sur la prise nouvelle de mesures...!?
Mon premier réflexe fut de me tourner vers la loi de Pareto. Comme chacun sait Pareto a mis en avant une loi de distribution qui est "archi-utilisée" dans les entreprises. Cette loi dit par exemple que 80% de mon CA est généré par 20% de mes clients. Je décide donc de sortir les 20% de mes articles qui génèrent 80% de mes volumes. Par ailleurs je sors les 80% de mes produits en stocks qui représentent 20% de ma valeur de stock global. Ainsi, si je croise mes deux fichiers je me retrouve avec les articles qui ont les plus forts volumes avec les valeurs les plus faibles ce qui me permet de cerner les aberrations ! Au seul détail près que je partais du principe (un peu discutable ;-) que mes articles les plus volumineux étaient forcément les plus coûteux. Et effectivement je pu cerner de nouvelles aberrations...
Alors : Je relança le zinzin... et toujours pareil... Il restait des articles avec des erreurs... Mais j'avais un problème supplémentaire : les erreurs avaient une moins grande ampleur car j'avais corrigé les 20% de mes article qui généraient 80% de mes volumes erronés (sacré Pareto va ! ;-P).
Après quelques jours la lumière s'éclaira. Si la loi de distribution de Pareto trouvait sa limite dans mon problème : alors j'allais utiliser une autre loi de distribution, celle-ci bien moins connue, mais bien plus efficace pour le problème que j'avais à résoudre : la loi de Benford.
Pour ceux qui ne le savent pas : la loi de Benford fait état d'un constat du phénomène aléatoire que nous réserve la nature. Dans une distribution numérique quelconque (le liste des prix d'une grande surface, le liste des dimension de l'ensemble des arbres du territoire, la liste salaires net des habitants d'un pays...etc) si nous prenons le premier chiffre (différent de 0) et que nous comptabilisons ces chiffres : alors nous auront systématiquement cette distribution :
Étrange non...!? Quoi que vous preniez comme distribution, si vous comptabilisez le nombre de 1 en première position, de 2 en première position...etc, vous obtiendrez toujours ce %. Plus étrange encore c'est qu'il y ait plus de 1 que de 2, de 2 que de 3...etc. Mais c'est comme ça... Si tant est que la distribution soit aléatoire celle-ci ressemblerait à cela.
Je décida donc de comparer ma distribution avec celle de Benford et voici ce que j'obtins :
Le résultat était flagrant ! J'avais beaucoup trop de 5 et pas assez de trois. Je fis donc une extraction de tous mes articles avec un 5 dans le premier caractère de mon volume et je passa en revu la liste. Je visualisa rapidement que tous les articles d'une famille (celles des chaussures) avaient la même taille. L'ingratitude de la tâche avait amené les personnes en charge des mesures de faire des copier-coller. Ils se justifièrent par le fait que toutes les boîtes à chaussures faisaient la même taille. Dans une certaine proportion peut-être mais on ne peut pas prendre la loi de Benford, en défaut, de la sorte...! Les boîtes à chaussures ne font pas la même taille lorsqu'il s'agit de chaussures de ville, de bottes de pêche ou de chaussons pour enfants...etc.
Après la mesure de chacune des références de la famille chaussure présentes dans l'entrepôt, je refis une analyse de ma nouvelle distribution et voici ce que cela donna :
Cette fois mon fichier paraissait fiable... Je remoulina le zinzin et obtins avec succès le calcul de mes coûts de revient tant espérés... ;-)
Pour les projets LSS j'aurai le loisir, dans un post à venir, de vous parler de l'outil qui test la fiabilité des données à l'enregistrement de celles-ci (le GR&R) mais bien souvent un projet démarre avec des données dores et déjà enregistrées et dans un tel cas il est nécessaire de vérifier la cohérence de ces données avant d'en fournir une quelconque analyse...!
Bravo à vous M. Benford... Vous avez gagné ce combat haut la main ! ;-P
jeudi 27 novembre 2008
Min\Max VS Ecart Type : La guerre des indicateurs (2)
Ce message est disponible sur le nouveau blog à partir de ce lien
C'est dans l'humiliation la plus totale que notre guerrière la Moyenne est repartie du champs de bataille lors du dernier combat... Celle-ci s'étant rendue compte de ses faiblesses : c'est aidée de ses deux compagnons, Minimum et Maximum, qu'elle décida de repartir au front... ;-)
Et oui... Lors de ma dernière démonstration j'ai mis en défaut l'utilisation de la moyenne pour rendre compte d'une distribution (un ensemble de données). Mais la moyenne bénéficie de deux indicateurs qui pourraient l'aider à rendre compte d'un ensemble de données : le minimum et le maximum. Alors peut-on se servir de la moyenne si celle-ci est accompagnée des indicateurs minimum et maximum...!?
Pour tenter d'y répondre je vais m'appuyer sur le souvenir d'une erreur de management qui m'a fortement marqué.
Le responsable d'un service d'approvisionnement avait à définir les objectifs de son équipe pour l'exercice à venir. L'objectif de l'année précédente était basé sur le taux de service cumulé à l'année (le taux de service illustre la fraction des commandes passées qui sont livrées). Pour notre exemple disons que le taux de service objectif de l'année précédente avait été fixé à 97% (c'est à dire qu'en moyenne : quand 100 lignes de commandes sont passées par le clients, 97 seront livrées, les 3 autres lignes non livrées correspondant à des ruptures de stock).
Voici le résultat de l'année qui venait de s'écouler...
Comme on peut le voir, il y a eu de fortes variations au cours de l'année. Et notre manager se souvenait bien de la pression qu'il avait subit, de la part des clients et de sa hiérarchie, pendant les semaines 20 à 24... Il ne souhaitait plus revivre cela, aussi il décida de fixer deux objectifs à son équipe : le premier resterait sur la moyenne annuelle (fiers de ses 97%, il resta sur cette valeur), et le deuxième porterait sur une limite de taux de service minimum à ne pas dépasser (disons 96%)...
Je voyais deux contraintes dans le choix de cet indicateur :
- D'une part : dès que le seuil minimal serait dépassé : les équipes seraient démotivées car l'objectif serait raté et la prime sur objectif avec. :-(
- D'autre part : les semaines avec une très faible activité rendraient l'indicateur plus "vulnérable" aux ruptures inévitables (problème de livraison du fournisseur) et inversement les augmentations soudaines d'activité pourraient entrainer des ruptures techniques et déboucher sur un dépassement du seuil.
En résumé le calcul n'était ni représentatif de la variation du taux de service ni motivant pour l'équipe d'approvisionneur.
Aussi je proposa de fixer un objectif basé sur l'écart type et une augmentation du taux de service comme présenté sur ce graphique :
L'objectif était de réduire l'écart type (correspond à la variation moyenne) de moitié (passé du trait orange sur le graph précédent au trait vert clair sur ce graph). Et de réévaluer l'objectif à 97,5% pour taux de service moyen annuel (en vert foncé). Sachant qu'après une courte étude, la suppression des valeurs aberrantes que constituaient les semaines 20 à 24, permettaient d'atteindre aisément ce nouveau taux. Donc la réduction de la variation moyenne résultait directement sur une amélioration du taux de service annuel.
J'y voyais deux bien fait :
- La mesure de la variation portant sur l'ensemble de l'année la motivation du personnel restait entière.
- L'amélioration du taux de service au global améliorait la satisfaction des clients, de la hiérarchie et des employés du service qui pouvait être fiers d'avoir atteint un vrai objectif.
Ce que le manager décida :
Suite à ma proposition, le manager était tenté de valider ce type de calcul dans la fixation de son objectif... seul problème : il ne maîtrisait pas le calcul...!
Et considérant qu'il était incapable de maitriser le calcul de l'indicateur il fit le raccourcit erroné qu'il était incapable de maîtriser l'indicateur et donc l'objectif de son personnel... Aussi il fixa son seuil minimum comme objectif en y ajoutant une tolérance de dépassement du seuil sur une semaine.
Épilogue : En milieu d'année la canicule arriva... Les ventes de produits à moustiques explosèrent... Les fournisseurs étaient incapables de subvenir à la demande du marché... Les approvisionneurs avait très bien fait leut travail...et n'eurent pas leur prime sur objectif... mais l'essentiel était là : ils pouvaient se l'expliquer !
Cette fois ci : le Min et le Max ont gagné la bataille car ils ont soufflé le marché à l'écart type... mais avouez que l'affaire est plutôt injuste ! n'est-ce pas !?
Faudra-t-il une dernière bataille pour les départager...!? ;-)
C'est dans l'humiliation la plus totale que notre guerrière la Moyenne est repartie du champs de bataille lors du dernier combat... Celle-ci s'étant rendue compte de ses faiblesses : c'est aidée de ses deux compagnons, Minimum et Maximum, qu'elle décida de repartir au front... ;-)
Et oui... Lors de ma dernière démonstration j'ai mis en défaut l'utilisation de la moyenne pour rendre compte d'une distribution (un ensemble de données). Mais la moyenne bénéficie de deux indicateurs qui pourraient l'aider à rendre compte d'un ensemble de données : le minimum et le maximum. Alors peut-on se servir de la moyenne si celle-ci est accompagnée des indicateurs minimum et maximum...!?
Pour tenter d'y répondre je vais m'appuyer sur le souvenir d'une erreur de management qui m'a fortement marqué.
Le responsable d'un service d'approvisionnement avait à définir les objectifs de son équipe pour l'exercice à venir. L'objectif de l'année précédente était basé sur le taux de service cumulé à l'année (le taux de service illustre la fraction des commandes passées qui sont livrées). Pour notre exemple disons que le taux de service objectif de l'année précédente avait été fixé à 97% (c'est à dire qu'en moyenne : quand 100 lignes de commandes sont passées par le clients, 97 seront livrées, les 3 autres lignes non livrées correspondant à des ruptures de stock).
Voici le résultat de l'année qui venait de s'écouler...
Comme on peut le voir, il y a eu de fortes variations au cours de l'année. Et notre manager se souvenait bien de la pression qu'il avait subit, de la part des clients et de sa hiérarchie, pendant les semaines 20 à 24... Il ne souhaitait plus revivre cela, aussi il décida de fixer deux objectifs à son équipe : le premier resterait sur la moyenne annuelle (fiers de ses 97%, il resta sur cette valeur), et le deuxième porterait sur une limite de taux de service minimum à ne pas dépasser (disons 96%)...Je voyais deux contraintes dans le choix de cet indicateur :
- D'une part : dès que le seuil minimal serait dépassé : les équipes seraient démotivées car l'objectif serait raté et la prime sur objectif avec. :-(
- D'autre part : les semaines avec une très faible activité rendraient l'indicateur plus "vulnérable" aux ruptures inévitables (problème de livraison du fournisseur) et inversement les augmentations soudaines d'activité pourraient entrainer des ruptures techniques et déboucher sur un dépassement du seuil.
En résumé le calcul n'était ni représentatif de la variation du taux de service ni motivant pour l'équipe d'approvisionneur.
Aussi je proposa de fixer un objectif basé sur l'écart type et une augmentation du taux de service comme présenté sur ce graphique :
L'objectif était de réduire l'écart type (correspond à la variation moyenne) de moitié (passé du trait orange sur le graph précédent au trait vert clair sur ce graph). Et de réévaluer l'objectif à 97,5% pour taux de service moyen annuel (en vert foncé). Sachant qu'après une courte étude, la suppression des valeurs aberrantes que constituaient les semaines 20 à 24, permettaient d'atteindre aisément ce nouveau taux. Donc la réduction de la variation moyenne résultait directement sur une amélioration du taux de service annuel.
J'y voyais deux bien fait :
- La mesure de la variation portant sur l'ensemble de l'année la motivation du personnel restait entière.
- L'amélioration du taux de service au global améliorait la satisfaction des clients, de la hiérarchie et des employés du service qui pouvait être fiers d'avoir atteint un vrai objectif.
Ce que le manager décida :
Suite à ma proposition, le manager était tenté de valider ce type de calcul dans la fixation de son objectif... seul problème : il ne maîtrisait pas le calcul...!
Et considérant qu'il était incapable de maitriser le calcul de l'indicateur il fit le raccourcit erroné qu'il était incapable de maîtriser l'indicateur et donc l'objectif de son personnel... Aussi il fixa son seuil minimum comme objectif en y ajoutant une tolérance de dépassement du seuil sur une semaine.
Épilogue : En milieu d'année la canicule arriva... Les ventes de produits à moustiques explosèrent... Les fournisseurs étaient incapables de subvenir à la demande du marché... Les approvisionneurs avait très bien fait leut travail...et n'eurent pas leur prime sur objectif... mais l'essentiel était là : ils pouvaient se l'expliquer !
Cette fois ci : le Min et le Max ont gagné la bataille car ils ont soufflé le marché à l'écart type... mais avouez que l'affaire est plutôt injuste ! n'est-ce pas !?
Faudra-t-il une dernière bataille pour les départager...!? ;-)
lundi 24 novembre 2008
Moyenne VS Médiane : La guerre des indicateurs est lancée...!
Ce message est disponible sur le nouveau blog à partir de ce lien
L'idée de ce post m'est venue suite à une réponse apportée sur un commentaire. Le commentaire, déposé par Bernard Sady (dont je vous recommande vivement la consultation de son blog pour son intérêt et sa constance dans les mises à jour) posait la question de la nécessité de l'utilisation d'indicateurs complexes comme la médiane et les quartiles...
Nous avons tous, en tête, des "idées reçues"... Ce sont ces "idées reçues", (déjà transmises à notre cerveau plusieurs fois, soit par l'écoute soit par la pratique) qui nous permettent de réfléchir plus rapidement et d'avancer dans nos raisonnements. Il n'est donc pas question de critiquer l'idée reçue en tant que telle mais de veiller à ce qu'elles ne nous fasse pas trop défaut... Car au milieu de ces milliers d'idées reçues se cachent des idées fausses...
Ainsi lorsque la question, de la complexité de l'indicateur "médiane et quartiles", m'a été posé : je fût moi-même tombé dans le piège et me suis dit...c'est vrai que la médiane est plus complexe que la moyenne mais elle est plus "robuste"... Hors tout cela est faux ! La médiane est tout aussi accessible que la moyenne...je dirai même plus accessible ! ;-P
Alors faisons-en la démonstration...
L'exemple du panier moyen.
Dans la grande distribution, le panier moyen permet de savoir, en moyenne, combien les clients achètent de marchandises lorsqu'ils passent en caisse. En résumé : c'est le chiffre d'affaires moyen par passage en caisse. J'ai souvenir, lors d'une visite de magasin d'une grande enseigne, d'avoir écouté le directeur se plaindre d'une action commerciale mise en place par la franchise. Pour 20 euros d'achat, le magasin devait offrir un cadeau. Le courroux du directeur venait du fait que les 20 euros correspondaient au panier moyen (voir même légèrement en dessous) et que de ce fait, cette action commerciale n'incitait pas les clients à acheter plus que ce qu'ils avaient l'habitude de prendre. Le raisonnement tient la route n'est-ce pas...!?
Mais après une étude très succincte d'un échantillon de tickets de caisse nous pouvons nous rendre compte que notre directeur était dans le faux...
Voici une "boîte à moustache" résultante du traitement de cet échantillon :
Une "boîte à moustache" est une représentation graphique d'un ensemble de données. Elle fait apparaître la moyenne (Mean in english)+/- l'écart type (qui correspond à la variation moyenne) ainsi que les quartiles (à savoir le découpage de la distribution en 4). Nous pouvons donc observer que la panier moyen est de 23,64 euros avec une variation moyenne de 29,60. La médiane est à 15,66 Euros ce qui signifie que la moitié des clients achètent moins de 15,66 de marchandise et qu'une autre moitié en achète pour plus de 15,66 euros. Avec le 1er et le 3ème quartile on s'aperçoit que la moitié des clients achètent entre 7,87 et 29,42 euros de marchandises. Enfin le quart des meilleurs clients achètent entre 29,42 et 1379 euros de marchandise.
Alors maintenant revenons-en à notre problématique d'action commerciale... Selon ce que l'on vient de voir 50% des clients achètent au maximum pour 15,66 euros de marchandises... donc si nous offrons un cadeau à partir de 20 euros d'achat nous incitons plus de la moitié des clients à acheter plus qu'à l'accoutumée. En conclusion cette action commerciale n'est pas si dénuée de sens que cela...! ;-)
Pour revenir sur l'idée reçue... La moyenne est très utilisée et maîtrisée de chacun. Et comme la nature humaine a horreur du changement : alors les gens préfèrent utiliser un outils qu'ils maitrisent au dépend de la justesse de leur jugement. Mais à bien y réfléchir est-ce que la médiane est plus difficile d'accès que la moyenne ? La médiane est une valeur qui fait partie de la réalité des données traitées. La médiane est la valeur qui coupe en deux données, cette valeur est donc existante, elle n'émane pas réellement d'un calcul. Alors que la moyenne n'a pas de réalité. Je crois qu'en France les femmes ont 1,8 enfants en moyenne...Ce 1,8 n'est pas "rattachable" à la réalité, alors que la médiane, elle, le serait !
Voilà, la première bataille (celle qui opposait la moyenne à la médiane) est terminée... mais la guerre continue ! Bientôt sur le champ de bataille s'opposeront le min et le max contre les écarts type... ;-)
L'idée de ce post m'est venue suite à une réponse apportée sur un commentaire. Le commentaire, déposé par Bernard Sady (dont je vous recommande vivement la consultation de son blog pour son intérêt et sa constance dans les mises à jour) posait la question de la nécessité de l'utilisation d'indicateurs complexes comme la médiane et les quartiles...
Nous avons tous, en tête, des "idées reçues"... Ce sont ces "idées reçues", (déjà transmises à notre cerveau plusieurs fois, soit par l'écoute soit par la pratique) qui nous permettent de réfléchir plus rapidement et d'avancer dans nos raisonnements. Il n'est donc pas question de critiquer l'idée reçue en tant que telle mais de veiller à ce qu'elles ne nous fasse pas trop défaut... Car au milieu de ces milliers d'idées reçues se cachent des idées fausses...
Ainsi lorsque la question, de la complexité de l'indicateur "médiane et quartiles", m'a été posé : je fût moi-même tombé dans le piège et me suis dit...c'est vrai que la médiane est plus complexe que la moyenne mais elle est plus "robuste"... Hors tout cela est faux ! La médiane est tout aussi accessible que la moyenne...je dirai même plus accessible ! ;-P
Alors faisons-en la démonstration...
L'exemple du panier moyen.
Dans la grande distribution, le panier moyen permet de savoir, en moyenne, combien les clients achètent de marchandises lorsqu'ils passent en caisse. En résumé : c'est le chiffre d'affaires moyen par passage en caisse. J'ai souvenir, lors d'une visite de magasin d'une grande enseigne, d'avoir écouté le directeur se plaindre d'une action commerciale mise en place par la franchise. Pour 20 euros d'achat, le magasin devait offrir un cadeau. Le courroux du directeur venait du fait que les 20 euros correspondaient au panier moyen (voir même légèrement en dessous) et que de ce fait, cette action commerciale n'incitait pas les clients à acheter plus que ce qu'ils avaient l'habitude de prendre. Le raisonnement tient la route n'est-ce pas...!?
Mais après une étude très succincte d'un échantillon de tickets de caisse nous pouvons nous rendre compte que notre directeur était dans le faux...
Voici une "boîte à moustache" résultante du traitement de cet échantillon :
Une "boîte à moustache" est une représentation graphique d'un ensemble de données. Elle fait apparaître la moyenne (Mean in english)+/- l'écart type (qui correspond à la variation moyenne) ainsi que les quartiles (à savoir le découpage de la distribution en 4). Nous pouvons donc observer que la panier moyen est de 23,64 euros avec une variation moyenne de 29,60. La médiane est à 15,66 Euros ce qui signifie que la moitié des clients achètent moins de 15,66 de marchandise et qu'une autre moitié en achète pour plus de 15,66 euros. Avec le 1er et le 3ème quartile on s'aperçoit que la moitié des clients achètent entre 7,87 et 29,42 euros de marchandises. Enfin le quart des meilleurs clients achètent entre 29,42 et 1379 euros de marchandise.
Alors maintenant revenons-en à notre problématique d'action commerciale... Selon ce que l'on vient de voir 50% des clients achètent au maximum pour 15,66 euros de marchandises... donc si nous offrons un cadeau à partir de 20 euros d'achat nous incitons plus de la moitié des clients à acheter plus qu'à l'accoutumée. En conclusion cette action commerciale n'est pas si dénuée de sens que cela...! ;-)
Pour revenir sur l'idée reçue... La moyenne est très utilisée et maîtrisée de chacun. Et comme la nature humaine a horreur du changement : alors les gens préfèrent utiliser un outils qu'ils maitrisent au dépend de la justesse de leur jugement. Mais à bien y réfléchir est-ce que la médiane est plus difficile d'accès que la moyenne ? La médiane est une valeur qui fait partie de la réalité des données traitées. La médiane est la valeur qui coupe en deux données, cette valeur est donc existante, elle n'émane pas réellement d'un calcul. Alors que la moyenne n'a pas de réalité. Je crois qu'en France les femmes ont 1,8 enfants en moyenne...Ce 1,8 n'est pas "rattachable" à la réalité, alors que la médiane, elle, le serait !
Voilà, la première bataille (celle qui opposait la moyenne à la médiane) est terminée... mais la guerre continue ! Bientôt sur le champ de bataille s'opposeront le min et le max contre les écarts type... ;-)
mardi 18 novembre 2008
Quel indicateur pour votre projet Lean Six Sigma… ?
Ce message est disponible sur le nouveau blog à partir de ce lien
C’est fait… vous êtes décidé : vous vous lancez dans un projet lean six sigma… ! Vous avez finalisé votre « project charter », vous avez défini vos process avec des « process map » des « value stream map »…etc. Et vous arrivez donc à l’étape cruciale du choix de votre indicateur. Quel sera votre Y ? Cette valeur que vous allez suivre dans le temps, analyser, décortiquer dans les moindre détail pour savoir de quoi il se constitue, les phénomènes qui l’amène à varier…etc. Pour les projets de lean manufacturing cette étape est moins cruciale car l’indicateur est souvent le nombre de défauts constaté sur la chaîne de production ou des indicateurs de productivité. Mais dans les services nous allons voir que le choix est moins aisé.
L’élément fondamental : votre Y doit révéler votre problématique ! (Comme dirait l’autre : ça va sans dire mais ça va mieux en le disant) C'est-à-dire que si votre indicateur évolue comme vous le souhaitez, le problème que vous aviez identifié au démarrage de votre projet doit être éradiqué. J’avais suivi le projet LSS d’un responsable compte clé. Sa problématique était que ses clients s’engageaient 6 mois à l’avance et que le jour J de la promo il pouvait y avoir des ruptures ou des retards de livraison qui faisaient que son client n’avait pas la marchandise qu’il avait commandée. Le premier réflexe du green belt fût de regarder du côté des ruptures, la facilité le conduisit donc à choisir le taux de service comme indicateur. Alors posons nous la question : est-ce que si j’améliore mon taux de service, je suis sûr que mon client qui m’envoi sa commande 6 mois à l’avance sera livré ? Et bien non ! Le taux de service comptabilise la fraction de la commande qui est livré. Il n’y a donc aucune notion de temps dans cet indicateur. Si le client est livré de la totalité de sa commande avec 15 jours de retard le taux de service de cette commande sera de 100%. Le réflexe inverse peut être de choisir le délai entre la date de livraison demandée et la date de livraison finale de la commande. Mais là encore si nous nous basons sur ce qui est livré en retard, cela signifie que nous écartons ce qui n’est jamais livré… Cet indicateur n’est donc pas révélateur de notre problématique. Ici le Y le plus proche de la problématique de notre green belt est l’OTD (On Time Delivery) qui représente la fraction de la commande qui est livré dans les temps. Alors oui le nombre de jours de retard et le nombre de ruptures joueront sur notre Y mais il peut y avoir bien d’autres indicateurs en liaison avec notre problématique. Par exemple si une commande n’a pas atteint le minimum de commande, elle aura beau avoir du stock et un mode de livraison ultra performant… la commande ne sera jamais livrée car jamais validée…voilà donc un nouvel indicateur en lien avec notre problématique : le nombre de commande bloquées. Tous ces indicateurs qui gravitent autour de notre problématique nous aideront dans la phase d’analyse… mais il faut bien l’admettre : pendant la phase de sélection de notre Y : ils nous encombrent l’esprit et rendent difficile le choix de notre indicateur principal.
Pour conclure : lorsque vous choisissez votre Y vous n’avez qu’une question à vous poser : Si j’améliore cette indicateur est-ce je suis sûr que mon problème disparaît ?
N’hésitez pas à me soumettre des problématiques en commentaire si vous rencontrez des doutes dans le choix de votre indicateur LSS ! ;-)
C’est fait… vous êtes décidé : vous vous lancez dans un projet lean six sigma… ! Vous avez finalisé votre « project charter », vous avez défini vos process avec des « process map » des « value stream map »…etc. Et vous arrivez donc à l’étape cruciale du choix de votre indicateur. Quel sera votre Y ? Cette valeur que vous allez suivre dans le temps, analyser, décortiquer dans les moindre détail pour savoir de quoi il se constitue, les phénomènes qui l’amène à varier…etc. Pour les projets de lean manufacturing cette étape est moins cruciale car l’indicateur est souvent le nombre de défauts constaté sur la chaîne de production ou des indicateurs de productivité. Mais dans les services nous allons voir que le choix est moins aisé.
L’élément fondamental : votre Y doit révéler votre problématique ! (Comme dirait l’autre : ça va sans dire mais ça va mieux en le disant) C'est-à-dire que si votre indicateur évolue comme vous le souhaitez, le problème que vous aviez identifié au démarrage de votre projet doit être éradiqué. J’avais suivi le projet LSS d’un responsable compte clé. Sa problématique était que ses clients s’engageaient 6 mois à l’avance et que le jour J de la promo il pouvait y avoir des ruptures ou des retards de livraison qui faisaient que son client n’avait pas la marchandise qu’il avait commandée. Le premier réflexe du green belt fût de regarder du côté des ruptures, la facilité le conduisit donc à choisir le taux de service comme indicateur. Alors posons nous la question : est-ce que si j’améliore mon taux de service, je suis sûr que mon client qui m’envoi sa commande 6 mois à l’avance sera livré ? Et bien non ! Le taux de service comptabilise la fraction de la commande qui est livré. Il n’y a donc aucune notion de temps dans cet indicateur. Si le client est livré de la totalité de sa commande avec 15 jours de retard le taux de service de cette commande sera de 100%. Le réflexe inverse peut être de choisir le délai entre la date de livraison demandée et la date de livraison finale de la commande. Mais là encore si nous nous basons sur ce qui est livré en retard, cela signifie que nous écartons ce qui n’est jamais livré… Cet indicateur n’est donc pas révélateur de notre problématique. Ici le Y le plus proche de la problématique de notre green belt est l’OTD (On Time Delivery) qui représente la fraction de la commande qui est livré dans les temps. Alors oui le nombre de jours de retard et le nombre de ruptures joueront sur notre Y mais il peut y avoir bien d’autres indicateurs en liaison avec notre problématique. Par exemple si une commande n’a pas atteint le minimum de commande, elle aura beau avoir du stock et un mode de livraison ultra performant… la commande ne sera jamais livrée car jamais validée…voilà donc un nouvel indicateur en lien avec notre problématique : le nombre de commande bloquées. Tous ces indicateurs qui gravitent autour de notre problématique nous aideront dans la phase d’analyse… mais il faut bien l’admettre : pendant la phase de sélection de notre Y : ils nous encombrent l’esprit et rendent difficile le choix de notre indicateur principal.
Pour conclure : lorsque vous choisissez votre Y vous n’avez qu’une question à vous poser : Si j’améliore cette indicateur est-ce je suis sûr que mon problème disparaît ?
N’hésitez pas à me soumettre des problématiques en commentaire si vous rencontrez des doutes dans le choix de votre indicateur LSS ! ;-)
Inscription à :
Articles (Atom)
