Diminuer la non-qualité industrielle
Problématiques
Identifier des opérations génératrices de non-qualité
Orienter les contrôles qualité vers les opérations les plus suspectes
Mise en place d'outils
Algorithme de détection des opérations anormales grâce à l’analyse des données
Calcul d’un score de probabilité de non-qualité
Résultat
%
Non-qualité corrigées en usine
eviter les reprises en garantie
Produire un produit à la qualité irréprochable et limiter les reprises en garantie est un objectif que tous les industriels poursuivent afin d’assurer la meilleure satisfaction client possible et de limiter les coûts liés à la reprise des produits défectueux.
Notre client souhaitait disposer d’un système prédictif identifiant les produits potentiellement porteurs de non-qualité qui risquaient de donner lieu à retour pour non qualité.
Notre client : Leader de l’industrie manufacturière.
construire un système prédictif pour viser le zéro défaut
Notre client avait pour objectif de disposer d’un outil permettant d »orienter les contrôles qualité vers les produits les plus susceptible de présenter des défauts potentiellement source de reprise en garantie.
Pour construire un système prédictif répondant à sa problématique il était confronté à trois problématiques :
récupération des données historiques
Les retours en garantie étant liés à des références de lots et pas à un produit en particulier, il a fallu reproduire les conditions de production de chaque lot.
apprentissage automatique
Pour construire un système prédictif il fallait adapter un algorithme pour lui permettre de faire un lien entre les conditions de production et la probabilité de défaut.
valorisation de la prediction
Enfin pour valoriser ce résultat il fallait trouver un moyen de mettre ce résultat directement à disposition des équipes qualité pour orienter les contrôles qualité.
Conscient qu’il n’arrivera pas à surmonter seul ces difficultés, notre client nous choisit pour l’aider à analyser ses données.
UN SAVOIR-FAIRE UNIQUE COUPLÉ À L’UTILISATION D’OUTILS DE POINTE
Après avoir analysé les données à disposition nous avons rapidement confirmé notre capacité à atteindre les objectifs fixés.
1. modelisation du phénomène étudié à l'aide des données à disposition
Nous avons commencé par étudier les données à disposition du client pour faire ressortir les indicateurs permettant d’alimenter un algorithme prédictif. Nous avons également assisté notre client dans la mise en qualité de ses données.
2. construction d'un algorithme prédictif
Une fois la base de données constituée, nous avons appliqué à cette base de données un algorithme de prédiction permettant de calculer une probabilité de défaut. Le seuil à partir duquel une inspection qualité était déclenchée a ensuite été défini en fonction des retours utilisateurs.
3. confrontation des résultats prédictifs à la stratégie historique
Afin de mesurer le gain réel apporté par notre système prédictif nous avons organisé une campagne de test permettant de confronter les résultats de notre algorithme aux résultats obtenus via la stratégie de contrôle aléatoire historique.
4. optimisation du process de contrôle qualité
La dernière étape a consisté à reconstruire le process de contrôle qualité. Les contrôles qualité récurrents sont désormais ciblés sur les lots ayant les probabilité de défaut les plus hauts. Un contrôle qualité ciblé est désormais déclenché dès qu’un lot a une probabilité de défaut supérieure à un seuil prédéfini.
Cette double stratégie a permis de corriger 47% des non qualité qui étaient auparavant remontées par les clients.
Une qualité décuplée
Les gains générés par ce système prédictif ont été immédiat pour notre client qui a pu optimiser la performance et réduire les coûts des inspections qualité.
Réduire de 47% les non qualité a permis de diviser par près de 2 les retours en garantie et donc d’améliorer la qualité percue par les clients tout en optimisant la performance économique.
Vous souhaitez échanger sur vos problématiques industrielles ?
Ensemble, créons vos projets
Nos coordonnées
Rencontrez-nous sur place
Croissance top-line
Réduction des coûts
Conseil en stratégie
Data, Cloud & Software
Industrie
Distribution B2B
Distribution B2C
Mode et Luxe
12 rue Emilie Landrin, 92100 Boulogne
+33 6 10 58 45 91