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

N’hésitez pas à nous contacter si vous souhaitez nous faire part de vos projets ou simplement obtenir plus de détails sur nos compétences et nos méthodologies.

Nos coordonnées
12 rue Emilie Landrin, 92100 Boulogne
+33 6 10 58 45 91 / +33 6 07 28 29 46
contact@polynom.io
Rencontrez-nous sur place
Missions

Croissance top-line

Réduction des coûts

Compétences

Conseil en stratégie

Data, Cloud & Software

Clients et secteurs

Industrie

Distribution B2B

Distribution B2C

Mode et Luxe

Nos coordonnées

12 rue Emilie Landrin, 92100 Boulogne

+33 6 10 58 45 91

contact@polynom.io

Nos réseaux sociaux

Missions

Croissance top-line

Réduction des coûts

Compétences

Conseil en stratégie

Data, Cloud & Software

Clients et Secteurs

Industrie

Distribution B2B

Distribution B2C

Mode et Luxe