Lean Six Sigma Green BELT + Certification IASSC

I/ Lean Six-Sigma Yellow Belt IASSC

Phase DEFINE

• Comprendre Lean Six-Sigma
• Définitions
• Historique de la méthode
• Lien avec la Stratégie de l’entreprise
• Rôles et responsabilités associés à la méthodologie
• Les fondamentaux de Lean Six-Sigma
• Modélisation de processus et process maps
• La voix du client (Voice of the Customer)
• Coûts liés à une qualité insuffisante: Cost of Poor Quality
• Les métriques de processus
• Sélectionner les projets d’amélioration
• Définir et affiner le projet
• Evaluer financièrement les bénéfices du projet d’amélioration
• Eléments de gaspillage (Waste/MUDAs)
• les 7 composants de gaspillage et compléments
• le projet 5S

Phase MEASURE

• Découverte du processus
• Cause & Effect diagrams
• Créer une description de processus
• AMDEC (ou FMEA)
• Statistiques élémentaires nécessaires pour Lean Six-Sigma
• Bases de la Statistique
• Statistique descriptive
• Statistique inférentielle
• Distribution Normale
• Evaluation de la Normalité des données
• Causes spéciales/Causes communes
• Techniques de représentation graphique
• Analyse du système de mesure
• Bases du Measurement System Analysis (MSA)
• MSA sur des données variables
• MSA sur des données attributaires
• Capabilité des processus

Phase CONTROL

• Lean Controls
• Controle des défauts
• Interruption de processus
• Poka-Yoke
• Controle Statistique des Processus
• Objectifs du Controle Statistique des Processus
• Méthodologie
• Le test des causes spéciales
• Plans de contrôle
• Sélection de solutions d’amélioration
• Eléments du plan de contrôle

II/ Lean Six-Sigma Green Belt IASSC

• Introduction

Phase “Analyze”

• Introduction à la phase Analyze
• “X” Sifting
• Effectuer une analyse mulit-variances
• Interpréter un graphe multi-variances
• Interpréter les données d’analyse
• Inférence Statistique
• Expliquer la signification de l’inférence statistique
• Décrire les bases du théorème central limite
• Décrire les impacts de la taille d’échantillon sur l’estimation de la population
• Expliquer l’erreur standard
• Introduction aux tests d’hypothèse
• Comprendre les objectifs des tests d’hypothèse
• Expliquer le concept de tendance centrale
• Se familiariser avec les différents types de tests d’hypothèse
• Test d’hypothèse avec des données normales Partie 1
• Déterminer la bonne taille d’échantillons pour le test de moyennes
• Tests d’hypothèse variés sur les moyennes
• Analyser et interpréter les résultats
• Test d’hypothèse avec des données normales Partie 2
• Etre capable de conduire des tests d’hypothèse de variances
• Analyser les résultats de tests d’hypothèse sur les variances
• Tests d’hypothèse sur des données de variance égale
• Test d’hypothèse sur les médianes et analyse des résultats
• Test d’hypothèse avec des données non-normales (2)
• Calculer et expliquer les tests de proportions et de contingence

Phase “Improve”

• Modélisation de processus par régression
• Effectuer les étapes de l’analyse par corrélation et régression linéaire
• Expliquer quand la corrélation et la régression sont appropriées
• Modélisation avancée de processs
• Réaliser une régression linéraire et non-linéaire
• Réaliser une régression linéaire multiple (MLR)
• Mener une analyse des résidus et comprendre leurs effets
• Concevoir un plan d’expérience
• Déterminer la raison du plan d’expérimentation
• Décrire les différences entre le modèle physique et un plan d’expérience (DOE: Design Of Experiment)
• Expliquer une expérimentation OFAT et ses faiblesses
• Créer un plan d’expérience factoriel complet

Phase “Control”

• Expérimentation avancée
• Analyse de Capabilité
• Comprendre l’importance de la capabilité du processus dans la phase de controle
• Sélectionner la bonne méthode pour l’analyse de capabilité basée sur le type de distribution de données du processus
• Interpréter les sorties des fonctions de capabilité de MINITABTM’
• Comprendre comment utiliser la Capabilité du processus pendant toutes les phases du DMAIC