Pilotage de la qualité et outils statistiques

Introduction

Dans les leçons précédentes consacrées au contrôle de gestion, nous avons étudié les coûts, les budgets, les tableaux de bord, les causes de non-performance et les coûts liés à la qualité et à la non-qualité. Cette leçon prolonge directement cette logique : il s’agit maintenant de comprendre comment aider au pilotage de la qualité à l’aide d’outils de gestion de la qualité et de quelques outils statistiques strictement limités au programme.

L’idée centrale est simple : une organisation ne peut pas améliorer durablement sa performance si elle ne maîtrise pas la qualité de ce qu’elle produit ou de ce qu’elle délivre. Une qualité insuffisante entraîne des rebuts, retours clients, retouches, retards, réclamations, pertes d’image, surcoûts et parfois une dégradation de la rentabilité globale. À l’inverse, une qualité bien pilotée contribue à la satisfaction du client, à la stabilité des processus et à l’amélioration de la performance.

Mais le pilotage de la qualité ne repose pas seulement sur des impressions. Il suppose des mesures, des contrôles, des indicateurs et une interprétation rigoureuse des résultats. C’est ici qu’interviennent les outils statistiques.

Limite de programme importante : dans le contrôle de la qualité, seule la loi normale est abordée. Par ailleurs, l’échantillonnage est abordé sous l’angle des estimations. Il ne s’agit donc pas d’entrer dans des développements statistiques avancés.

Objectifs de la leçon

À l’issue de cette leçon, vous devez être capable de :

• comprendre le rôle du pilotage de la qualité dans la performance globale ;
• identifier les outils de gestion de la qualité ;
• mettre en œuvre et interpréter ces outils dans une situation simple ;
• relier la qualité aux coûts de qualité et de non-qualité ;
• comprendre les risques liés aux outils de gestion de la qualité et à leur contrôle ;
• utiliser la loi normale dans un cadre de contrôle de la qualité ;
• exploiter un échantillonnage sous l’angle des estimations ;
• interpréter un intervalle de confiance d’une moyenne dans une logique de décision.

1. Pourquoi piloter la qualité ?

1.1. La qualité comme levier de performance

Dans une organisation, la qualité ne doit pas être vue comme une préoccupation isolée du service production ou du service qualité. Elle concerne l’ensemble de la chaîne de valeur. Une mauvaise qualité peut provenir :

• d’un défaut de conception ;
• d’un approvisionnement non conforme ;
• d’un processus mal maîtrisé ;
• d’une erreur humaine ;
• d’un contrôle insuffisant ;
• d’une mauvaise transmission d’information ;
• d’un service après-vente défaillant.

Le contrôle de gestion s’intéresse à la qualité parce qu’elle a un impact direct sur :

• les coûts ;
• les délais ;
• la satisfaction client ;
• la productivité ;
• la rentabilité ;
• l’atteinte des objectifs fixés dans les tableaux de bord.

Le pilotage de la qualité consiste donc à :

1. définir ce que l’on attend ;
2. mesurer la réalité ;
3. comparer le réalisé à la norme ou à l’objectif ;
4. détecter les écarts ;
5. rechercher les causes ;
6. corriger et améliorer.

1.2. Qualité et non-qualité

La qualité a un coût, mais la non-qualité en a un aussi — souvent plus élevé.

On distingue classiquement :

• les coûts de prévention : formation, maintenance, amélioration des procédures, sécurisation des processus ;
• les coûts d’évaluation : contrôles, inspections, tests, mesures ;
• les coûts de non-qualité interne : rebuts, retouches, arrêts, pertes de matière ;
• les coûts de non-qualité externe : retours clients, garanties, litiges, perte d’image, baisse des ventes.

Le bon pilotage de la qualité ne cherche pas à supprimer tout coût de qualité. Il cherche à arbitrer intelligemment entre prévention, contrôle et coût de défaillance.

1.3. Avantages et limites des méthodes de contrôle de gestion appliquées à la qualité

Le programme demande de repérer les avantages et les limites de toutes les méthodes du contrôle de gestion. Appliqué à la qualité, cela signifie qu’aucun outil n’est parfait.

Avantages

• objectiver les constats ;
• rendre visibles les dysfonctionnements ;
• hiérarchiser les problèmes ;
• faciliter la prise de décision ;
• suivre l’amélioration dans le temps ;
• relier qualité et performance économique.

Limites

• un indicateur peut simplifier excessivement une réalité complexe ;
• ce qui est mesuré n’est pas toujours ce qui est important ;
• un mauvais paramétrage des seuils peut conduire à de mauvaises décisions ;
• le contrôle peut coûter cher ;
• la qualité perçue par le client n’est pas toujours entièrement résumée par des chiffres ;
• des données de mauvaise qualité produisent des analyses trompeuses.

Autrement dit, les outils de qualité sont utiles, mais ils doivent être interprétés avec prudence.

2. Les outils de gestion de la qualité

Le programme vise les outils de gestion de la qualité sans imposer une liste exhaustive fermée. L’important est de savoir mettre en œuvre et interpréter les outils les plus usuels dans une logique de pilotage.

2.1. La feuille de relevé

La feuille de relevé sert à collecter des données de manière structurée.

Utilité

Elle permet de :

• compter les défauts ;
• repérer leur fréquence ;
• distinguer les types d’anomalies ;
• préparer une analyse plus approfondie.

Exemple

Une entreprise contrôle 100 pièces et relève :

• rayure : 12
• défaut de dimension : 7
• défaut de peinture : 18
• fissure : 3

La feuille de relevé constitue la base d’un traitement ultérieur.

Intérêt

• simplicité ;
• rapidité ;
• traçabilité de l’observation.

Limite

Elle ne dit pas encore pourquoi les défauts apparaissent.

2.2. Le diagramme de Pareto

Le diagramme de Pareto classe les causes ou défauts par ordre décroissant d’importance.

Pourquoi l’utiliser ?

Parce qu’en qualité, tous les défauts n’ont pas le même poids. Souvent, une minorité de causes explique une majorité des problèmes.

Méthode

1. recenser les défauts ;
2. compter leur fréquence ou leur coût ;
3. classer du plus important au moins important ;
4. calculer les pourcentages cumulés ;
5. représenter graphiquement.

Exemple

Supposons :

• défaut de peinture : 40
• rayure : 25
• défaut de dimension : 20
• mauvais assemblage : 10
• autre : 5

Le diagramme montre immédiatement où concentrer l’action.

Intérêt

• hiérarchiser ;
• concentrer les efforts sur les causes principales ;
• éviter de disperser les ressources.

Limite

Il montre ce qui est fréquent, pas forcément ce qui est le plus grave.

2.3. Le diagramme causes-effet

Le diagramme causes-effet — souvent appelé diagramme d’Ishikawa — sert à rechercher les causes possibles d’un problème.

Logique

On part d’un effet observé, par exemple : « taux de défaut trop élevé », puis on recherche les causes potentielles.

Grandes familles possibles

Sans figer une seule typologie, on retrouve souvent des causes liées à :

• la main-d’œuvre ;
• les méthodes ;
• les machines ;
• les matières ;
• le milieu ;
• les mesures.

Intérêt

• structurer la recherche des causes ;
• favoriser l’analyse collective ;
• éviter d’attribuer trop vite le problème à une seule cause.

Limite

Le diagramme recense des hypothèses ; il ne prouve pas à lui seul la cause réelle.

2.4. L’histogramme

L’histogramme permet de visualiser la répartition d’une variable mesurée.

Exemple

On mesure le diamètre de pièces produites. L’histogramme permet de voir :

• si les valeurs sont concentrées ;
• si elles sont dispersées ;
• si la distribution semble centrée ;
• si elle ressemble à une loi normale.

Intérêt

• visualiser la dispersion ;
• repérer des anomalies ;
• préparer une analyse statistique.

Limite

Le résultat dépend du découpage en classes.

2.5. Les graphiques de suivi

Les graphiques de suivi permettent d’observer l’évolution d’un indicateur dans le temps :

• taux de défaut ;
• nombre de retours ;
• délai moyen de traitement ;
• note de satisfaction ;
• coût de non-qualité.

Intérêt

• détecter une dérive ;
• apprécier l’effet d’une action corrective ;
• comparer une situation avant/après.

Limite

Une variation ponctuelle ne signifie pas toujours une dérive durable.

3. Mettre en œuvre et interpréter les outils de gestion de la qualité

Le programme insiste sur deux verbes : mettre en œuvre et interpréter.

Il ne suffit donc pas de connaître le nom d’un outil. Il faut savoir pourquoi le choisir, comment l’utiliser et ce qu’on peut raisonnablement conclure.

3.1. Démarche générale

Étape 1 : définir le problème

Exemple : le taux de pièces non conformes est passé de 2 % à 5 %.

Étape 2 : collecter les données

Utilisation d’une feuille de relevé : type de défaut, atelier, machine, opérateur, horaire.

Étape 3 : hiérarchiser

Utilisation d’un diagramme de Pareto pour cibler les défauts principaux.

Étape 4 : rechercher les causes

Utilisation d’un diagramme causes-effet.

Étape 5 : mesurer l’évolution

Utilisation d’un graphique de suivi ou d’indicateurs avant/après action corrective.

Étape 6 : apprécier le coût

Lien avec les coûts liés à la qualité et à la non-qualité : coût des rebuts, des retouches, des retours, du contrôle supplémentaire.

3.2. Cas simple d’application

Une entreprise constate 200 défauts sur un mois :

• défaut d’étiquetage : 90
• défaut de fermeture : 55
• défaut de poids : 35
• emballage abîmé : 20

Analyse

• Le diagramme de Pareto montre que le défaut d’étiquetage est prioritaire.
• Le diagramme causes-effet peut ensuite explorer les causes : réglage machine, formation, procédure, qualité des rouleaux d’étiquettes.
• Un suivi hebdomadaire permet de vérifier si l’action corrective réduit effectivement les défauts.

Interprétation attendue

Il ne faut pas conclure seulement : « il y a beaucoup de défauts d’étiquetage ». Il faut aller plus loin :

• ce défaut représente la part principale du problème ;
• il constitue une priorité d’action ;
• la réduction de ce seul défaut peut améliorer fortement la qualité globale.

4. Les risques liés aux outils de gestion de la qualité et à leur contrôle

Le programme demande explicitement d’identifier les risques liés aux outils de gestion de la qualité et à leur contrôle. C’est essentiel : un outil mal utilisé peut dégrader la décision au lieu de l’améliorer.

4.1. Risque de mauvaise mesure

Si les données sont mal relevées, l’analyse est fausse.

Exemples :

• défauts mal classés ;
• oublis de saisie ;
• critères de contrôle variables selon les personnes ;
• échantillon non représentatif.

4.2. Risque de faux diagnostic

Un Pareto peut montrer les défauts les plus fréquents, mais pas nécessairement les plus coûteux ou les plus dangereux.

Un diagramme causes-effet peut lister des causes plausibles sans identifier la bonne.

4.3. Risque de surcontrôle

Contrôler davantage peut sembler rassurant, mais un contrôle excessif :

• ralentit les flux ;
• augmente les coûts ;
• mobilise des ressources ;
• peut créer une illusion de maîtrise sans traiter la cause du problème.

Le bon pilotage ne consiste pas à tout contrôler, mais à contrôler utilement.

4.4. Risque comportemental

Les acteurs peuvent modifier leur comportement en fonction des indicateurs suivis.

Exemples :

• masquer certains défauts pour améliorer le taux affiché ;
• se focaliser sur un indicateur au détriment d’autres dimensions ;
• privilégier la conformité mesurée plutôt que la satisfaction réelle du client.

4.5. Risque d’interprétation statistique abusive

Une variation observée sur un échantillon ne signifie pas toujours qu’un processus s’est réellement dégradé.

C’est précisément pour limiter ce risque que l’on utilise des outils statistiques, notamment :

• la loi normale ;
• l’échantillonnage ;
• l’intervalle de confiance d’une moyenne.

5. La loi normale dans le contrôle de la qualité

5.1. Pourquoi la loi normale ?

Dans le programme, seule la loi normale est abordée pour le contrôle de la qualité. Cela signifie qu’on se limite à une distribution continue, symétrique, en cloche, souvent utilisée pour modéliser la dispersion de mesures autour d’une moyenne.

Exemples de variables pouvant être modélisées de cette manière :

• diamètre d’une pièce ;
• poids d’un produit ;
• longueur d’un composant ;
• temps de traitement moyen dans des conditions stables.

Pourquoi est-ce utile ?

Parce que dans un processus maîtrisé, les mesures ne sont pas toutes identiques. Il existe une variabilité naturelle. La loi normale aide à distinguer :

• la variabilité « normale » du processus ;
• les écarts anormaux pouvant révéler un dysfonctionnement.

5.2. Paramètres de la loi normale

La loi normale est caractérisée par :

• une moyenne (\mu), qui représente le centre ;
• un écart-type (\sigma), qui mesure la dispersion.

Interprétation

• plus l’écart-type est faible, plus la production est homogène ;
• plus l’écart-type est élevé, plus les valeurs sont dispersées.

En qualité, on cherche souvent :

• une moyenne proche de la cible ;
• une dispersion faible.

5.3. Lecture qualitative de la loi normale

Dans une distribution normale :

• beaucoup de valeurs sont proches de la moyenne ;
• peu de valeurs sont très éloignées ;
• la courbe est symétrique.

Cela permet d’évaluer la probabilité qu’une mesure se situe dans un intervalle donné.

5.4. Exemple appliqué

Une machine produit des axes de longueur moyenne 50 mm avec un écart-type de 0,2 mm. On suppose une distribution normale.

Si les tolérances admises sont de 49,6 mm à 50,4 mm, on cherche à savoir si la production reste généralement conforme.

Raisonnement

• la moyenne est bien centrée sur 50 mm ;
• la dispersion semble faible ;
• si l’intervalle de tolérance couvre une grande partie de la distribution, le taux de non-conformité sera faible.

L’intérêt, pour le pilotage, n’est pas seulement de constater des défauts après coup, mais d’anticiper le risque de non-conformité à partir de la dispersion du processus.

5.5. Ce que permet la loi normale en contrôle qualité

Elle aide à :

• interpréter la dispersion des mesures ;
• apprécier la stabilité d’un processus ;
• estimer une proportion de valeurs conformes ou non conformes ;
• fonder une décision sur des probabilités plutôt que sur une impression.

5.6. Limites

La loi normale n’est qu’un modèle. Elle suppose notamment :

• une variable quantitative continue ;
• une distribution suffisamment proche d’une forme normale ;
• des conditions de production relativement stables.

Si ces conditions ne sont pas réunies, l’interprétation devient fragile.

6. L’échantillonnage sous l’angle des estimations

Le programme précise que l’échantillonnage sera abordé sous l’angle des estimations. Il ne s’agit donc pas de développer des procédures complexes de test, mais de comprendre comment utiliser un échantillon pour estimer une grandeur inconnue de la population.

6.1. Pourquoi échantillonner ?

Dans beaucoup de situations, contrôler toute la production est impossible ou trop coûteux.

On prélève donc un échantillon pour estimer :

• une moyenne ;
• un taux de défaut ;
• une dispersion.

Exemples

• mesurer 30 pièces sur 10 000 ;
• contrôler 50 colis sur une journée ;
• relever le poids moyen d’un lot.

6.2. Population, échantillon, estimation

• Population : ensemble total des éléments concernés.
• Échantillon : sous-ensemble observé.
• Estimation : valeur calculée à partir de l’échantillon pour approcher un paramètre de la population.

Exemple

On veut connaître le poids moyen des pots produits dans la journée.

• Population : tous les pots de la journée.
• Échantillon : 40 pots prélevés.
• Estimation : moyenne observée sur les 40 pots.

6.3. Conditions de qualité d’un échantillon

Pour que l’estimation soit utile, l’échantillon doit être représentatif.

En pratique, il faut éviter :

• de ne prélever qu’au début de la journée ;
• de ne contrôler qu’une seule machine ;
• de choisir les pièces « qui paraissent bonnes » ;
• de mélanger des séries différentes sans le savoir.

Un échantillon biaisé produit une estimation biaisée.

6.4. Erreur d’estimation

Une estimation n’est jamais exactement égale à la vraie valeur de la population. Il existe une incertitude d’échantillonnage.

Cette idée est fondamentale :

un résultat d’échantillon ne doit jamais être interprété comme une certitude absolue.

C’est pourquoi on utilise des intervalles de confiance.

7. L’intervalle de confiance d’une moyenne

Le programme prévoit, dans le cadre du contrôle qualité, l’étude de l’intervalle de confiance d’une moyenne.

7.1. Définition

Un intervalle de confiance est une fourchette dans laquelle on estime que la moyenne réelle de la population a de fortes chances de se situer.

Il permet de passer d’une estimation ponctuelle à une estimation encadrée.

Pourquoi est-ce utile ?

Parce qu’une moyenne observée sur un échantillon peut varier d’un prélèvement à l’autre. L’intervalle de confiance tient compte de cette variabilité.

7.2. Interprétation intuitive

Supposons qu’un échantillon de 36 pièces donne une longueur moyenne de 20,2 cm.

Au lieu d’affirmer :

« la moyenne réelle est 20,2 cm »

on dira plutôt :

« compte tenu de l’échantillon, la moyenne réelle est probablement comprise entre deux bornes ».

C’est beaucoup plus prudent et plus rigoureux.

7.3. Facteurs influençant la largeur de l’intervalle

L’intervalle de confiance dépend notamment :

• de la dispersion des mesures ;
• de la taille de l’échantillon.

Effets

• plus l’échantillon est grand, plus l’intervalle est resserré ;
• plus les données sont dispersées, plus l’intervalle est large.

Conséquence managériale

Si l’on veut une estimation plus précise, il faut souvent augmenter la taille de l’échantillon.

Mais cela a un coût. Le contrôle de gestion retrouve ici sa logique d’arbitrage entre fiabilité de l’information et coût du contrôle.

7.4. Exemple d’interprétation

Une entreprise veut vérifier si la machine respecte une cible de 500 g par produit.

Un échantillon fournit :

• moyenne observée : 498 g ;
• intervalle de confiance : [496 ; 500].

Lecture

• la cible de 500 g appartient encore à l’intervalle ;
• on ne peut pas conclure trop vite à une dérive certaine ;
• il faut peut-être compléter par un nouveau contrôle ou suivre l’évolution dans le temps.

Autre cas : intervalle [493 ; 497].

Lecture

• la cible de 500 g est hors de l’intervalle ;
• la machine semble produire en dessous de l’objectif ;
• une action corrective devient plus justifiée.

7.5. Intérêt pour le pilotage de la qualité

L’intervalle de confiance d’une moyenne permet de :

• prendre une décision plus robuste ;
• éviter de sur-réagir à une variation ponctuelle ;
• apprécier la précision du contrôle ;
• argumenter une action corrective.

8. Méthode pratique d’analyse d’une situation de contrôle qualité

Dans une situation de contrôle de gestion appliqué à la qualité, on peut suivre la démarche suivante.

8.1. Étape 1 : identifier l’objectif qualité

Exemples :

• respecter une dimension cible ;
• maintenir un taux de défaut inférieur à un seuil ;
• réduire les retours clients ;
• diminuer le coût de non-qualité.

8.2. Étape 2 : choisir l’outil pertinent

• feuille de relevé pour collecter ;
• Pareto pour hiérarchiser ;
• diagramme causes-effet pour rechercher les causes ;
• histogramme pour visualiser une distribution ;
• loi normale pour modéliser une variable mesurée ;
• échantillonnage et intervalle de confiance pour estimer.

8.3. Étape 3 : exploiter les données

• calculer la moyenne ;
• apprécier la dispersion ;
• comparer à la norme ;
• estimer l’incertitude.

8.4. Étape 4 : relier qualité et coûts

Toujours poser la question :

• quel est le coût du défaut ?
• quel est le coût du contrôle ?
• quel est le coût de l’action corrective ?

Le pilotage de la qualité n’est pas seulement technique ; il est aussi économique.

8.5. Étape 5 : formuler une décision

Exemples de décisions :

• renforcer la prévention ;
• modifier un réglage ;
• former les opérateurs ;
• revoir les critères de contrôle ;
• augmenter temporairement la taille de l’échantillon ;
• cibler les causes majeures révélées par le Pareto.

9. Cas d’application complet

Une entreprise conditionne des flacons. Le poids cible est de 250 g. Le responsable qualité prélève un échantillon de 25 flacons.

Constats :

• moyenne observée : 247 g ;
• dispersion non négligeable ;
• plusieurs réclamations clients sur des flacons sous-remplis ;
• coût de retours et gestes commerciaux en hausse.

Par ailleurs, les défauts relevés sur le mois sont :

• sous-poids : 60
• bouchon mal vissé : 20
• étiquette de travers : 15
• fuite : 5

1. Outil de hiérarchisation

Le diagramme de Pareto montre que le sous-poids est le problème principal.

2. Outil de recherche des causes

Le diagramme causes-effet peut explorer :

• machine mal réglée ;
• variation de viscosité ;
• défaut de maintenance ;
• erreur de paramétrage ;
• contrôle insuffisant en début de série.

3. Outil statistique

L’analyse de la moyenne observée et d’un intervalle de confiance permet d’apprécier si la moyenne réelle de production est réellement inférieure à la cible.

4. Lecture économique

Le coût de non-qualité externe augmente :

• retours ;
• avoirs ;
• insatisfaction client ;
• temps administratif.

5. Décision possible

• corriger le réglage de dosage ;
• renforcer la maintenance préventive ;
• mettre en place un suivi plus fréquent sur une période courte ;
• mesurer ensuite si la moyenne remonte vers la cible.

6. Limites à rappeler

• l’échantillon est de taille limitée ;
• il faut vérifier sa représentativité ;
• une seule mesure ponctuelle ne suffit pas toujours pour conclure à une dérive durable.

10. Conseils d’interprétation en contrôle de gestion

Dans un devoir ou en situation professionnelle, il faut éviter deux erreurs fréquentes :

Erreur n°1 : se contenter des calculs

Un calcul n’a d’intérêt que s’il conduit à une conclusion de gestion.

Il faut donc toujours expliciter :

• ce que révèle le résultat ;
• ce qu’il implique pour la qualité ;
• ce qu’il implique pour la performance ;
• quelle action paraît justifiée.

Erreur n°2 : conclure avec certitude absolue

Dès qu’il y a échantillonnage, il y a incertitude.

Il faut employer un vocabulaire rigoureux :

• « il semble que » ;
• « l’estimation suggère que » ;
• « les données indiquent une dérive probable » ;
• « sous réserve de la représentativité de l’échantillon ».

Cette prudence fait partie du professionnalisme attendu.

11. Synthèse : avantages, limites et rôle du contrôleur de gestion

Le pilotage de la qualité est une composante importante de l’amélioration des performances de l’organisation. Il mobilise des outils de gestion de la qualité et des outils statistiques simples adaptés au programme.

Ce que ces outils apportent

• meilleure visibilité sur les défauts ;
• hiérarchisation des problèmes ;
• aide à l’identification des causes ;
• suivi des actions correctives ;
• lien entre qualité et performance économique.

Ce qu’ils ne garantissent pas à eux seuls

• la vérité absolue ;
• l’absence d’erreur de mesure ;
• l’absence de biais d’échantillonnage ;
• une bonne décision sans analyse managériale.

Le rôle du contrôleur de gestion n’est donc pas seulement de produire des chiffres. Il doit :

• choisir des outils adaptés ;
• apprécier leurs limites ;
• relier qualité, coûts et performance ;
• alerter sur les risques d’interprétation ;
• aider les décideurs à agir.

Mémo final

À retenir absolument

• Le pilotage de la qualité vise à améliorer la performance de l’organisation.
• Il faut relier la qualité aux coûts de qualité et de non-qualité.
• Les principaux outils de gestion de la qualité servent à collecter, classer, analyser et suivre les défauts.
• Savoir mettre en œuvre et interpréter un outil est plus important que réciter une liste.
• Les outils ont des avantages mais aussi des limites.
• Il existe des risques liés aux outils de gestion de la qualité et à leur contrôle : biais, surcontrôle, mauvaise mesure, faux diagnostic.
• En contrôle qualité, seule la loi normale est abordée.
• L’échantillonnage est étudié sous l’angle des estimations.
• L’intervalle de confiance d’une moyenne permet une décision plus prudente et plus rigoureuse.

Formule de réflexion utile

Quand vous analysez une situation, posez-vous toujours quatre questions :

1. Que mesure-t-on ?
2. Avec quel outil ?
3. Quelles limites ou quels risques ?
4. Quelle décision de gestion en découle ?

C’est cette logique qui permet réellement d’aider au pilotage de la qualité.