Le Six Sigma pour la mesure et l’amélioration des délais de traitement dans le Picking

Par Massimiliano Manca

Dans l’article précédent, j’ai expliqué comment la méthodologie Six Sigma peut contribuer à identifier les causes qui déterminent la variabilité des processus logistiques, en particulier les variables significatives qui en décrivent le comportement et l’évolution. Prendre conscience de cette variabilité (phase Measure), synonyme de défauts, met en lumière l’importance d’identifier les causes profondes (phase Analyze) et les solutions correspondantes (phase Improve) pour un nécessaire processus d’amélioration. Les effets de ces améliorations se répercutent à juste titre sur le niveau de service offert au client.

Une bonne identification des causes principales commence toujours par une mesure correcte du phénomène : tout d’abord, grâce à la phase Measure, qui est centrale et stratégique dans la méthode Six Sigma, on définit le comportement dans le temps de ce qu’on appelle la CTQ (Critical to Quality), la variable critique qui détermine la non-qualité du processus analysé.

Essayons cette fois de déplacer l’analyse à l’intérieur des processus d’entrepôt et de considérer, comme CTQ, le délai d’exécution des commandes au Picking.

Il est indéniable, encore une fois, l’importance de pouvoir construire de manière facile et significative une série chronologique de données qui nous permet de comprendre la récurrence des problèmes, leur chronicité, mais surtout de déterminer comment et où il faut intervenir dans l’analyse de l’ensemble du processus de picking.

L’importance de cette approche ne repose pas uniquement sur la résolution de problèmes ponctuels nécessitant une intervention corrective, mais elle peut également être utilisée à juste titre comme la première phase d’un projet d’innovation et d’amélioration des systèmes de picking actuels. Cela est particulièrement pertinent face à l’augmentation des volumes de commandes à gérer, à l’élargissement de la gamme de produits à traiter au picking, ou à tout besoin d’amélioration des performances de l’entrepôt, qui passe inévitablement par les processus de picking.

Quelques autres considérations sur la CTQ nous amènent à dire qu’aujourd’hui, la quasi-totalité des WMS (systèmes de gestion d’entrepôt) utilisés pour gérer et mesurer les processus en entrepôt sont capables de générer et de restituer une grande quantité de données sur les délais d’exécution des picking lists. Le problème est peut-être l’excès de données produites. En effet, il devient souvent difficile de comprendre selon quelles logiques les données de processus ont été mesurées. Leur hétérogénéité rend difficile la paramétrisation correcte de la CTQ.

En considérant les systèmes de picking les plus classiques dans des environnements manuels, c’est-à-dire ceux de type Man to Goods (homme vers la marchandise), il convient, quelle que soit la méthode de mesure, de diviser le « temps d’exécution de la mission de picking, ou le tour de prélèvement » en deux composantes principales :

• Temps fixes : ils se réfèrent aux activités qui ne dépendent pas des déplacements réels pendant le tour de prélèvement (par exemple, le démarrage de la mission, l’identification de l’opérateur et de la zone de picking, la lecture optique des codes de chaque article, la mise à jour de la picking list, et la phase de clôture).
• Temps variables : ils dépendent strictement du parcours réel effectué par les opérateurs (avec ou sans l’aide de chariots ou de systèmes automatisés).

Bien que la première catégorie de temps puisse également faire l’objet d’une étude et d’améliorations, notamment lors de la conception de nouveaux systèmes de picking, ce sont les temps variables qui, dans la gestion opérationnelle, méritent une analyse approfondie et peuvent faire l’objet de l’application de la méthodologie Six Sigma. En effet, nous avons commencé par dire que cette méthodologie vise principalement à réduire les « défauts = variabilité » de la CTQ et du processus auquel elle est liée. Il va donc de soi que les temps variables, par définition, doivent être contenus dans des limites de spécification acceptables.

Ainsi, la CTQ à étudier devient donc le temps de parcours net (somme des déplacements internes, entre les allées des rayonnages, et des déplacements externes).

Cela soulève donc la première problématique importante concernant la collecte des données : réussir à isoler un temps de mission caractérisé uniquement par la composante variable. Lors de la paramétrisation des systèmes de mesure des temps, il est essentiel de s’assurer que les temps de déplacement pur effectués pendant la mission de prélèvement puissent être clairement et sans ambiguïté extraits.

Avec des données en main, correctement et de manière unique définies, il devient possible de construire ce que l’on appelle la ligne de base de la CTQ.

La nécessité de la stratification des données par facteurs homogènes émerge.

Cette phase implique la capacité à sous-catégoriser l’ensemble des données en fonction de situations et de contextes de fonctionnement radicalement différents du processus de picking. Si les conditions environnantes changent, il est important de ne pas mélanger les données.

Par exemple, il est essentiel de stratifier l’ensemble des données en sous-ensembles attribuables à des cas où les politiques de routing (itinéraires) peuvent changer à différents moments. Une autre stratification importante réside dans le fait que, pour certains ordres à traiter et à certaines phases du picking journalier, on utilise alternativement des techniques de Order Picking et/ou de Batch Picking.

Une fois cette phase terminée, on est prêt à représenter, à l’aide des techniques appropriées (tableaux, histogrammes et courbes continues normalisées), l’évolution de la CTQ au fil du temps. Cependant, la quantité massive de données accumulées, même sur un seul mois d’historique, risque de surcharger le travail ; il sera donc pertinent de procéder à un processus d’inférence statistique afin de construire un échantillon répondant positivement à deux critères fondamentaux :

• Représentativité
• Significativité

Avec les « données en main », on peut procéder à la compréhension du phénomène. En particulier, il est pertinent de se poser les questions suivantes :

• Quelle est la valeur que l’on peut considérer comme représentative de l’ensemble des données recueillies ?
• Comment les points se sont-ils distribués autour de cette valeur ?
• Sont-ils très concentrés ou dispersés ?
• Dans quelle mesure la distribution des données diffère-t-elle éventuellement de la distribution normale gaussienne ?

Il est conseillé d’effectuer ces analyses à l’aide d’indicateurs statistiques de position (moyenne, mode, médiane), de dispersion (étendue, variance, écart-type, coefficients de variation et quartiles) et de forme de la courbe (kurtosis et skewness).

Les valeurs des temps de parcours au picking sont évidemment très nombreuses et tendent à une taille typique d’un grand ensemble de données. On peut donc affirmer que leur distribution tend à prendre la forme typique de la « courbe en cloche de Gauss » ou distribution normale.

Comme expliqué dans l’article sur l’analyse des délais de livraison (lead time), la distribution statistique de la CTQ (temps de parcours au picking) doit également être mise en relation avec les limites de spécification, dictées bien sûr par tous les facteurs contextuels qui définissent l’acceptabilité maximale pour le traitement des commandes. La définition de ces limites de spécification doit aussi découler d’une étude approfondie des conditions environnantes.

Une fois encore, l’objectif ne doit pas être de réduire la valeur moyenne du temps de parcours au picking en valeur absolue, mais de réduire sa variabilité, car c’est cette variabilité qui entraîne une forte probabilité de dépasser la limite de spécification admise. L’identification des causes qui génèrent cette variabilité sera l’activité stratégique permettant de corriger, même avec des interventions peu coûteuses, les situations de non-conformité.