La plupart des plans d’amélioration en montée en cadence commencent par les stocks tampons et l’ordonnancement, parce que ce sont les leviers les plus visibles depuis le terrain. Quand on décompose la variance du coût unitaire de façon rigoureuse, ce n’est pas ce que l’on trouve. Most ramp-up improvement plans start with buffers and scheduling, because those are the levers most visible from the floor. When you decompose the variance in cost per unit rigorously, that is not what you find.
Le résultatThe result
Sur les plages de fonctionnement typiques d’une ligne marocaine haute tension en montée en cadence, trois paramètres portent 94 % de la variance du coût unitaire (TUC). Across operating ranges typical of a Moroccan high-voltage line during ramp-up, three parameters carry 94% of the variance in transformation unit cost (TUC).
| ParamètreParameter | S1 | ST | LectureRead |
|---|---|---|---|
| Disponibilité / OEE de baseAvailability / base OEE | 0.687 | 0.689 | Arrêts de mise en service, discipline de maintenance préventiveCommissioning stops, preventive maintenance discipline |
| Efficacité des passationsShift handover efficiency | 0.160 | 0.162 | Le dossier « Follow-the-Sun » en un seul chiffreThe Follow-the-Sun case in one number |
| Coût énergie / unitéEnergy cost per unit | 0.093 | 0.093 | Réel, mais de troisième ordre sur le coûtReal, but third-order on cost |
| Stocks tampons inter-postesInter-station buffers | 0.033 | 0.037 | Faible sur le coût — voir la mise en gardeMinor on cost — see the caveat |
| Fiabilité équipement (MTBF)Equipment reliability (MTBF) | 0.000 | 0.000 | Zéro sur le coût — dominant sur le débitZero on cost — dominant on throughput |
S1 : effet principal. ST : effet total, interactions comprises. Cible : variance du TUC. S1: main effect. ST: total effect including interactions. Target: TUC variance.
Le débit raconte une autre histoireThroughput tells a different story
Le même modèle, interrogé sur le débit plutôt que sur le coût, inverse le classement : la fiabilité équipement passe première (S1 0,637), la disponibilité seconde (0,276). Les deux classements ne doivent jamais être mélangés — c’est l’erreur la plus fréquente que nous voyons dans les dossiers d’investissement. The same model, asked about throughput instead of cost, reverses the ranking: equipment reliability comes first (S1 0.637), availability second (0.276). The two rankings must never be mixed — that is the most common error we see in investment cases.
Où ce modèle ne dit rien d’utileWhere this model has nothing useful to say
Le MTBF obtient exactement zéro sur le coût unitaire. Ce n’est pas un résultat, c’est une propriété du modèle : notre TUC est une somme de coûts par unité sans terme d’absorption des charges fixes. En réalité, une panne fait porter les mêmes charges fixes par moins d’unités, donc la fiabilité a bien un effet sur le coût. Le modèle le sous-estime par construction. MTBF scores exactly zero on cost per unit. That is not a finding, it is a property of the model: our TUC is a per-unit cost sum with no fixed-cost absorption term. In reality a breakdown spreads the same fixed costs over fewer units, so reliability does affect unit cost. The model understates it by construction.
De même, le modèle analytique est quasi additif (ΣS1 = 0,994) : les interactions y sont inférieures à 1 %. Les véritables effets d’interaction — notamment « les tampons payent sous forte variabilité » — n’apparaissent que dans la simulation à événements discrets, où les files d’attente couplent les leviers. Likewise, the analytical model is nearly additive (ΣS1 = 0.994): interactions account for under 1%. Genuine interaction effects — notably “buffers pay off under variability” — appear only in the discrete-event simulation, where queueing couples the levers.
Pourquoi nous publions les limitesWhy we publish the limits
Un chiffre de sensibilité est facile à produire et difficile à vérifier. Les estimateurs approximatifs — corrélation au carré présentée comme indice de premier ordre, rapport de corrélation binné présenté comme effet total — saturent vers 1,0 dès qu’un paramètre est monotone. On obtient alors des « 95 % de la variance » qui ne veulent rien dire. Nous utilisons l’estimateur Saltelli de SALib, et nous indiquons les intervalles de confiance. A sensitivity number is easy to produce and hard to check. Approximate estimators — squared correlation presented as a first-order index, a binned correlation ratio presented as a total effect — saturate toward 1.0 as soon as a parameter is monotone. That is how you get a meaningless “95% of variance.” We use SALib’s Saltelli estimator, and we report confidence intervals.
Ces chiffres sont des plages de référence sectorielles, pas votre usine. C’est précisément ce qu’un diagnostic remplace : on recalibre les bornes sur vos données, on relance, et le classement change souvent. These are sector benchmark ranges, not your plant. That is exactly what a diagnostic replaces: we recalibrate the bounds against your data, re-run, and the ranking often changes.
Le diagnostic de ligneThe line diagnostic
Deux à trois semaines, une ligne. Référence OEE établie à partir de vos données, cartographie des goulots, analyse de sensibilité calibrée sur vos plages, et les trois recommandations prioritaires chiffrées. 9 500 $ (95 000 MAD), crédités à 100 % sur un pilote signé sous 60 jours. Two to three weeks, one line. OEE baseline built from your data, bottleneck map, sensitivity analysis calibrated to your ranges, and the top three recommendations with their value quantified. $9,500 (MAD 95,000), 100% credited against a pilot signed within 60 days.
Demander une conversation →Request a conversation →