Modélisation statistique de processus opérationnels (F-process-00)
     

La modélisation statistique a pour but d'accroître la connaissance des processus opérationnels pour mieux les maîtriser : réduire les coûts, améliorer les rendements et la qualité pour les clients, réduire les délais. Compte tenu de la complexité des activités, de la multiplicité des paramètres et de leurs interactions, seule une approche globale multidimensionnelle est à même de révéler les facteurs clés d'amélioration

Informations Public : Toute personne chargée du contrôle de la qualité ou de la maîtrise statistique des procédés et souhaitant mieux connaître ses processus. Pré-requis : Il est conseillé d'avoir participé au préalable au stage Pratique de la Statistique II : Analyse de la Variance et Régression ou d'avoir acquis par la pratique un niveau équivalent Méthode : Alternance d'exposés, de manipulations et d'exercices pratiques mis en oeuvre dans Simca-P+ (ou tout autre logiciel en intra-entreprise)		Durée : 3 jour(s) Prochaine(s) session(s) : Lieu Du Au Paris 21/05/2012 23/05/2012 Paris 28/11/2012 30/11/2012 Frais d'inscription : - Inter-entreprises : Prix unitaire par stagiaire(s) inscrit(s) 1 inscrit 2 inscrits 3 inscrits et + 1800€ HT 1500€ HT 1200€ HT - Intra-entreprise : Nous consulter
Programme - Introduction La modélisation statistique d'un processus industriel ou de service : présentation générale des diverses méthodes (ACP, PLS, PLSDA, SIMCA, AFD) Présentation de la démarche : définition, objectifs et enjeux Lien avec le Process Analytical Technology (PAT). Types d'applications - Définir le projet Objectif Périmètre du process à modéliser Cartographie du processus et identification des acteurs clés (experts, opérationnels, clients,...) Organisation, planning, ressources et budget - Collecter les données de modélisation Mode d'identification des paramètres clés pour la modélisation Audit des données existantes Identifier et définir les paramètres complémentaires à acquérir Documenter et administrer les données de modélisation - Prétraiter les données Démarche d'analyse et de traitement univarié selon la nature de la variable Démarche d'analyse bivariée selon la nature de la variable - Présentation des étapes clés de la modélisation Définir par étapes tous les modèles potentiels a priori Réaliser une analyse multidimensionnelle descriptive préalable Réaliser les modélisations Valider les modèles Préparer la documentation des modèles réalisés Utiliser les modèles en routine : amélioration et maintenance. - Analyse multidimensionnelle descriptive préalable Objectif Réalisation, traitement et interprétation - Les diverses techniques de modélisation multidimensionnelle Objectifs Présentation détaillées : ACP (analyse en composantes principales) PLS (projection on latent structure) PLSDA (PLS discriminant analysis) SIMCA (soft independent modelling of class assiciation) AFD(Analyse factorielle discriminante) Les méthodes de modélisation hiérarchiques Quel modèle choisir et dans quels cas ? Déploiement et utilisation Illustration au travers d'exemples réels réussis dans divers domaines - Améliorer et maintenir les modèles Processus itératif d'amélioration continu Organiser et gérer la maintenance des modèles