[et_pb_section fb_built=\u00a0\u00bb1″ _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbet_body_layout\u00a0\u00bb][et_pb_row _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbet_body_layout\u00a0\u00bb][et_pb_column type=\u00a0\u00bb4_4″ _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbet_body_layout\u00a0\u00bb][et_pb_text _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb hover_enabled=\u00a0\u00bb0″ global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbet_body_layout\u00a0\u00bb sticky_enabled=\u00a0\u00bb0″]<\/p>\n
La r\u00e9alit\u00e9 est brutale : l’efficacit\u00e9 globale des \u00e9quipements moyenne dans l’industrie manufacturi\u00e8re est de 55-60%, et seuls 6% des usines atteignent le World Class de 85%+.<\/strong> Le choc est souvent rude pour les responsables de production qui d\u00e9couvrent que leur calcul OEE manuel masque 10-30% de capacit\u00e9 productive cach\u00e9e.<\/p>\n En 2025, alors que le march\u00e9 des solutions OEE devrait atteindre 12 milliards USD d’ici 2033, la priorit\u00e9 n’est plus \u00ab\u00a0devons-nous mesurer ?\u00a0\u00bb mais \u00ab\u00a0comment garantir la fiabilit\u00e9 de nos donn\u00e9es ?\u00a0\u00bb. Dans cet article, nous d\u00e9cortiquons les 7 erreurs fatales qui faussent vos indicateurs, avec des exemples chiffr\u00e9s issus d’\u00e9tudes McKinsey, Evocon et Symestic.<\/p>\n L’OEE (Overall Equipment Effectiveness) combine trois dimensions critiques du temps de production :<\/p>\n OEE = Disponibilit\u00e9 \u00d7 Performance \u00d7 Qualit\u00e9<\/strong><\/p>\n McKinsey documente des gains substantiels li\u00e9s \u00e0 un calcul pr\u00e9cis :<\/p>\n Cas concret<\/strong> : Une usine pharma passant de 37% \u00e0 60% d’OEE g\u00e9n\u00e8re un retour annuel de 14-16 millions USD<\/strong> (McKinsey, 250 jours\/an, 16h\/jour, marge 40%).<\/p>\n Le constat<\/strong> : La majorit\u00e9 des usines op\u00e8rent 20-30 points sous le World Class, souvent sans le savoir.<\/p>\n Le probl\u00e8me<\/strong> : Ces arr\u00eats de quelques secondes (bourrages, capteurs, ajustements) \u00e9chappent \u00e0 la collecte manuelle. 50 micro-arr\u00eats de 3 minutes = 2h30 perdues.<\/p>\n Impact chiffr\u00e9<\/strong> : DBR77 Robotics \u00e9tablit que les micro-arr\u00eats repr\u00e9sentent 15-20% du temps perdu<\/strong>. Symestic documente :<\/p>\n Cas Nutriset<\/strong> : Le client agroalimentaire a \u00e9limin\u00e9 ces \u00ab\u00a0irritants\u00a0\u00bb de 3-4 secondes survenant 50-100 fois\/poste, r\u00e9sultat : +11% TRS en 8 ans<\/strong>.<\/p>\n Solution<\/strong> : Capteurs IoT capturant chaque \u00e9v\u00e9nement d\u00e8s la premi\u00e8re seconde, sans intervention humaine.<\/p>\n Le probl\u00e8me<\/strong> : Utiliser la vitesse moyenne historique au lieu de la vitesse nominale fabricant gonfle artificiellement les scores.<\/p>\n Exemple Symestic<\/strong> : Fabricant sp\u00e9cifie 3 sec\/pi\u00e8ce, temps r\u00e9el observ\u00e9 4 sec. Production de 1 000 pi\u00e8ces en 3 300 secondes :<\/p>\n Calcul correct (vitesse fabricant)<\/strong> :<\/p>\n Calcul erron\u00e9 (vitesse moyenne)<\/strong> :<\/p>\n Impact<\/strong> : Worximity alerte que cette erreur masque les opportunit\u00e9s d’am\u00e9lioration. Corriger r\u00e9v\u00e8le 5-25% d’am\u00e9lioration possible<\/strong>.<\/p>\n Le probl\u00e8me<\/strong> : Compter les pi\u00e8ces retravaill\u00e9es comme \u00ab\u00a0bonnes\u00a0\u00bb dans le taux de qualit\u00e9 fausse l’indice.<\/p>\n Exemple Symestic<\/strong> : Production 1 000 pi\u00e8ces :<\/p>\n Calcul incorrect<\/strong> : (900 + 80) \/ 1 000 = 98%<\/strong> Calcul correct (First Pass Yield)<\/strong> : 900 \/ 1 000 = 90%<\/strong> \u00c9cart<\/strong> : 8 points<\/strong><\/p>\n Principe<\/strong> : Worximity pr\u00e9cise : \u00ab\u00a0Seules les pi\u00e8ces sans d\u00e9faut d\u00e8s la premi\u00e8re passe comptent. Inclure les retouches masque les probl\u00e8mes du processus de production.\u00a0\u00bb<\/p>\n Le probl\u00e8me<\/strong> : Evocon identifie la mauvaise cat\u00e9gorisation des arr\u00eats comme erreur #1<\/strong>. Les arr\u00eats non planifi\u00e9s deviennent \u00ab\u00a0planifi\u00e9s\u00a0\u00bb pour am\u00e9liorer les scores.<\/p>\n Culture du b\u00e2ton<\/strong> : TipTeh explique : \u00ab\u00a0Quand la donn\u00e9e est utilis\u00e9e comme b\u00e2ton disciplinaire, les \u00e9quipes classifient incorrectement les arr\u00eats pour masquer les probl\u00e8mes.\u00a0\u00bb<\/p>\n Confusions classiques<\/strong> :<\/p>\n Impact<\/strong> : Masque les opportunit\u00e9s d’am\u00e9lioration et donne une fausse impression d’optimisation.<\/p>\n Le probl\u00e8me<\/strong> : Scytec alerte : \u00ab\u00a0La saisie manuelle entra\u00eene des erreurs humaines.\u00a0\u00bb Le classique \u00ab\u00a0Avez-vous rempli votre feuille ?\u00a0\u00bb produit des donn\u00e9es approximatives.<\/p>\n 5 causes d’inexactitude<\/strong> :<\/p>\n Cas PSA Stellantis<\/strong> : Christophe Pasquet confirme le temps consid\u00e9rable lib\u00e9r\u00e9 pour les op\u00e9rateurs qui se concentrent sur la production.<\/p>\n Le probl\u00e8me<\/strong> : M\u00e9langer minutes, secondes et heures produit des r\u00e9sultats absurdes.<\/p>\n Exemple Symestic<\/strong> : 390 min de fonctionnement, 45 sec\/pi\u00e8ce, 500 pi\u00e8ces<\/p>\n Incorrect (unit\u00e9s mixtes)<\/strong> : (45 \u00d7 500) \/ 390 = 57,7 (absurde)<\/strong> Correct (secondes)<\/strong> : (45 \u00d7 500) \/ (390 \u00d7 60) = 96,2%<\/strong><\/p>\n Recommandation<\/strong> : \u00ab\u00a0V\u00e9rifiez les r\u00e9sultats inhabituels pour d\u00e9tecter des erreurs d’unit\u00e9s\u00a0\u00bb (Symestic).<\/p>\n Le probl\u00e8me : Evocon identifie le manque de standardisation comme erreur #7 critique. Sans m\u00e9thodologie unique, impossible de comparer les sites.<\/p>\n 4 sources d’incoh\u00e9rence<\/strong> :<\/p>\n Pi\u00e8ge<\/strong> : Worximity alerte sur les comparaisons inappropri\u00e9es (1 changement\/jour vs 4-5 changements\/jour).<\/p>\n Cas Eolane<\/strong> : Vincent Perrault utilise un outil standard multi-sites permettant un suivi uniforme avec gain \u00e9conomique important.<\/p>\n Capteurs IoT capturant chaque \u00e9v\u00e9nement temps r\u00e9el. \u00c9limine erreurs #1 (micro-arr\u00eats) et #5 (donn\u00e9es inexactes).<\/p>\n Application automatique de la bonne formule, bonnes cat\u00e9gories, bonnes unit\u00e9s. \u00c9limine erreurs #2, #3, #6, #7.<\/p>\n Arr\u00eats classifi\u00e9s selon r\u00e8gles param\u00e9trables, appliqu\u00e9es 24h\/24. \u00c9limine erreur #4.<\/p>\n Donn\u00e9es transform\u00e9es en Pareto, tendances, corr\u00e9lations. Analyse des causes racines automatique. D\u00e9rives d\u00e9tect\u00e9es proactivement.<\/p>\n Gains McKinsey<\/strong> :<\/p>\n Cas document\u00e9s<\/strong> :<\/p>\n ROI typique<\/strong> : 6-18 mois selon taille installation.<\/p>\n [\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbet_body_layout\u00a0\u00bb custom_margin=\u00a0\u00bb29px|auto||auto||\u00a0\u00bb][et_pb_column type=\u00a0\u00bb4_4″ _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbet_body_layout\u00a0\u00bb][et_pb_text _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb hover_enabled=\u00a0\u00bb0″ global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbet_body_layout\u00a0\u00bb sticky_enabled=\u00a0\u00bb0″]<\/p>\n [\/et_pb_text][et_pb_accordion _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb hover_enabled=\u00a0\u00bb0″ global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbet_body_layout\u00a0\u00bb sticky_enabled=\u00a0\u00bb0″][et_pb_accordion_item title=\u00a0\u00bbComment calculer l’OEE correctement ?\u00a0\u00bb open=\u00a0\u00bbon\u00a0\u00bb _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb hover_enabled=\u00a0\u00bb0″ global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbet_body_layout\u00a0\u00bb sticky_enabled=\u00a0\u00bb0″]<\/p>\n OEE = Disponibilit\u00e9 \u00d7 Performance \u00d7 Qualit\u00e9<\/strong><\/p>\n Disponibilit\u00e9<\/strong> = Temps r\u00e9el \/ Temps pr\u00e9vu Performance<\/strong> = Quantit\u00e9 de pi\u00e8ces r\u00e9elle \/ Th\u00e9orique (vitesse fabricant) Qualit\u00e9<\/strong> = Pi\u00e8ces bonnes (First Pass) \/ Total produites<\/p>\n Exemple<\/strong> : Shift 8h (480 min), pauses 30 min, arr\u00eats 45 min<\/p>\n Disponibilit\u00e9 = 405\/450 = 90%<\/p>\n<\/li>\n Performance = 385\/405 pi\u00e8ces = 95%<\/p>\n<\/li>\n Qualit\u00e9 = 377\/385 = 98%<\/p>\n<\/li>\n OEE = 83,8%<\/strong><\/p>\n<\/li>\n<\/ul>\n [\/et_pb_accordion_item][et_pb_accordion_item title=\u00a0\u00bbPourquoi mon OEE manuel est sup\u00e9rieur \u00e0 l’automatis\u00e9 ?\u00a0\u00bb _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb hover_enabled=\u00a0\u00bb0″ global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbet_body_layout\u00a0\u00bb open=\u00a0\u00bboff\u00a0\u00bb sticky_enabled=\u00a0\u00bb0″]<\/p>\n Normal ! L’automatis\u00e9 est typiquement 5-15 points inf\u00e9rieur<\/strong> car il capture :<\/p>\n Micro-arr\u00eats (15-20% pertes cach\u00e9es)<\/p>\n<\/li>\n Vitesses r\u00e9elles vs moyennes (5-25% potentiel)<\/p>\n<\/li>\n Retouches exclues (8 points \u00e9cart)<\/p>\n<\/li>\n Classification correcte des arr\u00eats<\/p>\n<\/li>\n Toutes les erreurs de saisie \u00e9limin\u00e9es<\/p>\n<\/li>\n<\/ul>\n [\/et_pb_accordion_item][et_pb_accordion_item title=\u00a0\u00bbQu’est-ce qu’un bon OEE ?\u00a0\u00bb _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb hover_enabled=\u00a0\u00bb0″ global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbet_body_layout\u00a0\u00bb open=\u00a0\u00bboff\u00a0\u00bb sticky_enabled=\u00a0\u00bb0″]<\/p>\n Standards g\u00e9n\u00e9raux<\/strong> :<\/p>\n < 60% : Insuffisant (moyenne mondiale 55-60%)<\/p>\n<\/li>\n 60-75% : Acceptable PME<\/p>\n<\/li>\n 75-85% : Bon niveau<\/p>\n<\/li>\n > 85% : World Class<\/p>\n<\/li>\n<\/ul>\n Par secteur<\/strong> :<\/p>\n Pharma : 35-37% moyen, 70% World Class<\/p>\n<\/li>\n Agroalimentaire : 70-80% moyen, 80-85% leaders<\/p>\n<\/li>\n Automobile : 75% moyen, 84-86% lean<\/p>\n<\/li>\n<\/ul>\n Important<\/strong> : Seuls 6% atteignent 85%+ (Evocon). Visez l’am\u00e9lioration continue : +5 points\/an.<\/p>\n [\/et_pb_accordion_item][\/et_pb_accordion][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbet_body_layout\u00a0\u00bb][et_pb_column type=\u00a0\u00bb4_4″ _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbet_body_layout\u00a0\u00bb][et_pb_text _builder_version=\u00a0\u00bb4.27.4″ _module_preset=\u00a0\u00bbdefault\u00a0\u00bb hover_enabled=\u00a0\u00bb0″ global_colors_info=\u00a0\u00bb{}\u00a0\u00bb theme_builder_area=\u00a0\u00bbet_body_layout\u00a0\u00bb sticky_enabled=\u00a0\u00bb0″]<\/p>\n Seuls 6% des manufacturiers atteignent le World Class<\/strong>, la majorit\u00e9 op\u00e8re \u00e0 55-60% r\u00e9el<\/strong> en pensant \u00eatre \u00e0 70-75%. Cette diff\u00e9rence repr\u00e9sente des centaines de milliers d’euros de capacit\u00e9 cach\u00e9e pendant la p\u00e9riode de production.<\/p>\n L’automatisation co\u00fbte moins que le manuel<\/strong> :<\/p>\n ROI rapide document\u00e9<\/strong> :<\/p>\n \u00c9tapes suivantes<\/strong> :<\/p>\n Outils gratuits pour passer \u00e0 l’action<\/span><\/p>\nPourquoi le Calcul OEE est Essentiel<\/h2>\n
\n
Benchmarks par secteur<\/h3>\n
\n
Les 7 Erreurs Fatales dans le Calcul Manuel<\/h2>\n
Erreur #1 <\/span>– Micro-Arr\u00eats Invisibles : 15-20% de Pertes pour la Disponibilit\u00e9<\/h3>\n
\n
Erreur #2<\/span> – Vitesses Moyennes : 5-25% de Potentiel Masqu\u00e9 dans l’Entreprise<\/h3>\n
\n
\n
Erreur #3<\/span> – Retouches Compt\u00e9es : 8 Points d’\u00c9cart Qualit\u00e9<\/h3>\n
\n
Erreur #4<\/span> – Classification des Arr\u00eats : Impact sur la Disponibilit\u00e9<\/h3>\n
\n
Erreur #5<\/span> – Donn\u00e9es Manuelles Inexactes<\/h3>\n
\n
Erreur #6<\/span> – Confusion des Unit\u00e9s de Temps<\/h3>\n
Erreur #7<\/span> – Manque de Standardisation Multi-Sites<\/h3>\n
\n
Solution : Les 4 Piliers de l’Automatisation<\/h2>\n
1. Collecte Automatique<\/h3>\n
2. Calcul Standardis\u00e9<\/h3>\n
3. Cat\u00e9gorisation Intelligente<\/h3>\n
4. Analyse des Causes et Alertes<\/h3>\n
ROI Document\u00e9<\/h2>\n
\n
\n
FAQ \u2013 Vos questions fr\u00e9quentes sur l’OEE<\/b><\/h2>\n
\n
\n
\n
\n
Conclusion<\/h2>\n
Points cl\u00e9s<\/h3>\n
\n
\n
\n