Histogramme : comment analyser la variation d'un processus

Qu'est-ce qu'un histogramme ? Une loupe posée sur un ensemble sculptural de barres de fréquence

Turn this article into takeaways for your work.

Each assistant summarizes the article only for you and suggests best practices for your work.

L'histogramme est l'un des outils les plus pratiques de la gestion des processus, car il transforme une colonne de chiffres en une image de ce que fait réellement votre processus. Quand votre équipe débat pour savoir si une variation est « normale » ou s'il s'agit d'un vrai problème, un histogramme tranche en quelques secondes.

Savoir utiliser l'histogramme comme outil qualité n'est pas facultatif pour les responsables des opérations. C'est une compétence de base, et s'en passer revient à décider à partir de moyennes qui masquent une partie de la réalité.

Qu'est-ce qu'un histogramme ?

Un histogramme est un diagramme en barres qui montre la distribution des fréquences de données continues regroupées en plages appelées classes. Chaque barre indique la fréquence à laquelle les mesures tombent dans une plage donnée. Ensemble, les barres révèlent la forme, le centre et la dispersion de la variation de votre processus.

L'histogramme fait partie des 7 outils de base de la qualité (appelés aussi les 7 outils QC), formalisés à l'origine par Kaoru Ishikawa dans les années 1960 comme un ensemble de méthodes visuelles simples pour l'analyse de la qualité.

Histogramme et diagramme en barres : dans un diagramme en barres classique, les barres représentent des catégories distinctes (types de produits, régions, services) et sont séparées par des espaces. Dans un histogramme, les données sont continues (mesures, durées, poids), les barres se touchent et l'axe des x représente une échelle numérique divisée en plages égales.

Chiffres clés

  • Les 7 outils de base de la qualité, dont l'histogramme, ont été formalisés par Kaoru Ishikawa vers 1968 pour donner aux équipes de terrain une boîte à outils pratique de contrôle qualité. (Ishikawa, « Guide to Quality Control », 1968)
  • L'histogramme comme représentation statistique a été nommé et introduit par Karl Pearson en 1895, dans le cadre de ses travaux sur les courbes de fréquence. (Pearson, « Contributions to the Mathematical Theory of Evolution », 1895)
  • La règle de Sturges, la recommandation la plus courante pour choisir le nombre de classes d'un histogramme, a été publiée par Herbert Sturges en 1926 : k = 1 + 3,322 log(n), où n est la taille de l'échantillon. (Sturges, « The Choice of a Class Interval », Journal of the American Statistical Association, 1926)

« Une moyenne cache l'histoire ; un histogramme la raconte. »

Pourquoi utiliser un histogramme ?

Un tableau de 200 mesures n'apprend pas grand-chose au premier coup d'œil. Vous pouvez calculer une moyenne, mais elle ne dit pas si toutes vos pièces se regroupent autour de la cible ou se dispersent dans tous les sens.

Un histogramme fait trois choses qu'un tableau ne peut pas faire :

1. Il rend la variation visible. Vous voyez immédiatement si votre processus produit un résultat serré et régulier, ou une dispersion large et imprévisible.

2. Il montre la position par rapport aux limites de spécification. Dès que vous tracez sur l'histogramme des lignes verticales pour vos limites de spécification inférieure et supérieure (LSL et USL), vous voyez d'un coup d'œil si la production du processus tient dans la fenêtre ou si des défauts s'échappent d'un côté ou des deux.

3. Il révèle les formes non normales. Les distributions asymétriques, les doubles pics, les creux et les falaises signalent tous quelque chose qui mérite d'être examiné. Les méthodes de maîtrise statistique des procédés (MSP, ou SPC) supposent des données à peu près normales : repérer tôt ces formes protège donc votre analyse de fausses conclusions.

Comment lire un histogramme : les formes courantes

La forme d'un histogramme a un sens. Voici un tableau de référence des formes que vous rencontrerez le plus souvent :

Formes courantes d'histogrammes, présentées comme cinq silhouettes d'histogrammes miniatures exposées comme des spécimens

Forme À quoi elle ressemble Ce qu'elle signale souvent
Normale (en cloche) Symétrique, un seul pic au centre Processus stable et bien centré ; la plupart des résultats respectent la spécification
Asymétrique à droite Longue queue vers la droite ; pic décalé vers la gauche Contrainte de borne inférieure (par exemple, pas de valeurs négatives) ; usure des outils au fil du temps
Asymétrique à gauche Longue queue vers la gauche ; pic décalé vers la droite Limite supérieure qui coupe les valeurs ; contrôle à 100 % qui retire les défauts
Bimodale (double pic) Deux bosses distinctes Deux flux de processus distincts mélangés (deux machines, deux opérateurs, deux équipes)
Plateau (uniforme) Barres de hauteur à peu près égale, sans pic net Sources multiples mélangées ; le processus n'a pas de réglage dominant
Pic en bordure Pointe à une extrémité de la plage Données tronquées par un tri, un contrôle ou le retrait des retouches
En peigne (irrégulière) Alternance de barres hautes et basses Arrondi des mesures ou résolution de l'instrument trop grossière pour la largeur de classe

Lire d'abord la forme, puis la position, puis la largeur vous donne à chaque fois une interprétation structurée.

Comment créer un histogramme

Il faut au moins 50 points de données pour qu'un histogramme soit fiable, et 100 ou plus donnent des formes plus nettes. Voici les six étapes :

Création d'un histogramme : un large flux de points de mesure triés en classes qui s'élèvent en barres

Étape 1 : collecter les données

Rassemblez vos mesures du processus dans une seule liste. Notez la taille de l'échantillon (n). Veillez à ce que les données proviennent d'une seule condition de processus : mélanger des données d'avant et d'après une modification du processus produira des formes trompeuses.

Étape 2 : déterminer l'étendue

Soustrayez la plus petite valeur de la plus grande : étendue = maximum - minimum. Cela indique la largeur nécessaire de votre axe des x.

Étape 3 : choisir le nombre de classes

Prenez la règle de Sturges comme point de départ : k = 1 + 3,322 x log(n). Pour 100 points de données, cela donne environ 8 classes. La méthode de la racine carrée est plus simple : k = racine(n), soit 10 classes pour 100 points de données. Les deux sont de bons points de départ. Ajustez à la hausse ou à la baisse pour éviter les barres qui semblent vides ou celles qui regroupent tout dans un seul bloc.

Étape 4 : fixer la largeur des classes

Largeur de classe = étendue / nombre de classes. Arrondissez à une valeur pratique, cohérente avec la précision de vos mesures. Toutes les classes doivent avoir la même largeur.

Étape 5 : compter les fréquences

Comptez combien de points de données tombent dans chaque classe. Une feuille de relevé est un outil utile pour cette étape quand vous comptez à la main.

Étape 6 : tracer les barres

Reportez la fréquence (l'effectif) sur l'axe des y et les plages de classes sur l'axe des x. Tracez des barres contiguës, une par classe, dont la hauteur correspond à la fréquence. Ajoutez un titre, nommez les deux axes avec leurs unités, indiquez la taille de l'échantillon et tracez vos limites de spécification sous forme de lignes verticales le cas échéant.

Exemples d'histogrammes par fonction

Industrie : dimensions de pièces. Une équipe d'usinage mesure le diamètre de 150 arbres. L'histogramme montre une cloche centrée légèrement au-dessus de la cible, dont la queue de droite dépasse l'USL. L'ingénieur en déduit qu'il faut décaler la moyenne du processus vers le bas, et non élargir les tolérances.

Exemples d'histogrammes par fonction : quatre échantillons de mesures physiques qui alimentent une même loupe d'histogramme

Support client : durée de traitement des appels. Une directrice du support trace 200 durées de traitement d'appels. L'histogramme est asymétrique à droite, avec une longue queue au-delà de 15 minutes. L'équipe examine cette queue et découvre qu'un sous-ensemble d'appels concerne une catégorie de produits précise qui nécessite un script dédié.

RH : délai de recrutement. Un responsable RH trace 80 embauches récentes en fonction du nombre de jours jusqu'à l'offre. L'histogramme montre un schéma bimodal : un pic à 18 jours et un autre à 42 jours. En séparant les données par type de poste, l'équipe constate que les postes techniques suivent un parcours et les postes administratifs un autre. Les regrouper dans une seule moyenne avait totalement masqué cet écart.

Ces exemples ont un point commun : l'histogramme révèle un segment ou un décalage que masque une statistique de synthèse.

Histogramme et autres outils qualité

L'histogramme n'est pas l'outil adapté à toutes les questions. Voici comment il se compare à deux proches cousins :

Histogramme, Pareto et carte de contrôle : trois instruments de graphique distincts qui comparent distribution, classement et signaux dans le temps

Histogramme et diagramme de Pareto. Une analyse de Pareto classe par fréquence des catégories de défauts discrètes (mauvaise pièce, étiquette manquante, rayure de surface) pour montrer quelles catégories, peu nombreuses, causent la plupart des problèmes. Utilisez un diagramme de Pareto quand vos données sont catégorielles. Utilisez un histogramme quand vos données sont des mesures continues.

Histogramme et diagramme de suivi ou carte de contrôle. Un histogramme fait abstraction du temps. Il montre la distribution de toutes les valeurs sur une période, mais pas leur séquence. Un diagramme de suivi ou une carte de contrôle conserve l'ordre chronologique et révèle les tendances, les cycles ou les décalages brusques. Pour une vision complète, utilisez les deux : l'histogramme pour la forme de la distribution et la carte de contrôle pour le comportement dans le temps.

Le diagramme d'Ishikawa se marie bien avec un histogramme lorsque vous utilisez la forme de la distribution pour formuler des hypothèses sur les causes racines, puis structurez l'investigation avec l'Ishikawa.

La méthode DMAIC du Six Sigma recourt généralement aux histogrammes dans les phases Measure et Analyze pour caractériser la performance du processus avant toute tentative d'amélioration.

Les programmes de management de la qualité totale utilisent les histogrammes comme diagnostic de base dans toutes les fonctions, pas seulement dans l'industrie.

Pour comparer la relation entre deux variables continues, un diagramme de dispersion prolonge l'analyse qu'amorce un histogramme.

Bonnes pratiques

Taille minimale de l'échantillon. Ne tirez pas trop de conclusions d'un histogramme de moins de 50 points de données. Les formes deviennent stables et fiables à partir de 100 observations.

Règles empiriques sur le nombre de classes. La règle de Sturges (k = 1 + 3,322 log n) et la règle de la racine carrée (k = racine n) sont toutes deux raisonnables. Si votre histogramme paraît trop haché, ajoutez des classes. S'il ressemble à un ou deux gros blocs, réduisez-en le nombre.

Tout nommer. Indiquez le nom de la variable, les unités de mesure, la taille de l'échantillon, la période et la condition du processus. Un histogramme sans contexte est impossible à exploiter six mois plus tard.

Une seule condition à la fois. Si vous mélangez des données de deux machines, de deux opérateurs ou de périodes avant et après un changement, vous risquez de créer une forme bimodale artificielle. Stratifiez d'abord, tracez ensuite.

Tracer les limites de spécification. Superposer vos LSL et USL à l'histogramme est le moyen le plus rapide de voir si votre processus est capable. Si des barres dépassent l'une ou l'autre limite, vous avez un taux de défauts à quantifier et à réduire.

About the author

Linh Ngo

Linh Ngo

Customer Success Operations Manager

Linh Ngo is Customer Success Operations Manager at Rework, focused on AI-led process automation for operations teams, especially order fulfillment and finance workflows. Linh writes about process management and the AI productivity tools that take manual steps out of daily operations, so teams can see where work stalls and fix the process before adding headcount.