Retour aux ressources
Webzine | 28 mai 2021

Le temps Takt dans le service à la clientèle

Contenu réservé aux membres

Présentation donnée à l’ASQ Lean and Six Sigma Conference 2019

Vous cherchez un moyen d’augmenter la satisfaction de la clientèle? Avez-vous pensé que le temps takt peut vous y aider?

Rappelons que le terme « takt » provient du latin tactus et de l’allemand takt. Il fait référence à la cadence à laquelle quelque chose se déroule. Le temps takt peut donc se définir comme le temps entre la réalisation consécutive de deux actions similaires.

Dans un contexte Lean, le temps takt est la durée à l’intérieur de laquelle un produit ou un service doit être réalisé pour respecter la demande du client.

La première utilisation connue du terme « takt » remonte aux années 1930 chez le manufacturier aéronautique allemand des bombardiers Junkers Ju 87 utilisés pendant la Seconde Guerre mondiale.

Le temps takt dans les situations complexes

Lorsque la demande du client est connue à l’avance, comme c’est souvent le cas dans un environnement manufacturier, il n’est pas difficile de comprendre et d’appliquer le temps takt. Mais qu’en est-il lorsque le processus d’affaires s’avère plus complexe, par exemple lorsque les clients se présentent en ordre dispersé?

C’est ce dont le Dr Steve Kramer a discuté dans cette présentation faisant partie du profil « Advanced Content Masters Series » de la conférence de l’ASQ. Le Dr Kramer est professeur associé en sciences de la décision (Nova Southeastern University) et maître Ceinture noire (ASQ).
Voyons ce que nous dit le Dr Kramer.

Un rappel pour commencer : afin de considérer la variabilité de la demande à l’intérieur d’un temps takt donné, il faut se baser sur le principe selon lequel le temps entre deux arrivées aléatoires de clients suit typiquement une distribution de Poisson.

Les intrants

Voici maintenant les paramètres en intrants qui influenceront le niveau de congestion dans le service à la clientèle :

  • le nombre de serveurs ou d’agents (c);
  • le taux d’arrivée moyen (λ);
  • le taux de service moyen (µ);
  • le carré du coefficient de variation du temps entre deux arrivées (Ca2);
  • le carré du coefficient de variation du temps de service (Cs2).

Les tableaux qui suivent proviennent du fichier PowerPoint du Dr Kramer et sont donc en anglais.

Les extrants

En utilisant comme intrants les paramètres ci-dessus, on peut déterminer les extrants suivants :

  • le taux d’utilisation moyen du processus (ρ);
  • la quantité moyenne de clients en attente du service (Lq);
  • le temps de congestion moyen avant d’être servi (Wq).


Supposons que nous avons 10 000 intervalles entre deux arrivées selon la distribution de Poisson. Pour les fins de cet exercice, on suppose qu’il n’y a aucune variation dans le temps de service (toujours égal à 0,5), ce qui génère un carré du coefficient de variation du temps de service (Cs2) égal à zéro.

Dans le tableau ci-haut :

  • Item : numéro séquentiel du client.
  • Time between arrivals : temps écoulé entre l’arrivée du client et l’arrivée du client précédent.
  • Arrival time : temps écoulé entre le début de la simulation et l’arrivée du client.
  • Service start time : temps écoulé entre le début de la simulation et le moment où le client a commencé à être servi.
  • Service duration : temps qu’un serveur ou un agent a pris pour servir le client.
  • Service end time : temps écoulé entre le début de la simulation et le moment où le service au client a été complété.
  • Sojourn time : temps écoulé entre l’arrivée du client et le moment où son service a été complété.
  • Completions upon arrival : nombre de clients dont le service avait été complété au moment où ce client est arrivé.
  • Number in system upon arrival : nombre de clients qui se trouvaient dans le processus au moment où ce client est arrivé.
  • Number in queue upon arrival : nombre de clients dont le service n’avait pas encore commencé et qui se trouvaient dans le processus au moment où ce client est arrivé.

En simulant le traitement de ces 10 000 arrivées selon divers taux d’utilisation moyens du processus (ρ ou Util dans le tableau ci-après), on obtient un tableau de probabilités où le temps de congestion dépasse certaines durées spécifiques (colonne P(Wq>t)).

Par exemple, considérant un processus utilisé à 70 %, 13,3 % des clients ont passé plus de deux unités de temps (minutes, secondes, etc.) dans le processus.

Gérer en fonction du risque

Pour minimiser la congestion dans le service à la clientèle lorsque la demande est aléatoire, la clé est d’éviter la tentation de « surutiliser » le processus. Il s’agit plutôt d’adapter le nombre de serveurs ou d’agents disponibles (c) et le taux de service moyen (µ) à un niveau tel que le taux d’utilisation moyen du processus (ρ) n’excède pas un niveau générant trop de risque de congestion pour la clientèle.

La leçon est donc claire : pour gérer notre capacité de répondre à la demande, il faut se baser sur notre niveau de tolérance au risque de congestion.

Remarquons par ailleurs que les clients qui se présentent avant la disponibilité d’un serveur constituent une forme de gaspillage : le serveur ne peut en effet exécuter de travail préparatoire dans le but de diminuer son temps de service. Un client qui arrive trop tôt doit donc d’une certaine façon être « stocké », avec tout ce que cela comporte de risques assimilables à ceux de la gestion des stocks ! Et cette période à non-valeur ajoutée s’ajoute au temps de service du client.

En contrepartie, les clients qui se présentent après la disponibilité d’un serveur génèrent un gaspillage de serveurs « en attente », mais minimisent le temps de service expérimenté par le client.

Or, il est mathématiquement possible de trouver le meilleur compromis entre les clients hâtifs et les clients retardataires.

Un autre point digne de mention est que la congestion est en principe observable seulement à l’entrée de la première étape du processus. Il est possible de minimiser cette congestion à l’aide d’un régulateur (p.ex. kanban) qui s’assure de minimiser la variation des arrivées. La congestion subséquente peut être par la suite évitée, même en présence d’un haut taux d’utilisation du processus, si la variation du temps de service est minimisée.

Bref, pour bien appliquer la notion de temps takt et ainsi minimiser la congestion dans notre processus de service à la clientèle, le Dr Kramer a mathématiquement démontré l’importance de deux variations :

  • la variation dans les arrivées à la première étape du processus (variation qu’on espère pouvoir stabiliser autant que possible);
  • la variation dans le temps de service pour répondre au client (variation qu’on espère pouvoir minimiser autant que possible).

Lorsque ces deux objectifs sont atteints, il est plus facile de concevoir un processus de service à la clientèle qui augmentera le niveau de satisfaction des clients en termes de temps de réponse.

Vous voudriez avoir à votre disposition de puissants outils Lean ou statistiques comme celui décrit dans cet article pour vous attaquer à des problèmes dans votre organisation? Inscrivez-vous à notre formation Ceinture noire Lean Six sigma!

 

Cette ressource est réservée
aux membres seulement

Pour lire la suite, choisissez l’une des deux options suivantes :

Ressources similaires