Der QDA Solutions Blog

Top 5 Prioritäten, um von reaktiven auf vorausschauendes Qualitätsmanagement umzustellen

Wer kennt es nicht? Das „Feuerlöschen“, wenn es bereits zu spät ist. Auch im Kontext des Qualitätsmanagements ist es wohlbekannt und Qualitätskosten für z. B. zurückgerufene Produkte sind nur eine der möglichen Auswirkungen. Eine andere Auswirkung wird sehr sicher der „Kopfschmerz“ des Qualitätsmanagers sein.

Schon häufig wurden Aktivitäten und Maßnahmen definiert, um von dem reaktiven Qualitätsmanagement wegzukommen. Doch so ganz hat es nie funktioniert.

Vermag es die „künstliche Intelligenz“ nun also dieses Versprechen einzulösen? Wir sind der Meinung: „Jein“. Nein, denn auch künstliche Intelligenz muss zunächst auf Basis historischer Daten lernen. So werden Hunderte, wenn nicht Tausende von Datensätzen nötig sein, um die gewünschten vorausschauenden Erkenntnisse einem Algorithmus beizubringen. Doch ist dies erfolgt, so kann dieser mit einer sehr hohen (und zuvor wohl nie dagewesenen) Präzision Ergebnisse und hier insbesondere Korrelationen (zum Beispiel zwischen Messkriterien und externen Einflüssen) entdecken und voraussagen. Mit Hilfe dieser Daten können also Voraussagen getroffen werden, die dann wiederum in Aktionen und mit Maßnahmen belegt werden können, bevor das sprichwörtliche Kind ins Wasser fällt.

Doch worauf müssen Sie achten bzw. was können Sie heute vorbereiten, um sich für die Einführung einer künstlichen Intelligenz mit „Predictive Quality“ Fähigkeiten zu wappnen?

  1. Daten sammeln. Wie bereits erklärt, braucht jeder Algorithmus historische Daten. Je mehr, desto besser. Diese Daten können z. B. historische Messdaten sein, oder Maschinendaten zur Wartung, Fotos von Produkten und deren Mängeln. Wie viele Datenpunkte Sie brauchen, wird u. a. von der Komplexität des Problems abhängen. Doch werden Sie voraussichtlich niemals den Satz „wir haben zu viele Daten“ von einem Data Engineer hören.
  2. Involvieren Sie Ihre IT-Abteilung früh. Daten werden insbesondere dann besonders wertvoll, wenn sie über die Grenzen der einzelnen Abteilung hinaus gesammelt und analysiert werden können. Hierzu wird zwingend Ihre IT nötig sein. Dieser und viele weitere Gründe sprechen aus unserer Erfahrung dafür, möglichst früh und rechtzeitig die interne IT einzubinden.
  3. Demokratisieren Sie das Qualitätsmanagement. Nur wenn Ihre Organisation Qualitätsmanagement-Standards akzeptiert, Qualitätsprobleme aktiv berichtet und versucht abzustellen, wird „Predictive Quality“ auf fruchtbaren Boden fallen. Versuchen Sie deshalb so viele Stakeholder wie möglich, von der Relevanz des Qualitätsmanagements zu überzeugen und mit auf den Weg zu nehmen.
  4. Erkenntnisse mit Aktionen verknüpfen. Nur die Verknüpfung der Vorhersage mit Aktionen und Maßnahmen (oder zumindest mit Alerts in Ihrem System) werden Verbesserungen bedingen und somit echten Mehrwert schaffen.
  5. Bestimmen Sie eine Methode, um den ROI zu berechnen. Wenn Maßnahmen zukünftig dazu führen, dass z. B. Qualitätskosten verringert werden, bevor diese entstehen, wird es immer schwieriger werden, den Erfolg für den betriebenen Aufwand zu messen bzw. die Kosten zu rechtfertigen. Erstellen Sie vorab ein Rahmenwerk und Methoden, wie sie den ROI heute aber auch in Zukunft nachweisen wollen.

Gerne tauschen wir uns gerne weiter zum Thema vorausschauendes Qualitätsmanagement mit Ihnen aus und zeigen Ihnen insbesondere, wie unsere Software Sie dabei unterstützt bzw. welche Fähigkeiten unser CAQ System bereits „out of the box“ zu diesem Thema mitbringt.

Weitere Informationen: 
Predictive Quality

How Much Training Data is Required for Machine Learning?
https://machinelearningmastery.com/much-training-data-required-machine-learning/

Predictive ROI
https://www.upkeep.com/maintenance-glossary/return-on-investment-predictice-maintenance