So starten Sie ein Datenanalyseprojekt in der Fertigung

In diesem Artikel geht es um

• Als Marketingspezialistin mit Fokus auf Softwarelösungen diskutiert Stefanie einige grundlegende Fragen zur Datenanalyse, die Produktionsexperten normalerweise aufwerfen.

Das Thema Data Analytics wird ebenso gehypt wie hinterfragt – das Meinungsspektrum reicht von „Daten als das neue Öl der Wirtschaft“ bis hin zu „Analytics Schlussfolgerungen sind nicht hundertprozentig verlässlich“ und alle Nuancen dazwischen. Jeder ist auf seine Weise wahr. Damit Sie dieses Thema besser verstehen, habe ich einige wiederkehrende Fragen zusammengestellt, die Produktionsexperten normalerweise stellen, und sie mit unseren Fertigungsanalyseingenieuren, IT-Experten und Datenwissenschaftlern diskutiert.

1. Auf welcher Organisationsebene bzw. mit welcher Funktion soll unser Data Analytics Projekt starten?

Es gibt keine beste Stufe oder Funktion. Wo man ein Projekt startet, hängt von mehreren Faktoren ab:

Ist das Konzept der Datenanalyse in Ihrem Unternehmen bereits gut verstanden?
Wenn nicht, starten Sie am besten mit einem Data Analytics Orientierungsworkshop für Experten und Management. Ziel dieses Workshops ist es, ein grundlegendes Verständnis der Möglichkeiten von Analytics zu vermitteln und potenzielle Use Cases zu identifizieren.

Hat das Management ein (tiefes) Verständnis für den technischen Prozess?
Wenn nicht, ist ein Anforderungsworkshop mit Produktionsstandort-Experten möglicherweise Ihre erste Wahl. Die Ausgabe ist normalerweise ein Ursache-Wirkungs-Diagramm (siehe unten). In der Regel stellt unser Data Analytics-Team (bestehend aus einer Mischung aus IT-, Fertigungs- und Data-Science-Experten) tiefgehende Fragen wie:„Möchten Sie zwischen Nacharbeit und Ausschuss unterscheiden?“ Im besten Fall kann es sehr hilfreich sein, das Management einzubeziehen, um ein ernsthaftes Buy-In zu erzielen.

Quelle:Bosch.IO

Ist das Problem, das Data Analytics lösen soll, konkret definiert?
Wenn ja, können Sie sich zunächst für ein Analysetool entscheiden. Das Problem kann so konkret sein wie „Der EoL-Testaufwand ist zu hoch und muss reduziert werden“. Ein Analyseteam kann dann sofort mit den Experten des Produktionsstandorts zusammenarbeiten, um festzustellen, ob ein vorhandenes Tool zur Reduzierung der Testzeit angewendet werden kann oder wie es möglicherweise angepasst oder erweitert werden muss.

2. Welche Perspektiven müssen wir in einem Datenanalyseprojekt verwalten?

Dank einer UX-Studie von Bosch wissen wir, dass es drei Arten von Anlagenexperten gibt, die auf ganz unterschiedliche Weise angesprochen werden müssen – z.B. mehr auf geschäftlicher Ebene, mehr auf technischer Ebene oder mehr auf Datenebene.

Quelle:Bosch.IO

Der skeptische Typ benötigt Nachweise über die Vorteile, die Datenanalysen bieten werden. Um die Skeptiker zu überzeugen, brauchen wir ein exzellentes Verständnis der ROI-Mechanismen und müssen in der Lage sein, diese Mechanismen schnell mit Ergebnissen zu validieren, wobei wir uns auf Output, Qualität und Kosten konzentrieren.

Die Aufgeschlossenen type interessiert sich für neue Möglichkeiten, Dinge zu optimieren. Es sollte betont werden, welche Methoden verwendet werden, warum bestimmte Algorithmen ausgewählt werden und warum das resultierende Vorhersagemodell für die Anwendung auf Live-Daten bereit ist.

Der Gläubige ist in der Regel bereits mit Datenanalysen in Berührung gekommen und glaubt, dass dies für das Unternehmen einen Unterschied machen kann. Der beste Weg, um zu beginnen, ist CRISP-DM (industrieübergreifender Standardprozess für Data Mining, siehe Diagramm unten) sofort mit ihm und dem Team für das Datenanalyseprojekt anzuwenden.

Quelle:Bosch.IO

Orientierungsworkshops haben sich unserer Erfahrung nach generell als sehr hilfreich erwiesen, um die Zustimmung aller Stakeholder zu gewinnen. Wir beginnen normalerweise mit der Geschäftsfrage und iterieren dann, indem wir den technischen Prozess und die Einschränkungen in Bezug auf diese Frage verstehen. Unsere Ingenieure haben es mehr als einmal geschafft, Kunden davon zu überzeugen, dass komplexe Regressionsanalysen einfach als Vorteil kommuniziert werden können.

3. Welche Kenntnisse benötigen wir, um ein Datenanalyseprojekt durchzuführen?

Stefanie Peitzker

Ich habe einen Abschluss in Management mit Schwerpunkt Geographie (Universität Augsburg, Deutschland). Seit 2003 arbeite ich für Bosch.IO (ehemals Bosch Software Innovations):Ich habe das Marketing für Visual Rules, unser Business Rules Management System, aufgebaut und dazu beigetragen, Kunden rund um den Globus zu gewinnen. Seit Januar 2009 leite ich das Team Marketing Solutions bei Bosch.IO, ein agiles Team von derzeit sieben Mitarbeitern, die alle versuchen, sich permanent über die Bedürfnisse der Kunden und Markttrends zu informieren – fokussiert darauf, Softwarelösungen erlebbar zu machen.

Ihr Datenanalyseteam muss sich ein grundlegendes Verständnis in drei Bereichen aneignen:

Geschäft: Als Kunde müssen Sie ihm die Projektziele und Anforderungen aus geschäftlicher Sicht mitteilen, damit er dieses Wissen in eine Definition des Datenanalyseproblems umwandeln kann.

Daten: Datenaufbereitung, Modellierung, Auswertung und Bereitstellung – alles von der einfachen Berichterstellung bis zur Live-Bereitstellung von Vorhersagemodellen. Reines Datenverständnis hat sich als solide Grundlage erwiesen, die in vielen Branchen hilfreich ist, aber der Fokus liegt nicht auf der Fertigung.

Technischer Prozess: Sie als Kunde müssen die gesamte Wertschöpfungskette der Produktion grundsätzlich erläutern, z. B. Schweißverfahren, Laserverfahren, Prüfverfahren oder Anziehverfahren, je nachdem, welche Frage die Analytik beantworten soll. Hier braucht das Analyseteam den Fertigungsanalyseingenieur.

4. Welche Vorarbeiten muss meine Fertigungsorganisation vor der Bereitstellung von Manufacturing Analytics leisten?

Auf den ersten Blick scheint die Datenerhebung und -aufbereitung für viele Produktionsexperten eine Herausforderung zu sein. Grundlage dafür ist die bedarfsgerechte Bereitstellung von Daten. „Wir haben die Daten nicht“ ist keine gültige Antwort. Aber es ist keine Raketenwissenschaft. Wir empfehlen eine Datenqualitätsrichtlinie, die Kunden durch den Prozess der Datenaufbereitung in Bezug auf Quantität, Qualität und Validität führt, die für Analysen erforderlich sind.

Quelle:Bosch.IO

5. Was ist die Mindestdatenmenge, die für die Anwendung von Analysen erforderlich ist?

Als Faustregel schlagen wir vor, dass Sie pro Einflussvariable mindestens 15 Beobachtungen oder Datensätze haben. Mit anderen Worten, um den Einfluss von 30 Prozessparametern auf einen Qualitätsindikator zu analysieren, wären mindestens 30 * 15 =450 Datensätze erforderlich.

Generell gilt natürlich:Je mehr Datensätze Sie haben, desto besser. Keine Sorge – mehr Datensätze erhöhen den manuellen Aufwand nicht wesentlich. Außerdem haben sie nur einen geringen Einfluss auf die Rechenzeit, die bei der richtigen Data Analytics IT-Infrastruktur in der Regel vernachlässigbar ist.

Da Quantität, Qualität und Aussagekraft der erfassten und aufbereiteten Daten entscheidend für den Projekterfolg sind, lohnt es sich, in diese Phase Ihres Projekts zu investieren. Um Sie dabei zu unterstützen, haben wir unsere Erfahrungen aus vielen Projekten in einem Datenqualitätsleitfaden gebündelt. Unsere Kunden nutzen diese Richtlinien, um eine adäquate Datenbasis zu generieren, ohne unnötig Zeit oder Geld in die Datenerhebung zu investieren.

6. Kann ich Analytics trotzdem nutzen, wenn mein Unternehmen keine Data Scientists oder ein großes IT-Team hat?

Genau dazu trägt Ihr professioneller Analytics-Partner bei, um Ihr Projekt und Ihre Lösung zu realisieren. Ein fähiges Team besteht aus einer Mischung aus Fertigungsingenieuren, IT-Experten und Data Scientists. Diese Kombination ist der Schlüssel zur Lösung Ihres Problems mit einem Lean-Analytics-Ansatz, da die Entwicklung Ihrer analysebasierten Lösung ein Verständnis von Geschäft, Daten und technischen Prozessen erfordert. Sie müssen keine Data Scientists für Ihr Unternehmen einstellen. Ihr professioneller Partner präsentiert projektvorbereitende Workshops zu Basic Analytics, in denen Sie lernen, mögliche Anwendungsfälle zu identifizieren und die entwickelten Modelle zu validieren. Dieses Wissen wenden Sie dann in Projektmeetings an, um die Ergebnisse zu diskutieren.

Quelle:Bosch.IO