Datenbasiertes Six Sigma: Neues Potenzial im Qualitätsmanagement

Digitalisierung bietet Unternehmen wertvolle Möglichkeiten, die Qualität ihrer Produkte zu verbessern, beispielsweise mit datenbasiertem Six Sigma. Wie das genau funktioniert und welche Vorteile sich daraus ergeben, hat unser Experte Professor Dr. Robert Schmitt für uns in diesem Gastbeitrag erläutert.

Die fortschreitende Digitalisierung der Industrieproduktion bietet Unternehmen die Möglichkeit, die Produktionsqualität durch umfangreiche Analysen qualitätsrelevanter Daten sicherzustellen. Vor diesem Hintergrund stellt sich die Frage, wie moderne Analysemethoden aus den Bereichen des Data Mining zur Analyse von großen Datenmengen im Qualitätsmanagement angewendet werden können. Insbesondere die Integration dieser modernen Analysemethoden im Ansatz des Projektmanagements nach Six Sigma birgt Potenziale zur effizienteren und effektiveren Durchführung von Projekten zur Verbesserung von Qualität in der Produktion.

Six Sigma zielt darauf ab, die Qualität von Prozessen zu verbessern. Die Projekte dienen dazu, durch statistische Kontrollen der Produktionsprozesse fehlerverursachende Einflussfaktoren zu diagnostizieren und diese durch den systematischen Einsatz von Qualitätsmanagementmethoden zu optimieren. Die verbesserte Transformation der Kundenanforderungen in Produktmerkmale führt dabei nicht nur zu geringeren Kosten für Materialien, Löhne und Reklamationen, sondern auch zu einer Umsatzsteigerung, da durch die verbesserte Kundenzufriedenheit höhere Absatzmengen und Marktanteile realisiert werden können.

Der DMAIC-Zyklus, bestehend aus den Phasen Define, Measure, Analyze, Improve und Control, gibt die Struktur von Six Sigma Projekten vor. Demnach wird zunächst definiert, wer die Kunden sind und durch welche Leistungsmerkmale welche Kundenbedürfnisse erfüllt werden. Nach dem Erfassen der für die Prozessanalyse relevanten Daten werden diese genutzt, um kritische Einflussfaktoren zur Erfüllung der Leistungsmerkmale zu identifizieren. Darauf aufbauend werden Lösungsansätze zur Optimierung der Einflussfaktoren generiert. Zum Ende der Projektphase erfolgt die Verankerung der Optimierung im Alltag sowie die Überwachung und Dokumentation der Auswirkungen. Somit erhält das Qualitätsmanagement mit dem DMAIC-Zyklus eine systematische Vorgehensweise zur Durchführung von Verbesserungsprojekten

Die als Data Mining bekannte strukturierte Analyse von großen Datenmengen erfolgt in der Praxis mithilfe des standardisierten Prozessmodells CRISP DM. Bei diesem wird zu Beginn das Geschäftsverständnis angestrebt, um die Vorgehensweise und die Ziele des Data Mining als konkrete Aufgabenstellung zu definieren. Anschließend wird sich ein Überblick über die verfügbaren Daten verschafft sowie notwendige Daten identifiziert. Daran anknüpfend wird im Rahmen der Datenvorbereitung ein valider, für die Modellierung effektiv einsetzbarer Datensatz erzeugt. In der Modellierungsphase werden mithilfe von datenbasierten Modellen optimierte Parameter abgeleitet. Abschließend werden die abgeleiteten Parameter implementiert und deren Wirksamkeit bewertet.

Die Vorgehensmodelle DMAIC-Zyklus und CRISP DM ähneln sich aufgrund analoger Ansatzpunkte und Ziele der einzelnen Phasen. Beide starten ausgehend von der Analyse der Kundenanforderungen mit der Definition des Projektrahmens und der Zielsetzungen. Im nächsten Schritt steht die Identifikation der zu optimierenden Kennzahlen im Fokus beider Vorgehensmodelle. Anschließend werden Daten erhoben und mit dem Ziel analysiert, Fehlerursachen zu identifizieren und zu beheben sowie um Parameter zu optimieren.

Finaler Schritt ist die Implementierung der optimierten Parameter sowie die Kontrolle und Dokumentation der Wirksamkeit. Aufgrund der Ähnlichkeit beider Vorgehensmodelle wird der Versuch unternommen, die Vorgehensmodelle zu synthetisieren, um ein datenbasiertes Six Sigma zu entwickeln, das die Fähigkeit zur Analyse großer Datenmengen mitbringt, aber auch betriebswirtschaftliche Aspekte nicht vernachlässigt und die Qualitätsorientierung in allen Projektphasen anstrebt.

Der DMAIC-Zyklus gibt die Struktur des datenbasierten Six Sigma vor, wird jedoch um Elemente des CRISP DM erweitert: Durch den Einzug von Data Mining in die Projekte nach Six Sigma können bereits in der Define-Phase datenbasierte Prognosemodelle angewendet werden, welche unternehmensinterne und -externe Informationen in ihre Analysen einbeziehen, um die kritischsten, zu verbessernden Unternehmenskennzahlen zu identifizieren. Wegen der zunehmenden automatischen Datenaufzeichnung in Werkzeugmaschinen und Anlagen, der Verknüpfung von verschiedenen Systemen wie ERP, MES oder CAQ und der Verbindung der Produkte im Feld durch das Internet mit den Rechenzentren des Unternehmens wird die Durchführung der Measure-Phase beschleunigt, da meist relevante Daten über die zu analysierenden Einflussgrößen direkt aus den Datenquellen gezogen werden können.

In der Analyse-Phase ergänzen die modernen Analysemethoden die klassischen Methoden des Qualitätsmanagements und der Statistik. Beispielsweise kann der Entscheidungsbaum zweckäquivalent zur Multi-Vari-Analyse angewendet werden und bietet so den Vorteil, mehr Einflussgrößen in die Analyse einbeziehen zu können. Mithilfe von datenbasierten Modellen, die durch Lernvorgänge den zugrundeliegenden Prozess adaptieren, können gegebenenfalls sogar Optimierungsmöglichkeiten aufgezeigt werden, die bisher nicht in Erwägung gezogen worden sind und zusätzlich interpretiert werden können. In der Improve-Phase werden Lösungen zur Verbesserung der Unternehmenskennzahlen abgeleitet. Innerhalb der datenbasierten Modelle können die Lösungen zunächst getestet und optimiert werden, bevor diese in der Praxis umgesetzt werden. In der Control-Phase wird die Realisierung der Lösung als Maßnahme geplant und ausgeführt. Die Erfolge werden kontrolliert und durch ein Wissensmanagementsystem für künftige Projekte dokumentiert.