Mit Guided Data Wrangling nachhaltiger produzieren
2024-06-03
–
Data Transformation
Eine Fertigung, die wegen Ausschuss stillsteht, ist ein enormer Kostenfaktor. Dann dreht sich alles um den Faktor Zeit, damit sie wieder anläuft. Guided Data Wrangling hilft, um Produktionsdaten effizient auszulesen, zu analysieren und den Fehler zügig zu finden.
Bei der Serienfertigung von Komponenten – beispielsweise für die Automobilindustrie – entsteht immer mal wieder Ausschuss.
Defekte Teile, die nicht weiterverarbeitet werden können und unweigerlich im Müll landen. Innerhalb dieses umfangreichen
Produktionsprozesses wird dann eine Root-Cause-Analyse eingeleitet. Dabei verfolgt der Qualitätsingenieur den Weg über die
verschiedensten Produktionsabschnitte zurück, um die Fehlerquelle zu lokalisieren. Dafür braucht er eine Übersicht und Einblicke in die gesamte Wertschöpfungskette – beides erhält er über Daten.
In vielen Fällen geht der Qualitätsingenieur dabei noch selbst zu den Maschinen. Dort liest er die Sensor- und Messdaten aus, erfasst sie in einem Excelsheet und versucht, sie in eine einheitliche Datenbasis zu überführen. Dieser manuelle Prozess ist aufwendig und kann wiederum zu Fehlerquellen führen. Denn Maschinen können beispielsweise für Datum oder Uhrzeit unterschiedliche Formate nutzen. Deshalb müssen Daten vor der Analyse angeglichen werden, um valide Ergebnisse zu liefern. Ergo verbringt der Qualitätsmanager viel Zeit – teilweise sogar Tage – damit, die Datenbasis für eine aussagekräftige Analyse vorzubereiten. Oft braucht er zum Abgleich der aktuellen Informationen auch historische Daten von der IT. Auch das kostet wertvolle Zeit. Und damit Geld.
In vielen Fällen geht der Qualitätsingenieur dabei noch selbst zu den Maschinen. Dort liest er die Sensor- und Messdaten aus, erfasst sie in einem Excelsheet und versucht, sie in eine einheitliche Datenbasis zu überführen. Dieser manuelle Prozess ist aufwendig und kann wiederum zu Fehlerquellen führen. Denn Maschinen können beispielsweise für Datum oder Uhrzeit unterschiedliche Formate nutzen. Deshalb müssen Daten vor der Analyse angeglichen werden, um valide Ergebnisse zu liefern. Ergo verbringt der Qualitätsmanager viel Zeit – teilweise sogar Tage – damit, die Datenbasis für eine aussagekräftige Analyse vorzubereiten. Oft braucht er zum Abgleich der aktuellen Informationen auch historische Daten von der IT. Auch das kostet wertvolle Zeit. Und damit Geld.
Data Wrangling ist ein Prozess aus der IT und beschäftigt sich mit der Aufbereitung von Datensätzen. (Bild: thaltegos)
Auf Knopfdruck eine zuverlässige Datenbasis erhalten
Data Wrangling ist ein Prozess aus der IT. Dabei werden Rohdaten aus verschiedenen Quellen und Formaten automatisiert und
sinnstiftend in einem einzigen Datensatz für die weitere Verarbeitung aufbereitet. Guided Data Wrangling hat als Ziel, jeden
Qualitätsmanager vor Ort anhand von standardisierten Prozessen an Data Wrangling heranzuführen.
Das Paket beinhaltet Module, die Datenlücken und Ausreißer erkennen. Diese bereinigen die Datenbasis dahingehend, um sie für weitere Analysen zugänglich zu machen. Ebenso sind Elemente zur Vernetzung von Informationen und zum Aufbau von standardisierten Datenstrukturen integriert. Infolgedessen braucht der Ingenieur für die Qualitätssicherung nicht mehr zu den einzelnen Maschinen gehen und sie auslesen. Seine Excelsheets, die zeitaufwendige Datenangleichung und das Erfragen weiterer, relevanter Informationen bei der IT entfallen. Ein weiterer Vorteil ist, dass er dafür keine tiefgreifende Daten-Expertise benötigt.
Das Paket beinhaltet Module, die Datenlücken und Ausreißer erkennen. Diese bereinigen die Datenbasis dahingehend, um sie für weitere Analysen zugänglich zu machen. Ebenso sind Elemente zur Vernetzung von Informationen und zum Aufbau von standardisierten Datenstrukturen integriert. Infolgedessen braucht der Ingenieur für die Qualitätssicherung nicht mehr zu den einzelnen Maschinen gehen und sie auslesen. Seine Excelsheets, die zeitaufwendige Datenangleichung und das Erfragen weiterer, relevanter Informationen bei der IT entfallen. Ein weiterer Vorteil ist, dass er dafür keine tiefgreifende Daten-Expertise benötigt.
Analysebausteine zeigen schnell Fehlerquellen an
Um eine Root-Cause-Analyse nach einem Produktionsfehler mit Guided Data Wrangling durchzuführen, steuert der
Qualitätsmanager den gesamten Prozess über ein graphisches Interface. Im ersten Schritt fügt er über ein Drag- und Dropsystem genau die Datensätze der Produktionsabschnitte zusammen, die notwendig sind, um einen bestimmten Fehler in der Fertigung zu finden. Dabei laufen die Andockpunkte zu den Produktionsdaten über Standardschnittstellen. Die Daten werden dann in eine lokale oder eine Web-Umgebung geladen, die die Auswertung dieser Produktionsdaten ermöglicht.
Häufig fehlt vielen Mitarbeitenden das tiefe Wissen rund um Data-Analytics. Daher stellt Guided Data Wrangling ihnen branchenspezifische Komponenten für typische Analysen in der Produktion, Beispiele für Workflows, Frameworks oder modulare Toolsets bereit. So können sie aus den Daten die richtigen Erkenntnisse ziehen. Es ist wie eine Bibliothek relevanter Bausteine, die individuell je nach Produktions- oder Ausschuss-Situation genutzt wird. Auf diese Weise können zielführende Analysen durchgeführt und dadurch die Produktionsabweichung schneller behebt werden. Schließlich kennt keiner die Produktion so gut wie die Ingenieure vor Ort. Sie wissen aus ihrer Erfahrung, welche Daten und vorkonfigurierten Analyse-Tools sie wählen müssen, um dem Problem näherzukommen.
Die Datenmengen, die in einer industriellen Produktion anfallen, sind beachtlich. Deshalb ist eine aussagekräftige Visualisierung der Daten und Analyseergebnisse – zugeschnitten auf die Fertigungsindustrie – unverzichtbar, damit Qualitätsingenieure die richtigen Entscheidungen trefen können, um den Ausschuss zu reduzieren. Auch das übernimmt das System.
Durch die vielen verfügbaren Bausteine bietet Guided Data Wrangling dem Qualitätsingenieur viel Flexibilität. Darüber hinaus sind die Analysetools für alle Produktionsstraßen mit ihren spezifischen Themen und Produkten nutzbar.
Häufig fehlt vielen Mitarbeitenden das tiefe Wissen rund um Data-Analytics. Daher stellt Guided Data Wrangling ihnen branchenspezifische Komponenten für typische Analysen in der Produktion, Beispiele für Workflows, Frameworks oder modulare Toolsets bereit. So können sie aus den Daten die richtigen Erkenntnisse ziehen. Es ist wie eine Bibliothek relevanter Bausteine, die individuell je nach Produktions- oder Ausschuss-Situation genutzt wird. Auf diese Weise können zielführende Analysen durchgeführt und dadurch die Produktionsabweichung schneller behebt werden. Schließlich kennt keiner die Produktion so gut wie die Ingenieure vor Ort. Sie wissen aus ihrer Erfahrung, welche Daten und vorkonfigurierten Analyse-Tools sie wählen müssen, um dem Problem näherzukommen.
Die Datenmengen, die in einer industriellen Produktion anfallen, sind beachtlich. Deshalb ist eine aussagekräftige Visualisierung der Daten und Analyseergebnisse – zugeschnitten auf die Fertigungsindustrie – unverzichtbar, damit Qualitätsingenieure die richtigen Entscheidungen trefen können, um den Ausschuss zu reduzieren. Auch das übernimmt das System.
Durch die vielen verfügbaren Bausteine bietet Guided Data Wrangling dem Qualitätsingenieur viel Flexibilität. Darüber hinaus sind die Analysetools für alle Produktionsstraßen mit ihren spezifischen Themen und Produkten nutzbar.
Guided Data Wrangling spart viele Ressourcen
Das System ist als eine Art Self-Service-Programm oder als Co-Pilot für den Qualitätsmanager zu verstehen, um Produktionsfehler schnell zu beheben. Ganz wichtig hierbei ist, dass die Produktionsdaten und Analysemöglichkeiten leicht erreichbar sind, also demokratisch und dezentralisiert für alle Beteiligten. Das bringt Autonomie und Tempo in den Alltag von Qualitätsingenieuren.
Aufgetretene Fehlfunktionen zu identifizieren und zügig abzustellen, ist jedoch nur eines der Ziele von Guided Data Wrangling. Um Ausschuss von vornherein zu vermeiden, sollten aktuelle Fertigungsinformationen stetig in die Datenbasis einfließen. So erhalten Qualitätsmanager die Chance, ihre Produktion kontinuierlich durch Standardanalysen zu überwachen. Zudem können sie so Schwachstellen im Fertigungsablauf frühzeitig erkennen und beseitigen.
Zudem lassen sich die Analysebausteine auch mit künstlicher Intelligenz (KI Use Cases ) verknüpfen. Wird auf die Datenbasis ein Maschine Learning (ML) Layer gelegt, kann die KI bei diesem automatisierten Prozess unterstützen, um mögliche Fehlerquellen im Vorfeld zu identifizieren.
Die Vorteile von Guided Data Wrangling liegen auf der Hand: Der Ansatz bringt heterogene Datensätze automatisiert und schnell für die weitere Analyse und Optimierung von Produktionsstrecken zusammen. Zusätzlich gewährleistet er eine reibungslose und in die Zukunft gerichtete Produktion von Komponenten. Das spart dem Unternehmen Zeit, Geld und – im Sinne des allgemeinen Nachhaltigkeitsgedanken – Material.
Aufgetretene Fehlfunktionen zu identifizieren und zügig abzustellen, ist jedoch nur eines der Ziele von Guided Data Wrangling. Um Ausschuss von vornherein zu vermeiden, sollten aktuelle Fertigungsinformationen stetig in die Datenbasis einfließen. So erhalten Qualitätsmanager die Chance, ihre Produktion kontinuierlich durch Standardanalysen zu überwachen. Zudem können sie so Schwachstellen im Fertigungsablauf frühzeitig erkennen und beseitigen.
Zudem lassen sich die Analysebausteine auch mit künstlicher Intelligenz (KI Use Cases ) verknüpfen. Wird auf die Datenbasis ein Maschine Learning (ML) Layer gelegt, kann die KI bei diesem automatisierten Prozess unterstützen, um mögliche Fehlerquellen im Vorfeld zu identifizieren.
Die Vorteile von Guided Data Wrangling liegen auf der Hand: Der Ansatz bringt heterogene Datensätze automatisiert und schnell für die weitere Analyse und Optimierung von Produktionsstrecken zusammen. Zusätzlich gewährleistet er eine reibungslose und in die Zukunft gerichtete Produktion von Komponenten. Das spart dem Unternehmen Zeit, Geld und – im Sinne des allgemeinen Nachhaltigkeitsgedanken – Material.
* Dr. Michael Wolff ist Partner bei der Managementberatung thaltegos, die sich auf Data Analytics und Künstliche Intelligenz spezialisiert hat und Teil der Plan.Net Group ist.
Beitragsbild von carlos aranda auf Unsplash
Beitragsbild von carlos aranda auf Unsplash
Kontakt
Get in touch.
Sie haben Fragen zu unserem Beratungsangebot oder zu Einstiegs- und Karrieremöglichkeiten bei uns? Oder Sie haben ein ganz anderes Anliegen? Wir freuen uns auf Ihre Nachricht.
