Skip to main content
SpringerLink
Log in

Steigerung von Daten- und Prozessqualität mit Hilfe von Visual Analytics in der Produktion

  • Conference paper
  • First Online:
Datengetriebenes Qualitätsmanagement

  • 4569 Accesses

Zusammenfassung

Besonders in hochflexiblen Produktionssystemen sieht sich das Qualitätsmanagement mit immensen Herausforderungen konfrontiert. Die Bewältigung der hohen Komplexität mit Paradigmen der Lean Production und Six Sigma gelangt in Folge steigender Variantenvielfalt an seine Grenzen. Data Analytics gilt als ein Megatrend, von dem sich erhofft wird, diese hohe Komplexität durch die Verarbeitbarkeit großer Datenmengen beherrschbar zu machen. Branchenübergreifend bleibt aber vielerorts der gewünschte Erfolg aus. Die Ursachen dafür liegen häufig in zwei wesentlichen Problemfeldern: Mangelhafte Datenqualität und zu geringe Prozessorientierung. Das führt dazu, dass Daten sehr intensiv aufbereitet werden müssen, Analysen nicht belastbar sind oder die Analyseergebnisse nicht verständlich und nutzbar für den Anwender sind. Dieses Paper beschreibt daher einen Ansatz wie diese Probleme eliminiert werden können. Dazu werden die Grenzen und Potenziale von Ganzheitlichen Produktionssystemen und Data Analytics aufgezeigt. Darüber hinaus lassen sich Schnittstellen identifizieren, die es ermöglichen, Analytics mit den Paradigmen der schlanken Produktion zu fusionieren. Befähigt wird dies durch die Visualisierung von Daten. Visual Analytics beschreibt dabei ein stark wachsendes Feld, das den Prozessspezialisten – im Wesentlichen durch Visualisierung und Interaktion – zur Analytics am Ort der Wertschöpfung befähigt. Mithilfe kontinuierlicher Verbesserung gilt es in Zusammenarbeit zwischen Daten- und Produktions- bzw. Qualitätsspezialisten eine geeignete Anwendung zu entwickeln. Durch die Visualisierung der gesamthaft verfügbaren Prozessdaten, möglichst ohne aufwendige Data Preparation, können nicht nur Fehler im Prozess reduziert werden. Die Plausibilisierung von Daten direkt am Ort ihrer Entstehung bzw. Erfassung führt zu einer permanenten Steigerung der Datenqualität, sodass auch die Belastbarkeit der Daten erhöht wird und zukünftige Advanced Analytics Applikationen in kurzer Zeit wirksam umgesetzt werden können.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 99.00
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 129.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Literatur

  1. Ebel, B., Hofer, M.B., Genster, B.: Automotive Management – Herausforderungen für die Automobilindustrie. In: Ebel, B., Hofer, M.B. (Hrsg.) Automotive Management, S. 3–15. Springer, Berlin (2014)

    Chapter  Google Scholar 

  2. Behnert, D.: Getaktete Fließfertigung in der Einzelteilfertigung von Press- und Umformwerkzeugen im Automobilbau. In: Koether, R., Meier, K.J. (Hrsg.) Lean Production für die variantenreiche Einzelfertigung, S. 139–162. Springer Fachmedien Wiesbaden, Wiesbaden (2017)

    Google Scholar 

  3. Bauernhansl, T.: Die Vierte Industrielle Revolution – Der Weg in ein wertschaffendes Produktionsparadigma. In: Bauernhansl T, Hompel M ten, Vogel-Heuser B (Hrsg) Industrie 4.0 in Produktion, Automatisierung und Logistik. Springer Fachmedien, Wiesbaden, S. 5–35 (2014)

    Google Scholar 

  4. Windelband, L.: Industrie 4.0 ein Assistenzsystem für die Facharbeit in der Produktion? In: Frenz, M., Schlick, C., Unger, T. (Hrsg.) Wandel der Erwerbsarbeit. Berufsbildgestaltung und Konzepte für die gewerblich-technischen Didaktiken, S. 77–94. LIT, Berlin (2016)

    Google Scholar 

  5. Kellerhoff, P.: „Keine Angst vor der Modellvielfalt“. Interview: BMW-Produktionsvorstand Oliver Zipse sieht die Münchner aufgrund hoher Flexibilität in der Produktion auch angesichts der aktuell sinkenden Dieselnachfrage gut aufgestellt. VDI Nachrichten (71 (47/48)):12–13, (2017)

    Google Scholar 

  6. Majohr, D.: Optimierung von Karosserievorbehandlungsanlagen in der Automobilindustrie. Dissertation, Universität Rostock (2008)

    Google Scholar 

  7. Schuh, G., Stölzle, W., Straube, F.: Grundlagen des Anlaufmanagements: Entwicklungen und Trends, Definitionen und Begriffe, Integriertes Anlaufmanagementmodell. In: Schuh, G., Stölzle, W., Straube, F. (Hrsg.) Anlaufmanagement in der Automobilindustrie erfolgreich umsetzen. Ein Leitfaden für die Praxis. S. 1–8. Springer, Berlin (2008)

    Chapter  Google Scholar 

  8. Jochem, R., Raßfeld, C.: Qualitätsbezogene Kosten. In: Pfeifer, T., Schmitt, R. (Hrsg.) Masing Handbuch Qualitätsmanagement, 6. Aufl., s.l., S. 93–102. Carl Hanser Fachbuchverlag (2014)

    Google Scholar 

  9. Ehrlenspiel, K., Kiewert, A., Lindemann, U., Mörtl, M.: Einflüsse auf die Herstellkosten und Maßnahmen zur Kostensenkung. In: Ehrlenspiel, K., Kiewert, A., Lindemann, U., Mörtl, M. (Hrsg.) Kostengünstig Entwickeln und Konstruieren, S. 165–415. Springer, Berlin (2014)

    Chapter  Google Scholar 

  10. Pettey, C.: Why Data and Analytics Are Key to Digital Transformation (2019). https://www.gartner.com/smarterwithgartner/why-data-and-analytics-are-key-to-digital-transformation/. Zugegriffen: 25. September 2019

  11. Dittmar, C.: Die nächste Evolutionsstufe von AIS: Big Data. In: Gluchowski, P., Chamoni, P. (Hrsg.) Analytische Informationssysteme, S. 55–65. Springer, Berlin (2016)

    Chapter  Google Scholar 

  12. Erwin, T., Heidkamp, P.: Mit Daten Werte schaffen – Report 2017. Bitkom Research GmbH, KPMG AG Wirtschaftsprüfungsgesellschaft (2017). https://home.kpmg/de/de/home/themen/2017/05/mit-daten-werte-schaffen---studie-2017.html. Zugegriffen: 25. September 2019

  13. Fleming, O., Fountaine, T., Henke, N., Saleh, T.: Ten red flags signaling your analytics program will fail. McKinsey Analytics (2018). https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/ten-red-flags-signaling-your-analytics-program-will-fail. Zugegriffen: 25. September 2019

  14. Schmitt, R., Pfeifer, T.: Qualitätsmanagement. Strategien – Methoden – Techniken, 5. Aufl. Hanser, München (2015)

    Google Scholar 

  15. Töpfer, A.: Lean Six Sigma. Erfolgreiche Kombination von Lean Management, Six Sigma und Design for Six Sigma. Springer Berlin (2009)

    Google Scholar 

  16. Kaufmann, U.H.: Praxisbuch Lean Six Sigma. Werkzeuge und Beispiele. Hanser, München (2012)

    Book  Google Scholar 

  17. Dombrowski, U., Mielke, T.: Einleitung und historische Entwicklung. In: Dombrowski, U., Mielke, T. (Hrsg.) Ganzheitliche Produktionssysteme, Bd. 10, S. 1–24. Springer, Berlin (2015a)

    Chapter  Google Scholar 

  18. Dombrowski, U., Mielke, T.: Gestaltungsprinzipien Ganzheitlicher Produktionssysteme. In: Dombrowski, U., Mielke, T. (Hrsg.) Ganzheitliche Produktionssysteme, Bd. 101, S. 25–169. Springer, Berlin (2015b)

    Chapter  Google Scholar 

  19. Kostka, C., Kostka, S.: Der kontinuierliche Verbesserungsprozess. Methoden des KVP, 7. Aufl. Hanser, München (2017)

    Google Scholar 

  20. Verein Deutscher Ingenieure: VDI-Richtlinie: VDI 2870 Ganzheitliche Produktionssysteme. Blatt 1 03.100.50. Beuth Verlag GmbH, Berlin (2012)

    Google Scholar 

  21. Ōno, T., Bodek, N.: Toyota production system. Beyond large-scale production. Productivity Press, New York (1988)

    Google Scholar 

  22. Schawel, C., Billing, F.: Six Sigma. In: Schawel, C., Billing, F. (Hrsg.) Top 100 Management Tools, S. 231–233. Gabler Verlag, Wiesbaden (2014)

    Google Scholar 

  23. Töpfer, A.: Six Sigma als Projektmanagement für höhere Kundenzufriedenheit und bessere Unternehmensergebnisse. In: Töpfer, A. (Hrsg.) Six Sigma. Konzeption Und Erfolgsbeispiele Für Praktizierte Null-Fehler-Qualität, S. 45–97. Springer, Dordrecht (2007)

    Chapter  Google Scholar 

  24. Jochem, R., Geers, D., Rößle, D.: Der DMAIC-Zyklus. In: Jochem R, Herklotz H, Giebel M, Geers D (Hrsg.) Six Sigma leicht gemacht. Ein Lehrbuch mit Musterprojekt für den Praxiserfolg, 2. Aufl. Symposion, Düsseldorf, S. 47–60 (2015)

    Google Scholar 

  25. Meran, R., John, A., Staudter, C., Roenpage, O., Lunau, S.: Six Sigma+Lean Toolset. Springer, Berlin (2014)

    Google Scholar 

  26. Bauernhansl, T.: Wandlungsfähige Automobilproduktion der Zukunft. 1. Stuttgarter Tagung zur Zukunft der Automobilproduktion: Produzieren ohne Band und Takt, Stuttgart (2019)

    Google Scholar 

  27. Kohlhammer, J., Proff, D.U., Wiener, A.: Der Markt für Visual Business Analytics. In: Gluchowski, P., Chamoni, P. (Hrsg.) Analytische Informationssysteme, Bd. 25, S. 303–323. Springer, Berlin (2016)

    Chapter  Google Scholar 

  28. Hedtstück, U.: Abgrenzung des CEP zu anderen Methoden des Data Analytics. In: Hedtstück, U. (Hrsg.) Complex Event Processing, S. 105–110. Springer, Berlin (2017)

    Chapter  Google Scholar 

  29. Horton, FW.: Information Resources Management. Harnessing information assets for productivity gains in the office, factory, and laboratory. Prentice-Hall, Englewood Cliffs, N.J. (1985)

    Google Scholar 

  30. Gluchowski, P., Dittmar, C., Gabriel, R.: Management Support Systeme und Business Intelligence. Computergestützte Informationssysteme für Fach- und Führungskräfte, 2. Aufl. Springer, Berlin (2008)

    Google Scholar 

  31. Laney, D.: Information Economics, Big Data and the Art of the Possible with Analytics (2012). https://cs.furman.edu/~pbatchelor/csc105/MyPPT/Gartner%20@%20IT-oLogy%20re%20Infonomics%20-%20Big%20Data%20-%20Analytics.pptx. Zugegriffen: 25. September 2019

  32. Brown, MS.: What IT Needs To Know About The Data Mining Process. Forbes Media LLC (2015). https://www.forbes.com/sites/metabrown/2015/07/29/what-it-needs-to-know-about-the-data-mining-process/#3389c751515f. Zugegriffen: 25. September 2019

  33. Shearer, C.: The CRISP-DM Model: The New Blueprint for Data Mining. J. Data Ware. 5(4), 13–22 (2000)

    Google Scholar 

  34. Deutsches Institut für Normung e. V.: DIN EN ISO 9001: Qualitätsmanagementsysteme – Anforderungen 03.120.10. Beuth, Berlin (2015)

    Google Scholar 

  35. Nisbet, R., Miner, G., Yale, K.: Data Understanding and Preparation. In: Nisbet, R., Miner, G., Yale, K. (Hrsg.) Handbook of Statistical Analysis and Data Mining Applications, 2. Aufl., S. 55–82. Elsevier (2018)

    Chapter  Google Scholar 

  36. Keim, D., Andrienko, G., Fekete, J.D., Görg, C., Kohlhammer, J., Melançon, G.: Visual Analytics: Definition, Process, and Challenges. In: Kerren, A., Stasko, J.T., Fekete, J.D., North, C. (Hrsg.) Information Visualization, Bd. 4950, S. 154–175. Springer, Berlin (2008)

    Google Scholar 

  37. Anscombe, F.J.: Graphs in Statistical Analysis. Amer Statisti 27(1), 17 (1973). https://doi.org/10.2307/2682899

    Article  Google Scholar 

  38. Holland, H., Scharnbacher, K.: Statistische Maßzahlen. In: Holland H, Scharnbacher K (Hrsg) Grundlagen der Statistik, S. 43–58. Gabler, Wiesbaden (2010)

    Google Scholar 

  39. Fahrmeir, L., Künstler, R., Pigeot, I., Tutz, G.: Statistik. Der Weg zur Datenanalyse, 6. Aufl. Springer-Lehrbuch. Springer, Berlin (2007)

    Google Scholar 

  40. Holland, H., Scharnbacher, K.: Zeitreihenanalyse. In: Holland, H., Scharnbacher, K. (Hrsg.) Grundlagen der Statistik, S. 79–92. Gabler, Wiesbaden (2010)

    Chapter  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Innovation, Digitalisierung, Data Analytics, BMW Group, München, Deutschland

    Frederik Schmihing

  2. Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF), Fachgebiet Qualitätswissenschaft, TU Berlin, Berlin, Deutschland

    Roland Jochem

Authors
  1. Frederik Schmihing
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Roland Jochem
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Frederik Schmihing .

Editor information

Editors and Affiliations

  1. Lehrstuhl für Fertigungsmesstechnik und Qualitätsmanagement, Werkzeugmaschinenlabor WZL der RWTH Aachen., Aachen, Germany

    Robert H. Schmitt

Rights and permissions

Reprints and permissions

Copyright information

© 2020 Der/die Autor(en), exklusiv lizenziert durch Springer-Verlag GmbH, DE , ein Teil von Springer Nature

About this paper

Check for updates. Verify currency and authenticity via CrossMark

Cite this paper

Schmihing, F., Jochem, R. (2020). Steigerung von Daten- und Prozessqualität mit Hilfe von Visual Analytics in der Produktion. In: Schmitt, R.H. (eds) Datengetriebenes Qualitätsmanagement. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-62442-5_1

Download citation

  • DOI: https://doi.org/10.1007/978-3-662-62442-5_1

  • Published:

  • Publisher Name: Springer Vieweg, Berlin, Heidelberg

  • Print ISBN: 978-3-662-62441-8

  • Online ISBN: 978-3-662-62442-5

  • eBook Packages: Computer Science and Engineering (German Language)

Publish with us

Policies and ethics

Search

Navigation