10. Kollaborative, modulare Datenanalyse als Werkzeug im Qualitätsmanagement

Die Vision von industriellen Datenanalysen, Daten entlang der gesamten Wertschöpfungskette mit Daten aus dem Produktlebenszyklus zu vernetzen, beinhaltet großes Potenzial für ganzheitliche Qualitätsverbesserungen. Industrielle Datenanalyse ist ein Sammelbegriff für datenwissenschaftliche Werkzeuge zur faktenbasierten Entscheidungsfindung in industriellen Anwendungsfällen (West et al., 2021a, S. 131). Um dieses zunehmende Potenzial ausschöpfen zu können, bedarf es vor allem zielgerichteter Werkzeuge und Strategien für Datenwissenschaften sowie der Befähigung von Expertinnen und Experten im Qualitätsmanagement (siehe Kap. 2). Diese entwickeln sich somit in die Rolle von sogenannten Citizen Data Scientists, welche Werkzeuge der Datenwissenschaften gewinnbringend verwenden, weiterentwickeln oder bei der Weiterentwicklung mitarbeiten (Schwenken et al., 2023, S. 84). Gleichzeitig bedeutet dies auch, dass die bekannten und etablierten Methoden und Systeme des Qualitätsmanagements mit Methoden der Datenwissenschaften in Einklang gebracht werden müssen (siehe hierzu Schäfer et al., 2018, S. 190 ff.). In diesem Kapitel wird beschrieben, wie mithilfe von modularen Analysebausteinen eine Lösung zur Unterstützung der Feldbeobachtungen bei Miele entwickelt wurde. Die Zielsetzung war hierbei herauszufinden, wie das für konkrete Fragestellungen aus der Praxis mit Hilfe des für solche Aufgaben konzipierten Referenzbaukastens im Forschungsprojekt AKKORD konkret gelingen kann (siehe Kap. 4).

Der Anwendungsfall ist im Bereich der Feldbeobachtung im Qualitätsmanagement angesiedelt, dessen wichtigste Aspekte im Folgenden kurz erläutert werden.

„Wie können die Experten im Umfeld der Feldbeobachtung dazu befähigt werden, die Potenziale von neuen und bekannten Daten mittels Datenwissenschaften optimal zu heben?“ – so lässt sich die Fragestellung des Anwendungsfalls an AKKORD grob umreißen. Während der Anwendungsfall in Kap. 2 bereits kurz dargestellt wurde, wird nachfolgend die Unterstützung, die der Referenzbaukasten hinsichtlich der konkreten Problemsetzung bietet, detaillierter beschrieben.

Im Rahmen des Forschungsprojekts wurden Analysen zu verschiedenen Datenquellen erarbeitet, mit dem Ziel, die serienbegleitende Qualitätsüberwachung zu erweitern und zu vereinfachen. Für das Forschungsprojekt wurden u. a. Daten aus den Ersatzteilverkäufen und anonymisierte Daten aus vernetzten IoT-Geräten gewählt. Diese beiden Datensätze sind nicht direkt mit anderen Daten verknüpfbar und nicht personenbezogen, was in Hinblick auf den Datenschutz und die Vereinfachung von Fragestellungen in diesem Zusammenhang hilfreich ist.

Ein weiterer Anwendungsfall mit internationalen Kundendienst-Daten diente ebenfalls der Validierung.

Die wesentlichen Ergebnisse und Erkenntnisse werden im Folgenden vorgestellt.

Auch nach Abschluss des Projekts bei Miele sollen alle Ergebnisse aus dem Forschungsprojekt weiterhin genutzt und weiterentwickelt werden. Mit dem Rollout und durch die strategische Ausrichtung im Qualitätsmanagement bei Miele ist zu erwarten, dass sich der Anwender- und Nutzerkreis erweitern wird. Die Konzepte und Bausteine, die im Anwendungsfall erarbeitet wurden, wurden auch immer in Hinblick auf Übertragbarkeit und Generalisierbarkeit hin entwickelt und sind daher in ähnlichen Kontexten allgemein nutzbar.

Durch die sehr gute Kombination und Vernetzung von Wissensaufbau, Datenwissenschaften, Mitarbeitereinbindung und Change Aktivitäten konnte für den Themenkomplex „Industrial Data Science“ ein hohes Bewusstsein mit gleichzeitiger Akzeptanz geschaffen werden. Dieser Umstand wird uns als QM im vernetzten Miteinander in der Miele Organisation entlang der kompletten Wertschöpfungskette, von der Idee bis zur Nutzungsphase, in die Lage versetzen, zukünftig einfach und gemeinsam Data-Science-Projekte durchzuführen. Ein weiterer wichtiger Aspekt ist die Verfestigung des Wissens und der Akzeptanz an der Basis. Die gesamte Organisation wird somit in die Lage versetzt Ideen für Data Science Aktivitäten zu entwickeln.

Darüber hinaus wurden im interdisziplinären Team bei Miele, befeuert durch das Forschungsvorhaben AKKORD, Gruppen und Initiativen entwickelt, die von allen Funktionen genutzt werden können. In Kap. 20 wird dazu eine tiefergehende Analyse der bevorstehenden Weiterentwicklung industrieller Datenanalysen im Zusammenspiel von Mensch, Technik und Organisation dargestellt.