Blockchain gilt als einer der bahnbrechenden Zukunftstrends. Doch was hat es damit auf sich? Was ist eine Blockchain und wie kann diese Technologie dabei helfen, Abläufe transparenter und sicherer zu machen?

Industrie 4.0 für die Qualitätssicherung

Industrie 4.0

Datenbanken

Datenanalyse

Datenschutz

qz-online.de

Digitalisierung

Blockchains für sichere und transparente Prozesse

Die digitale Vernetzung von Maschinen und Geräten, der Datenaustausch zwischen diesen und die Nutzung dieser Technologie für die Produktion versprechen große Vorteile. Dennoch sind noch viele Fragen unbeantwortet, beispielsweise die nach ausreichendem Datenschutz.

Datenschutz im Zeichen von Industrie 4.0

Eine Studie des LZR an der Bergischen Universität Wuppertal zeigt deutlich, dass die Ausbreitungsgeschwindigkeit von COVID-19 um ein Vielfaches schneller ist , als die bekannter Grippe-Epidemien.

©<a href="http://peterschreiber.media">peterschreiber.media</a> – <a href="http://stock.adobe.com">stock.adobe.com</a>

Analyse des Infektionsgeschehens mit Methoden der Zuverlässigkeitstechnik

Die COVID-19-Ausbreitung  ist nicht grippal!

Tritt das geplante Lieferkettengesetz in Kraft, müssen Unternehmen auf die Einhaltung von Arbeits- und Umweltmindeststandards hin überprüfbar werden. Bei der Umsetzung der neuen Anforderungen wird dem Management von Stammdaten eine noch größere Bedeutung zukommen als bislang.

Unternehmen sollten sich jetzt schon auf das neue Lieferkettengesetz vorbereiten.

Qualitätssicherung

Neue Pflichten für Unternehmen ab 2023

Von der Forschung in die Praxis: Lebensmittelbetrug mit molekularen Fingerabdrücken nachweisen.

Überprüfung anhand molekularer Fingerabdrücke

Produktzertifizierung

Dienstleistungen

Zertifizierung

Prüfdatenauswertung

Lebensmittelbetrug nachweisen

Mit dem neuen Gesetz sollen durch verstärkte Datennutzung Innovationen im Bereich der künstlichen Intelligenz, Medizin oder Mobilität vorgebracht werden.

Die Mitgliedstaaten und das Europäische Parlament haben sich auf eine gemeinsame Position zum sogenannten Daten-Governance-Gesetz geeinigt.

16:9

Recht allgemein / sonst.

Recht

Wirtschaft

Unternehmen und Unternehmer

Datensicherheit

Fertigungsautomation

Sicherheitstechnik

EU feiert Einigung zu Data Governance Act

Laut Koalitionsvertrag soll ein Treuhänder über die Verwendung von Autodaten wachen. Doch die Autohersteller sind dagegen.

Die Bundesregierung stößt mit ihrem Plan eines Treuhänders für Autodaten auf Widerstand bei den Herstellern.

Messgeräte für Automobiltechnik

Messtechnik

Automotive

Elektronik

Softwareentwicklung Automotive

Softwareentwicklung

E-Fahrzeuge

Mobilität

Elektromobilität

Fahrzeugbau

Kraftfahrzeugtechnik

Autohersteller wollen keine Daten-Treuhänder

Ein neues Datengesetz soll den fairen Zugang zu Daten regeln, die bei 0 er Nutzung vernetzter Geräte entstehen.

Für mehr Innovation und Wettbewerb in der EU soll das Potenzial industrieller Daten besser genutzt werden.

Produktschutz

Qualitätsmanagement

Cyber Security für die Qualitätssicherung

Big Data / Datenverarbeitung / Datenanalyse für die spanende Fertigung

Industrie 4.0 für die spanende Fertigung

EU-Kommission will mit Data Act Potenziale freisetzen

Der EU-Rechtsakt ist laut Verband eine gute Grundlage für die faire Datennutzung, jedoch im Mobilitätssektor unzureichend geregelt.

Der TÜV-Verband begrüßt den EU Data Act, mahnt in bestimmten Bereichen aber auch Nachbesserungen an.

Kfz-Elektronik

TÜV-Verband begrüßt EU Data Act

Beider Digitalisierung von Unternehmen ist es wichtig, das Potenzial der Informationsgenerierung vollumfänglich zu nutzen. Predictive Quality hat dabei Vorteile im Vergleich zu herkömmlichen Methoden.

Wie Qualität durch die Nutzung geeigneter Analysemethoden optimiert wird

Qualitätsmethoden

Statistische Methoden

Datenbasierte Entscheidungsunterstützung

Vor allem durch die beschleunigte Digitalisierung hat sich die Verbindung von Qualitätsmanagement und Informationssicherheitsmanagement als konstruktiv und zukunftsfähig erwiesen.

Digitalisierung im Qualitätsmanagement | Chancen und Risiken der Digitalisierung | Informations- und Datensicherheit | ➤ Jetzt lesen!

Warum QM und Informationssicherheitsmanagement zusammengehen

Q-Management(system), Strategie

Digitale Transformation

Innovationen und neue Technologie

Beruf des Qualitätsmanagers

Starke Kombi: QM und Informationssicherheit

Ein Six Sigma-Optimierungsprojekt mit den Phasen Define-Measure-Analyse- Improve-Control konnte bei einem Hersteller von Salzwasseraquarien Potenziale zur Kostenreduzierung aufdecken und heben.

Salzwasser-Aquarien sind Meisterwerke der Technik mit höchstem Qualitätsansprüchen an Materialien und Herstellung.

Wie ein Six Sigma-Projekt Lager- und Materialkosten einsparen hilft

Prozessoptimierung

Prozessmanagement

Lagerhaltung

Logistik

Six Sigma

Prozessgestaltung

Lagerplanung

Lagertechnik

Six Sigma bringt Aquarien zum Leuchten

Eine Studie des Fraunhofer-Instituts für Produktionstechnik und Automatisierung IPA untersucht, wie Unternehmen Produktdaten erfassen und in welchem Maße die Daten für die Entwicklungsarbeit genutzt werden.

Messdatenerfassung, Software

Software

Wie Unternehmen Daten für die Produktentstehung nutzen

Die effiziente Verwaltung der unterschiedlichen Normanforderungen und zugehörigen Abläufe gelingt in einem integrierten Managementsystem (IMS).

Effiziente Verwaltung unterschiedlicher Normanforderungen in einem System

Normen / Standards

Integriertes Management-System

Beratung und Consulting

IMS – ein Handbuch  für alle ISO-Normen

Es wird auch zunehmend interessant, die immer häufiger und in immer größerem Umfang anfallenden Daten im Unternehmenskontext zu nutzen.

So bringen Sie Ihre Organisation voran!

Machine Learning für die Qualitätssicherung

Big Data

Datenanalyse im großen Stil

Warum Datenmanagement für Unternehmen zum Erfolgsfaktor wird

Unternehmen wie Tesla, Amazon und Google sind mit datenbasierten Geschäftsmodellen erfolgreich. Traditionelle Unternehmen lassen das Wissenspotenzial in Form gesammelter Daten häufig ungenutzt.

Mit datenbasierten Geschäftsmodellen sind Unternehmen wie Tesla, Amazon und Google höchst erfolgreich. Doch für die große Mehrheit der traditionellen Unternehmen, die mit wertschöpfungsorientierten Geschäftsmodellen arbeitet, bleibt das Wissenspotenzial in Form gesammelter Daten häufig ungenutzt. Ein wesentlicher Grund dafür ist ihre traditionelle Herangehensweise an die Erfassung und Verwertung von Daten.

Sebastian Beckschulte, Peter Schlegel, Robin Günther, Robert H. Schmitt

Die technologischen Entwicklungen unterstreichen die Notwendigkeit einer Transformation hin zu digitalen Geschäftsmodellen, um langfristig wettbewerbsfähig zu bleiben. Daraus folgend wird der zunehmende Bedarf eines durchdachten Datenmanagements deutlich, welches den Grundstein eines derartigen Wandels legt. Warum aber fällt es Unternehmen so schwer, eine ausreichende Datenqualität und Dateneignung zu gewährleisten? Die Gründe hierfür sind äußerst vielschichtig. Ein wesentlicher Grund ist die mangelnde Wahrnehmung für die zunehmende Tragweite der Thematik. Hinzu kommt ein vielfach fehlendes Bewusstsein für vorhandene IT-Systeme als auch für notwendige Anforderungen an Lösungsansätze. Ein Mangel an Methodenkenntnis und verfügbaren Werkzeugen erschwert die Voraussetzungen zusätzlich.

In der Praxis hat das häufig zur Folge, dass keine ganzheitliche Betrachtung des Datengeschehens stattfindet, was die Entstehung weiterer individueller Lösungen begünstigt und Skaleneffekte bei der späteren Datenanalyse ungenutzt bleiben.

Hohe Initialaufwände, die in der Regel mit notwendigen Prozess- und Systemanpassungen einhergehen, sorgen dabei vor allem im operativen Unternehmensumfeld regelmäßig für eine abnehmende Mitarbeiterakzeptanz gegenüber einzuführenden Neuerungen. Zustimmung der Belegschaft ist dabei nicht selten ein unterschätzter Erfolgsfaktor, da der zukünftige Erfolg wesentlich von Vertrauen, Verlässlichkeit und Nutzbarkeit der Anwender abhängig ist.

Produzierende Unternehmen sollten sich dieser Thematik vor allem deshalb stärker widmen, da der wirtschaftliche Schaden, basierend auf unzureichender Daten- und Informationsqualität, auf 8 bis 12 Prozent des Unternehmensumsatzes geschätzt wird. Einer weiteren Studie zufolge zählen Probleme bei der Daten- und Informationsqualität gar zu den Problemen, die die tägliche Arbeit am stärksten behindern. Zwar ist der Wert nicht direkter zu beziffern, da die Komplexität des kausalen Nachweises der Ursachen zu hoch ist. Dieser stellt jedoch in Aussicht, wie viel Potenzial das Thema in sich birgt. Diese Annahme spiegelt sich in einer weiteren Studie, die die Diskrepanz zwischen subjektiver, wahrgenommener Datenqualität und der realen Qualität intensiv untersuchte.

Die Studie ergab in der Selbsteinschätzung zunächst bessere Werte. So schätzten 77 Prozent der Unternehmen ihre Datenqualität als sehr gut bzw. gut ein. Rund 16 Prozent bewerteten diese als befriedigend und 7 Prozent als mangelhaft. Die Untersuchung gegenüber der realen Qualität ergab, dass nur 9 Prozent der Unternehmen über eine Datenqualität verfügten, die als sehr gut zu bewerten sei. Weiterhin besaßen 27 Prozent eine gute Qualität der Daten. Dagegen wiesen 46 Prozent Daten mit befriedigender bzw. 18 Prozent mit mangelhafter Qualität auf.

Deutlich wird, dass die Selbsteinschätzung der unternehmenseigenen Datenqualität positiver ausfällt, als sie in der Realität ist. Diese Abweichung zwischen subjektiver Wahrnehmung und real existierender Qualität birgt gleichzeitig die Gefahr von fehlerhaften Unternehmensentscheidungen auf Basis einer (unzureichenden oder falschen) Datengrundlage. Deshalb ist die frühzeitige Erarbeitung einer durchdachten Analysestrategie besonders wichtig, um Maßnahmen zu ergreifen und eine ausreichende Qualität der Daten sicherstellen zu können sowie diese im Sinne einer zielorientierten Analyse verwertbar zu machen.

Analysestrategie für  erfolgreiche Datenverwertung

Für den Gewinn zielorientierter Erkenntnisse ist die möglichst frühzeitige Festlegung einer Analysestrategie unabdingbar. Das Fehlen einer klaren Strategie und damit einhergehender Aspekte ist häufig das zentrale Kernproblem für die erfolgreiche  Datenverwertung.

Zur Erarbeitung einer Analysestrategie muss zunächst der organisatorische Rahmen festgelegt werden. In Anlehnung an traditionelle Projektmanagementansätze sind ebenfalls im Analysekontext Risiken, Chancen, benötigte Ressourcen, Kosten und zeitliche Aspekte zu berücksichtigen und vorzusehen. Erforderliche Ressourcen kennzeichnen sich sowohl durch benötigte Daten, Soft- und Hardware als auch Zugriffsrechte für Projektbeteiligte. Von besonderer Bedeutung ist jedoch die Einplanung wertvoller Mitarbeiterkompetenzen, welche im Rahmen der Zielkonkretisierung wie auch der Ergebnisbewertung eine zentrale Rolle einnehmen. Im Produktionsumfeld lassen sich unter anderem Datenmanager, Prozessexperten, Qualitätsverantwortliche oder Projektmanager als solche charakterisieren.

Es liegt auf der Hand, dass die im Rahmen der Analyse verfolgten Zielsetzungen und Anforderungen einen unmittelbaren Einfluss auf die Strukturierung und Ausgestaltung von Maßnahmen für das weitere Handeln nehmen. Dies zeigt sich dadurch, dass die Wahl des Ziels, die in nachfolgenden Schritten heranzuziehenden Analysemethoden festlegt. Wird beispielsweise die Aufdeckung bisher unbekannter Zusammenhänge für einen Produktionsprozess angestrebt, können insbesondere Cluster-Algorithmen dienlich sein. Wird hingegen die Vorgabe wahrscheinlicher Ursachen und Maßnahmen auf Basis historischer Fehlerdaten untersucht, sind Klassifizierungsalgorithmen heranzuziehen.

Die Festlegung eines eindeutigen Analyseziels und ein auf dieses ausgerichtete Vorgehen wird somit zur notwendigen Voraussetzung im Hinblick auf einen erfolgreichen Datenumgang. Mögliche Ausgangspunkte bilden hierbei vor allem die unternehmerischen Geschäftsziele und Erfolgskriterien. Jedoch lässt sich ebenfalls die Berücksichtigung spezifischer Kundenanforderungen oder konkrete Herausforderungen des Fehler-, Produkt- und Prozessmanagements, wie beispielsweise die Identifikation unbekannter Fehlerzusammenhänge für einen spezifischen Prozessschritt, adressieren.

Durch die Wahl eines Zielprozesses wird gleichzeitig der Betrachtungsfokus der Analyse eingeschränkt. Entsprechend des gewählten Fokus können folglich unterschiedliche Anforderungen hinsichtlich relevanter, zu berücksichtigender Datenquellen, Systeme und Einflussfaktoren gestellt werden. Im Abgleich mit bestehenden Systemen und Datenerfassungsmechanismen lassen sich zudem weitere Datenbedarfe identifizieren, welche die Einführung zusätzlicher Erfassungsmechanismen und -technologien oder Aufbereitungsaufwände erforderlich machen können. Gleiches gilt für die Bewertung der Datenformate, welche eine entsprechende Betrachtung und Verknüpfung eventueller heterogener Datenquellen erlauben sollen.

Neben der Datenverfügbarkeit ist insbesondere die Sicherung der Datenqualität als eine Kernherausforderung zu kennzeichnen. Gemäß dem häufig zitierten Leitsatz „Garbage in, garbage out“ spiegeln Daten schlechter Qualität ein verfälschtes Abbild der Realität wider. Aufbauende Analysen wiederum führen zu keinen verwertbaren Erkenntnissen. Dementsprechend sollte ein Großteil der Aufwände in die Aufbereitung der Datengrundlage fließen. Als Kriterien zur Beurteilung der durch Mehrdimensionalität geprägten Datenqualität können unter anderem die Vollständigkeit, Genauigkeit, Aktualität, Relevanz, Konsistenz, Verständlichkeit und Korrektheit herangezogen werden. Fehlerhafte Daten können durch Ersetzen, Ändern oder Löschen spezifischer Aspekte korrigiert werden. Erst wenn die Anforderungen an die Qualität der Daten erfüllt sind, ist es sinnvoll mit dem weiteren Analysevorgehen fortzufahren (Bild 1).

Bewertung der Datenqualität im definierten Anwendungsfall

Ausgehend von der formulierten Analysestrategie und den daraus resultierenden Anforderungen an die Datengrundlage kann ein systematischer Soll-Ist-Abgleich in Bezug auf die Qualität der vorhandenen Datenbasis erfolgen. Wird beispielsweise die Befähigung zur umfassenden Fehlerursachenanalyse angestrebt, ist die Erhebung von Prozess- und Qualitätsdaten in adäquater Datenqualität Teil dieser Anforderungen. Hierzu wurde am Werkzeugmaschinenlabor ein geeignetes Vorgehensmodell entwickelt, um die Qualität der Daten und damit ihre Eignung im Kontext des jeweiligen Anwendungsfalls zu bewerten. Das übergeordnete Ziel ist hierbei die Schaffung von kontextbezogener Transparenz in Bezug auf Informationslücken in der Datenerfassung entlang der Produktionskette. Durch seinen modularen Aufbau kann das Vorgehensmodell sowohl für verschiedene Anwendungsfälle bzw. Analyseziele eingesetzt als auch hinsichtlich des Umfangs der betrachteten Datenqualitätskriterien flexibel angepasst werden.

An einem Anwendungsbeispiel der Fehlerursachenanalyse in der Getriebewellenfertigung wird im Folgenden die systematische Bewertung in sechs aufeinander aufbauenden Schritten exemplarisch beschrieben:

<ul><li>Prozessaufnahme und -modellierung sowie Erhebung der vorhandenen Datenquellen im Betrachtungsbereich.</li><li>Ableitung des informationstechnischen Soll-Zustands auf Basis der formulierten Anforderungen unter Einbezug von Expertenwissen.</li><li>Auswahl relevanter Datenqualitätskriterien wie Vollständigkeit, Umfang, Zugänglichkeit oder Verknüpfbarkeit.</li><li>Extraktion der Daten aus den zuvor identifizierten Quellen.</li><li>Durchführung der Bewertung der Datenqualität auf Basis der ausgewählten Kriterien sowie den dahinterliegenden Bewertungsmetriken.</li><li>Schaffung von Transparenz durch Visualisierung der Bewertung und Identifikation von Handlungsfeldern in der Datenerfassung.</li></ul>

Das Ergebnis einer solchen Bewertung ist für das Beispiel der Getriebewellenfertigung exemplarisch dargestellt (Bild 2). Dabei wurde der Betrachtungsbereich auf die Prozessschritte Schmieden, Drehen und Bohren reduziert. Der informationstechnische Soll-Zustand als Grundlage für die Bewertung umfasst im Kontext der Fehlerursachenanalyse sowohl die Fehlerdatenerfassung als auch die Prozessdatenerfassung zu potenziellen Fehlereinflussgrößen. Defizite in der Datenqualität wurden durch entsprechende Harvey Balls kenntlich gemacht.

Ausgehend von der Analysestrategie der Fehlerursachenanalyse konnte so im Beispiel die kontextspezifische Datenqualität bewertet und Lücken in der Datenerfassung aufgedeckt werden. Der logische nächste Schritt ist folglich die Ableitung von Handlungsempfehlungen zur Verbesserung eben jener Datenqualität. Diese umfasst hier u. a. die Verbesserung der Vollständigkeit und Zugänglichkeit der Daten im Prozessschritt der Qualitätsprüfung. Denn diese erfolgt im Status quo nur stichprobenartig und eine Extraktion der Fehlerdaten aus der Prüfsoftware ist nur manuell möglich. Darüber hinaus zeigt die Ergebnisvisualisierung, dass die vergleichsweise geringe Speicherdauer der historischen Daten in den Prozessschritten Drehen und Bohren zu einem Defizit im Datenumfang und damit zu einem entsprechenden Handlungsbedarf führt (Bild 2). Durch diese Vorgehensweise wird die Grundlage für Datenanalysen systematisch verbessert, was sich darüber hinaus vertrauensfördernd auf die späteren Analyseergebnisse auswirkt.

Ausblick: Die frühzeitige Festlegung einer Analysestrategie bildet den Grundstein für eine erfolgreiche Datenverwertung. Dabei ist die Bewertung der Datenqualität für die betrachteten Anwendungsfälle unabdingbar. Methodische Ansätze helfen, die Datenqualität strukturiert zu bewerten, um Informationslücken zu identifizieren und gezielt zu beheben. Wie sich eine methodisch bewertete und optimierte Datenqualität auf die Entscheidungsunterstützung mithilfe von Predictive Quality Ansätzen auswirken kann, zeigt ein Folgebeitrag.

Subramaniam, M.: Are You Using the Right Data to Power your Digital Transformation? Havard Business Review, Digitaler Artikel (03.12.2021), S. 1-6

Scheibmayer, M.: Bestimmung von Zielgrößen für die Produktstammdatenqualität in produzierenden Unternehmen. Apprimus Verlag, 2014

Birkmeier, M.: Messung und Darstellung der Qualität von betrieblichen Informationsflüssen. Apprimus Verlag, 2020.

Groggert, S.; Wenking, M.; Schmitt R.H.; Friedli, T.: Status Quo and Future Potential of Manufacutring Data Analytics: An Empirical Study,  IEEE IEEM (2017), S. 779–783

Werkzeugmaschinenlabor WZL der RWTH Aachen University 

https://www.wzl.rwth-aachen.de

<ul><li>Wie Unternehmen ihren Datenschatz erfolgreich heben</li><li>Was der Sägezahn der Zeit mit Zertifizierungen macht</li><li>CONTROL: Welche Highlights auf der Fachmesse glänzen</li></ul>

Ausgabenartikel

Bild 1. Vorgehensmodell für Predictive Analytics.

Bild 2. Ergebnisvisualisierung nach Anwendung des Vorgehensmodells am Beispiel der Getriebewellenfertigung.

Data Quality_Beckschulte

Nur wenige traditionelle Unternehmen nutzen ihr Wissenspotenzial gesammtelter Daten als datenbasiertes Geschäftsmodell. 

Sebastian Beckschulte M. Sc. arbeitet als wissenschaftlicher Mitarbeiter am Werkzeugmaschinenlabor (WZL) der RWTH Aachen; <a href="mailto:s.beckschulte@wzl.rwth-aachen.de">s.beckschulte@wzl.rwth-aachen.de</a>

Peter Schlegel M. Sc. arbeitet als wissenschaftlicher Mitarbeiter am Werkzeugmaschinenlabor (WZL) der RWTH Aachen.

Robin Günther M. Sc. arbeitet als wissenschaftlicher Mitarbeiter am Werkzeugmaschinenlabor (WZL) der RWTH Aachen.

Prof. Dr.-Ing. Robert H. Schmitt ist Direktor am WZL der RWTH Aachen sowie Mitglied des Direktoriums am Fraunhofer- Institut für Produktionstechnologie (IPT).