Use Case Qualitätssicherung

Bild­nach­weis: Pho­ton photo/Shutterstock.com

Worin beste­ht die Herausforderung?

Die Qual­itätssicherung umfasst sämtliche Maß­nah­men zur Sich­er­stel­lung fest­gelegter Qual­ität­san­forderun­gen. Diese find­en in jedem Unternehmen in vie­len ver­schiede­nen Bere­ichen und Aus­führun­gen statt. So wird die Qual­ität von einzel­nen Pro­duk­ten (wie Bauteile oder Lebens­mit­tel), die Sicher­heit von Prozessen und die Qual­ität von Beratun­gen und anderen Ser­viceleis­tun­gen erfasst und über­prüft. Auch die Iden­ti­fika­tion von Fälschun­gen fällt in den Bere­ich der Qual­itätssicherung. Manuelle Qual­ität­skon­trolle ist zeit- und kosten­in­ten­siv und kann fehler­an­fäl­lig sein.

Welche Dat­en kön­nen hier helfen?

• Pro­dukt- und Produktionsdaten

• Bild- und Sen­sor­dat­en (Vibra­tion, Geräuschabweichungen)

• Rel­e­vante Dat­en aus Zeitun­gen, Bericht­en und Mel­dun­gen (Hin­weise zur Qual­ität und für eventuelle Rückrufaktionen)

• Kun­den­feed­back

Wie kommt der Nutzen aus den Daten?

Der Ein­satz von Date­n­analy­sen kann helfen, Prozesse der Qual­itätssicherung zu automa­tisieren – und damit zu beschle­u­ni­gen und die Mess­güte zu erhöhen. Beispiel­sweise wer­den Bild­dat­en von Pro­duk­t­teilen ver­glichen. Medi­ale Dat­en und Berichtsin­for­ma­tio­nen kön­nen in ein Früh­warn­sys­tem ein­fließen und so frühzeit­ig Qual­itätsmän­gel anzeigen. Darauf kön­nen spez­i­fis­chere Qual­ität­süber­prü­fun­gen fol­gen. Kern der Date­n­analy­sen zur Qual­itätssicherung sind dabei Abwe­ichungs­analy­sen vom Soll bzw. von fest­gelegten Qual­ität­san­forderun­gen. Außer­dem kön­nen Unternehmen ihre Hand­lung­sop­tio­nen bess­er ableit­en, wenn aus den Date­n­analy­sen Mel­dun­gen zur Anzeige der Abwe­ichun­gen gener­iert oder wahrschein­liche Abwe­ichun­gen vorherge­sagt werden.

Wo wird diese Daten­nutzung bere­its angewendet?

• Die Pro­gramme »TotalSense« und »Lumo­Vi­sion« des Tech­nolo­giekonz­erns Büh­ler beurteilen auf Basis von Bild­dateien und Flu­o­reszenz-Farbe die Qual­ität von Lebens­mit­teln, zum Beispiel von Reiskörnern.

• Das IT-Unternehmen Elu­nic unter­stützt die Qual­itätssicherung durch eine optis­che Über­prü­fung der Pro­duk­tion­squal­ität. Mit einem Kam­era- und Beleuch­tungssys­tem wer­den Bilder aufgenom­men und aus­gew­ertet. Über eine Date­n­analyse kön­nen Fehler auf Ober­flächen detek­tiert wer­den. Zum Ein­satz kommt die Soft­ware beispiel­sweise bei BMW, Braun und QCells.

• Der Chemiekonz­ern BASF sam­melt Dat­en zu Unfällen und sicher­heit­srel­e­van­ten Ereignis­sen. So kann eine tief­ere Ursachen­analyse solch­er Ereignisse betrieben wer­den, um die Prozess­sicher­heit und ‑qual­ität zu erhöhen.

• Der Tech­nolo­giekonz­ern Bosch nutzt IoT-Dat­en, um die Qual­ität sein­er Pro­duk­te zu verbessern und an die Nutzung der Kund­schaft anzu­passen. Mit automa­tis­chen Feed­backschleifen wer­den auch Fehler­mel­dun­gen über­mit­telt. So kön­nen Nutzung und Fehler­mel­dun­gen verknüpft und Pro­duk­tan­pas­sun­gen abgeleit­et werden.

Welchen Beitrag leis­tet diese Daten­nutzung zur Wertschöpfung?

Durch den Datenein­satz bei der Qual­itätssicherung kann deren Effizienz gesteigert wer­den. Die frühzeit­ige Anzeige von Qual­itätsmän­geln spart Kosten für spätere Kor­rek­turen, Fehl­pro­duk­tio­nen oder Rück­r­u­fak­tio­nen. Die höhere Qual­ität ist oft ver­bun­den mit ein­er höheren Ver­trauenswürdigkeit und besseren Kund­schafts­bindung. Neue Ange­bote und Ser­vices zur Qual­itätssicherung im After-Sales-Bere­ich kön­nen auch zu ein­er neuen Wertschöp­fung führen.

Quellen: Büh­ler AG (2019), Elu­nic AG (2019), BASF (2017), Bosch (2019)

Pub­lika­tion: Wie Unternehmen Dat­en heute schon nutzen und in Zukun­ft nutzen kön­nen. Her­aus­ge­ber: Fraun­hofer IMW, Inhalt: Data Min­ing und Wertschöpfung