Stricker

• Überprüfung und Bewertung eines Prozesses / einzelnen Prozesskomponente

• Erkennung von Ineffizienzen

• Basis: quantitativen und qualitativen Prozessdaten

• Erhaltung / Verbesserung der Prozessqualität

• Automatisierung von redundanten Aufgaben

• Standardisierung

Prozessanalysesoftware

• Datenanalyse –Process Mining und Data Mining

• Prozessmodellierung und -simulation

Prozessanalysetechniken

• Gap-Analyse

• Ursachenanalyse

• Kennzahlenanalyse

• Fehlermöglichkeits-und –Einflussanalyse (FMEA)

Visuelle Prozessanalyse – Diagramme und Charts

• Fishbonediagram

• Flowchardmapping

• Kennzahlen zur Leistungsmessung —> liefern relevante, übersichtliche Daten

• Verschiedene Einsatzfelder (Produktion, Finanzen, …)

• Dienen dem Management zur schnellen Orientierung

• Alle Geschäftsprozesse können anhand von Kennzahlen kontrolliert & gesteuert werden

• Betriebliche Vorgänge messen

• Komplexe Sachverhalte kurz und prägnant darstellen

• Maßstäbe für die Zukunft festlegen

• Kritische Erfolgsfaktoren festmachen / Vergleiche ziehen

Sie verdeutlichen bestimmte Abhängigkeiten, verdichten Information und reduzieren Komplexität

—> Kennzahlen bieten eine bessere Kommunikation!

• Genormt

• Einfach

• Zeitgerecht

• Belegbar / nachweisbar

• Akkurat

• Strategisch

• Taktzeit

• An-/Abwesenheit

• Rüstzeit

• OEE

• Reklamationsquote

• Ausschussquote

• Durchlaufzeit (DZL)

• Termintreue

• Produktivität

• Produktion (OEE, Ausschussrate, …)

• Vertrieb und Marketing (Umsatz, ROI)

• Finanzen (Cashflow, Gewinnmarge)

• Personalwesen (Mitarbeiterfluktuation, Mitarbeiterzufriedenheit)

• Qualitätskontrolle (Fehlerquote, Ausschussrate)

• Gesundheitswesen (Wartezeiten, Kosten pro Behandlung)

• Gesamtanlageneffektivität

• Differenz zwischen der theoretisch berechneten Produktionskapazität und der tatsächlichen Produktionskapazität eines Herstellungsprozesses

OEE [%] = Verfügbarkeit x Leistungsgrad x Qualität = A x P x Q

Für eine Maschine, Station, einen Prozess oder eine gesamte Fertigungslinie berücksichtigt man alle Ereignisse, die die geplante Produktion stoppen.

A [%] = Laufzeit / geplante Produktionszeit = t(r) / t(pd)

P berücksichtigt alle Ursachen, die dazu führen, dass der Fertigungsprozess nicht mit der maximal möglichen Leistung arbeitet.

P [%] = kalkulierte Produktionszeit / eigentliche Produktionszeit = T(cd) / T(ad)

Bewertung der Anzahl der produzierten „guten“ Stücke oder Produkte (Stücke, die die Qualitäts-und Inspektionsprüfung bestehen) im Verhältnis zur Gesamtzahl der produzierten Stücke

Q [%] = Totale produzierte Teile – defekte Teile / Totale produzierte Teile = P (p) – P (d) / P(p)

Zeit die zwischen dem Abkauf von zwei Produkten durch den Kunden rechnerisch im Mittel

besteht.

Zykluszeit = Gesamtzeit, die zur Produktion zur Verfügung steht / Nachfragemenge des Kunden

[Einheit Zeit pro Produktionseinheit]

Zeigt, wie schnell eine Maschine, Station, ein Prozess oder eine ganze Fertigungslinie nach Auftreten eines Fehlers wiederhergestellt werden kann.

MTTR [t] = Summe der Gesamtzeit des Reparierens / Anzahl der Reparaturen

Um Kennzahlen wirklich interpretieren zu können, muss man auf deren Zusammenhang achten!

Berücksichtigt werden sollte:

• Bedeutung

• Berechnung

• Wo gemessen

• Zeitraum der Messung

• Zusammenhang mit anderen Kennzahlen

• Übersicht aller wesentlichen Kennzahlen

• Nicht über mehrere Seiten lang (Single-Screen)

• Keine klare Vorgabe

• Balance zwischen tabellarischer und graphischer Ansicht

• Verschiedene Dashboards für verschiedene Nutzer (Mitarbeiter, Manager, Vorgesetzter)

• Infos über vergangene oder echtzeitliche Zustände oder Zusammenhänge

• Formate: Bilder, Audios, Grafiken, Texte

• Format in der Industrie: digitaler binäre Form

• Speicherung sehr schnell

• benötigter Speicherplatz gering

Datenmenge steigt exponentiell -> Datennutzung ist aufwändig

• Erkenntnisgewinnung

• Muster, Trends oder Korrelationen finden

• Theorien oder Hypothesen erstellen

• Steigerung der Prozess-und Kosteneffizienz

• Förderung von Strategie und Veränderung

• Überwachung und Verbesserung der finanziellen Leistung

• Falsche Daten aussortieren

• Zuordnung von Daten

• Zeitlich richtig erfasst und gespeichert

• Zugang auf das UN begrenzt

Künstliche Intelligenz

• Automatisierung des intelligenten Verhaltens mit adaptiven Systemen

Maschinelles Lernen

• Datenmustererkennung zum Lernen aus Erfahrungen, um Algorithmen zu verbessern

Deep Learning

• Maschinelles Lernen in tiefen neuronalen Netzten mit mehreren Schichten

Datenanalyse versucht mit Hilfe stat. Methoden Infos aus großen Datenmengen zu gewinnen und diese im Anschluss zu visualisieren.

1. Descriptive Analytics (Beschreibung)

2. Diagnostic Analytics (Untersuchung, warum?)

3. Predictive Analytics (Voraussagend)

4. Prescriptive Analytics (Empfehlungen)

• Mustererkennung (z.B. : Viele Kunden eines Skiverleihs leihen Skischuhe und Ski gemeinsam aus)

• Visual Analytics (Daten werden Visualisierungen verständlich dargestellt)

• Clusteranalyse (bisher unbekannte Gruppen in einem Datensatz finden)

• Klassifikation (Datensatz zu Klassen zuordnen)

• Anomalie Erkennung (Daten mit nicht erwartetem Verhalten)

• Vorhersagen (Zukünftige Ereignisse oder Werte)

1. CRISP-DM (Cross Industry Standard Process for Data Mining)

2. KDD-Verfahren (Knowledge Discovery in Databases)

Geschäftsverständnis

Bewertung des Hauptziels + pot. Nutzens, Beschränkungen, Annahmen, Risiken eines Projekts

Schritte:

1. Projektziel festlegen

2. Situation bewerten

3. Analyseziele festlegen

Folgendes muss verstanden werden:

—> was genau ist das Problem?

—> was ist erwartetes Ergebnis?

Datenverständnis

Schritte:

1. Zugang zu den für das Projekt erf. Daten erhalten

2. Prüfung der grundlegenden Eigenschaften der Daten z.B. Format, Datenvolumen

3. Daten erforschen z. B. durch Visualisierung, Berichte

4. Prüfung der Qualität der Daten z.B. der Auftragswerts

Datenvorbereitung

• Bearbeitung der Daten ermöglichen (80% der Arbeit)

• Datenbereinigung, Normalisierung, Datentransformation

• Skalierung , um alle Merkmale gleich zu gewichten

Kardinal Skala / Metrische Skala

• Natürlichen Rangordnung

• Interpretierbaren Abständen

• Bsp: Länge in cm, Preis in EUR

Ordinalskala

• Natürliche Reihenfolge der Daten ist möglich

• Abstände zwischen den einzelnen Werten nicht quantifizierbar

• Bsp: Steuerklassen, Präferenzranking

Nominalskala

• Natürliche Reihenfolge der Daten nicht möglich

• Bsp: Geschlecht, Haarfarbe oder Telefonnummer

Modellbildung

Schritte:

1. Auswahl des zu verwendenden Modells (z .B. welcher Klassifikator)

2. Definition des Testprozesses

3. Erstellung des Modells (z.B. Modell auf Trainingsdatensatz trainieren)

4. Bewertung des Modells

-1:

• perfekte negative Korrelation: Je größer A, desto kleiner ist B

0:

• keine Korrelation: Die Größe von A hat keinen Einfluss auf die Größe von B

1:

• perfekte positive Korrelation: Je größer A, desto größer ist B

Kausalität bedeutet, dass eine Änderung einer Variable eine Änderung einer anderen Variable bewirkt. Das wird

Ursache-Wirkungs-Prinzip genannt.

Korrelation bedeutet, dass es einen statistischen Zusammenhang zwischen Variablen gibt.

Eine Änderung einer Variablen hat aber nicht zwangsläufig eine Auswirkung auf die andere Variable.

Kausalität geht immer mit Korrelation einher, andersherum ist das nicht der Fall!

Manuell

• natürliche Sprache z.B. Instandhaltungsberichte

• numerische Werte z.B. Zählungen

automatisiert

• Sensoren / Messsysteme

• Datenlücken zu bestimmten Zeitpunkten

• Ausreißer müssen rausgefiltert werden

• Datenquelle SAP —> Datenflut —> Filter benötigt

• Dateninput aus verschiedenen Medien müssen mit derselben Formatierung verbunden werden

Ort:

• Data Warehouses (im Server oder Cloud-Speicher)

Was:

• Großen Teil interne Daten, mit kleinerem Teil externer Daten ergänzt

Wie:

• Zuordnung zu einer Quelle & einem Ziel, Anhand von Formeln in Datenformate konvertiert (für die Analyse)

• Datenmenge

• Datenqualität

• Datenrelevanz

• Datenschutz

• Fachexperten

• Modellierung

• Testdaten

• Versionsverwaltung

• Zeit

• Korrelationsanalyse (Gruppieren)

• Clustering (Zusammenhänge)

• Hauptkomponentenanalyse (Vergleich mit einer Zielvorgabe)

• Ursachenanalyse (Ishikawa-Diagramm)

1. Auswertung des Ergebnisses: Wurden die Geschäftsanforderungen erfüllt?

2. Rezension: Beurteilung des Projektes

3. Definition der nächsten Schritte: Ermittlung potenzieller Folgeprojekte / Projektziel erreicht? Lessons learned für zukünftige Projekte?

Aufwand:

• 5C’s erfüllt? (Coverage-Reichweite, Completeness-Vollständigkeit, Currently-Aktuell, Correctness, Consistency-Regelmäßigkeit)

• Daten zugänglich?

• Genug Daten vorhanden, um „KI drauflos zu lassen“?

• Wie viel Aufwand ist neue Daten zu erheben?

Nutzen:

• Was ist der €-Wert?

• Personaläquivalenz (Bewertung der Arbeitsleistung)

• Überschlagsrechnungen (Stückzahlen, etc…)

• Erwartete Wöchentliche Einsparung (Mo-Fr)

1. Planung und Durchführung des Einsatzes

2. Planung von Monitoring und Wartung

3. Abschließender Projektbericht

4. Projektüberprüfung