Die Prognose von Reklamationen als Modell der Zukunft?7 | 05 | 21

Big Data, Data Science, Predictive Quality und nun auch noch die Prognose von Reklamationen? Neue Technologien und Modelle finden immer häufiger ihren Weg in Qualitätsmanagement und Qualitätssicherung. Nicht ohne Grund, findet Dr. Gregor Bartsch, DGQ-Trainer und Halbleiterexperte, denn fehlerhafte Produkte sind ein enormes Risiko für Unternehmen. Warum die Prognose von Reklamationen ein sinnvoller Ansatz sein kann und was es dabei zu beachten gilt, erfahren Sie im Interview mit ihm.

Wir leben in einer Zeit mit professionellem Qualitätsmanagement und Null-Fehler-Politik in Unternehmen – warum braucht es da überhaupt noch Reklamations-Prognosen?

Am besten erkennen wir Fehler so früh wie möglich – keine Frage. Hohe Qualitätsstandards im Produktentstehungsprozess helfen da natürlich sehr. Erst durch Reklamationen auf Fehler aufmerksam zu werden, ist schlecht für die Kundenzufriedenheit und kann zu massivem Aufwand und Kosten führen. Im schlimmsten Fall kann ein spät erkannter Fehler ein Sicherheitsrisiko darstellen –furchtbar für jedes Unternehmen.

Deshalb wird in vielen Branchen auch so ein hoher Aufwand in der Entwicklung, der Validierung und der Fertigung betrieben. Leider kann aber auch im besten Unternehmen mal ein Fehler passieren – es lassen sich schlichtweg nicht immer alle Probleme vorhersehen. Umfangreiche Lebensdauertests helfen zwar häufig, systematische Fehler doch noch zu entdecken, aber die eingeschränkten Stichprobengrößen sind ein grundsätzlich limitierender Faktor. Es bleibt immer eine Restunsicherheit. Stark steigende Produktkomplexität und neue Technologien machen es selbst bei sehr gut aufgestelltem Qualitätsmanagement immer schwieriger, Reklamationen zu vermeiden.

Und da kommt die Bedeutung der Prognose von Reklamationen ins Spiel: Wenn sich Reklamationen schon nicht vollständig vermeiden lassen, dann muss doch zumindest so früh wie möglich geklärt werden, wie viele Reklamationen welcher Art wann zu erwarten sind. Und genau das leistet eine gute Prognose. Je genauer sie ist, desto besser und schneller kann reagiert werden.

Warum ist die richtige Datenanalyse so wichtig für gute Prognosen?

Die Datenanalyse ist Dreh-und Angelpunkt der Prognose. Hier kommt es ganz wesentlich auf die richtige Methodik an, denn kleine Denkfehler können eine ansonsten gut durchdachte Prognose schon mal komplett auf den Kopf stellen.

Ein klassisches Beispiel dafür ist das Arbeiten in einer für den betrachteten Fehlermechanismus unpassenden Zeitdimension. So käme für den Verschleiß eines Lichtschalters in den meisten Fällen nicht etwa die Kalenderzeit, sondern die Zahl der Schaltzyklen als Zeitdimension in Frage. Dann spielen die Anwendungsbedingungen plötzlich eine große Rolle. Ein Lichtschalter an der Eingangstür eines Mehrfamilienhauses sieht beispielsweise deutlich mehr Schaltzyklen im Jahr als ein Schalter für die Beleuchtung des kaum besuchten Dachbodens. Wird trotzdem in Kalenderzeit gearbeitet und die ganz unterschiedlichen Anwendungsbedingungen werden nicht berücksichtigt, sind die Grundannahmen so weit weg von der Realität, dass die Prognose nicht funktionieren kann. Das gefährliche ist, dass zum Zeitpunkt der ersten Prognosen wenig Daten verfügbar sind, da noch nicht viele Reklamationen eingegangen sind. Dadurch fällt es anfänglich kaum auf, wenn die Grundannahmen wie die Zeitdimension eigentlich nicht stimmen. Daher ist die richtige Datenanalyse so wichtig, um schon früh verlässliche Prognosen abzugeben.

Wie kann eine Prognose von Reklamationen Unternehmen bei wichtigen Entscheidungen helfen?

Die Prognose von Reklamationen kann man als ein Modell der Zukunft verstehen. Das Modell füttern wir mit Informationen von heute und bekommen als Antwort, was uns in der Zukunft an Reklamationen und Kosten erwarten wird. Wir sind hier nicht auf die EINE Zukunft festgelegt, sondern können ganz verschiedene Szenarien ausprobieren und uns zu jedem Szenario Reklamationszahlen und Kosten berechnen lassen. Das ist eine großartige Möglichkeit, um den Entscheidungsprozess bei einem Qualitätsproblem zu unterstützen. Denn füttern Sie ein gutes Modell mit den richtigen Informationen, dann kann es sehr klar vorhersagen, welche Konsequenzen welche Entscheidung zu welchem Zeitpunkt haben wird. So lässt sich beispielsweise vorhersagen, was passieren würde, wenn auf ein robusteres Zulieferteil umgestellt werden würde. Oder was geschehen würde, wenn beim Kunden eine Service-Maßnahme durchgeführt würde und wie schnell damit eine Verbesserung erzielt werden würde. Oder was wäre, wenn nur ein bestimmter Markt betroffen wäre?  Den Prognosemöglichkeiten sind bei guter Datenverfügbarkeit kaum Grenzen gesetzt.

Die Konsequenzen von Entscheidungen vorhersagen zu können ist gerade bei Reklamationsthemen besonders wertvoll: die spät erkannten Fehler stellen das höchste Risiko fürs Unternehmen dar.

Sie möchten noch mehr über die Vorhersage von Reklamationen lernen und erfahren, wie Sie Data Analytics Techniken dafür anwenden können? Herr Bartsch bringt Ihnen das Thema im neuen E-Training der DGQ „Wie Sie mit Data Analytics Reklamationen vorhersagen“ näher. Schauen Sie einmal rein!

Über die Autorin:

Christina Eibert ist studierte Sozialwissenschaftlerin und Produktmanagerin bei der DGQ. Sie verantwortet die Trainings in den Bereichen Compliance, Datenschutz, Statistik und Cyber-Sicherheit. Besonders wichtig ist es ihr, praxisnahe und zukunftsorientierte Weiterbildungen zu entwickeln, von denen Teilnehmer und Unternehmen gleichermaßen profitieren.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.