Statistik

Predicting Quality mit KI: Die Maschine lernt15 | 04

Im dritten und letzten Teil der Reihe werfen wir einen Blick darauf, wie genau Machine Learning Algorithmen für Predictive Quality eingesetzt werden können und welche Vorteile dadurch für Sie entstehen.

Predicting Quality mit KI: Ein Blick in die Daten08 | 04

Predictive Quality verspricht das frühzeitige Erkennen von Ausschussteilen und die datengetriebene Optimierung von Produktionsprozessen zur Sicherstellung der Qualität der gefertigten Produkte. Damit dies gelingt braucht es Daten, Daten, Daten.

Predicting Quality mit KI: Das Ziel abstecken01 | 04

Explodierende Smartphones, defekte Pedale in Autos, die Verarbeitung schadhafter Erdnüsse…Die Liste an Schlagzeilen mit Rückrufaktionen ist so erschreckend lang wie die daraus resultierenden Konsequenzen. Von den Kosten ganz zu schweigen.

Wie Sie erfolgreich Data Science Projekte im QM meistern25 | 03

Um die zunehmende Menge an verfügbaren Daten mehrwertstiftend für das QM zu nutzen, ist eine maschinelle Unterstützung bei der Datenanalyse zwingend erforderlich. Vor diesem Hintergrund werden Data Science und der Einsatz neuer Technologien wie Künstliche Intelligenz immer wichtiger.

Customer Intelligence – Kunden auf Basis von Online-Bewertungen besser verstehen17 | 06

Wenn der ominöse Begriff der Digitalisierung im Qualitätswesen auftaucht, denken viele sofort an die Vielzahl an Herausforderungen, die mit dem Thema verbunden sind. „Welche Fähigkeiten und Fertigkeiten benötigen wir zukünftig, wenn die Digitalisierung Einzug in QM und QS gefunden hat? Welche Technologien und Werkzeuge müssen wir als Unternehmen einführen, um mit der Digitalisierung Schritt zu halten?“ Einer der zentralen Aspekte der Digitalisierung rückt dabei leider oftmals zu schnell in den Hintergrund, nämlich warum wir uns überhaupt mit den großen digitalen Datenmengen im Qualitätswesen beschäftigen sollten: Es ist die Vielzahl an Chancen!

Predictive Quality – höhere Qualität auf Basis guter Entscheidungen06 | 05

Prognosen im Rahmen von Datenanalysen kommen immer häufiger als Entscheidungsgrundlage für die Umsetzung von Produkt- und Prozessoptimierungen zum Einsatz. Bei der Datenanalyse liegen die drei größten Herausforderungen in der Datenauswahl, der Datenaufbereitung und der Datenintegration. Letztere wird durch eine lückenlose Verknüpfung von Datenpunkten und der Zurückführung auf individuelle Güter, wie z. B. physische Produkte, erreicht.

Von der Idee zum Workshop: Die Methode macht‘s13 | 02

Die Aufgabe war klar: meine Kollegin Anna Schramowski, mein Kollege Dominic Anné und ich wollten für den sechsten DGQ-Qualitätstag einen Workshop gestalten. Auch über das Thema waren wir uns einig: Im Zentrum sollten die aktuellen Herausforderungen des Qualitätsmanagements in der Informationssicherheit stehen. Unsere Zielgruppe, die Besucher des Qualitätstags, kannten wir. Die Frage, die uns noch beschäftigte: welche Methode sollten wir auswählen?

Statistik-Normen für alle Managementbereiche14 | 07

Das Must-have der Statistik-Normen! Im Rahmen von DGQ-Lehrgängen taucht immer wieder die Frage auf: „Welche Statistik-Normen muss ich denn kennen oder haben?“ Die Frage ist nicht trivial zu beantworten, da heute jeder, der von sich behaupten will, sachbezogene oder datengestützte Entscheidungen zu treffen, auf Methoden der Statistik angewiesen ist. Und diese unterscheiden sich erheblich je …