WHITE PAPER

Big Data Analytics als Schlüssel für mehr Qualität in der Produktion Wie Industrieunternehmen Kundenzufriedenheit und Profitabilität mit Analytics steigern

2

SAS White Paper

Stichwort QualitätQualität ist seit jeher eines der wichtigsten Differenzierungsmerkmale für die Produkte von Industrieunternehmen. Nicht zuletzt wegen ihres ausgeprägten Qualitätsbewusst -seins ist es Unternehmen aus Deutschland, Österreich und der Schweiz immer wie-der gelungen, ihre Position auch bei einschneidenden Veränderungen am Markt zu wahren oder sogar zu stärken. Industrie 4.0 und Advanced Analytics haben unmittel-bar Einfluss auf die Qualität von Produkten und Prozessen. Neue analytische Verfah-ren für den Umgang mit Big Data bringen mehr Transparenz ins Qualitätsmanagement und legen den Blick auf die Stellschrauben frei, über die sich Qualität und Kosten in die optimale Balance bringen lassen. Damit gewinnt der qualitätsgetriebene Differen-zierungswettbewerb eine neue Dynamik. Für Unternehmen, die seit jeher auf Qualität setzen, ist das Herausforderung und Chance zugleich: Sie können ihre Erfahrungen in Sachen Qualitätsmanagement mittels analytischer Systeme potenzieren und damit weiter die Spitze des Wettbewerbs bestimmen. Sie dürfen sich aber keinesfalls auf ihren Lorbeeren ausruhen – das Rennen um die künftigen Spitzenplätze im neuen Advanced-Manufacturing-Zeitalter ist bereits im vollen Gange.

Dabei ist die Analyse von Maschinen- und Produktionsdaten in der Industrie ja nichts völlig Neues. Wurden Daten in der Vergangenheit zunächst gesammelt, um Fehler nachträglich zu erklären und auf dieser Basis nachvollziehen zu können, ging es spä-

Grafik 1: Change in COGS (Cost of Goods Sold)

How has your company’s quality costs as a percentage of COGS changed over the past two years?

Decreased 1% – 5%

Stayed the same

Increased 1% – 5%

Increased 6% – 10%

Increased 11% – 20%

Increased more than 20%

Decreased 6% – 10%

Decreased 11% – 20 %

Decreased more than 20%

None of these

No reply

0% 30 % 40 % 50 %20 %10%

19 %

5 %

2 %

1 %

5 %

1 %

2 %

11 %

24 %

28 %

1 %

Quelle: IW Custom Research of Industry 2013

3

Datenanalyse in der Industrie

ter zusätzlich darum, Abhängigkeiten und Wechselwirkungen von Prozessfaktoren zu verstehen und auszutarieren. Nun sorgen Big Data und der technische Fortschritt bei der Datenanalyse für den nächsten Schritt: unternehmensweite Prozess transparenz – der Blick auf die gesamte Produktion, ihre vielfältigen Einflussfaktoren und KPIs. Und das alles auf Basis einer Menge an Detailinformationen. Hier kommen Prozess- und Maschinendaten zusammen mit Service-Informationen und Finanzzahlen – lauter un-terschiedliche Aspekte, die für einen Erkenntnisgewinn sorgen.

Heute nutzt ein Teil der Unternehmen die Möglichkeit der umfassenden Analyse nicht. Beispiele von Firmen, die ihre Daten bereits in einer Enterprise Analytical Quality Plat-form (vgl. S. 5) zusammenführen und analysieren, zeigen signifikante positive Auswir-kungen auf Qualität, Effizienz und Profitabilität (siehe Praxisbeispiel Seite 6). Bessere Qualität mit besseren Daten

Eine Studie von SAS und IW Custom Research hat zutage gefördert, welch große Anstrengungen Industrieunternehmen der Qualität widmen: 38 % der Befragten konstatieren, dass der Anteil des Aufwands für Qualität an den Herstellungskosten innerhalb der vergangenen zwei Jahre gestiegen ist – siehe Grafik 1. Gefragt nach der Top-Herausforderung in Sachen Qualität (Grafik 2) geht es den meisten Unternehmen vor allem darum, Ausschuss und Nachbearbeitungsaufwand zu senken und ein gleichbleibendes Qualitäts- und Produktionsvolumen sicherzu-stellen. Die Aufgabe, qualitätsrelevante Daten zu sammeln, tritt in den Hintergrund.

Die Verfasser der Studie ziehen daraus den Schluss, dass die beiden meistgenannten Herausforderungen (Reducing scrap and rework costs, Sustaining desirable quality, siehe Grafik 2) viele Unternehmen davon abhalten, sich um die qualitätsrelevanten Daten zu kümmern. Dafür spricht auch, dass von allen für die Produktion verantwort-lichen Mitarbeitern vergleichsweise wenige direkt mit diesen Daten arbeiten (Grafik 3). Es liegt in der Natur der Sache, dass Betriebsleiter und Qua litätsbeauftragte sich damit beschäftigen. Aber es fällt auf, dass nur einer von drei Verantwortlichen für das

Grafik 2: Quality Challenges

Which of these are your company’s biggest quality challenges? (Select up to three.)

Reducing scrap and rework costs

Sustaining desirable qualityand/or yield levels

Having a sufficient amount of qualityrelateddata to provide meaningful

insightscrap and rework costs

Reducing warranty-claims cost

Our quality-related data is inconsistent,outdated or otherwise flawed

Other

0 % 60% 80% 100%40%20 %

57 %

49 %

22 %

20 %

10 %

7 %

Quelle: IW Custom Research of Industry 2013

4

SAS White Paper

Verbesserungsmanagement die Daten unter die Lupe nimmt und sogar nur einer von vier Mitarbeitern, die direkt mit Kunden zu tun haben. Das lässt die Vermutung zu, dass Industrieunternehmen zu wenig aus ihren Daten machen. Und das ist letztlich eine gute Nachricht, denn sie weist auf erhebliche Opti-mierungspotenziale hin, die vergleichsweise leicht mit vorhandenen Technologien und bewährten Methoden auszuschöpfen sind.

Sicherlich ist die System- und Datenlandschaft in Industrieunternehmen komplex und ist geprägt von einer Vielzahl an Gerätestandards, Prozessen und Softwareplattformen. Deshalb fordern die Teilnehmer der Studie auch Lösungen, die sämtliche relevanten Aspekte zentral zusammenführen, um sie handhabbar und transparent zu machen. Ziel: bessere Qualität.

Sie wünschen sich unter anderem: • analytischeFrühwarnsysteme,mitdenensichQualitätsproblemeerkennenlassen,

bevor sie beim Kunden zu Schwierigkeiten werden (49 %)

• technischeMöglichkeiten,Problemekollaborativundabteilungsübergreifendzulösen(49 %)

• einfacherenundschnellerenZugriffaufqualitätsrelevanteDatenundInformationen(47%)

• dieMöglichkeit,ProzessemitHilfeprädiktiverModelleexaktaufkommendeAnforde-rungenzuzuschneiden.(37%)

All dies leistet eine Enterprise Analytical Quality Platform, wie sie im Folgenden vor gestellt wird.

Grafik 3: Review of Quality-Related Information

Who reviews quality-related information (i.e., scrap, rework, warranty claims) at your company/plant?

Everyone

Product engineers

Continuous-improvement leaders

Quality engineers

Operations managers and supervisors

Customer-facing functions such as sales

Procurement/purchasing professionals

Plant and maintenance engineers

Other

None of these

0 % 60% 80% 100%40 %20 %

27 %

24 %

23 %

14 %

5 %

71 %

52 %

33 %

30 %

1 %

Quelle: IW Custom Research of Industry 2013

5

Datenanalyse in der Industrie

Was ist eine Enterprise Analytical Quality Platform?

Grafik 4 zeigt den grundsätzlichen Aufbau einer unternehmensweiten datenbasierten Qualitätsmanagement-Plattform, auch Enterprise Analytical Quality Platform (EAQP) genannt. Alle wichtigen Daten fließen hier im „Information Store“ zusammen, wo sie konsoli-diert, hinsichtlich Datenqualität überprüft und integriert werden. Die auf der linken Seite dargestellten Datenquellen bilden die elementare Grundlage für das Daten-modell (Grafik 4) einer EAQP. Die übrigen Datenquellen können helfen, die Ergebnisse weiter zu verfeinern.

Auf der Ebene „Quality Lifecycle Analysis“ (Grafik 4) findet sich eine Vielzahl unter-schiedlicher Schnittstellen und Zugriffsmöglichkeiten für die Anforderungen der zahl-reichen verschiedenen Anwendertypen im Unternehmen. Das können beispielsweise Dashboards mit den wichtigsten Leistungskennzahlen (KPIs) oder Berichte entspre-chend den Reporting-Richtlinien und -Pflichten des Unternehmens sein.

Unternehmen und Anwender profitieren von einer Enterprise Analytical Quality Plat-form in vielerlei Hinsicht:

• ZugriffaufundIntegrationvonhochrelevantenDatenauseinerVielzahlvonQuellen, Plattformen und operativen Systemen

• UmfassendeDatenanalyse–keinPotenzialindenDatenbleibtungenutzt

• Schaffungeinerunternehmensweit„einheitlichenWahrheit“

• zentraleVerteilungvonGeschäftsregelnundGeschäftsprozessen,dieaufbewährtenVorlagen und Referenzbeispielen beruhen – als Basis für sämtliche Reports und Analysen

Grafik 4: Enterprise Analytical Quality Platform Overview

Dashboard

Finance & Organizational

Equipment

Repair & FA

Field Failures

Supplier Data

Reports

Quality Lifecycle Analysis

Business Rules and Processes

Alerts AnalyticalWorkbench

PredictiveModeling

ModelManagement

InformationStore

Parts Movement

Measurements

Testing

Inspection

Products & Hierarchies

Quelle: IW Custom Research of Industry 2013

6

SAS White Paper

Praxisbeispiel Analytics und Six Sigma bei POSCO

POSCO ist einer der weltweit größten Erzeuger von Stahl. Eines der wettbewerbs-fähigsten Unternehmen überhaupt und (laut Magazin Forbes) dasjenige mit dem höchsten Ansehen am Markt. POSCO beschäftigt allein an seinen zwei großen Pro-duktionsstandorten in Südkorea rund 19.000 Mitarbeiter, die jährlich 28,5 Millionen Tonnen Stahl erzeugen und damit einen Umsatz von 19 Milliarden US-Dollar erwirt-schaften. Um ein Unternehmen dieser Größenordnung flexibel und effizient zu steu-ern, ist ein hoch leistungsfähiges Performance Management erforderlich. POSCO setzt dafür auf die Management-Methodik Six Sigma – und auf Software von SAS.Six Sigma wurde im Zuge eines zweistufigen Innovationsprogramms bei POSCO eingeführt. SAS® Software übernimmt dabei die Steuerung und Überwachung der Prozesse sowie vielfältige Datenanalyseaufgaben. „Dank SAS wissen wir jetzt immer über den Status jedes einzelnen Projekts Bescheid“, erklärt Ill-Chul Shin, Manager in POSCOs Six-Sigma-Akademie. „Den können wir uns einfach per Maus-klick aus unserem Six-Sigma-Portal ziehen – auf Tages- oder auf Monatsbasis.“

Bei einem der zahlreichen mit SAS durchgeführten Six-Sigma-Projekte ging es bei-spielsweise um einen zu hohen Ausschuss bei warmgewalzten Stahlbändern. Her-kömmliche statistische Verfahren konnten hier nicht helfen. Mit SAS fand sich durch die Analyse der physikalischen Prozesse eine Lösung, um den Ausschuss von 15 % auf 1,5 % zu senken. An anderer Stelle identifizierte SAS die Ursachen für Profitabili-tätsunterschiede zwischen verschiedenen Produktionsanlagen – und legte die Basis für Optimierungsmaßnahmen, die jährlich 1,2 Millionen US-Dollar einbringen. Die Ent-scheidung für SAS hat sich aus Shins Sicht auch deshalb bewährt, weil „die meisten Six-Sigma-Standard-Tools Probleme haben, mit so großen Datenmengen umzugehen, wie sie bei uns üblich sind. Noch dazu bieten sie äußerst eingeschränkte analytische Fähigkeiten.“

Die Ergebnisse des Six-Sigma-Projekts bei POSCO sind eindrucksvoll: Durch eine Investition von 35 Millionen US-Dollar konnten insgesamt 450 Millionen US-Dollar eingespart werden. „Allein SAS hat uns im Six-Sigma-Umfeld einen Return on Invest-ment von 14 Millionen US-Dollar gebracht. Außerdem weitere 1,5 Millionen US-Dollar in anderen Projekten – und das innerhalb von weniger als zwei Jahren“, betont Ill-Chul Shin.

7

Datenanalyse in der Industrie

Der Nutzen: Marktreife, Problemlösungskompetenz, PerformanceDie Vorteile, die Unternehmen aus einer Enterprise Analytical Quality Platform (EAQP) ziehen, sind sehr vielfältig. Allerdings lassen sich drei Aspekte besonders hervorheben:

• UnternehmenkommenmitihrenProduktenschnelleraufdenMarkt

• SiekönnenProblemeeffizienterlösen

• SiestärkenihrePerformance

Zu Beginn des Verkaufslebenszyklus eines neuen Produkts ist der Markt in der Regel noch bereit, höhere Preise zu zahlen. Hat der Wettbewerb erst nachgezogen, sinkt diese Bereitschaft. Um die Kosten für Forschung und Entwicklung hereinzu-holen, müssen Unternehmen deshalb so schnell wie möglich an das Produktions-maximum heranrücken. Im Rahmen des dafür notwendigen Reifegradmanagements liefert eine EAQP schnelles Feedback und zuverlässige Analysen und sorgt für mehr Transparenz über den gesamten Produktionsprozess hinweg.

Auch wenn die Produktion bereits auf Hochtouren läuft und ein Produkt vollen Ertrag abwirft, kann es immer wieder zu unerwarteten Qualitäts- oder Profitabilitätsproblemen kommen. Dann ist es entscheidend, Fehler so schnell wie möglich zu erkennen, die Ursachen zu identifizieren und diese zu beseitigen. Andernfalls drohen der unnötige Verlust von Produktionskapazitäten, Lieferengpässe und daraus resultierende Kos ten. Kunden ärgern sich über fehlerhafte Produkte; Garantieansprüche, Rückruf aktio- nen oder Imageverluste belasten das Unternehmen. Mithilfe einer EAQP lassen sich Probleme bereits im Anfangsstadium erkennen. Frühwarnsysteme setzen Alerts an die zuständigen Mitarbeiter ab, die sofort mit Ursachenforschung und Problem lösung beginnen können. So lassen sich höchste Qualitätsstandards einfach und sicher gewährleisten.

Ist die Profitabilität auf dem Höhepunkt, liegt es im Interesse eines Unternehmens, die Produktionskapazitäten im Rahmen der bestehenden Infrastruktur ans Limit zu bringen. Das ist keine leichte Aufgabe. Sie erfordert viel Sachverstand und analy-tische Unterstützung, beispielsweise um die wirkungsvollsten Hebel zur Steigerung der Produktivität zu finden. Auch bei dieser Aufgabe liefert eine EAQP die entschei-dende Unterstützung, indem sie hilft, mit den richtigen Daten die richtigen Fragen zu stellen. Sie liefert Entscheidungsunterstützung auf Basis harter statistischer Fakten. Je mehr Daten aus allen Bereichen des Unternehmens dabei in die EAQP integriert sind, desto genauer ist das Ergebnis – und desto höher der mögliche Profitabilitäts-zuwachs.

P12

13-

0301

SAS and all other SAS Institute Inc. product or service names are registered trademarks or trademarks of SAS Institute Inc. in the USA and other countries. ® indicates USA registration. Other brand and product names are trademarks of their respective companies. Copyright © 2013, SAS Institute Inc. All rights reserved.

Über SASSAS – Marktführer bei Business Analytics-Software und weltweit größter unab-hängiger Anbieter im Business Intelligence-Markt.

SASistmit2,87MilliardenUS-DollarUmsatzeinerdergrößtenSoftwareherstellerder Welt. Im Business Intelligence-Markt ist der unabhängige Anbieter von Business Analytics-Software führend. Die SAS Lösungen für eine integrierte Unter neh mens-steuerung helfen Unternehmen an insgesamt mehr als 60.000 Standorten dabei, aus ihren vielfältigen Geschäftsdaten konkrete Informationen für strategische Ent-scheidungen zu gewinnen und damit ihre Leistungsfähigkeit zu steigern.

Mit den Softwarelösungen von SAS entwickeln Unternehmen Strategien und setzen diese um, messen den eigenen Erfolg, gestalten ihre Kunden- und Liefe-ran tenbeziehungen profitabel, steuern die gesamte Organisation und erfüllen regulatorische Vorgaben. 90 der Top 100 der Fortune 500-Unternehmen vertrauen auf SAS.

Firmensitzder1976gegründetenUS-amerikanischenMuttergesellschaft istCary,North Carolina. SAS Deutschland hat seine Zentrale in Heidelberg und weitere Niederlassungen in Berlin, Frankfurt am Main, Hamburg, Köln und München.

Weitere Informationen unter www.sas.de.