Drei Tipps für die Navigation im Datenmeer zur Verbesserung der Problemlösung in der Fertigung

Hungrig nach Informationen, aber ertrinkend in Daten?

Die Hersteller haben die Art und Weise, wie Daten gesammelt, analysiert und verarbeitet werden, drastisch verbessert. Doch über die Standardüberwachung und -berichterstattung hinaus wird die Fülle an Betriebs- und Geschäftsdaten allzu oft erdrückend und trägt nicht zur Verbesserung der Geschäftsergebnisse bei. Immer mehr Unternehmen haben Schwierigkeiten, Systemdaten effektiv zu identifizieren und zu nutzen, um Probleme zu lösen und die Rentabilität zu maximieren. Dieser Kampf wird durch die zunehmende Komplexität der Probleme verschärft, die durch die Vielzahl von Systemen, Plattformen, Standorten, Lieferanten und anderen Faktoren entsteht, die die moderne Fertigung kennzeichnen.

Die Identifizierung und Verwendung der richtigen Daten ist das Herzstück einer effektiven Problemlösung und Entscheidungsfindung. Um in dem riesigen Ozean verfügbarer Daten, die die Lösung komplexer Probleme unterstützen können, über Wasser zu bleiben, sollten Sie diese drei grundlegenden Maßnahmen berücksichtigen.

1. Holen Sie die richtigen Leute in den Raum. Ein vielseitiges Problemlösungsteam weiß, wie man auf Informationen aus den jeweiligen Fachgebieten zugreift und sie nutzt. Wenn Sie beispielsweise jemanden aus den Bereichen Qualität, Produktion und Wartung in die Lösung eines Qualitätsproblems einbeziehen, erweitern Sie das Fachwissen und die Kenntnisse im Raum erheblich und können den Zugriff auf die zur Lösung eines Problems erforderlichen Informationen beschleunigen. Durch die Verbindung mit unterschiedlichen Datenquellen erhalten Sie Zugang zu Informationen, die in verschiedenen Systemen oder Abteilungen untergebracht sind. Da sich alle Beteiligten auf die Lösung eines Problems konzentrieren, kann eine Vielfalt von Perspektiven und Informationen Hindernisse aus dem Weg räumen, einen Konsens herstellen und die Problemlösung vorantreiben, indem sie sich auf relevante Informationen konzentriert.

2. Sie brauchen mehr Daten? Bleiben Sie nicht dabei stehen. Irgendwann kommen Problemlöser an einen Punkt, an dem die benötigten Informationen nicht zur Verfügung stehen und vielleicht auch nicht vorhanden sind. Bleiben Sie hier nicht stehen. Innerhalb aller relevanten Datenquellen gibt es möglicherweise Rohdaten und Analysen, die zusammengestellt werden müssen, oder es gibt jemanden außerhalb des Problemlösungsteams, der Zugang zu den benötigten Antworten hat. Vielleicht können Sie die Problemlösung weiterverfolgen, aber bevor Sie das tun, sollten Sie delegieren. Anstatt sich damit abzufinden, dass die Daten nicht verfügbar sind, sollten Sie ein Teammitglied damit beauftragen, die Informationen zu beschaffen und weitere Ressourcen einzubeziehen. In einer unserer Kundenorganisationen wurde die Notwendigkeit, Maßnahmen zu ergreifen und nicht zu akzeptieren, dass "mehr Daten benötigt werden" eine Sackgasse darstellt, als ein wesentliches Hindernis bei der Problemlösung identifiziert und als Schlüsselpriorität zur Verbesserung der Problemlösung herausgestellt.

3. Verstehen Sie Ihr Problem, bevor Sie eine Lösung suchen. Ein Problem ist ein Problem, wenn die Lösung nicht offensichtlich ist. Es muss genau definiert werden, um effizient nach Lösungen suchen zu können. Eine Fehlerart, wie z. B. "Korrosion", reicht nicht aus, um ein Problem zu definieren. Je spezifischer die Problemspezifikation ist, desto einfacher ist es, die Daten zu finden, die zu einer Lösung führen. Eine einfache Methode zur Problemdefinition ist die Anwendung der Five Whys (Beschreiben Sie die Situation und fragen Sie dann so lange nach dem Warum, bis die Antwort "Ich weiß es nicht" lautet). Bei einfachen Problemen kann die Frage nach einigen Warum? schnell zu einer Ursache führen. Bei komplexen Problemen helfen die "Five Whys", das eigentliche Problem zu definieren, indem sie die Symptome entfernen, um zum Kern des Problems zu gelangen. Wenn die Antwort auf die Frage nach dem Warum "Ich weiß es nicht" lautet, haben Sie das Problem erkannt.

Ein Beispiel für Five Whys wurde von der Toyota Motor Company entwickelt:

"Der Roboter hat angehalten"

  • "Warum ist der Roboter stehen geblieben?" Der Stromkreis hat sich überlastet, wodurch eine Sicherung durchgebrannt ist.
  • "Warum ist der Stromkreis überlastet?" Die Lager waren nicht ausreichend geschmiert, so dass sie blockierten.
  • "Warum wurden die Lager nicht ausreichend geschmiert?" Die Ölpumpe des Roboters lässt nicht genügend Öl zirkulieren.
  • "Warum zirkuliert die Pumpe nicht genügend Öl?" Der Pumpeneinlass ist mit Metallspänen verstopft.
  • "Warum ist der Einlass mit Metallspänen verstopft?" Weil es keinen Filter an der Pumpe gibt.

Beachten Sie die Entwicklung der Problemdefinition. Die fünf Gründe nutzten Daten (in diesem Fall beobachtete Daten, nicht digital überwachte oder komplexe Datenanalysen), um das Problem von der potenziell komplexen Frage "Der Millionen-Dollar-Roboter ist kaputt" auf "Der Ölpumpeneinlass im Roboter ist mit Metallspänen verstopft" zu präzisieren. Anstatt sich auf eine Lösung zu stürzen - etwa eine Software, die den Roboter wieder zum Laufen bringt -, schält das Problemlösungsteam die Symptome heraus, um zu einem bestimmten Teil des Roboters zu gelangen, in diesem Fall dem fehlenden Ölfilter. Die Spezifizierung des Problems beschleunigt den Zugang zu den Informationen, die zur Lösung eines Problems benötigt werden.

4. Kontext aufbauen. Bei Big Data ist der Kontext der Schlüssel zur Aufdeckung von nuancierten, vollständigen Informationen. Durch die Integration von "dicken Daten" (riesige Datenmengen) anstelle einer Stichprobe von Informationen kann die Datenanalyse einen genaueren Kontext und ein vollständiges Bild auf der Grundlage der gesammelten Daten erstellen. Auch bei der Problemlösung ist der Kontext der Schlüssel zur Aufdeckung nuancierter und vollständiger Informationen. Ein Beispiel ist die Kepner-Tregoe-Problemanalyse, bei der der Kontext mithilfe einer IS/IS NOT-Matrix erstellt wird.

Die Erfassung von Daten, die das Was, Wo, Wann und Ausmaß des Problems definieren, erreicht zwar nicht die Größenordnung von Big Data, führt aber zu immer "dickeren" Daten, indem nicht nur die IS-, sondern auch die IS-NICHT-Informationen spezifiziert werden (siehe Abbildung 1) und dann der Unterschied detailliert beschrieben und die Ursache betrachtet wird. Je vielfältiger und reichhaltiger die Daten sind, die sowohl mit IS als auch mit IS NOT erfasst werden, desto vollständiger und nuancierter wird der Kontext der Situation, was den Problemlösern hilft, Themen zu eliminieren, die als mögliche Ursachen in Frage kommen, und sich auf die relevanten Daten zu konzentrieren, die das Problem am besten beschreiben und mögliche Lösungen unterstützen.

Kepner Tregoe-Ursachenanalyse

Abbildung 1

Diese vier grundlegenden Maßnahmen können Unternehmen helfen, Daten effektiver zu nutzen und Probleme schneller und genauer zu lösen. Da die Menge der verfügbaren Daten wächst, darf die Fähigkeit, sie zu nutzen, nicht zurückbleiben. Bei der Lösung komplexer Probleme können diese grundlegenden Maßnahmen zur Navigation durch die Datenflut die Problemlösung beschleunigen und zu qualitativ hochwertigen Lösungen beitragen.

Über Kepner-Tregoe

Seit über 60 Jahren hat Kepner-Tregoe Tausende von Unternehmen bei der Lösung von Millionen von Problemen unterstützt. Die Dienstleistungen von Kepner-Tregoe sind darauf ausgerichtet, organisatorische Herausforderungen mit messbaren Ergebnissen dauerhaft zu lösen, die Qualität und Leistung zu verbessern und gleichzeitig die Gesamtkosten zu senken.

Ähnliche Artikel

Blog Bild 1
Wie Sie Probleme lösen, wenn Ihnen "erforderliche" Daten fehlen
Blog Bild 1
Die Zukunft der Arbeit - Datengestützte Entscheidungsfindung
Blog Bild 1
KI und Problemlösung: Die fortwährende Rolle des Menschen im Fertigungsprozess
Blog Bild 1
5 Anzeichen dafür, dass Sie in Problemlösungsschulungen für IT investieren sollten

Wir sind Experten in:

Kontaktieren Sie uns

Für Anfragen, Details oder ein Angebot!