Statistische Prozesskontrolle als Grundlage optimalen Qualitätsmanagements

  • Potenziale erschließen durch die Integration der leistungsfähigen Programmiersprache
  • Training zur angewandten Statistik im Qualitätsmanagement vom 2. bis 4. Dezember

In Zeiten immer dynamischer werdender Produktionsabläufe und Prozesse gewinnt das Qualitätsmanagement stetig an Bedeutung.

Systematisch durchgeführte statistische Kontrollen in Liefer- und Fertigungskette sowie Prozessmonitoring im Sinne von Six Sigma können dabei helfen, Ausfallraten zu minimieren, die Produktqualität zu steigern und damit die Kundenzufriedenheit zu erhöhen.

Die Verringerung von Warenrücknahmen, sicheres Prozessmanagement und ein verbessertes Unternehmensimage sind positive Auswirkungen eines zuverlässigen Qualitätsmanagements auf die Unternehmensperformance.

Unzureichendes statistisches Know-how im Qualitätsmanagement als Risikofaktor

Im Gegensatz dazu stellen beispielsweise unzureichend geprüfte Wareneingänge und Analysen von Prozesskennzahlen ein unkalkulierbares Risiko dar. Innerhalb der Supply-Chain und über den gesamten Produktionsprozess hinweg können nicht angemessene Kontrollen immense Kosten verursachen.

Ein durchdachter Prüfplan zur Qualitätsbewertung und –kontrolle trägt hier erheblich zur Risikominimierung durch eine frühzeitige Fehlererkennung bei. Zusätzlich entsteht durch die detaillierte Dokumentation der Prüfungen die Grundlage für belastbare Argumente gegenüber den Vertragspartnern.

Weiterlesen

tableR vereinfacht die Prozesse von Marktforschern und Analysten

tableR ist eine neue Software von eoda, die den gesamten Prozess von der Erstellung des Fragebogens bis zur fertigen Ergebnispräsentation ohne Medienbrüche unterstützt. Ohne Programmierkenntnisse können Anwender Fragebögen entwerfen, Rohdaten auswerten und Tabellen sowie Grafiken erstellen.

Heterogene Toollandschaft führt oft zu Fehlern und hohen Prozesskosten

Die Auswertung von Daten ist oftmals gekennzeichnet durch Medienbrüche und manuelle Arbeitsschritte. Meist wird verschiedenartige Software für einzelne Prozessvorgänge genutzt. Damit sind notwendigerweise manuelle Transformationsschritte verbunden, die zu hoher Fehleranfälligkeit, zeitlichen Verzögerungen und unnötigen Kosten führen. Ineffizienzen, Qualitätsprobleme, zu lange Projektlaufzeiten und unzufriedene Kunden sind regelmäßig die Konsequenz. Gefördert durch das LOEWE-Programm des Landes Hessen, bietet eoda Marktforschern und allen, die regelmäßig Daten auswerten, eine Software, die die Prozesseffizienz dauerhaft steigert.

tableR: Fragebögen, Auswertungen, Tabellen und Grafiken in einem Tool

Mit tableR können Benutzer Fragebögen erstellen und diese sowohl als Office-Dokument exportieren, als auch mit Hilfe eines strukturierten XMLs zu einem Onlinefragebogen weiterverarbeiten. Der Fragebogen dient dabei außerdem als strukturierte Repräsentation der zu importierenden Rohdaten. Auf dieser Basis lässt sich mit einem Klick ein fertiger Report anfertigen, der vielfältig individualisiert werden kann. Die erstellten Tabellen und Grafiken können nach Office (Word, Excel, PowerPoint) und HTML exportiert werden. tableR bietet einen reproduzierbaren Ablauf. Dabei entsteht das zur Auswertung notwendige Skript automatisch im Hintergrund. Neben der Anwendung in der klassischen Marktforschung hat tableR ein vielfältiges Einsatzpotential, so können beispielweise beliebige strukturierte Datensätze eingelesen und analysiert werden. Weitere Analysemöglichkeiten sind durch die Integration der freien Statistiksprache R nahezu grenzenlos.

Diese Diashow benötigt JavaScript.

Beta-Test ermöglicht exklusive Einblicke in die Entwicklung von tableR

eoda startet ab dem 15. September einen Beta-Test für tableR. Interessierte können sich unter www.eoda.de/de/tabler.html registrieren. Teilnehmer des Beta-Tests haben die Möglichkeit, ihre Wünsche und Anregungen in die finalen Entwicklungsschritte von tableR einfließen zu lassen und so die Weiterentwicklung zu beeinflussen.

Survival-Analyse mit R als Fundament für Entscheidungen in Produktion und Vertrieb

Alles hat einen Anfang und ein Ende. Aber wann fängt es an? Und wann hört es auf? Mit diesen Fragen stößt man auf den Kern der Survival-Analyse.  Survival-Modelle schätzen, wieviel Zeit vergeht, bis ein bestimmtes Ereignis – ob positiv oder negativ – eintritt. Ursprünglich bestand das Ziel darin, den voraussichtlichen Todeszeitpunkt von Personen zu schätzen. Heute hat sich das Anwendungsfeld längst auf die verschiedensten Disziplinen und Gebiete ausgedehnt.

Survival-Analyse: Eine Grundidee – viele Anwendungsbereiche

Grundlage für den Einsatz von Survival-Analysen ist das Vorliegen von Mortalität, welche das sukzessive Ausscheiden von Messobjekten aus der statistischen Erfassung beschreibt. Die Grundidee von Ereigniszeitanalysen, wie Survival-Analysen auch genannt werden, wurde bereits in vielen Anwendungsbereichen adaptiert:

  • Industriekonzerne ermitteln auf Basis der Erkenntnisse aus Ereigniszeitanalysen, wann ein Maschinenausfall droht um ihre Instandhaltungsprozesse daraufhin anzupassen und kostenintensive Maschinenausfälle zu vermeiden. In die Bestimmung der Ausfallrate fließen neben Zustandsdaten von Maschinenkomponenten auch Informationen aus Drittsystemen (CRM-Systeme etc.) mit ein.

 

  • Customer-Relationship und Churn-Management Systeme können mit demografischen Informationen der Kunden und relevanten Marktinformationen für Vorhersagemöglichkeiten erweitert werden. So lässt sich ermitteln wann ein Neukunde bereit ist einen Vertrag abzuschließen, oder ein Bestandskunde droht abzuwandern. Proaktive Gegenmaßnahmen wie Rabatte, Prämien oder Boni können eingeleitet werden.

 

  • In der Sozialforschung werden Aussagen zu beginnenden oder endeten Lebensphasen anhand von Daten aus sozialen Netzwerken getroffen. Alter, Beruf, Herkunft oder Schulabschluss der Partner sind Indikatoren, anhand derer beispielsweise die Überlebensdauer einer Beziehung bis zu einer möglichen Trennung prognostiziert wird.

Survival-Analysen geben entscheidende Einblicke in Prozessabläufe und erhöhen als belastbare Entscheidungsgrundlage die Handlungsfähigkeit. Im ökonomischen Umfeld werden Kosten gesenkt und die Effizienz von Produktion und Vertrieb gesteigert.

Survivor-Function und Hazard-Rate als Grundfunktionen

Methodisch grenzt die Survival-Analyse zwei wichtige Grundfunktionen voneinander ab: Survivor-Funktion und Hazard-Rate. Die Survivor-Funktion beschreibt den Anteil der Fälle, bei denen das untersuchte Ereignis noch nicht eingetreten ist. Die Hazard-Rate hingegen steht für das unmittelbare Risiko des Eintretens des Ereignisses für einen bestimmten Fall.

Survivor-Funktion und Hazard-Rate als Grundfunktionen der Survival-Analyse mit R

Survivor-Funktion und Hazard-Rate als Grundfunktionen der Survival-Analyse mit R

Weiterlesen

CRM-Daten Bereinigung: Unterstützung der Migration zu Microsoft Dynamics CRM®

CRM-Migration als Erfolgsfaktor im Vertrieb

Wie wichtig aktuelle, leicht nutzbare und hochwertige Kundendaten in einer zentralen Datenbasis im Vertrieb sind, hat ein innovativer Industriekonzern früh erkannt. Bereits in den 1980er Jahren entwickelte er ein eigenes CRM-System zur Unterstützung der Vertriebsprozesse.

Um in Zeiten komplexer werdender Anforderungen und neuer technischer Möglichkeiten die Arbeit der in die Vertriebsprozesse involvierten Fachabteilungen weiter zu erleichtern und zu verbessern, entschied sich der Konzern zu einer Migration zu Microsoft CRM©.

In der Analyse vor der Migration zeigte sich schnell, dass die schlechte Datenqualität, die vor allem aus den limitierten Möglichkeiten des Legacy-Systems herrührte eine 1:1 Migration der Daten unmöglich machte. Ein wesentlicher Faktor einer erfolgreichen Migration, stellt die Nutzerakzeptanz dar. Das neue System zeigte schonungslos die Schwächen des alten Systems wie limitierte Feldgrößen, verschiedene Zeichensätze, erzwungene Großschreibung, oder unklare Bedeutung der Felder auf. Die Datenqualität stand im Widerspruch zu den Möglichkeiten, die das neue System bot. Neben der Nutzerakzeptanz, spielt gerade im Vertrieb die Datenqualität für Prozesse wie Kundenansprache oder Logistik eine nicht zu unterschätzende Rolle.

Die Verbesserung der Datenqualität durch Bereinigung, Strukturierung und Anreicherung der Kundendaten kristallisierte sich als ein wesentlicher Aspekt der System-Migration heraus.

Die Lösung: CRM Migration auf der Basis bereinigter Daten

Eine manuellen Datenbereinigung war in Anbetracht des umfangreichen Datenbestand mit tausenden Kundendaten aus über 40 Ländern nicht praktikabel. eoda wurde angefragt eine schnelle und zielführende Verbesserung der Datenqualität mittels einer automatisierten Bereinigung und Strukturierung der Daten durchzuführen.

Als Spezialist für die Verbesserung der Datenqualität auch in großen Datenbestände passte eoda einige der Applikationen der hauseigenen Serviceplattform „Results as a Service“ auf die speziellen Anforderungen beim Kunden an und führte das Data Cleansing mit intelligenten Algorithmen durch.

Datenanalyse und Mustererkennung

Das Data Cleansing umfasst neben der Analyse der Daten auch eine Mustererkennung. „Die Mustererkennung macht es möglich selbst in unstrukturierten Daten, mit unterschiedlichen Fehlerbildern anhand von bestimmten Merkmalen automatisiert die entsprechenden Informationen zu identifizieren“ erklärt Oliver Bracht, CEO und zuständiger Projektleiter bei eoda, das Vorgehen. Die intelligente Mustererkennung erkennt typische Muster wie Städtenamen, Telefonnummern und andere länderspezifische Merkmale der Kontakte.

Data Cleansing zur Unterstützung einer CRM-Migration

Data Cleansing zur Unterstützung einer CRM-Migration

Weiterlesen

eoda stellt einen Service zur automatischen Übersetzung von SPSS® nach R vor

Mit translateR hat eoda auf der „useR!“ Conference 2014 in Los Angeles, der weltweit größten Konferenz für die Statistiksprache R, einen Dienst zur automatischen Übersetzung von SPSS® Code in R vorgestellt. translateR unterstützt Datenanalysten schnell und kostengünstig bei der Migration nach R. Die manuelle Übersetzung komplexer SPSS® Skripte als langwierige und fehleranfällige Aufgabe stellt eine große Hürde dar, die mit translateR der Vergangenheit angehört. „Viele Unternehmen haben die Vorteile von R erkannt. Alte Scripte mit tausenden Zeilen Code in anderen Statistiksprachen stellen bei der Migration nach R eine Hürde und ein schwer kalkulierbares Kostenrisiko dar. translateR hilft hier entscheidend das Risiko zu begrenzen “ erklärt Oliver Bracht, CTO bei eoda, den Nutzen von translateR.

translateR: Anwenderfreundlich und intuitiv nutzbar

translateR wird in Kooperation mit der Universität Kassel entwickelt und durch das LOEWE-Programm des Landes Hessen gefördert. Zukünftig soll translateR sowohl als Cloudservice, als auch als On-Premise Variante verfügbar sein. Der Übersetzungsprozess bleibt transparent und somit leicht nachvollziehbar. Die Übersetzungslösung von eoda spricht auch Programmierer an, die gut mit SPSS® vertraut sind, und nach einem unkomplizierten Einstieg in R suchen. Umgekehrt ermöglicht translateR R-Usern die benutzerfreundliche Einbindung gewohnter SPSS Funktionen.

translateR von eoda übersetzt automatisch SPSS®-Code in R.

translateR von eoda übersetzt automatisch SPSS®-Code in R

Weiterlesen

translateR your SPSS® Code

translateR is the new service from German based R specialist eoda, which helps users to translate SPSS® Code to R automatically.
Today we presented translateR at the useR!2014 in L.A., the world’s most popular conference for the R statistical language.
translateR allows a fast and easy migration from SPSS® to R. The manual translation of complex SPSS® scripts, with thousands of lines of code, is a tedious and error-prone task, with incalculable costs. translateR reduces manual translation to a minimum and so the risks of unexpected high costs are minimized.

A user-friendly and intuitively solution
translateR is developed in cooperation with the University of Kassel and financially supported by the LOEWE-program of the state Hessen. translateR will be available as a cloud service and as a desktop application. The migration process of translateR happens transparent and comprehensible for the user.
For Data Scientists with a background in SPSS® translateR is also an easy way to start in with R. In addition, the User has the possibility to integrate typical SPSS® functions easily.

Translate your SPSS code to R automatically

Translate your SPSS code to R automatically

translateR opens the door to the “most powerful programming language for data analysis”
The migration of existing statistical scripts to R opens the door to almost unlimited opportunities for Ddata analysis, and visualization, Data Mining, Predictive Analytics and even more. With a world-wide community that continuously improves R, the quality, functionality, and actuality of R sets highest standards for data analysis, data mining and predictive analytics. After a successful start of translateR, it is planned to expand translateR to other statistical languages besides SPSS®.
For further information about translateR or support for migration projects, please get in touch with us on www.eoda.de. You will also find there the slides of the translateR presentation at the useR! 2014.

 

eoda Results as a Service – Plattform für analytische Applikationen

Mit Results as a Service bietet die eoda GmbH einen Lösungsverbund aus analytischen Applikationen auf einer skalierbaren Plattform. Die Anwendungen lösen verschiedene analytische Problemstellungen aus Bereichen wie Reporting, Data Mining oder Predictive Analytics – auch für Big Data. Zum Beispiel lassen sich mit „associateR“ Assoziationsanalysen durchführen, wie sie in der Warenkorbanalyse angewendet werden. Der „optimizeR“, löst Optimierungsprobleme die typischerweise im Kampagnenmanagement vorkommen. Eine andere Anwendung, „fuzzychekC“, findet ähnliche Einträge in Listen wie in Adressdatenbanken mit dem Ziel die Datenqualität durch die Vermeidung von Duplikaten zu verbessern. Reporting und Social Media Analysen sind andere Anwendungsgebiete. Weitere Apps befinden sich in der Entwicklung. Die Plattform bringt eine Reihe von Funktionen mit, die den Betrieb und die Administration vereinfachen wie die LDAP Integration, ein Wiki, APIs oder Schnittstellen zu Datenquellen.

"Results as a Service" von eoda

“Results as a Service” von eoda

Maßgeschneiderte Anwendungen und geringer Administrationsaufwand

Results as a Service ist vor allem ein Angebot für Fachabteilungen, die schnell eine analytische Anwendung zum Laufen bekommen möchten. Die Plattform kann auf einem Cloud Dienst oder auf einer eigenen Infrastruktur betrieben werden. Das modulare Konzept erlaubt es, die Anwendungen schnell bedarfsgerecht anzupassen und zu verbinden, so dass ganzheitliche Lösungen entstehen.

Weiterlesen

Be data driven: Der Unterschied zwischen Kreisklasse und Weltklasse?

Wenn am 12. Juni in Sao Paulo das erste Spiel der Fußballweltmeisterschaft 2014 angepfiffen wird, schaut die Welt gebannt für einen Monat nach Brasilien. Fasziniert von einem Sport der trotz seiner langen Tradition seine Einfachheit bewahrt hat. Diese Schlichtheit ermöglicht es, dass Menschen auf der ganzen Welt, unabhängig von Alter oder Talent, dem runden Leder nachjagen können. Doch mit steigender Professionalität beschränkt sich die Einfachheit zunehmend auf die Grundzüge des Spiels. Abseits des Platzes werden die Unterschiede zwischen Freizeitkickern und Vollprofis immer größer.

Datenanalyse als Erfolgsfaktor im Profifußball

Wo im Amateurbereich abseits von Punkten und Toren kaum belegbare Leistungskennzahlen existieren setzt der Profisport zunehmend auf die Macht der Zahlen. Laufwege, Zweikämpfe, Torschüsse – der Fußball wird zu einem Big Data Phänomen. Beim Streben nach dem maximalen Erfolg setzen die Trainer auf die Erkenntnisse aus den Daten. Die tägliche Trainingsarbeit basiert auf detaillierten Leistungsdiagnostiken und der genauen Kenntnis über Stärken und Schwächen der Spieler.  Der Deutsche Fußball Bund setzt beispielsweise für die Weltmeisterschaft in Brasilien auf Spielanalysen in Echtzeit und die präzise Erfassung von Laufwegen und Pässen für jeden Spieler.

Heatmap zu den Laufwegen eines Profifußballers (Quelle: www.abseits.at)

Heatmap zu den Laufwegen eines Profifußballers (Quelle: abseits.at)

Dank der analytischen Fähigkeiten des Physikers Stephen Hawking kennen sogar die wenig erfolgsverwöhnten Engländer ihre Erfolgsformel für die Fußballweltmeisterschaft 2014.

Weiterlesen

Der Data Scientist als das Bindeglied zwischen Big Data und Big Business

Data Scientist ist “The Sexiest Job of the 21st Century”. So sieht es der Google Chefökonom Hal Varian sicher nicht ganz uneigennützig – lebt doch Google vor allem von den vielfältigen Geschäftsmodellen, die auf Daten und Analysen begründet sind. Er ist mit dieser Meinung allerdings zur Zeit nicht ganz alleine. Viele Unternehmen sind gerade auf der Suche nach “dem Data Scientist”. Was ist jedoch eigentlich ein Data Scientist und was macht den Job so sexy und attraktiv?

„Big Data“ als Triebfeder der Datenanalysten

Wäre ein Datenanalyst mit einer Leidenschaft für Daten und das Aufdecken von Mustern und Zusammenhängen vor einigen Jahren noch als spleenig und nerdig bezeichnet worden, wird er heute – in Zeiten von “Big Data” – in einem ganz anderen Licht gesehen. Data Scientists werden heute als Schatzsucher, Goldschürfer, Forensiker oder Pionier bezeichnet. Während Sie in der Vergangenheit unterstützend in bestimmten Fachabteilungen oft eher im Verborgenen ihren Dienst verrichteten, wird ihnen heutzutage eine führende Rolle zugeschrieben, die das Unternehmen voran bringen soll.

Data Scientist – Allrounder für eine ganzheitliche Prozessunterstützung

Die Veränderung in der Sicht auf den Datenanalysten spiegelt die Erkenntnis wider, dass Unternehmen mit Hilfe der vorhandenen Daten nicht nur die Vertriebszahlen des vergangenen Quartals analysieren können, sondern sich auch die Möglichkeit bietet, gewinnbringend in die Zukunft zu schauen.

Im Lichte von Big Data und Predictive Analytics gelingt es dem Data Scientist Optimierungspotenziale zu identifizieren und Wettbewerbsvorteile gegenüber der Konkurrenz zu generieren. Weiß das Unternehmen, wer übermorgen Kunde sein könnte und bei welchem Kunden eine besonders intensive Betreuung lohnend sein kann, kann es bisherige Branchenführer überholen oder seine Führungsposition ausbauen.

Neben den vertriebsnahen Einsatzmöglichkeiten können Data Scientist relevantes Wissen auch in weiteren Bereichen wie Predictive Maintenance, der vorausschauenden Instandhaltung von Industrieanlagen, oder im Logistikbereich, beispielsweise zur Ermittlung der effizientesten Auslieferungsrouten, generieren. Auch die klassische Marktforschung bietet genug Herausforderungen für den Data Scientist. Die Einsatzmöglichkeiten sind branchenübergreifend unbegrenzt.

Weiterlesen

Potential and Possibilities of the Programming Language R for Predictive Maintenance

Have you ever been asked a question starting with: “Can you use R to…“, only to politely interrupt the inquisitor at this point to reply with something similar to “Yes, you can! R probably already has a package for this”.

If this sounds familiar to you, you won’t be overly surprised to hear that R is now making advancements in the field of industrial production processes of the 21st century – respectively to the technological planning of production and maintenance processes.

The catchword in this context is Predictive Maintenance which represents the informatization of production processes away from only reactive repair mechanisms towards the realization of IT-based Smart Factories.

In industrial production, unforeseeable machine failures as well as performance drops or deterioration in quality because of defective system components can lead to severe shortness’ of supplies. In order to prevent this and to be able to survive in the global economy, organizations are increasingly focusing on the improvement, maintenance, and repair of their machinery.

What they need to successfully predict when a machine failure is likely to happen, or how to choose the best possible time to replace a wearing part of a critical production plant without causing a production stop or having to accept other cost disadvantages, is the implementation of a powerful analysis software. This is where R comes into play to put the innovative concept of Predictive Maintenance into practice to realize the hitherto unimaginable potential of a data analysis software for the optimization of industrial maintenance models and thereby changing the way organizations go about their process of machine maintenance.

Predictive Maintenance Process with R

Predictive Maintenance and Condition Monitoring with R

As one of the best alternatives for e.g. the analysis and visualization of data and many benefits for Data Mining and Predictive Analytics, R can be tailored to the specific requirements of the condition monitoring and diagnostic technologies an organization might need. Weiterlesen