Kennen Sie Ihre Fehlerkosten?

[vc_row][vc_column][vc_custom_heading text=“Kennen Sie Ihre Fehlerkosten?“ font_container=“tag:h2|font_size:38|text_align:left|color:%23e30613″ use_theme_fonts=“yes“ css=“.vc_custom_1575377507772{margin-top: -25px !important;}“][vc_custom_heading text=“Präziseres Qualitätsmanagement durch künstliche Intelligenz“ font_container=“tag:h2|font_size:22|text_align:left|color:%23f07d00″ use_theme_fonts=“yes“ css=“.vc_custom_1575377524092{padding-bottom: 10px !important;}“][vc_column_text]Oliver Nalbach, Dirk Werth, August-Wilhelm Scheer Institut für digitale Produkte und Prozesse[/vc_column_text][vc_custom_heading text=“Kurz und bündig:“ font_container=“tag:h3|font_size:17|text_align:left|color:%23ffffff“ use_theme_fonts=“yes“ css=“.vc_custom_1519747666609{padding-left: 15px !important;background-color: #f07d00 !important;}“][vc_column_text css=“.vc_custom_1575377621928{border-top-width: 1px !important;border-right-width: 1px !important;border-bottom-width: 1px !important;border-left-width: 1px !important;padding-top: 10px !important;padding-right: 10px !important;padding-bottom: 10px !important;padding-left: 10px !important;background-color: #eaeaea !important;border-left-color: #aaaaaa !important;border-left-style: solid !important;border-right-color: #aaaaaa !important;border-right-style: solid !important;border-top-color: #aaaaaa !important;border-top-style: solid !important;border-bottom-color: #aaaaaa !important;border-bottom-style: solid !important;border-radius: 1px !important;}“]Fehlerkosten – das ist das Geld, das Unternehmen durch die Behebung von Produktfehlern und deren Folgen verloren geht. Doch trotz der Relevanz der Fehlerkosten kennen die meisten Unternehmen diese nicht genau – schon gar nicht, wenn es um Zukunftsprognosen geht. Das liegt daran, dass für die Berechnung der Fehlerkosten bekannt sein muss, welche Probleme wie oft auftreten werden. Aber die Zusammenführung von bekannten Ansätzen aus dem Qualitätsmanagement mit neuen Methoden aus der künstlichen Intelligenz kann Abhilfe schaffen.[/vc_column_text][/vc_column][/vc_row][vc_row css=“.vc_custom_1519752670572{margin-top: -10px !important;}“][vc_column][vc_column_text]Viele Unternehmen kennen ihre Fehlerkosten nicht. Das gilt schon, wenn es um eine Einordnung der entstandenen Gesamtkosten aus der Vergangenheit geht. Und umso mehr, wenn zukünftige Kosten für konkrete Produkte kalkuliert werden sollen. Doch über die Zusammenführung von Ansätzen aus dem Qualitätsmanagement mit neuen Methoden aus der künstlichen Intelligenz, die vorhandene Datenbestände analysieren, lässt sich dem Problem begegnen.[/vc_column_text][ult_dualbutton btn_hover_style=“Style 2″ btn_border_style=“solid“ btn_color_border=“#ffffff“ btn_border_size=“2″ btn_alignment=“left“ dual_resp=“off“ button1_text=“Einzelheft kaufen“ icon_link=“url:https%3A%2F%2Fwww.aws-institut.de%2Fim-io%2Fproduct%2Fqualitaet-4-0%2F|title:Qualit%C3%A4t%204.0||“ btn1_background_color=“#f07d00″ btn1_bghovercolor=“#e30613″ icon=“Defaults-book“ icon_size=“22″ icon_color=“#ffffff“ icon_hover_color=“#f07d00″ button2_text=“Jetzt abonnieren“ btn_icon_link=“url:https%3A%2F%2Fwww.aws-institut.de%2Fim-io%2Fabo%2F|title:Abo||“ btn2_background_color=“#f07d00″ btn2_bghovercolor=“#e30613″ btn_icon=“Defaults-chevron-right“ btn_icon_size=“22″ btn_icon_color=“#ffffff“ btn_iconhover_color=“#f07d00″ divider_text=“oder“ divider_text_color=“#f07d00″ divider_bg_color=“#ffffff“ btn1_text_color=“#ffffff“ btn1_text_hovercolor=“#ffffff“ btn2_text_color=“#ffffff“ btn2_text_hovercolor=“#ffffff“ title_font_size=“desktop:20px;“ btn_border_radius=“3″ title_line_ht=“desktop:22px;“ btn_width=“280″][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]Ob Plastikteile in der Tiefkühlpizza [1], lose Knöpfe an Kinderbekleidung [2] oder Wasserkocher mit Stromschlaggefahr [3] – Produktfehler sind nicht nur für Kunden ein Risiko, sondern auch für die produzierenden Unternehmen, die hinter den Produkten stehen. Denn die damit verbundenen Kosten, nicht nur für die Behebung der Fehler, sondern auch zur Minderung eventueller Folgen, können gerade kleine und mittelständische Betriebe hart treffen, die unerwartete Kostensteigerungen nicht ohne Weiteres abfedern können. Fehlerkosten können vielerlei Gestalt annehmen und gliedern sich in interne und externe Kosten. Interne Kosten entstehen selbst dann, wenn Probleme noch im Unternehmen entdeckt werden. Sie entsprechen den Kosten für die Fehlerbehebung (Material für Ersatzprodukte, Lohnkosten für Neu- oder Nacharbeit, Betriebskosten für Maschinen). Externe Kosten entstehen, wenn ein Produkt das Unternehmen bereits verlassen hat und sich schon im Handel oder sogar beim Kunden befindet. Es drohen ungleich höhere Aufwände für Logistik (Erstattung von Retourenkosten, Nachlieferungen), Personal (Prüfung und Bearbeitung von Reklamationen) sowie Imageverlust und schrumpfende Marktanteile.[/vc_column_text][vc_custom_heading text=“Die Varianz der Fehlerkosten“ font_container=“tag:h3|text_align:left“][vc_column_text]Unternehmen sollten also ihre Fehlerkosten im Blick haben. Doch die Praxis sieht oft anders aus: Die wenigsten Unternehmer können ihre Fehlerkosten beziffern. Das gilt bereits für das Schätzen historischer Kosten über die gesamte Produktpalette, Produktgruppen oder gar einzelne Produkte – umso mehr aber für Produkte die sich erst in der Planung befinden und so noch gar nicht hergestellt wurden. Der Grund dafür ist die mitunter hohe Varianz der Kosten, wie sie sich an der Retoure eines Paar Lederschuhe in Abbildung 1 zeigen lässt.

Fall 1: Der Kunde retourniert seine Bestellung aufgrund von Schäden am Schuhkarton, die durch den Paketzusteller verursacht wurden. Auch wenn kein Verschulden des Herstellers vorliegt, fallen doch Mehrkosten für Versand, Retourenbearbeitung und erneutes Verpacken des Artikels an.

Fall 2: Einer der Schuhe weist einen oberflächlichen Kratzer an seiner Innenseite auf. Die Bestellung wird retourniert. Als Grund kreuzt der Kunde die Ursache “Kratzer” auf dem Rücksendeformular an. Zusätzlich zu den Kosten aus Fall 1 tritt nun auch eine tatsächliche Wertminderung des Artikels ein. Das Paar Schuhe kann nur noch als B-Ware mit dem unternehmensüblichen Rabatt von 50% im Outletstore angeboten werden.

Fall 3: Zunächst scheint alles in Ordnung zu sein – die Schuhe kommen in optisch einwandfreiem Zustand beim Kunden an, keine Mängel sind erkennbar. Doch nach einer Woche Nutzung beginnt sich die Schuhsohle zu lösen. Der Kunde reklamiert. Weder kann der Hersteller den Fehler mit vertretbarem Aufwand beheben, noch ist der Artikel in dieser Form verkäuflich. Er wird vernichtet und muss komplett ersetzt werden.

Alle drei Fälle fließen in gleicher Weise als Retouren in die Unternehmensstatistiken ein. Dabei fallen die jeweiligen Fehlerkosten höchst unterschiedlich aus. Wird nun aber alleine die Retourenquote des Unternehmens zur betriebswirtschaftlichen Schätzung der Fehlerkosten herangezogen und mit groben Pauschalen gerechnet, verzerrt sich schnell das entstehende Gesamtbild. Dieser Ansatz wird der Varianz der Fehlerkosten über die verschiedenen Fälle hinweg in der Realität nicht gerecht.[/vc_column_text][vc_single_image image=“15198″ img_size=“large“ add_caption=“yes“ alignment=“center“][vc_custom_heading text=“Fehlerkosten im Voraus bestimmen“ font_container=“tag:h3|text_align:left“][vc_column_text]Betrachtet man einen konkreten Einzelfall, ist eine Kalkulation der entstandenen Fehlerkosten oft prinzipiell möglich: Materialkosten für ein einzelnes Produkt lassen sich anhand Daten aus einem ERP-System relativ genau bestimmen. Die Frage, ob ein Produkt nachgearbeitet oder ersetzt wird, ist oft über unternehmensweite Regelungen festgelegt. Kosten für Logistik oder die Bearbeitung einer Retoure können mit Pauschalen angenähert werden. All diese Berechnungen sind aber nur im Nachhinein möglich: Das betroffene Produkt muss nicht nur bereits produziert worden sein, sondern es muss auch schon ein konkreter Fehler mit konkreten Folgen aufgetreten sein. Doch wie lassen sich Fehlerkosten im Voraus bestimmen, sodass sie für die betriebswirtschaftliche Planung und letztlich auch in der Produktentwicklung berücksichtigt werden können? Dafür ist das Wissen nötig, welche konkreten Fehler in welcher Häufigkeit für ein neues Produkt zu erwarten sind. Glücklicherweise sind Fehler oft nicht dem Zufall geschuldet, sondern haben System. Beispielsweise besteht für produzierende Unternehmen oft die Wahl zwischen mehreren möglichen Zulieferern, die jeweils ihre eigenen Spezialisierungen und damit auch Produktqualität haben. Auch verschiedene Materialmischungen, sei in der Textilbranche oder in der Stahlverarbeitung, haben ihre eigenen Trade-offs zwischen Material- und Herstellungskosten auf der einen Seite und der Anfälligkeit für verschiedene Fehler auf der anderen Seite. Diese Zusammenhänge sind Experten und erfahrenen Mitarbeitern bekannt, lassen sich aber nicht ohne Weiteres in konkrete Zahlen übersetzen und somit schlecht für Planungszwecke nutzen. Ebenso geht dieses Wissen von Einzelpersonen nicht automatisch auf andere, am Prozess beteiligte Mitarbeiter über. Eine aktuelle Lösung für diese Probleme kommt aus dem Bereich des maschinellen Lernens und nennt sich Predictive Quality [4]. Dieser neue Ansatz für Qualitätsmanagement nutzt sogenannte Supervised-Learning-Algorithmen, um Zusammenhänge zwischen Eigenschaften der Produkte und ihres Produktionsprozesses und der späteren Produktqualität herzustellen. Die Datengrundlage dafür stellen die IT-Systeme bereit, die Unternehmen typischerweise zur Verwaltung des Product Lifecycle einsetzen, etwa Enterprise-Resource-Planning (ERP) oder Manufacturing-Execution-Systeme (MES). Beispielsweise liefert das ERP-System Informationen zu einzelnen Produkten und ihren Zutaten, also den Produkteigenschaften, gleichzeitig aber auch häufig zu Retourenfällen und somit der Produktqualität. MES hingegen aggregieren durch ihre Nähe zum Produktionsprozess weitere, wichtige Informationen, z.B. zu Maschinenparametern, die den Herstellungsprozess genauer charakterisieren, aber auch zu Messwerten, die wiederum mit der Produktqualität zusammenhängen können.

Anders als bei der klassischen Data-AnalyticsVorgehensweise, bei der solche Datenbestände zwar mit mathematischen Verfahren aber letztendlich in großen Teilen manuell analysiert werden, erkennt Predictive Quality in den Datenbeständen automatisiert die vorherrschenden Muster. Dabei können insbesondere auch komplexe Zusammenhänge aufgedeckt werden, die mit anderen Ansätzen bisher schwer zu erfassen waren. Am Ende ergibt sich so ein Tool zur Qualitätsvorhersage, das eine Qualitätseinschätzung, z.B. in Form von erwarteten Fehlerwahrscheinlichkeiten, liefert. Auch und gerade für neuartige Produkte. Wie in Abbildung 2 dargestellt, lassen sich diese Vorhersagen dann mit etwas Prozesswissen zu einer Schätzung der Fehlerkosten aufwerten, die deutlich präziser ist, als eine Kalkulation mit Pauschalen, die für ganze Produktgruppen definiert werden. Predictive Quality kann nicht nur in Form passiver Vorhersagen der zu erwartenden Produktqualität und der Fehlerkosten genutzt werden, sondern in einem zweiten Schritt auch zu einer Reduzierung dieser: Durch die Vorhersage in Sekundenbruchteilen können nach jeder Anpassung an Produkt und Produktion unmittelbar die Auswirkungen auf die Kostenschätzung verfolgt werden. Und selbst wenn Anpassungen am Produkt selbst nicht gewünscht oder möglich sind, können Unternehmen mit der intelligenten Kostenschätzung genauer kalkulieren und gegebenenfalls an anderen Stellschrauben wie dem Verkaufspreis drehen.[/vc_column_text][vc_custom_heading text=“Fehlerkosten im Voraus bestimmen“ font_container=“tag:h3|text_align:left“][vc_column_text]Betrachtet man einen konkreten Einzelfall, ist eine Kalkulation der entstandenen Fehlerkosten oft prinzipiell möglich: Materialkosten für ein einzelnes Produkt lassen sich anhand Daten aus einem ERP-System relativ genau bestimmen. Die Frage, ob ein Produkt nachgearbeitet oder ersetzt wird, ist oft über unternehmensweite Regelungen festgelegt. Kosten für Logistik oder die Bearbeitung einer Retoure können mit Pauschalen angenähert werden. All diese Berechnungen sind aber nur im Nachhinein möglich: Das betroffene Produkt muss nicht nur bereits produziert worden sein, sondern es muss auch schon ein konkreter Fehler mit konkreten Folgen aufgetreten sein. Doch wie lassen sich Fehlerkosten im Voraus bestimmen, sodass sie für die betriebswirtschaftliche Planung und letztlich auch in der Produktentwicklung berücksichtigt werden können? Dafür ist das Wissen nötig, welche konkreten Fehler in welcher Häufigkeit für ein neues Produkt zu erwarten sind. Glücklicherweise sind Fehler oft nicht dem Zufall geschuldet, sondern haben System. Beispielsweise besteht für produzierende Unternehmen oft die Wahl zwischen mehreren möglichen Zulieferern, die jeweils ihre eigenen Spezialisierungen und damit auch Produktqualität haben. Auch verschiedene Materialmischungen, sei in der Textilbranche oder in der Stahlverarbeitung, haben ihre eigenen Trade-offs zwischen Material- und Herstellungskosten auf der einen Seite und der Anfälligkeit für verschiedene Fehler auf der anderen Seite. Diese Zusammenhänge sind Experten und erfahrenen Mitarbeitern bekannt, lassen sich aber nicht ohne Weiteres in konkrete Zahlen übersetzen und somit schlecht für Planungszwecke nutzen. Ebenso geht dieses Wissen von Einzelpersonen nicht automatisch auf andere, am Prozess beteiligte Mitarbeiter über. Eine aktuelle Lösung für diese Probleme kommt aus dem Bereich des maschinellen Lernens und nennt sich Predictive Quality [4]. Dieser neue Ansatz für Qualitätsmanagement nutzt sogenannte Supervised-Learning-Algorithmen, um Zusammenhänge zwischen Eigenschaften der Produkte und ihres Produktionsprozesses und der späteren Produktqualität herzustellen. Die Datengrundlage dafür stellen die IT-Systeme bereit, die Unternehmen typischerweise zur Verwaltung des Product Lifecycle einsetzen, etwa Enterprise-Resource-Planning (ERP) oder Manufacturing-Execution-Systeme (MES). Beispielsweise liefert das ERP-System Informationen zu einzelnen Produkten und ihren Zutaten, also den Produkteigenschaften, gleichzeitig aber auch häufig zu Retourenfällen und somit der Produktqualität. MES hingegen aggregieren durch ihre Nähe zum Produktionsprozess weitere, wichtige Informationen, z.B. zu Maschinenparametern, die den Herstellungsprozess genauer charakterisieren, aber auch zu Messwerten, die wiederum mit der Produktqualität zusammenhängen können. Anders als bei der klassischen Data-AnalyticsVorgehensweise, bei der solche Datenbestände zwar mit mathematischen Verfahren aber letztendlich in großen Teilen manuell analysiert werden, erkennt Predictive Quality in den Datenbeständen automatisiert die vorherrschenden Muster. Dabei können insbesondere auch komplexe Zusammenhänge aufgedeckt werden, die mit anderen Ansätzen bisher schwer zu erfassen waren. Am Ende ergibt sich so ein Tool zur Qualitätsvorhersage, das eine Qualitätseinschätzung, z.B. in Form von erwarteten Fehlerwahrscheinlichkeiten, liefert. Auch und gerade für neuartige Produkte. Wie in Abbildung 2 dargestellt, lassen sich diese Vorhersagen dann mit etwas Prozesswissen zu einer Schätzung der Fehlerkosten aufwerten, die deutlich präziser ist, als eine Kalkulation mit Pauschalen, die für ganze Produktgruppen definiert werden. Predictive Quality kann nicht nur in Form passiver Vorhersagen der zu erwartenden Produktqualität und der Fehlerkosten genutzt werden, sondern in einem zweiten Schritt auch zu einer Reduzierung dieser: Durch die Vorhersage in Sekundenbruchteilen können nach jeder Anpassung an Produkt und Produktion unmittelbar die Auswirkungen auf die Kostenschätzung verfolgt werden. Und selbst wenn Anpassungen am Produkt selbst nicht gewünscht oder möglich sind, können Unternehmen mit der intelligenten Kostenschätzung genauer kalkulieren und gegebenenfalls an anderen Stellschrauben wie dem Verkaufspreis drehen.[/vc_column_text][vc_custom_heading text=“Die Zukunft des QM“ font_container=“tag:h3|text_align:left“][vc_column_text]Der Megatrend Individualisierung betrifft gerade auch den Bereich der industriellen Produktion. Durch die zunehmende Kleinteiligkeit in der Herstellung verschiedenster Güter stoßen klassische Methoden des Qualitätsmanagements an ihre Grenzen: Werden von einem bestimmten Artikel in seiner spezifischen Konfiguration nur wenige Exemplare produziert, bleibt kein Spielraum für mehrere Durchläufe in der Produktentwicklung. Der Artikel wird sonst zu teuer. Auch kann historisches Wissen mit konventionellen Methoden der Qualitätssicherung in Zukunft nur noch in begrenztem Maße gewinnbringend genutzt werden, da Produkte in immer kürzeren Abständen angepasst oder vollständig neu entwickelt werden müssen. Erkenntnisse aus der Vergangenheit lassen sich also immer weniger 1:1 auf neue Fälle übertragen. Die Zukunft gehört also Ansätzen wie der Predictive Quality, die allgemeine Zusammenhänge von konkreten Produkten lösen können und auf diese Weise allgemeines Wissen aus Datenbeständen generieren.[/vc_column_text][vc_single_image image=“15199″ img_size=“large“ add_caption=“yes“ alignment=“center“][ult_createlink title=“Zu den Literaturangaben“ btn_link=“url:https%3A%2F%2Fwww.aws-institut.de%2Fim-io%2Fausgabe-2019-4-306%2F|title:Ausgabe%202019-4-308||“][/vc_column][/vc_row][vc_row][vc_column][/vc_column][/vc_row]