Predictive Quality Analytics

Wenn Erstausrüster im Automobilbereich Entscheidungen zum Qualitätsmanagement treffen, sind Gewährleistungs- und Kulanzdaten, kurz GWK-Daten, das Maß der Dinge. Sie sind eine Sammlung aus Daten, die die eigenen Service-Werkstätten aus den Fehlerspeichern von Fahrzeugen auslesen sowie aus Kundenfeedback und eigenen Entwicklungserkenntnissen gewinnen. Zusätzlich spielen sogenannte Rohdaten aus den bis zu 4000 Fahrzeugen, die die Werkstätten großer Automobilhersteller täglich besuchen, eine Rolle. Sie enthalten detaillierte Informationen aller im Auto verbauten Sensoren – vom Öldruck bis zur Abgastemperatur oder der Lenkradstellung.

All diese Mosaiksteine liefern bislang in ihrer Gesamtheit die Argumente für Kulanzleistungen oder Rückrufaktionen. Ein Beispiel: Kommt es häufiger vor, dass eine Benzinpumpe ausfällt, sollte sich der Hersteller dieses Bauteil näher anschauen und gegebenenfalls seinen Zulieferer kontaktieren. Der Konzern reagiert in diesem Szenario auf eine Veränderung der Qualitätsdaten. Spannender ist die Frage, ob vorliegende Daten nicht dazu verwendet werden können, um sich ankündigende Qualitätsmängel frühzeitig zu erkennen, ehe die breite Masse der Kunden von ihnen betroffen ist. Soziale Netzwerke sind für diesen Bereich aufschlussreiche Indizienpools. Wenn jemand beispielsweise twittert, er habe Probleme mit der Benzinpumpe seines Fahrzeugs, stellen intelligente Algorithmen fest, wenn sich ähnliche Tweets binnen kurzer Zeit häufen. Solche Datenquellen liefern in ihrer Masse einen wichtigen Beitrag für das Gesamtbild.

Am Ende gilt: Die Mischung macht‘s. Mit Rohdaten aus den Fahrzeugen, aufbereiteten Erkenntnissen aus dem Social Media-Bereich und eigenen Vertriebsdaten gelingt es, Rückrufaktionen je nach Fall zwischen acht und 18 Monate vorher zu erkennen. Qualitätsmanager sprechen hierbei von Predictive Quality Analytics. Diese Methode vollzieht eine grundlegende Veränderung der Perspektive, die vor wenigen Jahren noch undenkbar war. Reagieren war mangels Alternativen das Mittel der Wahl. Heute können die Autobauer proaktiv bei Qualitätsmängeln vorgehen. Das bedeutet zwar einen höheren Aufwand, doch der ist gerechtfertigt, weil die Qualität einzelner Bauteile immer höher sein muss, wenn sie gleich in mehreren Automodellen eines Herstellers zum Einsatz kommen. So multipliziert sich der Schaden im Problemfall entsprechend.

Einen Schritt weitergedacht, ermöglicht die Digitalisierung von Fertigungsprozessen, dass Hersteller einzelne Teile bis zu ihrer jeweiligen Entstehung zurückverfolgen und zum Beispiel sehen können, mit welcher Kraft ein Fertigungsroboter die Gehäuseschrauben angezogen hat. In Kombination mit Fahrdaten rückt die Fehleranalyse somit bald auf ein neues Level vor, deren Erkenntnisse bis in die Planung neuer Modelle hineinwirken werden. Das ist die Chance für Qualitätsmanager, die Rückrufkosten im Vorfeld zu beziffern und Rückrufaktionen zu reduzieren. Predictive Quality Analytics definieren das Spannungsfeld zwischen Qualität und Kosten neu – zugunsten von Automobilherstellern und Autokäufern.