Automotive · 12 Wochen · Ein führender Automobil-OEM
Predictive Analytics für die Produktionsqualität
Kundenname unter NDA anonymisiert. Branche, technischer Ansatz, Tools und gemessene Ergebnisse sind unverändert wiedergegeben. Namentliche Referenzen auf Anfrage.
# RESULTS
- Weniger falsch-positive Meldungen
- 40%
- Schnellere Triage
- 2.5×
- Von Anfang bis Ende
- 12 wk
- Neue Werkzeuge zu erlernen
- Zero
# THE-CHALLENGE
Überlastung durch falsch-positive Meldungen in der Fehlererkennung. Das bestehende Qualitätssystem meldete alles — echte Fehler, Sensorrauschen, Kalibrierungsdrift. Die Verantwortlichen der Produktionslinie verbrachten mehr Zeit mit dem Sichten von Meldungen als mit dem Beheben tatsächlicher Probleme.
Jede Schicht begann mit Hunderten von Meldungen, die meisten davon Rauschen. Das Team hatte gelernt, das System komplett zu ignorieren — was bedeutete, dass echte Fehler genauso häufig durchrutschten wie vor Einführung des Systems. Ein Qualitätswerkzeug, dem niemand vertraut, ist schlimmer als gar kein Werkzeug.
# THE-TRANSFORMATION
// vorher
- Das Qualitätssystem meldete alles — echte Fehler, Sensorrauschen, Kalibrierungsdrift
- Hunderte von Meldungen pro Schicht, die meisten davon falsch-positiv
- Die Bedienenden lernten, das System komplett zu ignorieren
- Echte Fehler rutschten genauso häufig durch wie zuvor
// nachher
- 40 % weniger falsch-positive Meldungen — nur echte Anomalien lösen Alarme aus
- 2,5× schnellere Triage durch wahrscheinlichkeitsbewertete Meldungen
- Dashboard-Akzeptanz über 90 % innerhalb des ersten Monats
- Datenqualitätsprobleme werden bei der Erfassung erkannt, nicht erst durch die Endnutzer
# OUR-APPROACH
Daten-Audit
Jeden Sensor-Feed, jeden Qualitätsprüfpunkt und jeden historischen Fehlerdatensatz erfasst. Drei Datenquellen gefunden, von deren Existenz niemand wusste — darunter ein Kalibrierungsprotokoll, das 60 % der falsch-positiven Meldungen erklärte.
Modellentwicklung
Klassifikationsmodelle in Python/scikit-learn aufgebaut, trainiert auf tatsächlichen Fehlerergebnissen, nicht nur auf Schwellenwertüberschreitungen. Auf Präzision statt Trefferquote optimiert — weniger Meldungen, höhere Verlässlichkeit.
Dashboard-Integration
Die Vorhersagen an eine Power-BI-Ebene angebunden, die die Werksleitungen bereits nutzten. Kein neues Werkzeug zu erlernen. Meldungen zeigen nun Wahrscheinlichkeitswerte statt nur bestanden/nicht bestanden.
Validierung & Übergabe
Das Modell vier Wochen lang parallel zum alten System betrieben. Jede Abweichung dokumentiert. Das Qualitätsteam darin geschult, das Modell neu zu trainieren, wenn sich die Produktspezifikationen ändern.
Der Wendepunkt war die Entdeckung eines Sensor-Kalibrierungsprotokolls, das auf einem gemeinsam genutzten Laufwerk vergraben war und das niemand mit den Qualitätsdaten verknüpft hatte. Es erklärte, warum eine Produktionslinie die dreifache Meldungsrate der anderen aufwies — die Sensoren waren nach einem Wartungszyklus fehlkalibriert, und das Qualitätssystem hatte die Drift vier Monate lang treu als Fehler gemeldet.
# TECH-STACK
# OPERATING-CONTEXT
Rahmenbedingung
Keine neuen Werkzeuge erlaubt. Das Qualitätsteam hatte bereits das Vertrauen in ein System verloren und würde kein weiteres einführen. Wir mussten die Vorhersagen in die bestehende Power-BI-Ebene ausliefern, die sie ohnehin für das Schicht-Reporting nutzten — kein separates Dashboard, kein neuer Login.
Einführung & Rollout
Vierwöchiger Parallelbetrieb gegen das bestehende Meldesystem vor der Umstellung. Jede Abweichung zwischen beiden wurde dokumentiert und mit dem Qualitätsteam besprochen. Die Dashboard-Akzeptanz überschritt im ersten Monat nach der Umstellung die 90-%-Marke. Das Qualitätsteam wurde darin geschult, das Modell selbst neu zu trainieren, wenn sich die Produktspezifikationen ändern.