Liebe Unternehmensgestalter, Produktivitäts-Jäger, Macher und Umsetzer!
Als Produktionsbetrieb im deutschsprachigen Raum mit ausländischen Unternehmen auf preislicher Ebene zu konkurrieren war noch nie einfach. Mit den zunehmenden Auflagen in den Bereichen Sicherheit, Umweltschutz und anderen gesellschaftlichen Regelungen wird es immer schwieriger bis unrealistisch.
Daher wird in den meisten Betrieben das Augenmerk auf die Qualität der Produkte gelenkt. Viele Kunden sind nach wie vor bereit für „Made in…“ zu bezahlen. Natürlich muss das Preis-/Leistungsverhältnis stimmen, aber für Qualität wird auch entsprechend bezahlt.
Wer Qualität herstellen will, muss sich also kontinuierlich mit Prozessen, Materialien, Qualifikationen und zahlreichen anderen Einflussfaktoren beschäftigen, die am Ende das Produkt bestimmen. Nur wie macht man das und was brauche ich dafür?
Ich bekomme in den Trainings und Projekten bei Kunden immer wieder die Frage gestellt ob nun Six Sigma Projekte notwendig sind oder ob man das mit Data Analytics machen kann? Eine sehr spannende Frage, wie ich finde. Daher bekommst du heute in den gewohnten 3 Punkten folgende Fragen beantwortet:
- Was sind die Unterschiede der beiden Ansätze?
- Was sind die Gemeinsamkeiten?
- Welche Voraussetzungen müssen jeweils geschaffen sein?
1. Die Unterschiede
Viele Verbinden Six Sigma mit Statistik und somit wird schnell die Brücke zu Data Analytics geschlagen. Das ist erstmal nicht grundsätzlich falsch und wir behandeln die Gemeinsamkeiten auch direkt im nächsten Punkt. Schauen wir uns zuerst die Unterschiede an:
Six Sigma | Data Analytics | |
Ziel | Die Anzahl von Fehlern in Prozessen zu reduzieren und so die Prozessstabilität zu erhöhen. | Nutzung großer Datenmengen, um Muster und Zusammenhänge zu erkennen sowie Vorhersagen zu treffen. |
Methodik | Anwendung des DMAIC-Zyklus:
Define: Projektziele / Kundenbedürfnisse Measure: Datenerfassung Analyze: Analyse und Ursachenfindung Improve: Lösungsfindung und Implementierung Control: Überwachung und Verbesserung |
4 verschiedene Techniken:
Deskriptiv: Beschreibung vergangener Daten Diagnostisch: Erklärung für bestimmte Ereignisse Prädiktiv: Beschreibung zukünftiger Trends Präskriptiv: Generieren von konkreten Handlungsempfehlungen |
Fokus | Prozessverbesserung durch statistische Analysen | Nutzung von Daten für Entscheidungsprozesse |
Six Sigma konzentriert sich aus dem Ursprung stark auf die Qualitätsverbesserung während Data Analytics ein breiteres Anwendungsspektrum hat. So können auch Bereiche wie der Vertrieb oder der Einkauf von Datenanalysen profitieren. Die dazu verwendeten Datenmengen können auch von außerhalb stammen. Das ermöglicht weitere Korrelationen zu erkennen, die ansonsten verdeckt bleiben.
2. Die Gemeinsamkeiten
In beiden Ansätzen wird mit Daten gearbeitet, um Entscheidungen zu treffen. Vielfach werden in Analyse-Tools die Logiken von Six Sigma hinterlegt. Da beiden Ansätzen eine Datenorientierung zu Grunde liegt können Sie auch miteinander kombiniert werden. In dem Fall arbeiten dann Experten mit unterschiedlichem Know-How zusammen, um das bestmögliche Ergebnis zu erreichen. Es braucht Six-Sigma-Experten (diese werden in „belts“ eingestuft: Yellow-Belt, Green-Belt, Black-Belt und Master-Black-Belt) und Data Scientists, die wissen, wie die Machine Learning Algorithmen funktionieren.
Beide Ansätze konzentrieren sich auf die Prozessverbesserung. Diese kann in der Steigerung der Effizienz oder der Verbesserung des Qualitätsniveaus liegen. Und schließlich sind beide Wege darauf ausgerichtet messbare und spezifische Ergebnisse zu erzielen. Das ermöglicht es im weiteren Verlauf der Nachkontrolle und Überwachung festzustellen ob die Richtung stimmt.
3. Die Voraussetzungen
Um mit Six Sigma gute Ergebnisse zu erzielen, benötigt es gut ausgebildete und im Idealfall auch erfahrene Mitarbeiter, welche die Methodik beherrschen. Six Sigma hat auch zahlreiche Parallelen mit dem Lean Management, daher sollten die Moderatoren auch in diesem Bereich gute Kenntnisse haben.
Eine weitere wichtige Voraussetzung sind klare Prozesse, damit diese auch entsprechend gemessen werden können. Da die Daten die Grundlage bilden, braucht es klare Abläufe aus denen diese systematisch gewonnen werden können.
Wie im Lean Management braucht es generell eine Unternehmenskultur, die offen gegenüber Transparenz und Veränderung ist. Da Six Sigma Projekt für gewöhnlich auch einen längeren Zeitraum in Anspruch nehmen können (Wochen – Monate) braucht es auch eine entsprechende Disziplin und Ausdauer.
Data Analytics lebt auch von den digital verfügbaren Daten. Daher beginnt die Qualität der Ergebnisse bereits direkt mit der Qualität der Daten. Können wir den Daten vertrauen? Wo wird ggfs. manuell eingegriffen? Fragen die jedenfalls vor bzw. zu Beginn eines Data Analytics Projektes zu beantworten sind.
Um überhaupt zu Ergebnissen zu kommen, braucht es eine technische Infrastruktur, die Daten liefert, speichert und in weiterer Folge verarbeiten bzw. analysieren kann. Somit ist die Einstiegshürde für einige Unternehmen hier größer, falls bestimmte Hardware-Voraussetzungen noch nicht verfügbar sind.
Und schließlich brauchen wir auch hier die Experten. Datenanalysten und Data Scientists sind aktuell sehr gefragte Leute am Arbeitsmarkt. Sie müssen nicht nur die Systeme verstehen, sondern auch in der Lage sein, die Daten so zu verknüpfen, dass die Fragen richtig beantwortet werden.
Nun kennst du die Unterschiede, Gemeinsamkeiten und Voraussetzungen. Du bist immer noch nicht sicher was das richtige für dich und dein Unternehmen ist? Lass uns einfach miteinander sprechen. Wir unterstützen dich gerne dabei herauszufinden, was für eure spezielle Situation Sinn macht.
Teile gerne deine Learnings mit der Community.
Du hast Fragen zu dem Thema oder möchtest mir ein Feedback zum Newsletter geben? Zögere bitte nicht!
Du kannst mich jederzeit über mein LinkedIn-Profil oder per E-Mail erreichen. Dein Feedback ist für mich extrem wichtig. Denn nur so kann ich diesen Newsletter mit noch mehr produktivem Input für dich füllen.
Abonniere jetzt unseren wöchentlichen Produktivitäts-Pilot Newsletter!
Dein Produktivitäts-Pilot
Martin Posarnig