Mauro Gerber ist Prozessingenieur und Statistikexperte und arbeitet in den Bereichen Datenmanagement, elektrische Prüfung und Messung beim Glasfaserkabelhersteller HUBER+SUHNER in Zürich. Vor seinem Eintritt bei HUBER+SUHNER arbeitete Mauro 12 Jahre lang als F&E-Prozessexperte beim deutschen multinationalen Glashersteller SCHOTT AG. Sowohl in seinen früheren als auch in seinen aktuellen Funktionen war Mauro ein ausgesprochener Befürworter der Analytik, der Pilotierung neuer Schulungsprogramme für Ingenieure und der Beschaffung von Software zur Unterstützung der Demokratisierung des statistischen Denkens.
Mega: Zu Beginn frage ich mich, ob Sie Ihre Gedanken zum aktuellen Stand der statistischen Bereitschaft in der Produktionsindustrie teilen könnten.
Mauro: Es scheint, dass viele Unternehmen immer noch Schwierigkeiten haben, die Idee von [Domänenexperten] zu verstehen, die auch ein tiefes statistisches Verständnis haben. Ich begann meine Karriere als Verfahrenstechniker und beschäftigte mich im Laufe der Jahre immer mehr mit statistischer Analyse und Modellierung. Selbst 15 Jahre später, als ich mich entschied, einer anderen Organisation beizutreten, landete ich in der gleichen Situation – statt als Data Scientist als Prozessingenieur eingestellt.
Diejenigen von uns [mit sowohl fachlicher als auch statistischer Expertise] verfügen über ein breites Wissen in den Bereichen Data Engineering, Analytik, Verfahrenstechnik und Qualitätsproduktion; Es ist nicht nur Modeln! Im Moment bin ich in einer Gruppe für Verfahrenstechnik bei HUBER+SUHNER, aber je mehr Analytik ich mache, desto mehr Unterstützung kann ich anderen Ingenieuren anbieten. Manchmal sehe ich, dass sie nicht ganz verstehen, was sie tun, und im Prozess stecken bleiben, weshalb ich einen fünftägigen Kurs eingerichtet habe, um ihr Verständnis von nicht nur wirklich zu vertiefen wie um Analysen durchzuführen, sondern auch warum um es auszuführen.
Mega: Worin sehen Sie den Hauptunterschied zwischen traditioneller statistischer Ausbildung und statistischem oder analytischem Denken?
Mauro: Für mich scheint klassisches Unterrichten eine Bühne zu schaffen, auf der jeder Schritt, den Sie ausführen, funktioniert und zum gewünschten Ergebnis führt. Es ist, als würde man Autofahren lernen. Sicher, es ist wichtig zu wissen, wie man lenkt, beschleunigt, bremst und versteht, was alle Knöpfe tun, aber es ist auch wichtig zu wissen, wie man eine holprige Straße vor sich vermeidet oder wann man nach links oder rechts abbiegt – und man kann sich verlaufen. Dieser klassische Ansatz kann zu Frustration führen oder sogar dazu führen, dass Sie die Statistik verlassen, weil sie nicht wie versprochen funktioniert, selbst wenn Sie die Klickkette wie in den Beispielen verfolgt haben.
Meg: Also strenge Methoden versus kritisches Denken.
Mauro: Ja. Das ist die Verbindung, die einige Leute davon abhalten kann, erfolgreicher in der Analytik zu sein, oder einen konstruktiven Austausch oder eine Vereinbarung verhindert. Ich habe aufgehört zu zählen, wie viele Messsystemanalysen (MSA) ich wiederholen musste, weil die Leute an der Vorstellung festhielten, dass ein einziger Index bestimmt, ob ein System fähig ist, selbst wenn der Prozess sehr stabil ist und daher das Messen von Variationen sehr schwierig ist. Der Kunde schlug vor, „schlechte“ Teile in die Mischung einzuführen. Aber dann wird die Prozessvariation nicht dargestellt und die ganze MSA wird bedeutungslos, weil Sie dann frei wählen können, welche Zahlen Sie durch die Änderung eines Stücks erhalten.
Ich nehme an, in diesem Fall hat ihnen jemand beigebracht, dass das System nicht in der Lage ist, wenn der Index unter einem bestimmten Wert liegt, aber nicht, wie diese Zahl zustande kommt und was sie bedeutet.
Mega: Interessant. Wie erklären Sie den Unterschied denen, die nicht so tief in Analytics versunken sind wie Sie? Wie vermitteln Sie Ihrem Management den Business Case, dass es eine Evolution des Denkens von Six Sigma zu moderner Analytik unterstützen sollte?
Mauro: Mir persönlich fällt es schwer, den Nutzen und das Zukunftspotenzial der Statistik zu kommunizieren, wenn ich sie in meiner täglichen Arbeit verwende und mich kopfüber in sie hineinzustürzen, wenn sie andererseits kompliziert und überwältigend aussehen kann, wenn sie mit Formeln, Grafiken, Zahlen präsentiert wird und endlose Möglichkeiten, Daten zu analysieren.
Eine Sache, die ich versuche, ist, Skripte zu schreiben, die Daten aus Datenbanken abrufen oder aus einer Datei importieren und die Tabelle so umgestalten, dass sie für den Benutzer nützlich wird. Dies hilft, einige Hürden in den ersten Analyseschritten zu vermeiden, indem viel Zeit gespart wird; es kann sogar die Neugier wecken, tiefer zu graben.
Ein anderer Ansatz besteht darin, die Daten gemeinsam Seite an Seite zu untersuchen, das Potenzial von Analytics zu entwickeln und aufzuzeigen und – wenn möglich – das Wissen und die Ideen des anderen einzubeziehen. Ich kann Tools und einen Weg zu einer Lösung bereitstellen, aber die Einsicht und das Feedback, wenn es nützlich ist, kommen von den Menschen, die mit dem Prozess arbeiten.
Mit diesem Ansatz konnte ich unser Management davon überzeugen, zu investieren, da immer mehr Ingenieure selbst Analysen durchführen wollten. Der Kauf von Software ist nur ein Teil davon.
Mega: Und hier kommt Ihr Trainingsprogramm ins Spiel.
Mauro: Ja, obwohl es noch Barrieren gibt. Als ich zum ersten Mal einen fünftägigen Kurs für Ingenieure vorschlug JMP und statistischem Denken zögerte das Management. Sie sagten, sie könnten es sich nicht leisten, Ingenieure fünf Tage lang arbeitsunfähig zu machen.
Es gibt ein Sprichwort: „Wir haben keine Zeit, unsere Äxte zu schärfen. Wir müssen Bäume fällen." Mir wurde sogar vorgeschlagen, dass wir nur eine Person pro Abteilung schicken, die dann die anderen unterrichtet. Es ist, als würde ich nur eines meiner Kinder zur Schule schicken und es dann zu Hause seine Geschwister unterrichten lassen!
Mega: Ziemlich konservatives Denken, wie es scheint.
Mauro: Nicht zwangsweise konservativ, aber das ist eine normale Situation in den meisten Unternehmen, obwohl MSA und SPC notwendig sind und von Kunden gefordert werden. Diese sollten ein fester Bestandteil des Unternehmens sein, um Einblicke in Prozesse zu gewinnen, die der Stabilität zugute kommen und die Qualität steigern. Aber jede Organisation braucht Menschen, die in statistischem Denken geschult sind, um dies zu unterstützen.
Mega: Wie haben die Ingenieure auf Ihren Kurs reagiert, sowohl im Hinblick auf das Erlernen von JMP als auch auf das Erlernen der damit verbundenen statistischen Denkfähigkeiten?
Mauro: Sehr gut, würde ich sagen. Ich hatte zum Beispiel einen Six Sigma Black Belt, der anfangs sagte: „Hey, ich hatte schon eine Statistikausbildung. Ich könnte ein paar Teile aufschnappen oder es könnte sich nur wiederholen, nur um es dich wissen zu lassen." Während des Kurses konnte ich sehen, dass einige Münzen fielen, weil er sagte: „Aah, deshalb sollte ich das tun, jetzt macht es mehr Sinn!“ Bei einer anderen Gelegenheit hatte ich Produktions-, Qualitäts- und Techniker eines Standorts in demselben Schulungskurs und sie hatten eine Diskussion mit vielen Beschwerden und Schuldzuweisungen. Aber während des Kurses begannen sie zu verstehen, was der andere Partner brauchte, warum sie bestimmte Zahlen verlangten, während sie auch die Auswirkungen bestimmter Kundenwünsche und Ideen aus dem Engineering quantifizierten.
Deshalb bin ich gerne Ausbilderin.
Meg: Haben Sie Ressourcen genutzt, die über JMP verfügbar sind – entweder persönlich oder mit den Personen, die an Ihrem Kurs teilnehmen?
Mauro: Ich hatte das Vergnügen, an den angebotenen Weiterbildungen teilzunehmen JMP Discovery Summit über statistische Modellierung und das Finden wichtiger Prädiktoren. Es war ein aufschlussreiches Zusammentreffen unterschiedlicher Köpfe mit einem sachkundigen Trainer – und wurde durch Beispiele aus dem wirklichen Leben unterstützt, die mich mehr in die Modellierungsseite von JMP einführten.
Was ich neuen Benutzern von JMP empfehle, ist, die Willkommens-Kit , nehmen Sie sich dann ein oder zwei Tage Zeit, um alleine zu trainieren. Als nächstes bekommen sie normalerweise eine kleine persönliche Sitzung mit mir, um Fragen zu stellen, und wir können uns die persönlichen Beispiele ansehen, die sie lösen möchten. Der nächste Schritt, den ich empfehle, ist die Einnahme der Statistisches Denken für die industrielle Problemlösung (STIS) Kurs. Es ist ein reichhaltiger Statistikkurs und eine gute Möglichkeit, tiefer in die Möglichkeiten von JMP und seine Verwendung einzutauchen.
Mega: Haben Sie das Gefühl, dass die jüngere Generation von Ingenieuren – Menschen, die das Universitätssystem durchlaufen und Jobs in der Industrie annehmen – datenaffiner ist als zu Ihrer Zeit?
Mauro: Im Moment würde ich sagen, da hat sich nicht viel geändert. Wenn ich mit jüngeren Ingenieuren spreche, haben sie vielleicht hier und da ein halbes Semester gehabt, aber das war es auch schon, denn die Studiengänge sind eher auf Mechanik ausgerichtet. Aber ich denke, es entwickelt sich. Die Statistikausbildung ist jetzt wirklich im Kommen, und da immer mehr Universitäten ihre Lehrpläne für Informatik diversifizieren, wird sie immer spezialisierter.
Mega: Welchen Rat würden Sie jemandem geben, der sich für ein Ingenieurstudium an der Universität interessiert?
Mauro: Ich glaube, Statistik wird in der Industrie immer wichtiger.
Es ist nicht nur so, dass wir Papier durch ein digitales Format ersetzen – das ist nur der erste Schritt in einem Langstreckenrennen, bei dem Sie die Grundlage für die Stärkung statistischer Analysen schaffen. Auch wenn Unternehmen engagierte Data Scientists einstellen, ist es für Ingenieure immer noch wichtig, die Grundlagen zu verstehen, damit sie gute Daten und gute Fragen oder Ideen liefern können. Es ist eine Teamleistung, die Domänenwissen und statistische Methoden zusammenführt, die den Erfolg eines Projekts verbessern und sichern.
Als Beispiel würde ich sagen, dass es für Ingenieure nicht notwendig ist, die genaue Formel zu kennen, die eine Normalverteilung definiert, aber sie sollten verstehen können, dass sie die Daten darstellt und dass wir einen Prozess basierend auf dieser Verknüpfung vorhersagen oder beschreiben können.
Mega: Wenn Sie in einer idealen Welt eine Freikarte zum Aufbau Ihrer eigenen Datenanalysegruppe erhalten würden, wie würde diese aussehen?
Mauro: Ich möchte eine zentrale Stelle aufbauen, die sich mit den schwierigeren statistischen Fragen befasst, aber auch als Hotline für Kollegen fungieren, die Fragen zur Verwendung von JMP und zum Schreiben von Skripten haben oder Hilfe bei analytischen Fragen benötigen.
Im Idealfall bedeutet Analytics Enablement, dass es eine Gruppe von Menschen mit unterschiedlichen Fähigkeiten und Kenntnissen gibt. Vielleicht haben Sie zum Beispiel sowohl einen sehr guten Ingenieur mit solidem statistischem Verständnis als auch einen engagierten Analysten, der die Berichtsanalyse durchführt, und sie sind durch eine Untergruppe verbunden oder werden von einem sehr erfahrenen Analysten betreut, der bei schwierigeren Problemen helfen kann. Es ist wirklich dieser Austausch, von dem ich sagen würde, dass er viel Wert, Wissen, Zeitersparnis und so weiter bringen kann.
Mega: Irgendwelche abschließenden Gedanken?
Mauro: Ich wünschte, es gäbe mehr Verständnis für den Wert guter Analysen und das Treffen guter Entscheidungen auf der Grundlage von Daten, statt nur „Ja, wir machen Digitalisierung“. Oder „Wir machen Big Data.“ Das sind nur Schlagworte, und es muss Leute geben, die verstehen, was nötig ist – und vom Management beauftragt werden, damit die ganze Gruppe in die Richtung des statistischen Denkens gehen kann.
Eine intelligente Fabrik bedeutet nicht, nur ein oder zwei kluge Köpfe zu haben! Es ist das Zusammenspiel von Software, Wissen, Menschen und Prozessen – interdisziplinäre Teams sind der Schlüssel zum Erfolg. Es ist auch eine Basis für die Kommunikation zwischen Engineering, Qualität und Produktion. Das Erreichen einer echten Smart Factory ist ein Marathon, kein Sprint.
Bauen Sie analytische Exzellenz in Ihrem Unternehmen auf. Finde heraus wie: jmp.com/advocate
