Mauro Gerber ist Verfahrensingenieur und Statistikexperte und arbeitet in den Bereichen Datenmanagement, elektrische Prüfung und Messung für den Glasfaserkabelhersteller HUBER+SUHNER in Zürich. Bevor er zu HUBER+SUHNER kam, arbeitete Mauro 12 Jahre lang als F&E-Prozessexperte beim deutschen multinationalen Glashersteller SCHOTT AG. Sowohl in seinen früheren als auch in seinen aktuellen Positionen war Mauro ein ausgesprochener Verfechter der Analysefähigkeit, indem er neue Schulungsprogramme für Ingenieure erprobte und Software beschaffte, um die Demokratisierung des statistischen Denkens zu unterstützen.
Und: Zu Beginn möchte ich Sie bitten, mir Ihre Meinung zum aktuellen Stand der statistischen Bereitschaft in der Produktionsindustrie mitzuteilen.
Mauro: Es scheint, dass viele Unternehmen immer noch Schwierigkeiten haben, die Idee von [Domänenexperten] zu begreifen, die auch über ein tiefes statistisches Verständnis verfügen. Ich begann meine Karriere als Verfahrenstechniker und beschäftigte mich im Laufe der Jahre immer mehr mit statistischen Analysen und Modellierungen. Selbst 15 Jahre später, als ich mich entschied, einer anderen Organisation beizutreten, befand ich mich in der gleichen Situation – ich wurde als Prozessingenieur und nicht als Datenwissenschaftler eingestellt.
Diejenigen von uns [mit Fach- und Statistikkenntnissen] verfügen über umfassende Kenntnisse in den Bereichen Datentechnik, Analytik, Verfahrenstechnik und Qualitätsproduktion; Es geht nicht nur ums 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 bieten. Manchmal erlebe ich, dass sie nicht ganz verstehen, was sie tun, und im Prozess stecken bleiben. Aus diesem Grund habe ich einen fünftägigen Kurs eingerichtet, um ihr Verständnis nicht nur dafür zu vertiefen, wie man Analysen durchführt, sondern auch warum Es.
Und: Was ist Ihrer Meinung nach der Hauptunterschied zwischen einer traditionellen statistischen Ausbildung und statistischem oder analytischem Denken?
Mauro: Meiner Meinung nach schafft der klassische Unterricht eine Bühne, auf der jeder Schritt, den man macht, funktioniert und zum gewünschten Ergebnis führt. Es ist, als würde man lernen, wie man ein Auto fährt. Natürlich ist es wichtig zu wissen, wie man lenkt, beschleunigt und bremst und weiß, was alle Tasten bewirken, aber es ist auch wichtig zu wissen, wie man einer holprigen Straße vor Ihnen ausweicht oder wann man nach links oder rechts abbiegt – sonst kann man sich verlaufen. Dieser klassische Ansatz kann frustrierend sein oder sogar dazu führen, dass Sie die Statistik beenden, weil er nicht wie versprochen funktioniert hat, selbst wenn Sie der in den Beispielen angegebenen Klickkette gefolgt sind.
Meg: Es geht also um strenge Methoden versus kritisches Denken.
Mauro: Ja. Das ist der Link, der manche Menschen möglicherweise daran hindert, in der Analyse erfolgreicher 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 leistungsfähig ist, selbst wenn der Prozess sehr stabil ist und daher die Messung von Variationen sehr schwierig ist. Der Kunde schlug vor, dass wir „schlechte“ Teile in die Mischung einbringen sollten. Dann wird aber die Prozessvariation nicht dargestellt und das gesamte MSA wird bedeutungslos, da man dann frei wählen kann, welche Figuren man durch die Veränderung eines Stückes erhält.
Ich gehe davon aus, dass ihnen in diesem Fall jemand beigebracht hat, 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.
Und: Interessant. Wie erklären Sie den Unterschied denen, die sich nicht so tief mit der Analytik auskennen wie Sie? Wie erarbeiten Sie für Ihr Management den Geschäftsszenario, dass es eine Weiterentwicklung des Denkens von Six Sigma hin zu modernen Analysen unterstützen sollte?
Mauro: Persönlich fällt es mir schwer, den Nutzen und das zukünftige Potenzial von Statistiken zu vermitteln, wenn ich sie in meiner täglichen Arbeit verwende und kopfüber in sie eintauche, wenn sie andererseits mit Formeln und Grafiken kompliziert und überwältigend wirken können , Zahlen und endlose Möglichkeiten zur Datenanalyse.
Eine Sache, die ich versuche, ist, Skripte zu schreiben, die Daten aus Datenbanken abrufen oder aus einer Datei importieren und die Tabelle so umformen, dass sie für den Benutzer nützlich wird. Dies hilft, einige Hürden in den ersten Analyseschritten zu vermeiden, indem es viel Zeit spart; es kann sogar die Neugier wecken, tiefer zu graben.
Ein anderer Ansatz besteht darin, Seite an Seite damit zu beginnen, die Daten gemeinsam 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 Erkenntnisse 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.
Und: Und hier kommt Ihr Trainingsprogramm ins Spiel.
Mauro: Ja, obwohl es immer noch Hürden gibt. Als ich zum ersten Mal einen fünftägigen Kurs für Ingenieure zum Erlernen von JMP und statistischem Denken vorschlug, 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 pro Abteilung nur eine Person entsenden, die dann die anderen unterrichten würde. Es ist, als würde ich nur eines meiner Kinder zur Schule schicken und es dann zu Hause seine Geschwister unterrichten lassen!
Und: Ziemlich konservatives Denken, so scheint es.
Mauro: Nicht unbedingt konservativ, aber das ist in den meisten Unternehmen eine normale Situation, obwohl MSA und SPC notwendig sind und von den Kunden gewünscht werden. Diese sollten ein integraler Bestandteil des Unternehmens sein, um Einblicke in Prozesse zu gewinnen, die der Stabilität zugute kommen und die Qualität steigern. Aber jede Organisation braucht Leute, die in statistischem Denken geschult sind, um dies zu unterstützen.
Und: 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 zuerst sagte: „Hey, ich hatte bereits eine Statistikausbildung. Vielleicht lerne ich ein paar Teile auf oder es ist einfach nur eine Wiederholung, nur um es dir mitzuteilen.“ Während des Kurses konnte ich sehen, dass einige Münzen fielen, weil er kommentierte: „Aah, deshalb sollte ich das machen, jetzt macht es mehr Sinn!“ Bei einer anderen Gelegenheit nahm das Produktions-, Qualitäts- und Technikpersonal eines Standorts an demselben Schulungskurs teil und sie führten eine Diskussion mit vielen Beschwerden und Schuldzuweisungen. Aber im Laufe des Kurses begannen sie zu verstehen, was der andere Partner brauchte, warum er bestimmte Zahlen verlangte und gleichzeitig die Auswirkungen bestimmter Wünsche des Kunden und Ideen aus der Technik zu quantifizieren.
Deshalb liebe ich es, Ausbilder zu sein.
Meg: Haben Sie die über JMP verfügbaren Ressourcen genutzt – entweder persönlich oder zusammen mit den Teilnehmern Ihres Kurses?
Mauro: Ich hatte das Vergnügen, an der während des JMP Discovery Summit angebotenen Fortbildung über statistische Modellierung und das Finden wichtiger Prädiktoren teilzunehmen. Es war ein aufschlussreiches Zusammentreffen verschiedener Köpfe mit einem sachkundigen Trainer – und wurde durch Beispiele aus der Praxis unterstützt, die mich tiefer in die Modellierungsseite von JMP einführten.
Ich empfehle neuen JMP-Benutzern, das Willkommenskit durchzuarbeiten und sich dann ein oder zwei Tage Zeit zu nehmen, um selbstständig zu trainieren. Als nächstes erhalten sie normalerweise ein kleines persönliches Gespräch mit mir, um Fragen zu stellen, und wir schauen uns vielleicht die persönlichen Beispiele an, die sie lösen möchten. Der nächste Schritt, den ich empfehle, ist die Teilnahme am STIPS-Kurs (Statistical Thinking for Industrial Problem Solving) . Es handelt sich um einen umfassenden Statistikkurs und eine gute Möglichkeit, tiefer in die Möglichkeiten von JMP und seine Verwendung einzusteigen.
Und: Haben Sie das Gefühl, dass die jüngere Generation von Ingenieuren – Leute, die das Universitätssystem durchlaufen und Jobs in der Industrie annehmen – datenkundiger ist als zu Beginn?
Mauro: Im Moment hat sich meiner Meinung nach nicht viel verändert. Wenn ich mit jüngeren Ingenieuren spreche, haben sie vielleicht hier und da ein halbes Semester gehabt, aber das war's auch schon, denn die Studienleistungen konzentrieren sich mehr auf die Mechanik. Aber ich denke, es entwickelt sich weiter. Die Statistikausbildung steht jetzt wirklich vor der Tür, und da immer mehr Universitäten ihre Informatiklehrpläne diversifizieren, wird sie immer spezialisierter.
Und: Welchen Rat würden Sie jemandem geben, der sich für ein Ingenieurstudium an der Universität interessiert?
Mauro: Ich glaube, dass Statistiken in der Industrie immer wichtiger werden.
Wir ersetzen nicht nur Papier durch ein digitales Format – das ist nur der erste Schritt in einem Langstreckenrennen, bei dem Sie die Basis für statistische Analysen schaffen. Auch wenn Unternehmen engagierte Datenwissenschaftler einstellen, ist es für Ingenieure immer noch wichtig, die Grundlagen zu verstehen, damit sie gute Daten und gute Fragen oder Ideen bereitstellen können. Es handelt sich um eine Teamleistung, die Domänenwissen und statistische Methoden zusammenbringt, 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 in der Lage sein zu verstehen, dass sie die Daten darstellt und dass wir auf der Grundlage dieser Verknüpfung einen Prozess vorhersagen oder beschreiben können.
Und: Wie würde es in einer idealen Welt aussehen, wenn Sie eine Freikarte für die Gründung Ihrer eigenen Datenanalysegruppe bekämen?
Mauro: Ich möchte eine zentrale Einheit einrichten, die sich mit den schwierigeren statistischen Fragen befasst, aber auch als Hotline für Kollegen fungiert, 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 beispielsweise sowohl einen sehr guten Ingenieur mit soliden statistischen Kenntnissen als auch einen engagierten Analysten, der Berichtsanalysen durchführt, und beide sind über eine Untergruppe verbunden oder werden von einem sehr erfahrenen Analysten beaufsichtigt, der bei anspruchsvolleren Problemen helfen kann. Es ist wirklich dieser Austausch, von dem ich sagen würde, dass er viel Wert, Wissen, Zeitersparnis usw. bringen kann.
Und: 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, und nicht 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 die vom Management beauftragt werden, die gesamte Gruppe in die Richtung des statistischen Denkens zu bringen.
Eine intelligente Fabrik bedeutet nicht, nur ein oder zwei kluge Leute 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 Technik, Qualität und Produktion. Der Aufbau einer echten Smart Factory ist ein Marathon, kein Sprint.
Bauen Sie analytische Exzellenz in Ihrem Unternehmen auf. Finde heraus wie: jmp.com/advocate
