Die haeufigste Frage vor einem AI-in-Operations Pilot lautet: Sind unsere Daten gut genug?
Die ehrliche Antwort: Vielleicht. Aber die bessere Frage lautet: Gut genug fuer welchen Use Case?
AI-basierte Ursachenanalyse braucht nicht die perfekte digitale Fabrik. Sie braucht einen klaren Verlust, eine sinnvolle Qualitaets- oder Ergebnisgroesse, relevante Prozessdaten und ein Team, das Hypothesen im Betrieb validieren kann.
1. Eine Zielgroesse, die wirklich zaehlt
Ohne gute Zielgroesse gibt es keine gute Ursachenanalyse. Ausschussrate, First-Pass-Yield, Feuchte, Drehmoment, Oberflaechenfehler, Linienstopps oder Reklamationen koennen geeignet sein. Entscheidend ist, dass die Messung stabil, zeitlich zuordenbar und operativ relevant ist.
Wenn die Qualitaetsmetrik selbst streut, unklar definiert ist oder zu spaet entsteht, muss zuerst dort gearbeitet werden.
2. Prozessdaten mit Zeit- oder Objektbezug
Root Cause Analysis braucht Verbindung. Welche Parameter gehoerten zu welchem Teil, Batch, Auftrag, Materiallos oder Zeitfenster? Ohne diese Verknuepfung entstehen Analysen, die mathematisch wirken, aber im Werk nicht belastbar sind.
Typische Datenquellen sind PLC, MES, SCADA, Historian, Pruefsysteme, Laborwerte, Wartungsdaten, Rezepturen, Schichtnotizen und ERP-Kontext. Nicht alles muss am ersten Tag perfekt integriert sein. Aber fuer den gewaehlten Engpass muss die Kette plausibel sein.
3. Prozesswissen, nicht nur Datenmenge
Mehr Parameter machen eine Analyse nicht automatisch besser. Gute Teams wissen, welche Parameter physisch zusammenhaengen, welche nur Stellvertreter sind und welche Messung im Alltag unzuverlaessig ist.
Jidokai sollte deshalb immer mit einem Praktiker-Setup erzaehlt werden: AI findet Muster, Menschen kennen die Prozessrealitaet, gemeinsam entsteht eine bessere Hypothese.
4. Eine Linie, ein Verlustbild, ein Owner
Der beste Start ist selten ein Konzernprogramm. Besser ist eine Lighthouse-Linie mit klarem Schmerz: wiederkehrender Ausschuss, Rework, Drift, Mikrostopps oder langsame Reklamationsanalyse.
Dazu braucht es einen Owner, der Entscheidungen treffen kann. Sonst wird AI zur Analyse ohne Umsetzung.
Fazit
Datenreife ist kein abstrakter Score. Sie zeigt sich daran, ob ein konkretes Problem mit vorhandenen Daten besser verstanden und stabiler geloest werden kann.