Erweiterte Reporting-Strategien für Layered Process Audit-Daten

Unternehmen, die gerade erst mit Layered Process Audits beginnen, konzentrieren sich typischerweise auf grundlegende Kennzahlen wie die Audit-Abschlussquote und überfällige Korrekturmaßnahmen. Im Zuge ihrer digitalen Transformation könnten sie jedoch noch mehr Wert aus diesen spezialisierten Audits schöpfen, indem sie komplexere Fragen stellen.

Richtig durchgeführt finden Layered Process Audits (LPAs) in jeder Schicht statt und generieren täglich Hunderte von Datenpunkten. Rechnet man dies über den Verlauf eines Jahres hoch, wird deutlich, dass Herstellern äußerst robuste Datensätze zur Verfügung stehen.

Die Verwaltung dieser riesigen Datenmengen kann sich schwierig gestalten, wenn man sich auf Tabellenkalkulationen und andere manuelle Datenanalysetools verlässt. Eine automatisierte LPA-Plattform, die in Business-Intelligence-Tools wie Tableau und Power BI integriert ist, macht dies weitaus einfacher (auch wenn viele Analysen nach wie vor einen Analysten oder Data Scientist im Team erfordern).

Vor diesem Hintergrund wollen wir uns einige Beispiele ansehen, wie Hersteller tiefere Erkenntnisse aus der Menge der von ihnen täglich gesammelten Daten gewinnen können.

Datensegmentierung

Eine gängige, erweiterte Reporting-Technik, die Sie auf Ihre Layered Process Audit-Daten anwenden können, ist die Segmentierung. Indem Sie Ihre Layered Process Audit-Daten auf verschiedene Weise aufteilen, erhalten Sie eine neue Perspektive auf Probleme und deren Lösung.

Beispielsweise könnten Sie überfällige Korrekturmaßnahmen basierend auf dem Prozentsatz der fristgerecht abgeschlossenen Maßnahmen analysieren und diese danach segmentieren, wie lange die Mitarbeitenden bereits LPAs durchführen.

Die resultierenden Daten können Aufschluss darüber geben, wo Engpässe in Ihrem Prozess für Korrekturmaßnahmen auftreten, wo Ihre größten Risiken liegen und welche Werke zusätzliche Unterstützung benötigen. Im obigen Fall neigen diejenigen mit der größten Erfahrung dazu, niedrigere pünktliche Abschlussquoten aufzuweisen, was (unter anderem) auf eine geringere Akzeptanz bei den erfahreneren Beschäftigten hindeuten könnte.

Unternehmen können die Datensegmentierung für eine Vielzahl von LPA-Daten nutzen, wie zum Beispiel:

• Analyse von Bereichen von Nichtkonformitätsraten zur Identifizierung von Schwerpunktregionen oder Werksgruppen, die Unterstützung benötigen.
• Identifizierung von Werksgruppen, die sowohl eine hohe Audit-Bestehensquote als auch eine hohe Fehlerquote aufweisen
• Korrelation von LPA-Kennzahlen mit anderen wichtigen Qualitätszielen wie Ausschuss, Mängeln und Reklamationen, um Frühwarnindikatoren (Leading Metrics) und Best Practices zu entwickeln

Statistische Analyse

Statistische Analysen sind ein weiterer Bereich, in dem Unternehmen mit ihren LPA-Daten tiefer in die Materie einsteigen können, um umsetzbare Erkenntnisse zu gewinnen. Zu den statistischen Funktionen, mit denen Sie arbeiten können, gehören:

• Mittelwert: Die Betrachtung von Durchschnitten in Bereichen wie Audit-Dauer, Abschlussquote, Bestehensquote und Nichtkonformitätsrate kann Ihnen Aufschluss über die Wirksamkeit von LPAs in verschiedenen Werken geben. Sie können auch untersuchen, ob ein Mittelwert signifikant vom Gruppenmittelwert abweicht – etwa ob ein Werk eine wesentlich bessere Audit-Abschlussquote aufweist und möglicherweise Best Practices gibt, die es mit dem Unternehmen teilen kann.
• Standardabweichung: Die Analyse der Standardabweichung bzw. der Streuung der Daten um den Mittelwert kann entscheidende Einblicke darüber liefern, wie gut es Ihnen gelungen ist, LPAs in Ihrem Unternehmen zu standardisieren. Sie kann Ihnen auch zeigen, welche Ausreißer möglicherweise zusätzliches Coaching benötigen.
• Chi-Quadrat-Tests: Einfach ausgedrückt zeigt Ihnen ein Chi-Quadrat-Test (oder C2-Test), ob der Unterschied zwischen den erwarteten und den beobachteten Häufigkeiten kategorialer Daten statistisch signifikant ist (im Gegensatz zu einer rein zufälligen Abweichung). In Bezug auf LPA-Daten könnten Sie untersuchen, ob ein Anstieg eines bestimmten Typs von Nichtkonformität signifikant ist oder lediglich auf natürliche Schwankungen zurückzuführen ist.
• R-Quadrat und Regressionsanalyse: R2 ist eine statistische Kennzahl, die beschreibt, ob eine Variable eine andere steuert, diesmal anhand numerischer Daten. Ein hoher R2-Wert bedeutet eine stärkere Vorhersagekraft, was Ihnen hilft, prädiktive Variablen zu identifizieren, die Sie zur Entwicklung von Frühwarnindikatoren nutzen können. Beispielsweise könnten Sie feststellen, dass die Audit-Abschlussquote ein starker Prädiktor für Ausschussraten ist.