Synergien zwischen Data Mining und Six Sigma aufzeigen.
Es ist naheliegend bei datenbasierte Problemlösungsmethoden, wie Six Sigma auch Data Mining, Verfahren anzuwenden. Da sowohl im Produktionsumfeld (z.B. Inline-Prozessmessungen), als auch im administrativen Bereich (z.B. Zeitstempel von SAP Workflows) immer größere Datenmengen anfallen, gewinnen Verfahren, welche in der Lage sind mit diesen Datenmengen umzugehen, an immer größer werdender Bedeutung.
Data Mining Verfahren können im Zuge von Six Sigma Projekten grob in zwei Anwendungsfälle geteilt werden. Einerseits, Verfahren, um verborgene Strukturen in großen Datenmengen erkennen zu können, sogenannte unsupervised Verfahren (also ohne eine definierte Zielgröße), andererseits Verfahren, um den Einfluss vieler Einflussgrößen auf eine oder mehrere Zielgrößen mittels eines Prädiktionsmodells vorherzusagen, sogenannte supervised Verfahren.
Diese Verfahren lassen sich im Zuge von Six Sigma Projekten an verschiedenen Stellen des DMAIC Zyklus gewinnbringend anwenden. Während der Projektauswahl bzw. in der Define Phase lassen sich die Teile des Prozesse identifizieren, welche das größte Einsparungspotenzial aufweisen. Supervised Verfahren halten in der Analyse Phase Einzug, um den Einfluss von Wirkparametern auf ein oder mehrere Zielgrößen zu untersuchen. In der unteren Tabelle sind sowohl supervised als auch unsupervised Verfahren angeführt, welche sich in der Praxis als sehr zuverlässig erwiesen haben:
Supervised:
- Regression
- Logistische Regression
- ANOVA/General Linear Model
- Regression und Classification Trees
- Diskriminanzanalyse
Unsupervised:
- Clustering
- Nearest Neighbor
- Hauptkomponetenanalyse
Falls Sie mehr zu diesem Thema wissen möchten, klicken Sie einfach auf einen der angeführten Links oder besuchen Sie eines unserer Trainings zum Thema Data Mining (Grundlagen Training), (Data Mining & Predictive Analytics) oder nehmen Sie an den Trainings unserer AI & Data Science Acadamy teil (AI Acadamy).
