Dank moderner Sensoren und Messsysteme können wir heute mehr und präziser messen als jemals zuvor. Dennoch stellt sich immer wieder die Frage, ob Messsysteme vergleichbar oder austauschbar sind bzw. wie die Austauschbarkeit von Messsystemen untersucht wird.

Wir verlassen uns auf Messwerte und treffen damit Entscheidungen. Die Entscheidungen können nur dann belastbar sein, wenn die Messwerte zuverlässig sind und eine kleine Mess-Unsicherheit haben. Die Mess-Unsicherheit können wir einem Messwert weder ansehen noch können wir sie entfernen. Sie ist immer da. Bei der Planung der Mess-System-Analyse geht es deshalb oft um die Fragen, wie oft eine MSA sinnvollerweise durchgeführt wird und welche Verfahren und Methoden dafür am besten geeignet sind.

Boxplots sind Grafiken, die völlig zu Unrecht ein Schattendasein fristen. Sie ermöglichen besser als jede andere Grafik Vergleiche von Messreihen und Einblicke in Gemeinsamkeiten und Unterschiede. Dabei brauchen wir keine Annahmen zur Verteilung oder Symmetrie, um mit Boxplots gut arbeiten zu können. Boxplots sind natürlich auch keine eierlegende Wollmilchsau und so gibt es neben vielen Vorteilen auch Grenzen.

Nachdem es in der letzten Folge um die Aufgaben und Arbeitsbereiche von Data Scientisten ging, liefert die heute Folge Möglichkeiten als Data Scientist zu arbeiten. Dazu gehört ein offener Blick auf die eigenen Wünsche und Fähigkeiten genauso wie das Finden eines passenden Unternehmens.

Unsere Welt ist voll mit Daten und in Daten stecken Informationen. Früher reichte es für die Datenanalyse jemanden zu finden, der/die sich mit Datenanalyse auskennt. Je komplexer und vielschichter die Daten werden, desto spezifischer werden die Aufgaben und desto breiter die Anforderungen an Kenntnisse.

Heute gibt es viele verschiedene Rollen und Jobs, in denen mit Daten gearbeitet wird und in dieser Folge geht es darum, was Data Scientists und andere Data XXX Jobs (Data Strategy Designer, Data Engineer, Data Analyst, Machine Learning Engineer usw.) unterscheidet und welche Gemeinsamkeiten sie haben.

Prozessfähigkeits-Kennzahlen wie Cp, Cpk, Pp und Ppk sind "gierige" Kennzahlen (greedy numbers), die viel mehr Messwerte brauchen als oft angenommen wird. Berechnen lassen sich Fähigkeitskennzahlen mit 2 Messwerten, für eine halbwegs brauchbare Aussagekraft werden mindestens 100 benötigt. Die aktuelle Folge beschreibt, warum so viele Werte notwendig sind und gibt alternative Bewertungsmethoden für die Prozess-Qualität, die mit deutlich weniger Messwerten auskommen.

Eigentlich sollten Normen den Stand der Technik wiederspiegeln und es würde das Thema Prüfmengen-Ermittlung und Stichproben-Berechnung deutlich vereinfachen. Leider wiegen die Norm-Prüfpläne die Anwender:innen oft eher in einer trügerischen Sicherheit ohne die Qualität abzusichern.

Mit der ausreichenden Anzahl Messwerte lassen sich abgesicherte Entscheidungen treffen: Läut das Merkmal (gut genug) in der Toleranz? Werden Anforderungen erfüllt? In dieser Folge geht es darum, welche Kennzahlen für die Berechnung eines ausreichend großen Stichprobenumfangs bei variablen Merkmalen oder Messgrößen herangezogen werden und wie viele Messwerte "ausreichend viele" sind.

Prüfungen erscheinen einfach: entweder etwas ist gut oder schlecht, iO oder niO. Wie viele Teile müssen geprüft werden, damit wir sicher sind, die Qualität ist gut genug? In dieser Folge geht es um die Annahmestichprobenprüfung bei attributiven Merkmalen und die Kenngrößen wie alpha und beta, mit der die erforderliche Prüfmenge ermittelt wird.

Stichproben müssen aussagekräftig sein, damit die Entscheidungen auf Basis der Stichprobe belastbar ist. In dieser Folge geht es um Kriterien für die Beurteilung der Stichproben-Qualität wie Repräsentativität, Verzerrung bzw. Unverzerrtheit und Eignung.