Beispieldaten — Übersicht

5-Why-Kette vom Symptom „Pizza kommt zu spät" bis zur Grundursache „Bestellsystem ohne Logistikfunktion".

32 Termine über 7 Wochen — vom Kickoff bis zum Projektabschluss, je Phase ein Gate Review. Daten werden beim Laden auf die aktuelle Woche (Montag = Anker) verschoben, sodass der Plan immer um heute zentriert ist.

Sechs Kundenbedürfnisse eines Lieferservice, von drei Kunden nach Kano bewertet — inklusive Wichtigkeitsfrage und einem Gleichstand.

5-Why-Kette von „Zeiten streuen zwischen 1,5 und 2,3 s bei identischer Konfiguration“ bis zur Wurzelursache „Wurftechnik nicht standardisiert“.

Charter für „Papier-Hubschrauber vom Messestand — Flugzeit-Maximierung mit einem Prototypen“. IN-Scope: Rotorlänge und Büroklammern. OUT-Scope: Rotorbreite (irreversibel, nur 1 Prototyp), Wurftechnik, Papierart, Fallhöhe. Ziel-Y: mittlere Flugzeit ≥ 3,0 s bei σ ≤ 0,15 s.

5 Aufgaben nach Projektabschluss: Workflow-Hinweis zur Aktivierung des Optimum-Panels in response-optimization, zweiter Flyer für die Rotorbreiten-Augmentierung, Fallhöhen-Variation für Robustheit, Wurf-SOP dokumentieren und Wurfvorrichtung bauen.

Kano-Klassifizierung dreier Hubschrauber-Merkmale: Basis „fliegt überhaupt“, Leistung „Flugzeit“, Begeisterung „Autorotation (eleganter Trudel, weiche Landung)“. Bringt eine eigene VoC/CTQ-Baum-Instanz mit (identisch zum Beispiel „Papier-Hubschrauber — VoC/CTQ“).

SIPOC des Hubschrauber-Prozesses: vom Rohflyer über Ausschneiden, Falten, Klammern und Fallenlassen bis zur 18er-Log-Tabelle. Zeigt den physisch erzwungenen Schritt „Rotor kürzen (zwischen Blöcken)“, der die spätere DoE-Blockung motiviert.

Stakeholder-Matrix mit Qprovement-Marketing (Macht hoch, Interesse hoch), Messestand-Besucher (Macht mittel, Interesse hoch), Fluglehrer als SME (Macht niedrig, Interesse mittel) und Papierhersteller (Macht niedrig, Interesse niedrig).

VoC „soll lange fliegen und sanft trudeln“ übersetzt in drei CTQs: Flugzeit ≥ 3,0 s, Streuung σ ≤ 0,15 s und Autorotation (qualitativ). Bildet die Baum-Grundlage für das verknüpfte Kano-Beispiel.

Suppliers, Inputs, Process, Outputs, Customers für den Bella-Margherita-Lieferprozess — 8 Prozessschritte von Bestellannahme bis Übergabe.

Lehrcase „Bella Margherita": Lieferzeiten zu lang, Reklamationen wegen kalter Pizza steigend. Vorbefüllt mit Problemstellung, drei messbaren Zielen und Org-Chart des Projektteams.

15 Aufgaben für das Pizza-Lieferzeit-Projekt über den DMAIC-Zyklus hinweg — von Kickoff und SIPOC über Ishikawa und Hypothesentest bis zum Reaktionsplan und Lessons Learned. Status, Owner und Zieldaten realistisch verteilt: drei erledigt, drei in Bearbeitung, acht offen, eine blockiert (wartet auf Sponsor-Entscheidung). Einträge mit aktivem Kalender-Flag wandern automatisch in den DMAIC-Kalender, sobald dieser im Define-Tile vorhanden ist.

RACI-Matrix für 8 Aktivitäten × 6 Rollen — wer ist R(esponsible), A(ccountable), C(onsulted), I(nformed)?

7 Stakeholder von Geschäftsführerin bis Buchhaltung mit Macht/Interesse-Skalen und Support-Haltung (Supporter / Neutral / Resistor).

3 Voice-of-Customer-Aussagen (kalte Pizza, lange Lieferzeit, Adressprobleme) übersetzt in CTQs mit messbaren Anforderungen.

Mischung zweier Normalverteilungen um 9,93 und 10,07 mm. Die Normalverteilungs-Annahme der Cpk-Berechnung ist verletzt.

100 normalverteilte Messwerte um μ ≈ 10,00 mm mit σ ≈ 0,05 mm. Lehrbuch-Fall eines fähigen Prozesses.

13 Prüfeinheiten × 3 Prüfer × 2 Wiederholungen, binäres Ergebnis (i.O./n.i.O.). Alle Bewertungen stimmen überein — bis auf Prüfer D, der Prüfeinheit 20 beim zweiten Durchgang abweichend bewertet.

25 Wiederholmessungen eines 10,0 mm Referenzteils (LSL 9,9 / USL 10,1, T = 0,2 mm). Sehr geringe Streuung, vernachlässigbarer Bias → Cg ≈ 2,56 und Cgk ≈ 2,51 weit über der 1,33-Schwelle. Lehrbuch-Fall eines fähigen Messmittels.

25 Wiederholmessungen mit moderater Streuung und leichtem positiven Bias. Cg ≈ 1,01 liegt knapp über der 1,0-Schwelle, Cgk ≈ 0,68 fällt aber deutlich darunter — der Bias zieht die Fähigkeit unter die Nicht-fähig-Grenze (Gesamtverdikt: nicht fähig). Zeigt, warum Cgk neben Cg geprüft werden muss.

25 Wiederholmessungen mit hoher Streuung und deutlichem Bias. Cg ≈ 0,40 und Cgk ≈ 0,17 — das Messmittel verfehlt die Fähigkeitsgrenze deutlich. Lehrbuch-Fall für ein abzulehnendes Messsystem.

Gekreuzte ANOVA-Studie: 10 Teile × 3 Operatoren × 3 Wiederholungen (90 Messungen). Geringe Wiederhol- und Vergleichsstreuung, dominante Teilevarianz → %GRR ≈ 5 % der Studienstreuung, ≈ 4 % der Toleranz (6–14). Lehrbuch-Fall eines akzeptablen Messsystems.

Gekreuzte ANOVA-Studie mit hoher Wiederhol- und Vergleichsstreuung gegenüber kleiner Teilevarianz. 10 Teile × 3 Operatoren × 3 Wiederholungen → %GRR ≈ 79 % der Studienstreuung, ≈ 35 % der Toleranz (7–13). Lehrbuch-Fall, in dem das Messsystem die Teileunterschiede maskiert.

One-Way-ANOVA-Studie ohne Prüfereinfluss (25 Teile × 2 Wiederholungen, Bosch-Konvention). Automatisiertes CMM misst Wellendurchmesser, Wiederholstreuung ≈ 1,5 µm gegenüber Teil-zu-Teil-Streuung ≈ 22 µm → %GRR ≈ 8 % der Studienstreuung, ≈ 9 % der Toleranz, ndc = 16. Lehrbuch-Fall eines akzeptablen automatisierten Messsystems.

Fünf Referenzen (2/4/6/8/10) mit je 10 Wiederholungen; Bias steigt von 0 (Ref 2) auf +1,6 (Ref 10). Deutlicher Linearitätsfehler — %Linearität ≈ 13 %, Q_MS,BI ≈ 27 %, Steigung hochsignifikant. AIAG und VDA 5 schlagen beide rot an. Lehrbuch-Fall eines abzulehnenden Messsystems.

Fünf Referenzen (2/4/6/8/10) über den Messbereich (LSL 0 / USL 12, T = 12) mit je 10 Wiederholungen. Vernachlässigbarer Bias und keine Steigung — %Linearität ≈ 0,07 %, Q_MS,BI ≈ 0,15 %. Lehrbuch-Fall eines linearen Messmittels über den gesamten Bereich.

3 Prüfer × 30 Teile × 3 Wiederholungen (binär i.O./n.i.O.). Fleiss κ ≈ 0,92, Effektivität ≈ 97,8 % je Prüfer. Lehrbuch-Fall eines akzeptablen attributiven Prüfprozesses.

3 Prüfer × 30 Teile × 3 Wdh (binär i.O./n.i.O.). Fleiss κ ≈ 0,58 und Effektivität 83–88 % allein wären grenzwertig; nach AIAG entscheiden aber Miss-Rate (bis 24 %) und Fehlalarm-Rate (bis 23 %) — Prüfprozess nicht akzeptabel. Fünf Teile mit unausgewogenen Wiederholungen; beim Entfernen der Referenz-Spalte fallen sie in einen ambigen Konsens (Warnung W_AMBIGUOUS_CONSENSUS).

3 Prüfer × 25 Teile × 2 Wdh (nominal A/B/C). Fleiss κ ≈ 0,84, Effektivität 94–96 % je Prüfer. Zeigt Cohen κ paarweise, Fleiss κ und Confusion-Heatmaps für nicht-geordnete Kategorien.

3 Prüfer × 20 Teile × 2 Wdh (ordinal 1–5). Fleiss κ ≈ 0,77, weighted Cohen κ (quadratisch) ≈ 0,95 pro Paar, Effektivität ≈ 90 % je Prüfer. Gelegentliche Nachbar-Bewertungen (±1) — Modul zeigt weighted κ als tragende Kennzahl.

3 Prüfer × 20 Vorlagen × 2 Wiederholungen (binär i.O./n.i.O.). Die klassische Zählübung aus dem Training: Fleiss κ ≈ 0,79, Effektivität 85–90 %; Verdikt nach AIAG rot, weil Miss-Rate (25 %) und Fehlalarm-Rate (17 %) zu hoch sind. Enthält alle drei Lehrbilder — ein zu strenger Prüfer, ein mit sich selbst uneiniger Prüfer und eine Vorlage, bei der sich alle einig und alle falsch sind.

50 Einzelmessungen mit linearem Trend (+0,02 je Punkt). Der Drift-Test schlägt hochsignifikant an (p ≈ 0,00009) — Prüfmittel oder Prozess driftet über die Zeit.

50 Einzelmessungen ohne Untergruppen. Regelkarte und Drift-Test unauffällig (p ≈ 0,84) — Lehrbuch-Fall eines stabilen Prozesses ohne Sonderursachen.

25 Untergruppen à n = 5, Basisgrenzen nur aus den ersten 15 Untergruppen. Ab Untergruppe 16 verschiebt sich der Mittelwert um +1,2·σ_x̄ — Nelson-Regeln 5/6 schlagen an, Verdikt „instabil“ (Treiber: Nelson). Warnung wegen Basis < 20 Untergruppen.

25 Untergruppen à n = 5. x̄-Karte und R-Karte unauffällig, Drift-Test nicht signifikant (p ≈ 0,41) — Lehrbuch-Fall eines stabilen Prozesses mit Untergruppen.

25 Wiederholmessungen der Stoppuhr gegen eine Metronom-Referenz (60 bpm, Bezugswert 2,000 s) — Cg ≈ 1,35 / Cgk ≈ 1,15: fähig, aber grenzwertig. Didaktische Botschaft: erst die Uhr prüfen, bevor das DoE gefahren wird.

8 Prozessschritte vom Ausschneiden bis zum Blockwechsel, inklusive exakter Faltmaße (Rotor 80×47 mm, Body 130 mm, Faltlinien x = 30/47/63 mm) und Rework-Loop bei Falzfehler zurück zum Falt-Schritt.

8 Prozessschritte mit Value-Type-Klassifikation (VA / BNVA) und Input-Typen (Parameter x / Störgröße n). Bestellung → Küche → Backen → Verpacken → Auslieferung → Übergabe.

Mittelwert außerhalb der Spezifikationsmitte (μ ≈ 10,08 mm) → niedriger Cpk trotz geringer Streuung.

7 Schritte vom Erfassen der Kundenanfrage bis zur Auftragsbestätigung — 6 Aktivitäten plus eine Freigabe-Entscheidung, deren Nein-Zweig ein eigenes Band mit einem Überarbeitungs-Schritt öffnet, bevor es zurück in die Angebotskalkulation geht.

8 Schritte über 5 Rollen (Kunde, Vertrieb, Disposition, Lager, Buchhaltung). Bearbeitung ≈ 53 min, Wartezeit dominiert mit ca. 2 d 13 h 30 min — PCE liegt unter 3 %. Zeigt Standardprobleme der Auftragsabwicklung: Postfach-Liegezeiten, Übergabe-Wartezeiten, kundenseitige Verzögerungen.

30 Bolzendurchmesser aus N(10,000; 0,050) mit zwei eingebauten Ausreißern bei 9,745 und 10,260 (≈ ±5σ). Grubbs (zweiseitig), Generalized ESD und Tukey-IQR sollten beide markieren.

Inputs (Routenplanung, Ofen, Verkehr, …) gegen Outputs (Lieferzeit, Temperatur, Reklamationsquote) — gewichtete 0–9-Bewertung der Zusammenhänge.

5 Schritte von der Bestellung bis zur Warenannahme, verteilt auf die drei Lanes Kunde, Vertrieb und Fertigung — vier Übergaben werden als Lane-Wechsel sichtbar.

80 Wartezeiten aus Exponential(μ=15 min) — gedächtnislose Verteilung. Exponential und Gamma stehen an der Spitze der Anpassung.

4 Risiken entlang des Lieferprozesses (Adress-Erfassung, Ofen-Überlastung, Thermo-Verpackung, Verkehrsstau) mit S/O/D-Bewertung und je 2 datierten Maßnahmen (Sofort-Maßnahme bereits umgesetzt, Folge-Maßnahme geplant) — Burndown zeigt Plan- und Ist-Verlauf.

Vollständiges 6-M-Beispiel: 6 Hypothesen quer durch Mensch, Methode, Maschine, Material, Milieu, Messung — bewertet von drei Experten — plus 7 belegende Fakten und 6 Versuche (mit Status, Zeitplan, Kosten und Verknüpfung zu den Hypothesen).

Lieferzeit-Messungen (min) für drei Fahrer A/B/C, je 15 Werte. Wahre Mittelwerte 22/25/28 min bei σ ≈ 3 — Cohen's f ≈ 0,82, klare ANOVA-Signifikanz erwartet.

80 Zykluszeiten aus Lognormal(μ_log=ln 5; σ_log=0,6) — stark rechtsschief. Distribution-fit sollte Lognormal an die Spitze setzen.

Prüfen, ob der Prozessmittelwert um Δ = 0,3 vom Sollwert abweicht (σ ≈ 0,5). Zweiseitiger t-Test, α = 0,05, Power = 80 %. Cohen's d = 0,6 (mittlerer Effekt).

Vergleich der Zykluszeit zweier Maschinen: Differenz Δ = 0,5 min bei σ ≈ 0,8 min. Zweiseitiger t-Test, α = 0,05, Power = 80 %. Cohen's d ≈ 0,63 — liefert das nötige n je Gruppe.

2 Maschinen × 2 Schichten × 2 Chargen, ungleich besetzt und mit einer fehlenden Kombination. Gekreuzt mit REML — zeigt zugleich, wie das Modul einen unbalancierten Plan ausweist.

2 Schichten × 2 Werkzeugnester × 3 Teile, je 2 Messungen der Wandstärke. Balanciert und geschachtelt: der Löwenanteil der Streuung sitzt zwischen den Werkzeugnestern, nicht zwischen den Schichten.

80 Werte aus N(μ=10, σ=2) — sauberer Lehrcase einer Normalverteilung. Shapiro-Wilk / Anderson-Darling sollten H₀ nicht ablehnen.

5 Schritte von der Kundenanfrage bis zum versendeten Angebot — 3 wertschöpfende Schritte links, 2 Nacharbeits-Schritte rechts (Nachforderung fehlender Angaben, Korrektur der Kalkulation).

6M-Fischgräten-Diagramm zur Streuung der Flugzeit: Wurftechnik, Klammer-Sitz, Papier, Faltpräzision, Windzüge und Stoppuhr-Reaktionszeit als mögliche Ursachen — Wurftechnik als bestätigte Hauptursache.

Selbe 30 Pizza-Lieferungen wie der Regressions-Datensatz — hier als Korrelationsmatrix über Entfernung, Verkehrslevel und Lieferzeit. Zeigt die starken paarweisen Pearson-Korrelationen.

Vorgefüllte Kriterien für die Projektauswahl im Pizza-Lieferprozess: Lieferzeit, Pizzaqualität, Preis, Mitarbeiterzufriedenheit, Reklamationsquote. Vergleiche werden im Modul selbst durchgeführt.

Reklamationen pro Tag in fünf Filialen A–E, Stichprobengrößen 8/10/12/15/9. Filiale D mit deutlich erhöhtem Mittelwert (6,2 vs. ~5,0) — post-hoc-Vergleiche heben D von den übrigen ab.

Vergleich der Streuung zweier Lieferanten: Verdacht auf doppelte Varianz (σ²₁/σ²₂ = 2,0). Zweiseitiger F-Test, α = 0,05, Power = 80 %. Liefert die nötige Stichprobengröße je Gruppe.

9 Schritte über 4 Rollen, Papier-Workflow vom Antrag bis zur Buchung. Bearbeitung ≈ 22 min, Lead Time > 4 Arbeitstage — PCE < 1 %. Klassischer Office-Hebel: ein riesiger Wartezeit-Block im Postkorb der Vorgesetzten.

Nach einer Prozessverbesserung soll die Streuung von σ₀ = 1,5 auf σ₁ = 1,0 gesunken sein. Einseitiger Chi-Quadrat-Test, α = 0,05, Power = 80 %. Liefert das erforderliche n, um die Verbesserung statistisch abzusichern.

80 Bauteil-Lebensdauern aus Weibull(k=2,5; λ=100 h). Klassischer Verschleißfall (β > 1); Weibull sollte als beste Anpassung gelistet werden.

30 Chargen mit Chargengröße und Lieferant als Prädiktoren, Reklamationen als Response. Überdispergierte Zähldaten — die Negativ-Binomial-Regression schätzt zusätzlich den Dispersionsparameter θ.

Drei kontinuierliche Faktoren, quadratisches Modell, 12 Versuchsläufe gesamt — sechs davon bereits gemessen. Das Beispiel legt eine Datensammlung mit den bestehenden Messwerten an und ergänzt sie um sechs weitere D-optimale Versuchsläufe.

Drei kontinuierliche Faktoren und ein kategorischer Faktor mit drei Stufen (Material). Gemischt-stufige Optimal-Designs sind klassische Schemata vorbehalten — ein typischer D-optimaler Anwendungsfall.

Response-Surface-Modell mit drei kontinuierlichen Faktoren und vollem quadratischem Polynom in 12 Versuchsläufen. Klassischer Anwendungsfall für D-optimale Designs.

Fünf kontinuierliche Faktoren mit Hauptwirkungen und Zweifach-Wechselwirkungen in 18 Versuchsläufen. Optimaler Ersatz für Plackett-Burman, wenn 2FI mit ins Modell sollen.

40 Schichten mit Vorschub (mm/s) und Werkzeugverschleiß (h) als Prädiktoren, Defekt-Counts als Response. Poisson-Modell mit log(λ) = -1 + 0,02·Vorschub + 0,03·Verschleiß.

50 Leiterplatten mit Löttemperatur (220–255 °C) und Anpressdruck (2,0–3,5 bar) als Prädiktoren, Defekt (0/1) als Response. Klassischer Anwendungsfall für binäre logistische Regression ohne Trials-Spalte.

30 Motor-Versuche mit Drehzahl und Drehmoment als Prädiktoren, Leistung als Response. Drehmoment ≈ 0,04·Drehzahl — die beiden Prädiktoren sind stark korreliert, der VIF schlägt aus. Lehrcase für Multikollinearität.

30 Fertigungslinien mit Geschwindigkeit (Stück/min) und Anlagenalter (Jahre) als Prädiktoren, gezählte Oberflächendefekte als Response. Poisson-Modell zur Vorhersage der erwarteten Defektrate.

3² Voll-Faktoriell mit 2 Replikaten (18 Läufe), blockweise nach Rotorlänge (L = 8 → 6 → 4 cm, physikalisch erzwungen). Klammern-Reihenfolge innerhalb Block randomisiert. Ergebnis: wahres Optimum bei (L ≈ 7 cm, C = 1) liegt zwischen den getesteten Längen — perfektes RSM-Beispiel.

Ziel: Regressions-Modell aus dem DoE-Planner-Beispiel „Papier-Hubschrauber" (18 Läufe) auf „maximiere Flugzeit" optimieren. Prognose-Optimum bei (L ≈ 7 cm, C = 1) → t̂ ≈ 2,80 s, Desirability-Untergrenze 2,5 s — liegt zwischen den physisch getesteten Rotorlängen (6 und 8 cm) und zeigt den RSM-Kernvorteil. Dieses Beispiel lädt nur einen leeren Optimizer-State, da response-optimization Modelle projektglobal aus dem Regression-Modul bezieht. Workflow: Öffne doe-planner-Beispiel → Aktion „Transfer zu Regression" → dort „als Modell speichern" → dann füllt sich response-optimization mit Daten.

30 Pizza-Lieferungen mit Entfernung (km), Verkehrslevel (1–5) und gemessener Lieferzeit (min). Linearer Zusammenhang Lieferzeit ≈ 5 + 2,5·Entfernung + 1,2·Verkehr — Lehrbuch-Datensatz für multiple lineare Regression mit hohem R².

30 Fahrzeug-Messungen Geschwindigkeit → Verbrauch. Zwei eingebaute Ausreißer (Zeilen 6 und 23) drücken das R² gegenüber der sauberen Linearität. Lehrcase für Residuen-Diagnostik und Outlier-Detection.

3×3 Matrix Subsystem/System/Übersystem × Vergangenheit/Gegenwart/Zukunft — angewandt auf den Pizza-Lieferprozess.

Acht klassische Evolutionslinien angewandt auf den Pkw-Hauptscheinwerfer — vom Bi-Scheinwerfer zur adaptiven LED-Matrix und darüber hinaus.

Drei IFR-Stufen für einen verklemmenden Bandförderer-Übergabe-Trichter, mit Hindernis-Analyse als Aufgabenliste.

Klassisches Lehrbeispiel: Tragflügel soll gleichzeitig lang (Auftrieb) und kurz (Widerstand) sein. Auflösung über Separation in der Zeit — Schwenkflügel.

Ressourcen-Inventar über 6 Kategorien × 3 Systemebenen für den Bandförderer-Lehrcase — passend zum IFR-Beispiel.

Su-Field-Modell für eine unzureichende mechanische Wirkung (Bohrer auf Beton). Diagnose: Klasse 2 — gepulster Betrieb (Schlagbohren) ausgewählt.

Klassischer TRIZ-Konflikt aus dem Pizza-Lehrcase: schneller liefern, ohne Produktivität zu opfern. Improving = 9 (Speed), worsening = 39 (Productivity).

Acht Temperaturstufen mit je 50 Versuchen. Binomial-Response (Erfolge / Versuche) folgt einer logistischen Kurve mit Wendepunkt um 160 °C. Klassischer Anwendungsfall für binomiale GLM mit Trials-Spalte.

50 lognormal-verteilte Standzeiten. Eine plain I-MR-Karte produziert wegen der Rechtsschiefe Fehlalarme. Nach Box-Cox-Transformation (λ ≈ 0) sind die Residuen wieder annähernd normal.

30 Inspektionseinheiten mit konstanter Stichprobengröße. Mittlere Defektrate ≈ 3, Einheiten 22–23 mit Spike (~8) — c-Karte schlägt an.

60 Beobachtungen: Mittelwert 30 Punkte bei μ=10, dann Verschiebung auf μ=10,1 (≈ 1σ). EWMA mit λ=0,2 erkennt den Drift, eine Shewhart-I-Karte nicht.

40 bivariate Beobachtungen mit ρ ≈ 0,85. Beobachtungen 30 und 31 sind multivariate-Outlier (auf den Marginalen plausibel, joint vom Korrelationsellipsoid abweichend).

50 Einzelmessungen mit linearem Aufwärtstrend (+0,6 über die Serie). Nelson-Regel 3 (sechs Punkte in Folge steigend) sollte mehrfach feuern.

50 Einzelmessungen mit einem Sprung von μ = 10,00 auf μ = 10,18 ab Wert 30. Die Nelson-Regeln (insbesondere Regel 1 und Regel 5) sollten den Shift detektieren.

4 Lessons aus dem Pilot: Vorab-Routenplanung (Erfolg), Doppelwand-Thermo-Boxen (Erfolg), Wochenstart-Standup (Verbesserung), Bestellannahme als Engpass (Problem).

30 Inspektionsserien mit variabler Stichprobengröße (80–120) und schwankender Defektrate. Lots 18–20 mit erhöhter Rate (~10 %) — die p-Karte sollte sie als out-of-control markieren.

I-MR-Karte aus 5 Bestätigungsläufen im Optimum (L = 6 cm, C = 1 Klammer, Mittel ≈ 2,76 s, σ ≈ 0,12 s). Regelgrenzen aus der Baseline-Streuung — der Prozess läuft unter Kontrolle bei Optimum.

5 Lessons aus dem Projekt: sequenzielle Blockung löst die Irreversibilität der Rotorlänge (Erfolg), MSA vor DoE (Erfolg), Fokus auf zwei Faktoren (Erfolg) sowie Rotorbreite als dritter Faktor nicht umsetzbar (Problem) und Wurftechnik als dominierende Reststreuung (Problem).

Drei kurze Setups mit unterschiedlichen Mittelwerten (10, 25, 7,5), je 8 Messungen. Nach Nominal-Zentrierung gemeinsam vergleichbar (σ ≈ 0,05).

25 Intervalle aus Exponential(μ=35 Tage). Bei Beobachtungen 16–18 verdoppelt sich die Rate (μ=12) — t-Karte zeigt einen sichtbaren Wechsel.

25 Untergruppen à 5 Messungen aus einem stabilen Prozess (μ = 10,00 mm, σ = 0,05 mm). X̄-R-Karte zeigt keine Verletzungen der Nelson-Regeln.

Quadratisches Modell für Ausbeute = f(Temperatur, Druck) mit Optimum bei 180 °C und 3 bar. Zeigt eine klassische Höhenlinien-Karte mit ausgeprägtem Maximum.

395 Ausschussteile aus einer Fertigungslinie, aufgeteilt auf sechs sich gegenseitig ausschließende Defektarten. Klassischer Anwendungsfall für ein Tortendiagramm: Anteil weniger Kategorien an einem Ganzen. Variante mit vollem Kreis (innerRadius = 0).

10 Bestellzeilen mit Anzahl, Preis (€), berechneter Gesamtsumme (=Anzahl·Preis), Rabatt (%) und Endpreis (=Gesamt·(1-Rabatt)). Demonstriert Zell-Referenz-Formeln und Currency-/Percent-Spalten.

Messreihe der Bolzendurchmesser mit eingestreuten Ausreißern.

80 stark rechtsschiefe Lognormal-Zykluszeiten. Mit Box-Cox (optimales λ ≈ 0) werden die Werte annähernd normalverteilt.

60 Defektereignisse über drei Schichten (Früh/Spät/Nacht) und vier Defektarten (Kratzer, Maßabweichung, Oberfläche, Sonstige). Das gestapelte Säulendiagramm zeigt auf einen Blick, dass die Frühschicht von Maßabweichungen dominiert wird, während die Nachtschicht vor allem Oberflächendefekte produziert — klassische Anomalie für die Measure-Phase.

10 Fertigungslinien mit Defektrate, Reparaturkosten pro Defekt und Defektanzahl pro Monat. Das Blasendiagramm zeigt den klassischen Trade-off Häufigkeit ↔ Stückkosten; die Bubble-Größe verrät, welche Linien das größte absolute Verlustpotenzial haben — der ideale Einstieg in die DMAIC-Projektauswahl.

12 Lieferanten mit Preisindex, Liefertreue und Bestellvolumen. Das Blasendiagramm zeigt den klassischen Trade-off Preis ↔ Liefertreue; die Bubble-Größe verrät, welche Lieferanten strategisch das größte Gewicht haben.

60 Freigabe-Entscheidungen über drei Werke und drei Status-Stufen (OK/Bedingt/Abgelehnt). Das Mosaikdiagramm macht zwei Effekte gleichzeitig sichtbar: die unterschiedlichen Volumen (Spaltenbreiten — Werk-A doppelt so viele Entscheidungen wie Werk-B, dreimal so viele wie Werk-C) und die unterschiedliche Qualität (Segmenthöhen — Werk-C deutlich mehr Ablehnungen pro Werk).

Drei Boxen Lieferzeit-Verteilung für Fahrer A/B/C. Bedient denselben Datensatz wie das ANOVA-Beispiel — Boxen zeigen visuell die ANOVA-Signifikanz.

Rohdaten der Lieferzeiten, gruppiert nach Fahrer.

Drei Punktwolken Lieferzeit für Fahrer A/B/C mit verbundenen Mittelwerten — derselbe Datensatz wie ANOVA und Boxplot.

10 Maschinen mit Zykluszeit, Ausschussrate und Tagesausstoß. Das Blasendiagramm priorisiert Six-Sigma-Verbesserungsprojekte: große Bubbles oben rechts (hoher Ausschuss bei hohem Output) sind die teuersten Problemfälle.

Rohdaten der Motor-Versuchsreihe mit mehreren kollinearen Einflussgrößen.

Selbe 30 Motor-Versuche wie der Regressions-Datensatz — zwei Streudiagramme Leistung über Drehzahl und Leistung über Drehmoment, mit Statistik-Panel. Visualisiert die starke Korrelation der Prädiktoren vor der Regression.

10 Baseline-Läufe bei (L = 8 cm, C = 0 Klammern) als Einzelwert-Diagramm — zeigt Mittelwert und Streuung der Flugzeit vor dem DoE.

Rohdaten des Messestand-Projekts in drei Blättern: Baseline (L = 8 cm, C = 0), 3² Voll-Faktoriell mit 2 Replikaten (18 Läufe) und Bestätigungsläufe (L = 6 cm, C = 1).

Streudiagramm der 18 DoE-Läufe (Klammern vs. Flugzeit) — zeigt einen sichtbar nicht-linearen Zusammenhang bei allen drei Rotorlängen und motiviert den quadratischen Klammer-Term im DoE.

Rohdaten der MSA Typ 1: wiederholte Zeitstopps gegen eine Metronom-Referenz von 2,000 s.

Rohdaten der Pizza-Lieferungen: Lieferzeit, Entfernung, Anzahl Pizzen, Fahrer.

Selbe 30 Pizza-Lieferungen wie der Regressions-Datensatz — Streudiagramm Lieferzeit über Entfernung mit Statistik-Panel. Ideal für Erkundung des Zusammenhangs vor der Regression.

Drei Tabellenblätter (Q1/Q2/Q3) mit Produktionsdaten je 10 Chargen. Demonstriert die Mehrblatt-Funktion der Datensammlung — Tabs unten zum Wechseln.

12 Six-Sigma-Projektkandidaten mit Aufwand (Personentage), Jahresnutzen (k€) und Risiko-Score, gruppiert nach Bereich (Produktion vs. Qualität). Das Blasendiagramm priorisiert die Project-Selection und zeigt zugleich, wie sich die beiden Bereiche im Aufwand/Nutzen/Risiko-Raum positionieren: kleine Bubbles oben links sind Quick Wins, große Bubbles unten rechts sollten zurückgestellt werden.

15-zeiliges Prüfprotokoll, das alle sieben Spaltentypen der Datensammlung verwendet: Text (Prüf-ID, Schicht), Datum, Uhrzeit, Zahl (Durchmesser in mm), Währung (Stückkosten €), Prozent (Schwund) und Binär (IO 0/1). Enthält bewusst einige Lücken (null), um den Umgang mit fehlenden Werten zu zeigen.

80 Bolzendurchmesser, gemessen mit einem zu groben Messmittel (Auflösung 0,1 mm bei Prozess-σ ≈ 0,15 mm). Im Wahrscheinlichkeitsnetz erscheinen die Punkte in deutlich sichtbaren vertikalen Säulen — ein klassischer Hinweis auf unzureichende Messauflösung.

80 Weibull(k=2,5)-Lebensdauern auf dem Normalverteilungs-Wahrscheinlichkeitsnetz — sichtbare Krümmung in den Schwanzbereichen.

Zwei Schichten à 40 Messwerten — Schicht A ≈ N(μ=9,5, σ=1,5), Schicht B ≈ N(μ=10,8, σ=2,2). Im Wahrscheinlichkeitsnetz zeigen sich zwei Geraden mit unterschiedlicher Lage und Steigung.

248 Kundenreklamationen aus dem ersten Quartal, aufgeteilt auf sechs Gründe. Donut-Variante (innerRadius = 0,5) mit Gesamtsumme als Mittelpunkt-Beschriftung — eignet sich, wenn die Summe selbst eine wichtige Aussage trägt.

50 Reklamationen aus Q2 mit Grund und individueller Kostenposition. Die Pareto-Auswertung summiert die Kosten je Grund und sortiert absteigend — die 80%-Linie zeigt, dass „Maßabweichung“ allein bereits den Großteil der Kosten verursacht, obwohl es nicht die häufigste Reklamation ist. Klassisches Lehrbeispiel: Frequenz ≠ Wichtigkeit.

I-MR-Datensatz: Beobachtungen 1–29 stabil bei μ=10, ab Beobachtung 30 Sprung auf μ=10,18. Westerm-Electric- / Nelson-Regeln markieren den Shift.

Rohdaten des Spritverbrauchs mit eingestreuten Ausreißern.

Selbe 30 Fahrzeug-Messungen wie der Regressions-Datensatz — Streudiagramm Verbrauch über Geschwindigkeit mit Statistik-Panel. Zwei eingebaute Ausreißer (Zeilen 6 und 23) sind im Plot direkt sichtbar.

45 Zykluszeit-Messungen (in Sekunden) über drei Schichten (Früh/Spät/Nacht) und drei Produktionslinien (L1/L2/L3) — 5 Messungen pro Kombination. Die Heatmap zeigt zwei Effekte gleichzeitig: einen Linieneffekt (L3 ≈ 30 s langsamer als L1) und einen Schichteffekt (Nacht ≈ 10 s langsamer als Früh). Die Kombination (Nacht, L3) ist mit 82 s das klare Worst-Case-Feld — perfekter Einstieg für die Analyze-Phase.

Nur die Messreihe als Datensammlung. Auswertung frei wählbar.

Fähigkeitsanalyse, Histogramm, Regelkarte und Ausreißertest auf einer Messreihe.

Nur die Versuchsdaten als Datensammlung.

Multiple Regression mit Multikollinearität plus Streudiagramm derselben Daten.

Nur der Einstieg: Charter, die Flugzeit-Datensammlung (Baseline, DoE, Bestätigung) und der Baseline-Plot. Die Auswertung baust du selbst auf.

Kompletter DMAIC-Durchlauf des Messestand-Projekts, von der Charter über MSA und Ursachenanalyse bis zum 3² Voll-Faktoriell mit Response-Optimierung.

Problemstellung, Prozessrahmen und Rohdaten. Die Auswertung machst du selbst; einzelne Beispiele lassen sich jederzeit nachladen.

Kompletter DMAIC-Durchlauf vom Project Charter bis Lessons Learned, inklusive Datenauswertung.

Nur die Verbrauchsdaten als Datensammlung.

Regression mit Ausreißerdiagnostik plus Streudiagramm derselben Daten.

Nur das ideale Endresultat als Ausgangspunkt.

Ideales Endresultat und Ressourcen-Checkliste zur selben Aufgabenstellung.