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.

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.

25 Wiederholmessungen eines 10,0 mm Referenzteils (LSL 9,9 / USL 10,1, T = 0,2 mm). Sehr geringe Streuung, vernachlässigbarer Bias → Cg ≈ 3,8 und Cgk ≈ 3,8 weit über der 1,33-Schwelle. Lehrbuch-Fall eines fähigen Messmittels.

25 Wiederholmessungen mit moderater Streuung und leichtem positiven Bias. Cg ≈ 1,5 liegt knapp über, Cgk ≈ 1,0 knapp unter der 1,33-Schwelle — der Bias zieht die Fähigkeit nach unten. Klassischer Fall für die Bedeutung von Cgk neben Cg.

25 Wiederholmessungen mit hoher Streuung und deutlichem Bias. Cg ≈ 0,6 und Cgk ≈ 0,3 — 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 ≈ 6 % bezogen auf die Studienvarianz. Lehrbuch-Fall eines akzeptablen Messsystems.

Gekreuzte ANOVA-Studie mit hoher Wiederhol- und Vergleichsstreuung gegenüber kleiner Teilevarianz. 10 Teile × 3 Operatoren × 3 Wiederholungen → %GRR im Bereich 40–50 %. Lehrbuch-Fall, in dem das Messsystem die Teileunterschiede maskiert.

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.

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.

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.

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

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.

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.

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.

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.

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.

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.

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.

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.