Das Buch bietet eine fundierte Synthese aus klassischen Qualitätswissenschaften und modernen KI-Methoden. Es liefert einen breiten thematischen Überblick über die digitale Transformation im Qualitätsmanagement (QM) und überzeugt insbesondere durch die konsequente Integration von Machine Learning in den DMAIC-Zyklus.
Kritisch sehe ich lediglich den didaktischen Spagat: Das mathematische Grundlagenkapitel ist für Einsteiger ohne Vorwissen zu knapp und für Experten redundant. Zudem fallen wiederholte Definitionen auf. Dies ist offenbar darauf zurückzuführen, dass das Buch von mehreren Autoren verfasst wurde.

Im ersten Teil des Buches werden Grundlagen in der Statistik erarbeitet, die notwendig sind, um die verschiedenen Verfahren zur Analyse von Daten zu verstehen. Dabei wird detailliert auf unterschiedliche Formen maschinellem Lernens eingegangen. Für mich eine willkommene Auffrischung der Inhalte des Informatik-Studiums - gut dass KI noch immer mehr umfasst als die allgegenwärtigen LLMs.

Den Hauptteil bilden Beispiele wie diese Methoden im Qualitätsmanagement genutzt werden. Sie eröffnen neue Möglichkeiten, die über die Beschreibung hinausgehen zur Vorhersage oder Vorausplanung von zukünftigen Ereignissen. Hier geht es fachlich tief ins Detail, und nicht jedes Beispiel ist mir zugänglich. Stark ist, dass die Autoren ihre Perspektive auf unterschiedliche Bereiche des Qualitätsmanagements liefern, und man jedes Beispiel für sich nehmen kann und neue Anregungen bekommt. Gleichzeitig ist der Inhalt gut strukturiert und wird mit einem Blick in die Zukunft des Qualitätsmanagements und der kritischen Frage, welche Rolle die KI dabei übernehmen soll, abgerundet.

Für mich war bemerkenswert, dass sich im PEP das gleiche Spannungsfeld zwischen Qualität und Time-to-Market zeigt wie in der Softwareentwicklung. Eine frühzeitige Zusammenarbeit ("shift left") zwischen Qualität und Entwicklung schafft ein integriertes "Qualitätsverständnis" und bildet die Grundlage für agile Prozesse mit Ergebnissen hoher Qualität.

Das Buch zeigt überzeugend, wie sich Qualitätsmanagement durch Datenanalyse und künstliche Intelligenz zu einem zukunftsorientierten, präventiven System weiterentwickeln kann. Es ist klar strukturiert und fachlich sehr fundiert, mit einer starken Verbindung von Statistik, Data Analytics und praktischen Anwendungsfeldern.
Aus Auditorensicht bietet es eine solide methodische Grundlage, jedoch mit Einschränkungen bei der direkten Übertragbarkeit in normkonforme, auditierbare Strukturen. Für QM-Berater ist es besonders wertvoll als strategischer Leitfaden zur Weiterentwicklung von Organisationen, erfordert jedoch erhebliche Voraussetzungen und ist nicht unmittelbar für die Praxis umgesetzt. Aus didaktischer Perspektive eignet es sich sehr gut für Ausbildung und Weiterbildung, auch wenn praxisnahe Übungen teilweise fehlen.
Insgesamt handelt es sich um ein qualitativ sehr hochwertiges Fachbuch mit klarem Fokus auf die Zukunft des Qualitätsmanagements, das besonders für Strategie, Weiterbildung und konzeptionelle Arbeiten einen hohen Nutzen bietet, jedoch durch praxisnahe Umsetzungshilfen ergänzt werden sollte.

Das Buch schlägt die Brücke zwischen der statistischen Prozesskontrolle (klassisch) und modernen Data-Analytics-Methoden. Roland Jochem, der als Professor an der TU Berlin ein anerkannter Experte auf diesem Gebiet ist, legt den Fokus darauf, wie Unternehmen die massiven Datenmengen, die heute in der Produktion anfallen, sinnvoll nutzen können.
Zentrale Themen:
* Data Mining im QM: Wie man Muster in Qualitätsdaten erkennt.
* Predictive Quality: Vorhersage von Fehlern, bevor sie entstehen.
* Prozessoptimierung: Nutzung von Daten zur Effizienzsteigerung.
* Methoden: Von Six Sigma bis hin zu Machine Learning Ansätzen.

Für wen lohnt es sich?
Die Stärken (Pro)
* Wissenschaftliche Fundierung: Es ist kein oberflächlicher Ratgeber. Die Konzepte sind theoretisch sauber hergeleitet und methodisch fundiert.
* Zukunftsorientiert: Es räumt mit dem Vorurteil auf, dass QM nur aus "Checklisten abhaken" besteht, und zeigt die mathematisch-analytische Seite.
* Struktur: Jochem ist bekannt für eine sehr systematische Herangehensweise, was das Buch zu einem guten Nachschlagewerk macht.
Die Schwächen (Contra)
* Hoher Anspruch: Es ist eher ein Fachbuch für Akademiker, Ingenieure oder erfahrene QM-Manager. Für absolute Einsteiger ohne statistische Vorkenntnisse kann es stellenweise "trocken" oder zu komplex wirken.
* Praxis-Transfer: Wie bei vielen Lehrbüchern liegt der Fokus stark auf der Methodik; die konkrete IT-Umsetzung in einem spezifischen Software-Tool kommt manchmal etwas kurz.

Wer verstehen will, wie Algorithmen und Datenstrukturen das moderne Qualitätswesen verändern, für den ist dieses Buch quasi die "Pflichtlektüre".

Die größte Stärke des Buches ist sein ganzheitlicher Ansatz. Es behandelt die Digitalisierung nicht als reines IT-Thema, sondern zeigt auf, wie aus der Zunahme von Daten echtes „Qualitätswissen“ als Entscheidungsunterstützung generiert werden kann. Dabei werden Industrie-Beispiele herangezogen, die die praktische Umsetzung greifbar machen. Ein weiterer Pluspunkt ist die weitsichtige Einbindung des Faktors Mensch: Das Buch betont, dass sich die Qualifikationsanforderungen an das QM-Personal durch die Datenanalyse wandeln, der Mensch jedoch trotz Automatisierung das zentrale Bindeglied bleibt.
Für alle, die nach rein qualitativen Ansätzen suchen, mag der erste umfangreiche theoretische Teil mit seinen mathematisch-statistischen Grundlagen auf den ersten Blick etwas abschreckend oder technisch wirken. Das Fundament ist für ein tiefergehendes Verständnis sinnvoll und gibt viele Anregungen. Trotz der vielen Autoren weißt das Buch einen durchgängigen roten Faden auf.