300 Prüfberichte pro Monat.
Ein konformer Datensatz.

ISO 9001 §9.1.3 fragt nicht nach der Anzahl Ihrer Berichte – sondern danach, was die Daten aussagen

Klausel 9.1.3 der ISO 9001:2015 verlangt von Organisationen, „geeignete Daten und Informationen aus Überwachung und Messung zu analysieren und auszuwerten“. Das klingt nach Routine, doch die Audit-Realität ist härter: Ihr Zertifizierungsauditor wird sieben spezifische Bewertungen sehen wollen – Konformität von Produkten und Dienstleistungen, Kundenzufriedenheit, Leistung und Wirksamkeit des QMS, Umsetzung geplanter Aktivitäten, Wirksamkeit von Risikomaßnahmen, Leistung externer Anbieter sowie erforderliche Verbesserungen.

Jeder dieser sieben Punkte benötigt Nachweise. Keinen Ordner mit ausgefüllten Checklisten. Kein Logbuch, das zeigt, dass Prüfungen stattfanden. Trenddaten – Fehlerraten im Zeitverlauf, Schichtvergleiche, Annahmetrends von Lieferantenchargen, Abschlussquoten von Korrekturmaßnahmen. Rohe Prüfberichte sind lediglich Inputmaterial. Ohne Analyse und Auswertung belegen sie nur, dass Sie Daten gesammelt haben – nicht, dass Sie sie genutzt haben.

IATF 16949 – die Automobilerweiterung der ISO 9001 – verschärft die Anforderungen weiter. Sie schreibt eine monatliche Bewertung der Qualitäts-KPIs vor, darunter Erstausbeute (FPY), Ausschussrate, Kundenreklamationen, Liefertreue und Lieferantenfehlerquote. Eine Klausel aus den kundenspezifischen IATF-16949-Anforderungen von General Motors verlangt ausdrücklich eine „monatliche Bewertung der Leistung des Unternehmens hinsichtlich der Garantiesenkungsziele“. Diese Bewertung ist nicht möglich, wenn Prüfdaten auf Klemmbrettern notiert werden.

Für einen Qualitätsmanager in einem mittelgroßen Werk – die Person, die tatsächlich die Daten für das Management-Review aufbereitet – ist die Lücke schmerzhaft konkret. Fünf Produktionslinien arbeiten in drei Schichten. Jede Schicht erstellt einen Endprüfbericht. Das sind 15 Berichte pro Tag, etwa 300 pro Monat. Kommt die Wareneingangsprüfung hinzu, sind es fast 400. Manche Berichte sind ausgedruckte PDFs von digitalen Messgeräten. Andere sind handschriftliche Formulare des Schichtleiters. Die Formate variieren je nach Linie, Schicht und manchmal sogar je nach diensthabender Person.

Jeden Monat fasst jemand diese über 300 Berichte in einer Zusammenfassung zusammen – nicht durch Lesen (dafür fehlt die Zeit), sondern durch Überfliegen der Bestanden/Nicht-Bestanden-Felder, Zusammenrechnen einiger Zahlen in Excel und der Hoffnung, dass nichts Wesentliches übersehen wurde. Der resultierende Bericht erfüllt die Formalität des Management-Reviews. Den analytischen Anspruch von §9.1.3 erfüllt er nicht.

Von 300 Formularen zu einem Blatt: Der Batch-Extraktions-Workflow

Die benutzerdefinierte Spaltenextraktion – eine Kernfunktion von ImageToTable.ai – funktioniert anders als die templatebasierte OCR. Statt dem Tool beizubringen, wo jedes Prüffeld auf einem Formular sitzt, definieren Sie, welche Datenpunkte aus allen Berichten extrahiert werden sollen. Die KI liest jedes Dokument nach Bedeutung, nicht nach Position – egal ob „Fehlercode“ oben rechts auf Formular A und unten links auf Formular C steht, findet sie den Wert durch semantisches Verständnis des Feldes, nicht durch Koordinatenabgleich.

So funktioniert der Batch-Workflow für Werksprüfberichte:

Der entscheidende Unterschied zur manuellen Zusammenführung ist nicht nur die Geschwindigkeit – es ist die Vollständigkeit. Wenn jemand 300 Berichte manuell überträgt, priorisiert er. Er holt die Kennzahlen. Er überspringt die Fehlercodes bei bereits bestandenen Berichten. Er notiert nicht den Prüfernamen auf jedem Formular. Der resultierende Datensatz ist dünn – genug für eine Zusammenfassung, nicht genug für eine Ursachenanalyse. Die Batch-Extraktion erfasst jedes Feld in jedem Formular, weil die Kosten für eine zusätzliche Spalte null sind.

Für Teams, die bereits Batch-Dokumentenverarbeitung zur Konsolidierung von Berichten in Excel nutzen, lässt sich derselbe Workflow nahtlos auf Prüfdaten übertragen – die Spaltennamen ändern sich, der Extraktionsmechanismus nicht.

Von Rohdaten zur Korrekturmaßnahme: Pareto-Analyse der Fehlercodes

Der unmittelbarste Nutzen konsolidierter Prüfdaten ist die Pareto-Analyse. Das Pareto-Prinzip – etwa 80 % der Probleme gehen auf 20 % der Ursachen zurück – ist das Rückgrat der Qualitätsverbesserung in der Fertigung. Aber eine Pareto-Analyse lässt sich nicht mit Daten durchführen, die in 300 verschiedenen Formularen leben.

Sobald Ihre Stapelverarbeitung eine einzige Tabelle erzeugt, dauert die Erstellung eines Fehler-Paretos nur Minuten. Pivotieren Sie die Spalte Fehlercode, sortieren Sie nach Häufigkeit, und schon sehen Sie: Kratzer und Maßabweichungen verursachen zusammen 73 % aller Abweichungen – obwohl das Team den Großteil seines Budgets für Korrekturmaßnahmen für das Montageausrichtungsproblem aufwendet, über das seit Januar alle reden.

Das ist keine Theorie. Wenn Qualitätsteams erstmals konsolidierte Daten erhalten, stellen sie oft fest, dass die Fehlerkategorien, die in den täglichen Besprechungen den meisten Lärm verursachen, nicht diejenigen sind, die den meisten Ausschuss produzieren. Das lauteste Problem ist nicht immer das teuerste. Ein kostenbasierter Pareto – Multiplikation der Häufigkeit jedes Fehlercodes mit seinen durchschnittlichen Nacharbeits- oder Ausschusskosten pro Auftreten – sortiert die Prioritäten oft völlig neu. Ein Oberflächenporositätsfehler, der 20 Mal im Monat zu je 85 € auftritt, verursacht höhere Kosten als eine Maßabweichung, die 80 Mal zu je 12 € auftritt. Eine reine Häufigkeitsanalyse würde die Maßabweichung ins Visier nehmen. Die kostenbasierte Analyse sagt: Beheben Sie zuerst die Porosität.

Mit berechneten Spalten kann die Kostenbewertung direkt in den Extraktionsworkflow integriert werden. Definieren Sie eine Spalte wie Kostenauswirkung (NC-Anzahl × Nacharbeitskosten pro Einheit), und die KI berechnet sie während der Extraktion – sodass Ihre Ausgabetabelle bereits die nach Kosten priorisierten Fehlerdaten enthält, bereit für das Pareto-Diagramm.

Lieferantenbewertung aus der Wareneingangsprüfung: Monatliche Kennzahlen ohne manuelle Erfassung

Die Wareneingangsprüfung erzeugt eigene Berichte – einen für jede eingehende Materialcharge. Diese Berichte enthalten Bewertungen (angenommen/zurückgewiesen), Abweichungszahlen und den Lieferantennamen. Einzeln betrachtet sind sie eine Kontrollfunktion. Zusammengefasst ergeben sie ein System zur Messung der Lieferantenleistung.

Die Berechnung ist einfach: Prozentsatz der pro Lieferant angenommenen Chargen, monatlich aufgerollt. Fügen Sie Spalten für Lieferantenname, Charge angenommen (Ja/Nein), Anzahl NCR und Tage Verspätung hinzu – extrahiert aus allen Wareneingangsprüfberichten im Batch – und Ihre Pivot-Tabelle erzeugt für jeden Lieferanten eine objektive, prüfdatengestützte Qualitätsbewertung.

Das ist wichtig, denn ISO 9001 §9.1.3 Buchstabe (f) verlangt die Bewertung der „Leistung externer Anbieter“. Eine aus batch-extrahierten Wareneingangsdaten erstellte Lieferantenbewertung erfüllt diese Anforderung direkt – und anders als eine subjektive vierteljährliche Beurteilung ist sie nachvollziehbar. Stellt ein Lieferant seine Bewertung infrage, können Sie sie bis zu den einzelnen Chargenprüfergebnissen zurückverfolgen.

Die Methodik der Lieferantenbewertung von Lockheed Martin gewichtet die Qualität mit 60 % und die Lieferung mit 40 % – eine gängige Aufteilung in der Industrie. Ihr System bestraft lieferantenverantwortliche Abweichungen und überfällige Korrekturmaßnahmen automatisch jeden Monat. Wenn Ihre Prüfdaten dank Batch-Extraktion bereits in einer strukturierten Tabelle vorliegen, ist die Erstellung derselben gewichteten Bewertung nur eine Pivot-Tabelle und ein paar Formeln – kein Marathon der Dateneingabe.

Ein praktischer Hinweis: Eingangsprüfberichte haben oft ein anderes Format als Prüfprotokolle während der Fertigung. Ein Analysezertifikat des Lieferanten kann zusammen mit dem eigenen Eingangsprüfprotokoll eingehen. Die Stapelverarbeitung meistert dies mühelos – Sie definieren Ihre Spalten einmal, und die KI findet die Werte, egal in welchem Format sie auftauchen, da sie nach Bedeutung sucht und nicht nach Vorlagen.

Der Schichtvergleich: Muster, die nur in konsolidierten Daten sichtbar werden

Linie A, Schicht 1 arbeitet nach denselben SOPs wie Linie A, Schicht 2. Dieselbe Ausrüstung. Dieselben Spezifikationsgrenzen. Der Unterschied: Schicht 2 verzeichnet konstant eine um 3,1 Prozentpunkte höhere Fehlerrate – eine Tatsache, die unsichtbar bleibt, wenn die Prüfberichte jeder Schicht in separaten Ordnern liegen.

Konsolidierte Daten machen den Schichtvergleich trivial. Filtern Sie Ihre Chargenausgabe nach Linie und Schicht, berechnen Sie die Fehlerrate pro Schicht, und Auffälligkeiten treten sofort zutage. Liegt es an der Beleuchtung in der Nachtschicht? An einer unterschiedlichen Kalibrierung des KMG zwischen den Schichten? An einem Schulungsdefizit bei der neueren Schicht-2-Mannschaft? Die Daten beantworten diese Fragen nicht, aber sie zeigen, dass es sie gibt – und das sind die ersten 80 % des Korrekturprozesses.

Über Schichten hinaus ermöglichen konsolidierte Daten Vergleiche zwischen Prüfarten: Fehlerraten bei Wareneingang vs. In-Prozess vs. Endprüfung oder Teilefamilienvergleiche. Ein Qualitätsmanager, der früher 40 Stunden im Monat mit dem Übertragen von Zahlen in Excel verbrachte, nutzt dieselben 40 Stunden nun für die Musteranalyse und Prozessverbesserung. Dieselbe Person. Derselbe Monat. Völlig andere Ergebnisse.

Hier hört die ISO-9001-Anforderung zur „Analyse und Bewertung“ auf, eine Compliance-Last zu sein, und wird zum Wettbewerbsvorteil. Der Auditor will sehen, dass Sie Daten analysieren. Der Werksleiter will wissen, warum die Ausschussrate von Linie A, Schicht 2 die Marge des größten Auftrags dieses Quartals schmälert. Derselbe Datensatz beantwortet beides.

Was ein §9.1.3-konformer monatlicher Compliance-Bericht tatsächlich enthält

Nachdem die Stapelverarbeitung Ihren Prüfdatensatz befüllt hat, erstellt sich der monatliche Compliance-Bericht selbstständig anhand der sieben ISO-9001-§9.1.3-Bewertungskategorien:

Beachten Sie, was allen Zeilen gemeinsam ist: Die Analyse erfordert konsolidierte, strukturierte Daten. Keine dieser Bewertungen lässt sich durch einen Verweis auf einen Aktenschrank beantworten. Jede erfordert eine Berechnung – eine Bestehensquote, eine Trendlinie, eine Wiederholungsprüfung –, die nur funktioniert, wenn die zugrunde liegenden Prüfdaten an einem Ort und maschinenlesbar vorliegen.

Die Stapelverarbeitung verwandelt 300 Einzelberichte in Minuten statt Wochen in diesen maschinenlesbaren Datensatz. Die Berichterstellung erfordert weiterhin einen Menschen – jemanden, der das Werk, das Produkt und die Prozesse gut genug kennt, um die Zahlen zu interpretieren. Doch die Zeit des Menschen verlagert sich von der Transkription zur Interpretation. Das ist der Unterschied zwischen einer Compliance-Übung und einer echten Qualitätsmanagementfunktion.

FAQ

Funktioniert das auch mit handschriftlichen Prüfberichten?

Ja – handschriftliche Texte auf Prüfformularen werden von derselben visuellen KI verarbeitet wie gedruckte Texte. Die Genauigkeit bei Handschrift ist geringer als bei gedruckten Formularen (gedruckte Tabellendaten erreichen bis zu 99 % Genauigkeit; Handschrift variiert je nach Leserlichkeit), aber für den Batch-Workflow eliminiert selbst eine Extraktion von über 90 % bei handschriftlichen Feldern den Großteil der manuellen Übertragung. Eine kurze Stichprobenkontrolle der Ausgabe vor dem Erstellen Ihrer Pivot-Tabellen fängt Ausreißer ab – und das ist immer noch ein Bruchteil der Zeit, die Sie bräuchten, um 300 Formulare von Grund auf abzutippen.

Was ist, wenn meine Prüfformulare aus verschiedenen Linien völlig unterschiedliche Layouts haben?

Genau dafür ist die Batch-Extraktion gemacht. Die KI findet Werte, indem sie deren Bedeutung erkennt – „Teilenr. AB-234“ ist eine Teilenummer, egal in welchem Bereich des Formulars sie steht. Dieselben Spaltendefinitionen gelten für alle Formularlayouts im Batch. Sie müssen keine linienspezifischen Vorlagen erstellen.

Kann ich Fehler nach Fehlercode verfolgen, oder extrahiert das Tool nur Bestanden/Nicht bestanden?

Sie legen die Spalten fest. Wenn Ihr Prüfformular ein Feld Fehlercode enthält, definieren Sie eine Spalte dafür, und es wird zusammen mit allem anderen extrahiert. Wenn Ihr Formular schriftliche Fehlerbeschreibungen anstelle von Codes verwendet, können abgeleitete Spalten diese klassifizieren – zum Beispiel fordert eine Spalte wie Fehlerkategorie (Optionen: Maß/Oberfläche/Montage/Material/Funktional/Sonstiges) die KI auf, die Beschreibung zu lesen und die richtige Kategorie zuzuweisen.

Wie verarbeitet die Batch-Extraktion 300 Berichte – gibt es ein Dateilimit?

Es gibt kein festes Limit pro Batch. Die Verarbeitungszeit skaliert mit der Gesamtseitenzahl, nicht mit der Dateianzahl. Wenn jeder Prüfbericht eine Seite umfasst, werden 300 Berichte in etwa so schnell verarbeitet wie 300 Seiten – Minuten, nicht Stunden. Die Ausgabe ist eine Excel-Datei mit einer Zeile pro Bericht.

Ersetzt das unsere QMS-Software?

Nein — die Stapelerfassung ist die Datenerfassungsebene, nicht das QMS. Sie extrahiert Prüfdaten aus Papier- und PDF-Formularen in ein strukturiertes Format. Von dort können Sie die Daten in Ihr QMS, Ihr ERP-Qualitätsmodul oder Minitab zur SPC-Analyse laden. Das Tool übernimmt den Schritt, den die meisten QMS-Implementierungen auslassen: die Umwandlung von Rohprüfberichten in systemverarbeitbare Zahlen.

Kann das Tool den Compliance-Bericht selbst erstellen?

Nein. Die Ausgabe sind strukturierte Daten – Zeilen und Spalten in Excel. Analyse, Interpretation und Berichtserstellung sind menschliche Arbeit. Was sich ändert: Der Mensch beginnt mit einem vollständigen Datensatz statt einem Stapel Papier, sodass die Interpretationsqualität steigt, während der Zeitaufwand für die Dateneingabe drastisch sinkt.

Der Auditor verlangt Belege, nicht Papierberge

Der ISO-Auditor vergibt keine Punkte für die Höhe Ihres Aktenschranks. Ein Monat mit 300 Berichten, aber ohne Trendanalyse, ist eine schwächere Compliance-Position als ein Monat mit 50 Berichten, in dem jeder Fehlercode nachverfolgt, jede Schicht verglichen und jeder Lieferant bewertet wird – denn die Norm verlangt Auswertung, nicht Sammlung. Der Qualitätsmanager, der ein Pareto-Diagramm mit monatlichen Fehlertrends vorlegen und jeden Balken auf einzelne Prüfaufzeichnungen zurückführen kann, überlebt nicht nur das Audit. Er betreibt eine Qualitätsfunktion, die das Werk tatsächlich verbessert. Gleiche Person, gleiche Berichte, völlig anderes Ergebnis – weil die Daten aus den Formularen an einen Ort gelangten, an dem sie genutzt werden konnten.