{"id":5257,"date":"2018-01-31T12:34:11","date_gmt":"2018-01-31T11:34:11","guid":{"rendered":"https:\/\/staging.blogs.yokogawa.de\/chemical-pharma\/unkategorisiert\/daten-analyse_analyse\/"},"modified":"2022-06-17T07:52:55","modified_gmt":"2022-06-17T05:52:55","slug":"daten-analyse_analyse","status":"publish","type":"post","link":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/","title":{"rendered":"Analysieren Sie Ihre Daten – Schritt 3: Analyse"},"content":{"rendered":"

Der Schritt Measure im R\u00fcckblick<\/strong><\/h2>\n

Beitrag 4<\/strong> – Ausgehend vom Schritt Define<\/a> mit der Erarbeitung der Zielstellung einer Datenanalyse haben wir uns im letzten Beitrag den Schritt Measure<\/a>, also die Datenerfassung n\u00e4her angesehen. Durch die Zusammenstellung verschiedener Fragen konnten Sie hoffentlich einen Einblick gewinnen, welche Daten f\u00fcr Sie in Frage kommen und welche Kriterien sie erf\u00fcllen sollten. Wichtig ist, dass Sie f\u00fcr die folgende Analyse m\u00f6glichst viele vollst\u00e4ndige Datens\u00e4tze mit ausreichender Aufl\u00f6sung und guter Qualit\u00e4t haben. Sofern Sie auch alle notwendigen Informationen f\u00fcr eine kausalrichtige Zuordnung der Daten und alle weiteren wichtigen Informationen aus Dokumentationen zusammengetragen haben, k\u00f6nnen Sie endlich richtig loslegen.<\/p>\n

Los geht’s: Der Schritt Analyse<\/h2>\n

Jetzt geht\u2019s an die Analyse Ihrer Daten, den eigentlichen Kern der Aufgabe.<\/p>\n

\"\"
Schaubild 5 Schritte einer Datenanalyse<\/figcaption><\/figure>\n

Als ich mir \u00fcberlegt habe, diese Reihe zu starten, habe ich mir – wie es halt so ist – nur grobe Gedanken \u00fcber die Inhalte der einzelnen Beitr\u00e4ge gemacht. Nun sitze ich hier vor meinem Post und stelle fest: Puh, ganz sch\u00f6n viel. Wo fange ich an, wo h\u00f6re ich auf? Wenn ich Ihnen hier so detailreiche Infos wie zuvor gebe, h\u00f6ren Sie sp\u00e4testens nach der H\u00e4lfte auf zu lesen. Au\u00dferdem gibt es so viele Methoden und jeder hat hier seine eigenen Vorlieben und Vorstellungen. Daher habe ich mich entschieden, Ihnen einen \u00dcberblick \u00fcber das grunds\u00e4tzliche Vorgehen mit Schwerpunkt Datenaufbereitung zu geben. Denn eine strukturierte Herangehensweise an den Schritt Analyse halte ich f\u00fcr mindestens genauso wichtig wie die Auswahl des richtigen Analysewerkzeugs. Viele praktische Tipps und Methoden k\u00f6nnen Sie auch im VDI-Statusreport<\/a> finden, auf den ich Sie bei weiterf\u00fchrendem Interesse an dieser Stelle noch einmal verweisen m\u00f6chte.<\/p>\n

Eine kleine Anmerkung noch: Sofern ich auf Methoden verweise, habe ich mich bem\u00fcht, Ihnen gut verst\u00e4ndliche und knappe Links rauszusuchen, damit Sie schnell einen Eindruck bekommen. Ich habe die Inhalte aber nicht bis ins Detail gepr\u00fcft, au\u00dferdem bieten sie nicht zwingend eine vollst\u00e4ndige Beschreibung der jeweiligen Methoden.<\/p>\n

Der Weg ist das Ziel<\/h2>\n

Der Schritt Analyse l\u00e4sst sich selbst noch einmal in einzelne Schritte zerlegen, die ich f\u00fcr Sie in einem vereinfachten Schaubild zusammengefasst habe.<\/p>\n

 <\/h2>\n
\"schritte_analyse-intextgrafik_2\"
Vorgehen beim Schritt Analyse (nach VDI-Statusreport<\/a>)<\/figcaption><\/figure>\n

Das gro\u00dfe Datenpuzzle<\/h2>\n

Je nach Zielsetzung haben Sie ja bereits im Schritt Measure<\/a> die f\u00fcr die Analyse notwendigen Daten zusammengetragen. Da Sie diese mit hoher Wahrscheinlichkeit aus verschiedenen Quellen geholt haben, beginnt f\u00fcr Sie nun das gro\u00dfe Datenpuzzle. Verschiedene Quellen, verschiedene Formate, viel Spa\u00df! Zynismus beiseite, aber ehrlich gesagt, ist dies h\u00e4ufig ein Schritt zum Haare raufen. Dank sei dem, der sich schon vorab Gedanken \u00fcber die Vereinbarkeit von Datenquellen gemacht hat. Nichtsdestotrotz sollten Sie am Ende zu einer Datenbank kommen, in der alle Parameter eine eigene Spalte erhalten und eine eindeutige zeilenweise Zuordnung mit Zeitstempel, Batchnummer und\/oder St\u00fccknummer sichergestellt ist. Wohlgemerkt mit m\u00f6glichst wenig Datenl\u00fccken.<\/p>\n

Die Zeit spielt eine Rolle<\/strong><\/h2>\n

Sie haben nun eine einheitliche Datenbank. “Problem”: Jedes Produkt durchl\u00e4uft einen Prozess, so dass Ursache und Wirkung nicht in einem Datensatz zu finden sind. Diese ist f\u00fcr die Analyse aber zwingende Voraussetzung, denn sonst untersuchen Sie mit hoher Wahrscheinlichkeit falsche Korrelationen zwischen Ihren Parametern. Betrachten Sie daher den Prozess aus Sicht Ihrer Zielgr\u00f6\u00dfe(n), d.h. der Wirkungen und ordnen Sie diesem Zeitpunkt die Eingangsgr\u00f6\u00dfen, also die Ursachen zu, die sich aus der Produktverfolgung ergeben. Dieses werden in der Regel keine reinen Messwerte mehr sein, sondern aus den Zeitreihen zur\u00fcckliegender Messwerte berechnete Gr\u00f6\u00dfen.<\/p>\n

Bei St\u00fcckgut- oder Batchprozessen fassen Sie die einzelnen Fertigungs- bzw. Prozessabschnitte zu sogenannten Fingerprints zusammen. Im einfachsten Fall sind das Mittelwerte, Steigungen oder Schwankungsbreiten. Auch die Dauer eines Abschnitts stellt sehr h\u00e4ufig eine wichtige charakteristische Gr\u00f6\u00dfe dar. Es lassen sich aber auch kompliziertere Kenngr\u00f6\u00dfen bestimmen, die den Prozess bestm\u00f6glich charakterisieren. Beispielsweise enthalten geregelte Gr\u00f6\u00dfen durch ihre Konstanz zun\u00e4chst einmal keine f\u00fcr eine Analyse verwertbare Information. \u00dcberlegen Sie daher immer spezifische Gr\u00f6\u00dfen zu berechnen, die Ihnen zus\u00e4tzliche Informationen liefern, wie beispielsweise der gewichtsbezogene Energieeintrag bei einer auf einen konstanten Wert eingestellten Temperatur.<\/p>\n

Bei kontinuierlichen Prozessen verschieben Sie die einzelnen Datenspalten entsprechend der Verweilzeiten in den einzelnen Prozessabschnitten gegeneinander. Handelt es sich um variable Totzeiten, berechnen Sie diese im Idealfall, beispielsweise aus Beh\u00e4ltervolumina und Durchfl\u00fcssen. Bei wenig dynamischen Prozessen k\u00f6nnen Sie auch nur die station\u00e4ren Daten in der Datenbank belassen und \u00dcbergangsbereiche l\u00f6schen.<\/p>\n

Pr\u00fcfen Sie Ihre Daten<\/strong><\/h2>\n

Bevor Sie endlich mit der Datenanalyse beginnen k\u00f6nnen, pr\u00fcfen Sie Ihre Daten auf Plausibilit\u00e4t. Inkonsistente Datens\u00e4tze entstehen durch fehlende Parameter, Messfehler oder Fehler bei der Probenahme. Alle nicht plausiblen Datens\u00e4tze m\u00fcssen Sie aus Ihrer Datenbasis entfernen. Abweichungen k\u00f6nnen jedoch auch prozessbedingt auftreten, meist erkennbar an systematisch wiederkehrenden Ereignissen. Ist dies der Fall, haben Sie bereits erste Hinweise f\u00fcr eine Ursachenanalyse.<\/p>\n

Hier gibt es verschiedene M\u00f6glichkeiten wie Pr\u00fcfen der Bilanzgleichungen oder die Anwendung statistischer Plausibilit\u00e4tsfilter. So sollten Sie sich die Verteilung der Daten in Histogrammen <\/a>oder Box-Plots<\/a> ansehen und bekannte Korrelationen<\/a> pr\u00fcfen. Au\u00dferdem gibt es eine Reihe statistischer Ausrei\u00dfertests<\/a> oder Sie wenden Regeln der statistischen Prozesskontrolle (SPC Regeln<\/a>) an. Sie sollten dabei immer im Hinterkopf behalten, dass Daten aus industriellen Prozessen nur selten streng normalverteilt sind, wodurch statistische Methoden oft an ihre Grenzen sto\u00dfen.<\/p>\n

Fassen Sie zusammen<\/strong><\/h2>\n

Vor der Analyse ist eine Clusterung<\/a> der Daten von Vorteil, vor allem wenn Zeitreihen mit stetig wiederkehrenden Mustern zu erwarten sind. Sie reduzieren hierdurch zum einen den Einfluss des Messrauschens. Zum anderen fassen Sie Prozesszust\u00e4nde, die immer wieder angefahren werden, zu einem Muster zusammen, so dass der gesamte Datenraum m\u00f6glichst gleichm\u00e4\u00dfig abgedeckt wird. Dieses ist notwendig bei der Modellierung Ihres Prozesses, da so auch seltenere Zust\u00e4nde mit bestm\u00f6glicher Genauigkeit abgebildet werden k\u00f6nnen.<\/p>\n

Starten Sie mit der Analyse<\/strong><\/h2>\n

Endlich ist es soweit. Nicht dass ich Sie jetzt abschrecken will, aber an dieser Stelle werden Sie vermutlich bereits 70 % bis 80 % Ihrer Bearbeitungszeit verbraten haben. Ich will Ihnen hiermit nur ein Gef\u00fchl daf\u00fcr geben, wie aufw\u00e4ndig die Datenerfassung und -aufbereitung im Vergleich zur eigentlichen Analyse sein kann.<\/p>\n

Aber nun zur Analyse: Hier kommt es etwas auf Ihre Zielrichtung an. Bei einer Korrelationsanalyse untersuchen Sie statistisch in den Daten vorhandene Zusammenh\u00e4nge und leiten hieraus Informationen \u00fcber Ursachen und Wirkungen hinsichtlich Ihrer Fragestellung aus dem Schritt Define<\/a> ab. Bei der Modellierung geht es darum, einen funktionalen Zusammenhang zwischen den Eingangs- und Ausgangsgr\u00f6\u00dfen zu finden und damit ein Abbild des Prozesses zu schaffen. Diese Modelle k\u00f6nnen und sollten Sie nat\u00fcrlich auch analysieren, das Hauptaugenmerk liegt hier aber im sp\u00e4teren Online-Einsatz.<\/p>\n

Ich pers\u00f6nlich mache mir erst einmal viele bunte Bildchen, wenn ich mit einer Datenanalyse beginne. Mir hilft es, zun\u00e4chst visuell m\u00f6gliche Zusammenh\u00e4nge zu identifizieren und ein Gef\u00fchl f\u00fcr Korrelationen und die Varianz des Prozesses zu bekommen. Mit Trends in Verbindung mit Streudiagrammen<\/a> oder Parallelkoordinaten<\/a>, idealerweise kategorisiert, bekommen Sie schon einen guten \u00dcberblick \u00fcber Ihre Daten. Ich finde das intuitiver als auf Zahlenkolonnen zu schauen, aber nat\u00fcrlich k\u00f6nnen Sie beispielsweise auch erstmal mit einer Korrelationsmatrix<\/a> loslegen.<\/p>\n

Methoden gibt es viele<\/h2>\n

Analysemethoden gibt es wie gesagt viele, alle mit ihren spezifischen Vor- und Nachteilen. So k\u00f6nnen Ihnen Entscheidungsb\u00e4ume<\/a> helfen, Entscheidungsregeln aus Ihren Daten abzuleiten, die Sie interpretieren und in konkrete Betriebsanweisungen umwandeln k\u00f6nnen. Sind wichtige Betriebszust\u00e4nde jedoch nicht eindeutig zuordenbar, k\u00f6nnen Regeln schnell un\u00fcbersichtlich oder ungenau werden.<\/p>\n

Im Prozess wird vieles gemessen. Daher k\u00f6nnen Sie davon ausgehen, dass Sie nicht alle Variablen zur Beschreibung Ihres Problems ben\u00f6tigen. Durch eine Hauptkomponentenanalyse<\/a> bzw. Principal Component Analysis (PCA) k\u00f6nnen Sie die Variablen identifizieren, die den gr\u00f6\u00dften Teil der Varianz in Ihrem vieldimensionalen Raum abbilden. Auf diese Weise k\u00f6nnen Sie die Analyse durch die Einschr\u00e4nkung auf die relevanten Einflussgr\u00f6\u00dfen vereinfachen. Allerdings sind die resultierenden Variablen nicht immer einfach interpretierbar. Au\u00dferdem setzt die PCA wie alle multivarianten statistischen Verfahren das Vorhandensein einer symmetrischen Verteilung der Daten voraus, was bei industriellen Prozessen h\u00e4ufig nicht gegeben ist.<\/p>\n

Hier sind beispielsweise k\u00fcnstliche neuronale Netze<\/a> deutlich robuster. Auch k\u00f6nnen Sie eine h\u00f6here Zahl an Eingangsgr\u00f6\u00dfen verarbeiten und jeglichen funktionalen Zusammenhang abbilden. Sie erhalten also ein Modell Ihres Prozesses und k\u00f6nnen damit durch Manipulation der Eingangsgr\u00f6\u00dfen Dinge ausprobieren, die Sie in Ihrem Prozess so erst einmal nicht tun w\u00fcrden. Allerdings ben\u00f6tigen Sie f\u00fcr eine hinreichende Genauigkeit eine ausreichende Zahl an Datens\u00e4tzen, die mit der Zahl der Freiheitsgrade exponentiell steigt. Au\u00dferdem ist die Konfiguration nicht ganz so einfach.<\/p>\n

Process Data Analytics made by Yokogawa<\/h2>\n

Wir bei Yokogawa nutzen unter anderem die von uns entwickelte Software Process Data Analytics<\/a>, die auf der Mahalanobis-Taguchi-Methode, einem Mustererkennungsverfahren basiert. Durch die Berechnung der sogenannten Mahalanobis-Distanz<\/a> lassen sich Anomalien im Prozess detektieren. Zus\u00e4tzlich bekommen Sie einen Hinweis, welcher der betrachteten Parameter wie stark zur Mahalanobis Distanz beitr\u00e4gt. Durch Kombination mit den ebenfalls integrierten Darstellungen von Trends, Streudiagrammen und Histogrammen sowie statistischer Kenngr\u00f6\u00dfen k\u00f6nnen auf diese Weise die Ursachen f\u00fcr die Anomalien wie beispielsweise Qualit\u00e4tsprobleme oder Prozessschwankungen aufgedeckt werden.<\/p>\n

\"Datenanalyse
Datenanalyse mit der Software Process Data Analytics<\/figcaption><\/figure>\n

F\u00fcr mehr Informationen, lesen Sie den Gastbeitrag<\/a> von Xiao Wei<\/a>.<\/p>\n

Augen und Ohren auf bei der Interpretation<\/h2>\n

Wichtig ist bei allen Analysen: lassen Sie nie ein intensives Prozesswissen au\u00dfer Acht. Wenn Sie es selbst nicht mitbringen, reden Sie mit den Wissenstr\u00e4gern! Denn nur durch die Verkn\u00fcpfung der geeigneten Analysemethode mit dem notwendigen Prozesswissen werden Sie Ihre Ergebnisse zielgerichtet interpretieren und L\u00f6sungen erarbeiten k\u00f6nnen.<\/p>\n

Au\u00dferdem seien Sie sich immer bewusst, dass mit einer Analyse immer statistisch in den Daten vorhandene Zusammenh\u00e4nge aufgedeckt werden. Diese sind als Hinweise, nicht als Beweise f\u00fcr eine reale Wirkung zu verstehen! Diese Tatsache kann Sie n\u00e4mlich im Falle der Interpretation von Ursache und Wirkung in Bezug auf manipulierbare Variablen schnell einholen. N\u00e4mlich dann, wenn Sie eine manipulierbare Variable im Prozess anpassen und dort genau das Gegenteil von dem passiert, das sie aus der Datenanalyse eigentlich erwarten. Passen Sie manipulierbare Variablen daher bitte immer mit Bedacht und schrittweise sowie dem notwendigen Prozessverst\u00e4ndnis an!<\/p>\n

Fassen wir zusammen<\/h2>\n
\"Zusammenfassung
Zusammenfassung des Schritts Analyse<\/figcaption><\/figure>\n

Das war nun ein zugegebenerma\u00dfen – inhaltlich, nicht textm\u00e4\u00dfig – kurzer Abriss zum Schritt Analyse. Sollten Sie Fragen oder Anregungen haben oder Interesse an einer ausf\u00fchrlicheren Beschreibung des ein oder anderen Themas, lassen Sie es mich wissen! Schreiben Sie einen Kommentar, ich nehme Ihre W\u00fcnsche, nat\u00fcrlich aber auch Ihre Kritik gerne entgegen.<\/p>\n

Alles klar soweit? Dann geht’s<\/span><\/strong> hier<\/strong><\/a> weiter<\/strong><\/span> mit dem Schritt<\/strong> Improve<\/strong><\/span><\/a>. Was machen aus den Ergebnissen der Analyse? Ob Prozess\u00fcberwachung, Soft-Sensoren oder Online-Optimierer. Die M\u00f6glichkeiten sind vielf\u00e4ltig. Seien Sie wieder dabei! Und wie immer: Nutzen Sie den Kommentar!<\/p>\n

\n

Einen Beitrag verpasst?<\/strong>
\nKein Problem, hier finden Sie alle Serienbeitr\u00e4ge aufgelistet:<\/strong>
\n\u2013 1. Beitrag: \u201cAnalysieren Sie Ihre Daten \u2013 in 5 Schritten zum Erfolg<\/a>\u201c
\n\u2013 2. Beitrag: \u201cAnalysieren Sie Ihre Daten \u2013 Schritt 1: Define”<\/a>
\n\u2013 vorheriger Beitrag: “Analysieren Sie Ihre Daten \u2013 Schritt 2: Measure<\/a>”
\n\u2013 n\u00e4chster Beitrag: \u201cAnalysieren Sie Ihre Daten \u2013 Schritt 4: Improve<\/a>\u201d
\n\u2013 6. Beitrag: \u201c<\/em>Analysieren Sie Ihre Daten \u2013 Schritt 5: Control<\/a>\u201d<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

Wichtig ist, dass Sie f\u00fcr die folgende Analyse m\u00f6glichst viele vollst\u00e4ndige Datens\u00e4tze mit ausreichender Aufl\u00f6sung und guter Qualit\u00e4t haben. Sofern Sie auch alle notwendigen Informationen f\u00fcr eine kausalrichtige Zuordnung der Daten und alle weiteren wichtigen Informationen aus Dokumentationen zusammengetragen haben,… <\/p>\n

Analysieren Sie Ihre Daten – Schritt 3: Analyse<\/span> Weiterlesen »<\/a><\/p>\n","protected":false},"author":115,"featured_media":1437,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"","footnotes":""},"categories":[957,958,959],"tags":[1018,223,134,1097,1110,1111,979,1055,968,994,998,167],"coauthors":[222],"acf":[],"yoast_head":"\nAnalysieren Sie Ihre Daten - Schritt 3: Analyse - Chemical Pharma Blog<\/title>\n<meta name=\"description\" content=\"Wichtig ist, dass Sie f\u00fcr die Analyse m\u00f6glichst viele vollst\u00e4ndige Datens\u00e4tze mit ausreichender Aufl\u00f6sung und guter Qualit\u00e4t haben. Mehr...\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Analysieren Sie Ihre Daten - Schritt 3: Analyse\" \/>\n<meta property=\"og:description\" content=\"Wichtig ist, dass Sie f\u00fcr die Analyse m\u00f6glichst viele vollst\u00e4ndige Datens\u00e4tze mit ausreichender Aufl\u00f6sung und guter Qualit\u00e4t haben. Mehr...\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/\" \/>\n<meta property=\"og:site_name\" content=\"Chemical Pharma Blog\" \/>\n<meta property=\"article:published_time\" content=\"2018-01-31T11:34:11+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2022-06-17T05:52:55+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/06\/Headerbild_quer_dataanalyse_analyse_EN.png\" \/>\n\t<meta property=\"og:image:width\" content=\"860\" \/>\n\t<meta property=\"og:image:height\" content=\"356\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Silke M\u00fcller\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/\"},\"author\":{\"name\":\"Silke M\u00fcller\",\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#\/schema\/person\/1f3b3ff3511df254fa00b2c9813ae815\"},\"headline\":\"Analysieren Sie Ihre Daten – Schritt 3: Analyse\",\"datePublished\":\"2018-01-31T11:34:11+00:00\",\"dateModified\":\"2022-06-17T05:52:55+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/\"},\"wordCount\":1920,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#organization\"},\"keywords\":[\"Analyse\",\"Best Practice\",\"Big data\",\"Datenanalyse\",\"Datenerfassung\",\"Datenqualit\u00e4t\",\"Effizienz\",\"Industrie 4.0\",\"Informationen\",\"Komplexit\u00e4t\",\"Optimierung\",\"Smart data\"],\"articleSection\":[\"Automation\",\"Optimization\",\"Services\"],\"inLanguage\":\"de-DE\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/\",\"url\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/\",\"name\":\"Analysieren Sie Ihre Daten - Schritt 3: Analyse - Chemical Pharma Blog\",\"isPartOf\":{\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#website\"},\"datePublished\":\"2018-01-31T11:34:11+00:00\",\"dateModified\":\"2022-06-17T05:52:55+00:00\",\"description\":\"Wichtig ist, dass Sie f\u00fcr die Analyse m\u00f6glichst viele vollst\u00e4ndige Datens\u00e4tze mit ausreichender Aufl\u00f6sung und guter Qualit\u00e4t haben. Mehr...\",\"breadcrumb\":{\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/#breadcrumb\"},\"inLanguage\":\"de-DE\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Analysieren Sie Ihre Daten – Schritt 3: Analyse\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#website\",\"url\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/\",\"name\":\"Chemical Pharma Blog\",\"description\":\"Just another blogs.yokogawa.com Sites site\",\"publisher\":{\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de-DE\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#organization\",\"name\":\"Chemical Pharma Blog\",\"url\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/05\/yokogawa-logo-e1651674418793.png\",\"contentUrl\":\"https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/05\/yokogawa-logo-e1651674418793.png\",\"width\":302,\"height\":89,\"caption\":\"Chemical Pharma Blog\"},\"image\":{\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#\/schema\/logo\/image\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#\/schema\/person\/1f3b3ff3511df254fa00b2c9813ae815\",\"name\":\"Silke M\u00fcller\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#\/schema\/person\/image\/8a8a675bcb3e2c343d2370776ca279d7\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/24c6681830f2e0554556d87c7a263564?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/24c6681830f2e0554556d87c7a263564?s=96&d=mm&r=g\",\"caption\":\"Silke M\u00fcller\"},\"url\":\"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/author\/silke-mueller\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Analysieren Sie Ihre Daten - Schritt 3: Analyse - Chemical Pharma Blog","description":"Wichtig ist, dass Sie f\u00fcr die Analyse m\u00f6glichst viele vollst\u00e4ndige Datens\u00e4tze mit ausreichender Aufl\u00f6sung und guter Qualit\u00e4t haben. Mehr...","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/","og_locale":"de_DE","og_type":"article","og_title":"Analysieren Sie Ihre Daten - Schritt 3: Analyse","og_description":"Wichtig ist, dass Sie f\u00fcr die Analyse m\u00f6glichst viele vollst\u00e4ndige Datens\u00e4tze mit ausreichender Aufl\u00f6sung und guter Qualit\u00e4t haben. Mehr...","og_url":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/","og_site_name":"Chemical Pharma Blog","article_published_time":"2018-01-31T11:34:11+00:00","article_modified_time":"2022-06-17T05:52:55+00:00","og_image":[{"width":860,"height":356,"url":"https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/06\/Headerbild_quer_dataanalyse_analyse_EN.png","type":"image\/png"}],"author":"Silke M\u00fcller","twitter_card":"summary_large_image","schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/#article","isPartOf":{"@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/"},"author":{"name":"Silke M\u00fcller","@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#\/schema\/person\/1f3b3ff3511df254fa00b2c9813ae815"},"headline":"Analysieren Sie Ihre Daten – Schritt 3: Analyse","datePublished":"2018-01-31T11:34:11+00:00","dateModified":"2022-06-17T05:52:55+00:00","mainEntityOfPage":{"@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/"},"wordCount":1920,"commentCount":0,"publisher":{"@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#organization"},"keywords":["Analyse","Best Practice","Big data","Datenanalyse","Datenerfassung","Datenqualit\u00e4t","Effizienz","Industrie 4.0","Informationen","Komplexit\u00e4t","Optimierung","Smart data"],"articleSection":["Automation","Optimization","Services"],"inLanguage":"de-DE","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/","url":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/","name":"Analysieren Sie Ihre Daten - Schritt 3: Analyse - Chemical Pharma Blog","isPartOf":{"@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#website"},"datePublished":"2018-01-31T11:34:11+00:00","dateModified":"2022-06-17T05:52:55+00:00","description":"Wichtig ist, dass Sie f\u00fcr die Analyse m\u00f6glichst viele vollst\u00e4ndige Datens\u00e4tze mit ausreichender Aufl\u00f6sung und guter Qualit\u00e4t haben. Mehr...","breadcrumb":{"@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/#breadcrumb"},"inLanguage":"de-DE","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/daten-analyse_analyse\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/"},{"@type":"ListItem","position":2,"name":"Analysieren Sie Ihre Daten – Schritt 3: Analyse"}]},{"@type":"WebSite","@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#website","url":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/","name":"Chemical Pharma Blog","description":"Just another blogs.yokogawa.com Sites site","publisher":{"@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de-DE"},{"@type":"Organization","@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#organization","name":"Chemical Pharma Blog","url":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/","logo":{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#\/schema\/logo\/image\/","url":"https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/05\/yokogawa-logo-e1651674418793.png","contentUrl":"https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/05\/yokogawa-logo-e1651674418793.png","width":302,"height":89,"caption":"Chemical Pharma Blog"},"image":{"@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#\/schema\/person\/1f3b3ff3511df254fa00b2c9813ae815","name":"Silke M\u00fcller","image":{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/#\/schema\/person\/image\/8a8a675bcb3e2c343d2370776ca279d7","url":"https:\/\/secure.gravatar.com\/avatar\/24c6681830f2e0554556d87c7a263564?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/24c6681830f2e0554556d87c7a263564?s=96&d=mm&r=g","caption":"Silke M\u00fcller"},"url":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/author\/silke-mueller\/"}]}},"uagb_featured_image_src":{"full":["https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/06\/Headerbild_quer_dataanalyse_analyse_EN.png",860,356,false],"thumbnail":["https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/06\/Headerbild_quer_dataanalyse_analyse_EN-150x150.png",150,150,true],"medium":["https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/06\/Headerbild_quer_dataanalyse_analyse_EN-300x124.png",300,124,true],"medium_large":["https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/06\/Headerbild_quer_dataanalyse_analyse_EN-768x318.png",768,318,true],"large":["https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/06\/Headerbild_quer_dataanalyse_analyse_EN.png",860,356,false],"1536x1536":["https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/06\/Headerbild_quer_dataanalyse_analyse_EN.png",860,356,false],"2048x2048":["https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/06\/Headerbild_quer_dataanalyse_analyse_EN.png",860,356,false],"post-thumbnail":["https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/06\/Headerbild_quer_dataanalyse_analyse_EN-356x200.png",356,200,true]},"uagb_author_info":{"display_name":"Silke M\u00fcller","author_link":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/author\/silke-mueller\/"},"uagb_comment_info":0,"uagb_excerpt":"Wichtig ist, dass Sie f\u00fcr die folgende Analyse m\u00f6glichst viele vollst\u00e4ndige Datens\u00e4tze mit ausreichender Aufl\u00f6sung und guter Qualit\u00e4t haben. Sofern Sie auch alle notwendigen Informationen f\u00fcr eine kausalrichtige Zuordnung der Daten und alle weiteren wichtigen Informationen aus Dokumentationen zusammengetragen haben,… Analysieren Sie Ihre Daten – Schritt 3: Analyse Weiterlesen »","_links":{"self":[{"href":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/wp-json\/wp\/v2\/posts\/5257"}],"collection":[{"href":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/wp-json\/wp\/v2\/users\/115"}],"replies":[{"embeddable":true,"href":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/wp-json\/wp\/v2\/comments?post=5257"}],"version-history":[{"count":1,"href":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/wp-json\/wp\/v2\/posts\/5257\/revisions"}],"predecessor-version":[{"id":5286,"href":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/wp-json\/wp\/v2\/posts\/5257\/revisions\/5286"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/wp-json\/wp\/v2\/media\/1437"}],"wp:attachment":[{"href":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/wp-json\/wp\/v2\/media?parent=5257"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/wp-json\/wp\/v2\/categories?post=5257"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/wp-json\/wp\/v2\/tags?post=5257"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/wp-json\/wp\/v2\/coauthors?post=5257"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}