False Accept und False Reject richtig für die Abnahme nutzen

Bei einer binären Qualitätsprüfung gibt es zwei grundlegend unterschiedliche Fehler. Ein False Accept lässt ein fehlerhaftes Teil passieren. Ein False Reject sortiert ein gutes Teil aus. Beide senken die Prozessqualität, aber ihre Folgen können völlig verschieden sein.

False Accept: Das Qualitätsrisiko

Ein Defekt wird als gut bewertet. Je nach Anwendung entstehen Nacharbeit beim Kunden, Reklamationen, Rückrufrisiken oder Sicherheitsprobleme. In kritischen Anwendungen ist der zulässige Grenzwert deshalb besonders niedrig.

False Reject: Das Produktivitätsrisiko

Ein Gutteil wird fälschlich ausgeschleust. Die Folgen sind Ausschuss, manuelle Nachprüfung, reduzierte Linienleistung und unnötige Kosten. Ein System kann also scheinbar sehr sicher sein und trotzdem wirtschaftlich unbrauchbar werden.

Warum Accuracy nicht reicht

Bei unausgeglichenen Klassen kann die Accuracy hervorragend aussehen, obwohl die seltene, aber wichtige Defektklasse schlecht erkannt wird. Deshalb sollten mindestens Confusion Matrix, False-Accept-Rate, False-Reject-Rate, Yield und die jeweilige Stichprobengröße gemeinsam betrachtet werden.

KPI-Grenzen sollten aus Prozessrisiken abgeleitet werden, nicht erst nach dem Test aus den erreichten Ergebnissen.

Vier Regeln für eine belastbare Abnahme

1. Fehlerfolgen und Kosten für beide Entscheidungsarten benennen.
2. Grenzwerte vor der Messung festlegen und versionieren.
3. KPIs getrennt nach Szenario, Variante und relevanter Störgröße auswerten.
4. Konfidenz und Datenabdeckung neben dem Prozentwert ausweisen.

Vom KPI zur Maßnahme

Ein überschrittener Grenzwert ist keine Diagnose. Erst die Verbindung mit Sensitivitätsanalyse und Worst-Case-Samples zeigt, ob Optik, Beleuchtung, Daten, Parameter oder Entscheidungslogik angepasst werden sollten.