MSc Thesis Project – Improvements in Sampling for product qualification using binary data (m/f/d)

Ihr zukünftiger Arbeitgeber

Seit seiner Gründung vor 185 Jahren als Seifen- und Kerzenstart-up ist P&G heute ein führendes Unternehmen im Bereich Konsumgüter. Wir sind Heimat ikonischer, vertrauenswürdiger Marken, die 5 Milliarden Verbraucher weltweit erreichen und das Leben auf kleine, aber bedeutende Weise erleichtern.

Unsere Mitarbeiter sind unser größtes Kapital: Mit unserer Philosophie der Beförderung von innen legen wir großen Wert auf die Entwicklung unserer Mitarbeiter und setzen uns dafür ein, weltklasse Talente zu finden und zu fördern. Lernen Sie von unseren inspirierenden Führungskräften, gestalten Sie unsere unterstützende und einladende Kultur und stellen Sie Ihre persönliche Entwicklung in den Mittelpunkt Ihrer Arbeit!

Sind Sie bereit, spannende Projekte zu leiten und mit Ihren Ideen einen bedeutenden Einfluss zu haben?

Im Engineering-Team von P&G liefern wir die Technologien, die Produktinnovationen ermöglichen. Gemeinsam schaffen wir unwiderstehliche, bedeutungsvolle und nachhaltige Erlebnisse für unsere Verbraucher. Jede Änderung, die wir an unseren Produktionssystemen vornehmen, erfüllt strenge Qualifikationsstandards mit einer soliden Grundlage in der Statistik, um die Qualität unserer Produkte sicherzustellen.

Ab dem ersten Tag werden Sie alternative, kostengünstigere Sampling-Techniken und -Tools mit gleichwertigem statistischen Vertrauen erkunden und entwickeln, indem Sie die Grundlagen unserer Qualifikationsprotokolle (d.h. Binomial SPRT) bewerten und mit dem Stand der Technik vergleichen. Sie analysieren historische Daten aus Qualifikationsereignissen und Studienmöglichkeiten, um frühere Erfahrungen zu nutzen, z.B. unter Berücksichtigung von Faktoren oder Ereignissen, die die Gesamtwahrscheinlichkeiten beeinflussen.

Sie führen ordnungsgemäße Simulationen in verschiedenen Szenarien durch, um die Rate von Attributdefekten zu schätzen. Sie initiieren eine Datenbank, die historische Trendanalysen ermöglicht. Sie bewerten mögliche Anwendungen von ML-Ansätzen (z.B. genetische Algorithmen). Sie machen Fortschritte im Thema und integrieren die Lernerfahrung, um einen überzeugenden Fall für die Organisation zu erstellen, um alle anwendbaren Verbesserungen umzusetzen.

Wir glauben, dass Fachwissen oder Interesse an der Entwicklung in einer oder mehreren der folgenden Techniken relevant sein könnte: Bayesianische Optimierung, Netzwerk-Metaanalyse, Gaussian Process Modeling und Mixed Effect Modeling sowie Techniken des maschinellen Lernens.