Manufacturing Analytics: Was Sie auf dem Shopfloor messen sollten – und was nicht

Manufacturing Analytics bezeichnet die Praxis, Produktionsdaten zu erfassen, zu interpretieren und darauf aufbauend zu handeln, um Durchsatz zu steigern, Ausschuss zu reduzieren und Betriebskosten zu senken. Die Kennzahlen, die Entscheidungen auf dem Shopfloor tatsächlich treiben, sind nur ein kleiner Ausschnitt der Daten, die die meisten Hersteller ohnehin schon erfassen. Die meisten Analytics-Programme scheitern nicht, weil Daten fehlen, sondern weil die falschen Kennzahlen verfolgt werden, die richtigen Kennzahlen nicht mit Entscheidungen verknüpft sind oder die Daten in Systemen liegen, die nicht miteinander kommunizieren. Dieser Leitfaden zeigt, was Sie messen sollten, was Sie ignorieren können und wie Sie eine Analytics-Praxis auf dem Shopfloor aufbauen, die zu operativer Verbesserung statt zu reiner Berichterstattung führt.

Warum die meisten Shopfloor-Analytics-Programme Reports statt Entscheidungen produzieren

Das typische Analytics-Programm einer Fabrik sammelt mehr Daten, als es tatsächlich nutzt. Maschinen liefern Sensordaten. Produktionssysteme protokollieren Ereignisse. ERP-Systeme erfassen Transaktionen. Diese Daten häufen sich in getrennten Systemen an, werden zu Wochenberichten aggregiert und von Personen geprüft, die weder die Befugnis noch den Kontext haben, um auf Basis dessen zu handeln.

Das Ergebnis ist eine Berichtspraxis statt einer echten Analytics-Praxis. Dieser Unterschied ist entscheidend: Reporting beschreibt, was passiert ist. Analytics erklärt, warum es passiert ist und was künftig anders gemacht werden sollte. Hersteller, die aus ihren Daten Entscheidungen ableiten wollen, müssen ihre Analytics um die Entscheidungen herum gestalten, die sie treffen wollen – nicht um die Daten, die sich am leichtesten erfassen lassen.

Die Kennzahlen, die die Shopfloor-Performance tatsächlich treiben

Overall Equipment Effectiveness (OEE)

OEE ist nicht ohne Grund die am weitesten verbreitete Kennzahl auf dem Shopfloor: Sie verdichtet drei Dimensionen der Produktionsleistung in einer einzigen Zahl. Verfügbarkeit misst, welcher Anteil der geplanten Produktionszeit die Anlage tatsächlich gelaufen ist. Leistung misst, wie schnell die Anlage im Vergleich zu ihrer Nenngeschwindigkeit gelaufen ist. Qualität misst, welcher Anteil der Ausbringung die Spezifikation im ersten Durchlauf erfüllt hat.

Ein OEE-Wert über 85 Prozent gilt in der Stückgutfertigung als Weltklasse. Die meisten Fabriken bewegen sich zwischen 40 und 60 Prozent – das bedeutet, es gibt erhebliches ungenutztes Kapazitätspotenzial, bevor überhaupt Investitionen nötig werden. Am aussagekräftigsten ist OEE, wenn sie pro Maschine oder Linie erfasst wird und nicht als Werksdurchschnitt, denn Durchschnittswerte verdecken die konkreten Engpässe, die den Gesamtdurchsatz begrenzen.

Zykluszeit und Taktzeit-Abweichung

Die Zykluszeit gibt an, wie lange die Fertigung einer Einheit tatsächlich dauert. Die Taktzeit gibt an, wie lange sie dauern sollte – basierend auf der Kundennachfrage und den verfügbaren Produktionsstunden. Die Lücke zwischen beiden ist der direkteste Indikator dafür, ob eine Produktionslinie die Nachfrage bedient oder ins Hintertreffen gerät.

Wird die Zykluszeit-Abweichung pro Arbeitsstation erfasst, zeigt sich, wo Engpässe liegen. Eine Station, die dauerhaft langsamer als die Taktzeit läuft, bremst die gesamte Linie. Eine Station, die dauerhaft schneller läuft, produziert Bestand, der sich vor dem Engpass staut – das ist Verschwendung, kein Wertbeitrag. Beide Muster sind handlungsrelevante Erkenntnisse, die erst durch die Zykluszeiterfassung sichtbar werden.

Erstausbeute und Fehlerquote je Prozessschritt

Die Erstausbeute misst, welcher Anteil der Einheiten einen Prozessschritt durchläuft, ohne Nacharbeit oder Ausschuss zu erfordern. Wird die Erstausbeute je Prozessschritt statt erst am Linienende erfasst, zeigt sich, wo Fehler entstehen – nicht nur, wo sie entdeckt werden. Ein am Linienende entdeckter Fehler ist irgendwo vorgelagert entstanden. Die Kosten dieses Fehlers umfassen die gesamte Wertschöpfung, die zwischen Entstehung und Entdeckung hinzugekommen ist.

Die Fehlerquote je Prozessschritt, kombiniert mit einer Ursachenkategorisierung, liefert die Datenbasis, um Investitionen in Qualitätsverbesserung zu priorisieren. Der Prozessschritt mit der höchsten Fehlerquote und den höchsten Kosten pro Fehler ist dort, wo Qualitätsinvestitionen den größten Ertrag bringen.

Ungeplante Stillstandszeiten nach Ursache

Ungeplante Stillstandszeiten sind der direkteste Vernichter von OEE und Durchsatz. Werden sie nach Ursache, Anlage und Schicht erfasst, lassen sich Muster erkennen, denen mit geplanter Instandhaltung und Bedienerschulung begegnet werden kann. Eine Anlage, die wiederholt an derselben Stelle ihres Betriebszyklus ausfällt, signalisiert ein Problem mit dem Wartungsintervall. Stillstände, die sich in bestimmten Schichten häufen, deuten auf ein Schulungs- oder Prozesstreue-Problem hin. Beide Muster bleiben in aggregierten Stillstandszahlen unsichtbar.

Bestände und Work-in-Progress je Station

Bestandsaufbau zwischen Produktionsstationen ist ein Symptom für einen unausgeglichenen Linienfluss. Work-in-Progress, der sich vor einer bestimmten Station staut, weist auf einen Engpass hin. Work-in-Progress, der sich zyklisch abbaut und wieder aufbaut, weist auf einen Prozess mit unregelmäßiger Leistung hin. Beide Muster zeigen, wo Flussverbesserungen den größten Effekt auf Durchsatz und Flächennutzung haben.

Was Sie auf dem Shopfloor ignorieren sollten

Die Kennzahlen, die Analytics-Kapazität binden, ohne Entscheidungen zu erzeugen, zu identifizieren ist genauso wichtig wie die relevanten Kennzahlen zu finden.

• Maschinenauslastung als eigenständige Kennzahl. Eine Maschine kann hoch ausgelastet sein und dabei fehlerhafte Teile oder Bestände produzieren, die niemand braucht. Auslastung ohne Bezug zu Qualität und Nachfrage ist kein Leistungsindikator.
• Durchschnittswerte über Schichten oder Linien hinweg. Durchschnitte verdecken genau die Streuung, die Entscheidungen antreibt. Ein Werksdurchschnitt von 72 Prozent OEE kann gleichmäßige Leistung bedeuten – oder eine sehr gute Linie, die zwei schwache Linien überdeckt.
• Kennzahlen ohne Verantwortliche. Jede Kennzahl, die zwar berichtet wird, aber keiner Person mit Befugnis und Verantwortung zum Handeln zugeordnet ist, ist reine Berichterstattung – keine Analytics-Praxis.
• Daten, die schneller erfasst werden, als auf sie reagiert werden kann. Echtzeitdaten, die ein Dashboard speisen, das niemand beobachtet, verbessern den Betrieb nicht. Die Berichtsfrequenz sollte der Entscheidungsfrequenz entsprechen.

Wie Sie eine Shopfloor-Analytics-Praxis aufbauen, die echte Verbesserung erzeugt

Beginnen Sie mit einer Entscheidung, nicht mit einem Dashboard

Die wirksamsten Analytics-Programme in der Fertigung beginnen damit, eine einzelne operative Entscheidung zu identifizieren, die derzeit aus dem Bauch heraus getroffen wird, und dafür die Dateninfrastruktur aufzubauen, um sie evidenzbasiert zu treffen. Eine Entscheidung zur Wartungsplanung. Eine Entscheidung zur Personaleinsatzplanung. Eine Entscheidung zur Produktionsreihenfolge. Wer mit einer einzelnen Entscheidung beginnt, schafft eine Analytics-Praxis, die tatsächlich genutzt wird – statt nur berichtet zu werden.

Verknüpfen Sie Daten mit der Person, die die Entscheidung trifft

Analytics, die beim Werkleiter ankommen, verbessern die Leistung an der Produktionslinie nicht. Analytics, die den Schichtleiter, den Instandhaltungstechniker oder den Maschinenbediener genau dort erreichen, wo die Entscheidung getroffen wird, tun das sehr wohl. Den Datenfluss um die entscheidende Person herum zu gestalten – statt um die Organisationshierarchie – ist der zuverlässigste Indikator dafür, ob Analytics operative Verbesserung erzeugt.

Systeme integrieren, bevor neue Sensoren hinzukommen

Die meisten Fabriken erfassen bereits mehr Daten, als sie nutzen. Die Hürde für Analytics ist nicht die Datenverfügbarkeit, sondern der Datenzugriff: Produktionsdaten im MES, Instandhaltungsdaten in einem separaten System, Qualitätsdaten in Tabellenkalkulationen und Finanzdaten im ERP – und keines dieser Systeme kommuniziert mit den anderen. Bestehende Datenquellen zu integrieren schafft schneller operativen Mehrwert, als neue Sensoren in einer Umgebung zu installieren, in der vorhandene Daten schon nicht genutzt werden.

FAQ

Was ist Manufacturing Analytics?

Manufacturing Analytics bezeichnet die Praxis, Produktionsdaten zu erfassen, zu interpretieren und darauf basierend zu handeln, um Durchsatz, Qualität und Betriebskosten zu verbessern. Dazu zählen Kennzahlen wie OEE, Zykluszeit-Abweichung, Erstausbeute, ungeplante Stillstandszeiten und Work-in-Progress-Bestände. Wirksames Manufacturing Analytics verknüpft Daten mit den Entscheidungen, die sie eigentlich informieren sollen – statt Reports zu erzeugen, die zwar geprüft, aber nicht in Handlung umgesetzt werden.

Was ist OEE und warum ist sie auf dem Shopfloor wichtig?

OEE, Overall Equipment Effectiveness, misst die Produktionsleistung entlang dreier Dimensionen: Verfügbarkeit, Leistungsgrad und Qualitätsrate. Sie ist die am häufigsten genutzte Kennzahl auf dem Shopfloor, weil sie die drei Wege, auf denen Produktion Wert verliert, in einer einzigen Zahl zusammenfasst. Weltklasse-OEE liegt über 85 Prozent. Die meisten Hersteller bewegen sich zwischen 40 und 60 Prozent – das heißt, es lässt sich erheblicher Durchsatz gewinnen, ohne in Kapital zu investieren.

Welche Shopfloor-Kennzahlen sollten Hersteller erfassen?

Die Kennzahlen, die am zuverlässigsten Verbesserungen auf dem Shopfloor antreiben, sind OEE je Maschine oder Linie, Zyklus- und Taktzeit-Abweichung je Station, Erstausbeute und Fehlerquote je Prozessschritt, ungeplante Stillstandszeiten nach Ursache und Anlage sowie Work-in-Progress-Bestände je Station. Diese Kennzahlen sind handlungsrelevant: Jede einzelne ist mit einer konkreten operativen Entscheidung verknüpft, die eine benannte Person treffen kann.

Welche Kennzahlen sollten Hersteller nicht mehr erfassen?

Zu den Kennzahlen, die Analytics-Kapazität binden, ohne Entscheidungen zu erzeugen, zählen Maschinenauslastung als eigenständige Zahl ohne Qualitätsbezug, Werksdurchschnitte, die Abweichungen auf Linienebene verdecken, Kennzahlen ohne benannten Entscheidungsverantwortlichen sowie Daten, die schneller erfasst werden, als auf sie reagiert werden kann. Die Disziplin, wenig wertvolle Kennzahlen zu streichen, ist genauso wichtig wie wertvolle hinzuzufügen.

Wie startet man ein Shopfloor-Analytics-Programm?

Identifizieren Sie zunächst eine operative Entscheidung, die derzeit aus dem Bauch heraus getroffen wird, und bauen Sie die Dateninfrastruktur auf, die diese Entscheidung unterstützt. Integrieren Sie bestehende Datenquellen, bevor Sie neue Sensoren einsetzen. Verknüpfen Sie die Analytics-Ergebnisse mit der Person, die die Entscheidung genau dort trifft, wo sie getroffen wird. Messen Sie, ob sich die Entscheidungsqualität verbessert hat, bevor Sie den Analytics-Umfang erweitern.

Warum liefern die meisten Manufacturing-Analytics-Programme keine Ergebnisse?

Die meisten Manufacturing-Analytics-Programme scheitern, weil sie um die Datenerfassung herum konzipiert sind statt um die Entscheidungsunterstützung. Sie erzeugen Dashboards, die zwar geprüft, aber nicht genutzt werden, erfassen Kennzahlen, die nicht mit konkreten Entscheidungen verknüpft sind, aggregieren Daten so, dass die Streuung verdeckt wird, die operative Probleme verursacht, und liefern Ergebnisse an Personen, die weder die Befugnis noch den Kontext haben, um darauf basierend zu handeln.