Jeder OEE-Punkt hat eine Ursache: Wie aus Produktionsdaten laufende Systeme werden.

Fertigungsunternehmen sitzen auf einem Datenschatz, der selten gehoben wird: MES und BDE, SCADA und Prozessleittechnik, ERP, CAQ und Instandhaltungssysteme liefern rund um die Uhr, was für eine systematische Optimierung nötig wäre. Was fehlt, ist nicht die Messung — sondern der Weg vom Messwert zur laufenden Entscheidung an der Linie.

Der Kern dieses Whitepapers lässt sich in drei Aussagen zusammenfassen: Erstens entstehen die größten Produktivitätsverluste in wenigen, wiederkehrenden Mustern — überlagerte Rüstvorgänge, Mikrostopps, driftende Prozessparameter. Wer sie takt- und chargenscharf sichtbar macht, verändert seine OEE strukturell. Zweitens scheitert Optimierung selten am Modell, sondern am Betrieb: an Datensilos, unklaren BDE-Gründen und Projekten, die den Proof of Concept nie verlassen. Drittens lösen spezialisierte KI-Agenten genau dieses Betriebsproblem — sie integrieren, prüfen, analysieren und berichten im Dauerbetrieb, in Ihrer Cloud, ohne CapEx.

Richtwerte aus Projekten — jede Zahl ist ein KPI, den Ihr Controlling nachrechnen kann. Ihre eigenen Werte entstehen im Potenzial-Assessment aus Ihren echten Linien- und Prozessdaten.

Kaum ein Bereich wird so unmittelbar von Daten getaktet wie die Fertigung. Die OEE eines Jahres hängt an einzelnen Verlusttreibern je Linie und Schicht: Rüsten und Anfahren, Störungen einzelner Aggregate, Materialmangel, Mikrostopps unter zwei Minuten, die in keinem Bericht auftauchen. Jeder Prozentpunkt Ausschuss kostet doppelt — Material und Kapazität. Und jede ungeplante Störung, die sich in Vibrations-, Temperatur- und Stromsignaturen längst angekündigt hatte, kostet Stillstandsstunden, die planbar gewesen wären.

Gleichzeitig steigt der Nachweisdruck: Kunden-Audits, Traceability-Anforderungen und Zertifizierungen verlangen belastbare, historisierte und prüffähige Daten — nicht Excel-Exporte, die einmal im Quartal zusammengesucht werden. Die gute Nachricht: Die Datenlage ist besser als ihr Ruf. Die typische Landschaft eines Werks liefert bereits heute alles, was ein Optimierungssystem braucht.

Abb. 1 — Sieben Quellsysteme, die in fast jedem Fertigungs-Setup vorhanden sind. Das Problem ist nicht die Verfügbarkeit der Daten, sondern ihre Trennung.

Was diese Systeme gemeinsam haben: Sie kennen einander nicht. Die BDE-Gründe liegen im MES, die Prozesswerte im SCADA, die Aufträge im ERP, die Prüfergebnisse im CAQ. Die Zusammenhänge — welcher Parameterdrift dem Ausschuss einer Charge vorausging, welche Rüstreihenfolge die Anfahrverluste erzeugt, welches Aggregat sich vor der Störung bereits auffällig verhielt — entstehen erst, wenn diese Quellen takt- und chargenscharf, historisiert und geprüft zusammenlaufen.

In Gesprächen mit Werksleitungen, Produktions- und Instandhaltungsverantwortlichen wiederholen sich drei Muster — unabhängig von Losgröße, Branche und Reifegrad. Sie erklären, warum bekannte Hebel wie die OEE-Verlustanalyse jahrelang „auf der Liste" stehen, ohne gehoben zu werden.

Muster 1 · Datensilos: Jedes System für sich

MES, SCADA, ERP und CAQ laufen nebeneinander her. Für einen simplen Schicht- oder Monatsbericht werden Daten aus vier Systemen in Excel exportiert und von Hand zusammengeführt — fehleranfällig, langsam und nie aktuell. OEE und Ursachen werden getrennt betrachtet, obwohl der Hebel genau in ihrer Kombination liegt: Eine berichtete OEE von 78 % ist nur dann wertvoll, wenn man weiß, welche drei Gründe die fehlenden Punkte kosten — und was dagegen wirkt.

Muster 2 · Bekannte Hebel, fehlende Kapazität

Rüstverluste auf Linie 3, Mikrostopps am Etikettierer, Ausschussspitzen in der Nachtschicht — die Potenziale sind den Fachleuten meist bekannt. Was fehlt, sind Kapazität und Werkzeuge, sie zu quantifizieren, zu priorisieren und in den Betrieb zu bringen. Prozessingenieure und Schichtleiter sind mit Tagesgeschäft und Berichtswesen ausgelastet; für den systematischen Aufbau von Verlustanalysen und Früherkennung bleibt keine Zeit.

Muster 3 · Der Pilot-Friedhof

Am tückischsten ist das dritte Muster: Projekte, die gut starten und im Proof of Concept enden. Ein Predictive-Maintenance-Modell überzeugt im Backtest — aber die Linie steht nicht still für Experimente, und ohne Data Ops, ML Ops und klare Verantwortlichkeiten traut sich niemand, die Warnungen in den Schichtbetrieb zu geben. Ein OEE-Dashboard entsteht mit Beraterhilfe — und wird nach deren Abschied nicht mehr gepflegt. Die Analyse war richtig; gefehlt hat der Betrieb.

Die Antwort auf das Betriebsproblem ist kein weiteres Tool, sondern ein Daten-Team, das nicht müde wird: vier spezialisierte KI-Agenten, die in Ihrer Cloud und Ihrem Data Warehouse arbeiten — Azure, AWS oder Google Cloud; Snowflake, Databricks oder BigQuery. Ihre Systeme bleiben führend und werden lesend angebunden; jede Quelle ist in wenigen Tagen einsatzbereit.

Abb. 2 — Links Ihre Systeme, in der Mitte die vier Agenten in Ihrem Data Warehouse, rechts die Ergebnisse. Der Dauerbetrieb läuft im Hintergrund mit.

Was jeder Agent für die Fertigung leistet

• Data Engineer (DE) — bindet MES, SCADA, ERP, CAQ und Instandhaltungssysteme lesend an und führt sie takt- und chargenscharf, historisiert und dokumentiert im Data Warehouse zusammen. Jede Pipeline läuft inkrementell weiter, mit Monitoring und Alarmierung.
• Data Quality (DQ) — prüft rund um die Uhr Vollständigkeit, Frische und Plausibilität: unklare BDE-Gründe, Lücken in Prozesswerten, driftende Sensoren. Auffälligkeiten werden zu Tickets, Regeln lernen mit — etwa, dass ein Grenzwert das Produkt kennt.
• Data Scientist (DS) — baut und betreibt die Analyse- und Früherkennungsmodelle: automatisches Clustern von Verlustgründen, Mikrostopp-Erkennung aus Prozesswerten, Anomalie-Früherkennung je kritischer Anlage, Korrelation von Prozessparametern und Qualität. Tägliches Retraining und Drift-Überwachung inklusive.
• Data Analyst (DA) — übersetzt in Berichte und Nachweise: vom Schichtreport über das OEE-Pareto je Linie bis zur prüffähigen Dokumentation für Kunden-Audits, Traceability und interne Revision.

Entscheidend ist das Zusammenspiel: Die vier Agenten arbeiten sich gegenseitig zu und prüfen einander. Kritische Änderungen und Automationen durchlaufen Ihre Freigaben — jede Empfehlung ist nachvollziehbar begründet. Der Mensch entscheidet; das System liefert die Grundlage, jede Schicht neu.

Jeder Use Case folgt demselben Muster: Ausgangslage verstehen, Ansatz implementieren, Ergebnis am KPI nachweisen — und dann im Dauerbetrieb halten. Die folgenden fünf Hebel decken das Spektrum von der Linie bis zur Instandhaltung ab.

Hebel 1 · OEE-Steigerung je Linie & Schicht

OEE wird in vielen Werken berichtet, aber nicht erklärt: Die Verluste verstecken sich in unklaren BDE-Gründen, in Mikrostopps unter der Erfassungsschwelle und in Unterschieden zwischen Schichten und Produkten. Automatisches Clustern der Verlustgründe, Mikrostopp-Erkennung aus Prozesswerten und ein Pareto je Linie, Schicht und Produkt machen die fehlenden Punkte adressierbar — mit Maßnahmen-Tracking und Vorher-Nachher-Nachweis je Maßnahme.

Abb. 3 — Illustratives Beispiel: 21,6 fehlende OEE-Punkte, zerlegt in Stillstands-, Leistungs- und Qualitätsverluste. Die Top-Treiber dahinter werden automatisch aus MES-Gründen geclustert.

Hebel 2 · Uptime: Ungeplante Stillstände senken

Störungen kommen „aus dem Nichts" — dabei kündigen sich viele in Vibrations-, Temperatur- und Stromsignaturen an, Minuten bis Tage im Voraus. Anomalie-Früherkennung auf Prozess- und Sensordaten je kritischer Anlage erkennt diese Muster; Warnungen kommen mit Kontext (Was? Wo? Wie dringend?) direkt an Schicht und Instandhaltung — nicht als weiterer Alarm in einer Flut, sondern priorisiert nach Ausfallrisiko und Kostenwirkung.

Abb. 4 — Illustratives Beispiel: Zwei Gründe verantworten mehr als die Hälfte der Stillstandszeit. Mikrostopps in Gold — sie tauchen in klassischen Berichten meist gar nicht auf.

Hebel 3 · Qualitäts- & Ausschussanalyse

Ausschuss wird gezählt, aber selten auf Prozessparameter zurückgeführt — die Ursachensuche bleibt Erfahrungssache und beginnt oft erst, wenn eine ganze Charge gekippt ist. Die Korrelation von CAQ-Ergebnissen mit Prozesswerten je Charge identifiziert kritische Parameterfenster: Welche Kombination aus Temperatur, Druck und Geschwindigkeit geht dem Ausschuss voraus? Daraus entsteht eine Frühwarnung, die anschlägt, bevor eine Charge kippt — und eine belastbare Grundlage für Prozessfreigaben und Reklamationsanalysen.

Hebel 4 · Instandhaltungsoptimierung

Wartung läuft vielerorts nach starrem Kalender: Manche Anlagen werden zu oft angefasst, kritische zu selten. Die Priorisierung nach tatsächlichem Zustand und Ausfallrisiko dreht das um — IH-Aufträge, Ersatzteile und Stillstandsfenster werden datenbasiert geplant, integriert mit Ihrem CMMS. Geplante Eingriffe wandern in ohnehin vorhandene Stillstandsfenster; die Früherkennung aus Hebel 2 liefert die Kandidatenliste.

Hebel 5 · Rüstzeiten & Anfahrverluste

Rüsten und Anfahren stehen in fast jedem Stillstands-Pareto ganz oben — und trotzdem fehlt meist die Datengrundlage, um sie systematisch zu senken: Wie lange dauert derselbe Produktwechsel je Schicht und Team wirklich? Welche Rüstreihenfolge minimiert die Anfahrverluste? Die takt- und auftragsscharfe Auswertung von Rüstvorgängen aus MES- und Prozessdaten macht Best Practices sichtbar, bewertet Reihenfolgen aus dem ERP-Auftragsbestand und misst jede SMED-Maßnahme am tatsächlichen Effekt.

Ihr Use Case fehlt? Traceability und Chargenrückverfolgung, Durchlaufzeiten, Engpassanalysen, CO₂ je Produkt — wenn die Daten es hergeben, quantifizieren wir das Potenzial im Assessment.

Analyse ist erst der Anfang — bezahlt macht sich die Umsetzung. Deshalb folgt jeder Fund demselben Vier-Schritt: Finden (kontinuierliche Muster- und Abweichungsanalyse in den Produktionsdaten), Bewerten (jeder Fund wird in Euro pro Jahr und KPI-Wirkung übersetzt und nach Hebel und Aufwand priorisiert), Heben (die wertvollsten Hebel werden operationalisiert — Frühwarnungen, Empfehlungen, Automationen mit Ihren Freigaben) und Sichern (jede Maßnahme erhält eine Vorher-Nachher-Messung; Monitoring und Retraining halten den Effekt stabil).

Das Ergebnis dieses Prozesses ist der Potenzial-Ledger: eine laufend gepflegte, priorisierte Liste aller identifizierten Potenziale — jeweils mit Befund, Kontext und Euro-Wert. So könnte er für ein Werk mit drei Linien aussehen:

Abb. 5 — Illustratives Beispiel. Ihr Ledger entsteht im Potenzial-Assessment aus Ihren echten MES-, Prozess- und Qualitätsdaten.

Beispielrechnung: Serienfertiger mit drei Linien

Zur Einordnung eine vereinfachte Modellrechnung für ein Werk mit drei Linien im Dreischichtbetrieb. Die Prozentwerte entsprechen den KPI-Richtwerten aus Kapitel 5; die absoluten Beträge hängen von Ihren Deckungsbeiträgen, Ihrer Auslastung und Ihrem Produktmix ab — genau das klärt das Assessment.

Tab. 1 — Vereinfachte Modellrechnung, keine Zusage. Vereinbart wird je Use Case ein klar definierter KPI mit Baseline aus Ihren historischen Daten und Zielwert — bevor wir starten.

Zwei Eigenschaften unterscheiden diesen Business Case von klassischen Digitalisierungsprojekten: Ohne CapEx — es entsteht keine neue Hardware- oder Lizenzlandschaft; die Agenten arbeiten in Ihrer bestehenden Cloud. Und nachrechenbar — jede Maßnahme bekommt eine Vorher-Nachher-Messung am vereinbarten KPI, die Ihr Controlling eigenständig prüfen kann. Gemessen wird nicht an Dashboards, sondern an OEE-Punkten, Stillstandsstunden und Ausschussquote.

Der häufigste Einwand gegen Datenprojekte in der Fertigung lautet: „Das dauert Jahre." Die Erfahrung zeigt das Gegenteil — wenn die Betriebskomponenten von Anfang an mitgebaut werden. Der typische Fahrplan für den ersten Use Case, etwa die OEE-Verlustanalyse an einer Linie:

Wichtig ist die Reihenfolge: Nicht erst zwei Jahre „Datenplattform bauen" und dann Use Cases suchen — sondern mit einem wirtschaftlich klaren Hebel starten und die Plattform daran wachsen lassen. Jede angebundene Quelle, jedes Datenmodell und jede Prüfregel zahlt auf die nächsten Use Cases ein.

Produktionsdaten sind sensibel — wettbewerblich wie vertraglich. Rezepturen, Prozessfenster, Auslastung und Qualitätsdaten gehören zu den bestgehüteten Informationen eines Werks. Deshalb ist die Architekturentscheidung keine Nebensache, sondern Teil des Business Case:

• Alles in Ihrer Umgebung. Azure, AWS oder Google Cloud; Snowflake, Databricks oder BigQuery. Ihr Berechtigungsmodell gilt, DSGVO-konform — und Ihr Team kann jederzeit übernehmen: Pipelines, Modelle und Dokumentation gehören Ihnen.
• Ihre Systeme bleiben führend. MES, SCADA, ERP und CAQ werden lesend angebunden. Es entsteht kein Parallelsystem, das gepflegt werden müsste — und kein Eingriff in laufende Steuerungen ohne Ihre Freigabe.
• Der Mensch entscheidet. Kritische Änderungen und Automationen — etwa eine Wartungsempfehlung oder ein Eingriff in die Reihenfolgeplanung — durchlaufen Ihre Freigaben. Jede Empfehlung ist nachvollziehbar begründet.
• LLM frei wählbar. OpenAI, Anthropic, Mistral oder Open Source — auch EU-gehostet oder on-prem, wenn Ihre Compliance es verlangt.
• Prüffähigkeit eingebaut. Historisierte, geprüfte Daten und dokumentierte Maßnahmen liefern die Nachweise für Kunden-Audits, Traceability-Anfragen und interne Revision nebenbei mit.

Die Fertigung braucht keine weiteren Pilotprojekte — sie braucht Systeme, die laufen. Die Daten dafür sind vorhanden; die Hebel sind bekannt; die Technologie, sie im Dauerbetrieb zu halten, ist da. Was den Unterschied macht, ist der Ansatz: Use Case zuerst, Euro-Bewertung je Fund, Betrieb von Tag eins mitgedacht, und jeder Effekt am KPI nachgewiesen.

Ob sich der Einstieg für Ihr Werk lohnt, lässt sich in wenigen Minuten prüfen:

• Kennen Sie die drei größten OEE-Verlusttreiber je Linie — takt- und schichtscharf, nicht als Jahresdurchschnitt?
• Werden BDE-Gründe, Prozesswerte und Prüfergebnisse heute in einem System zusammen betrachtet — oder in getrennten Exporten?
• Wie viele Ihrer Stillstandsstunden laufen unter „Sonstiges" — und wüsste jemand, was sich dahinter verbirgt?
• Kündigen sich Störungen in Ihren Sensordaten an — und sieht das jemand rechtzeitig, oder erst im Nachhinein?
• Läuft Ihre Instandhaltung nach Kalender — oder nach dem tatsächlichen Zustand der Anlagen?

Wenn Sie bei zwei oder mehr Fragen zögern, liegt mit hoher Wahrscheinlichkeit quantifizierbares Potenzial in Ihren Daten. Der nächste Schritt ist bewusst klein gehalten: ein 30-minütiger Potenzial-Check an einem Fertigungs-Beispiel, gefolgt von einem 2-Wochen-Assessment mit Ihren echten MES-Daten — mit dem Potenzial-Ledger als greifbarem Ergebnis.