Manufacturing Analytics: Definition, Methoden und Praxis

Was ist Manufacturing Analytics?

Manufacturing Analytics bezeichnet die systematische Auswertung von Produktionsdaten mit dem Ziel, Verluste sichtbar zu machen, Ursachen zu verstehen und Prozesse gezielt zu verbessern.

In der Praxis bedeutet das: Maschinendaten, Auftragsdaten, Qualitätsdaten und Prozessparameter werden erfasst, zusammengeführt und analysiert. Das Ergebnis sind Kennzahlen, Muster und Zusammenhänge, die ohne Datenanalyse unsichtbar bleiben.

Der Begriff kommt aus dem englischsprachigen Raum und hat sich auch im DACH-Raum etabliert. Eine exakte deutsche Entsprechung gibt es nicht. "Produktionsdatenanalyse" kommt dem am nächsten, deckt aber nur einen Teil ab. Manufacturing Analytics umfasst den gesamten Bogen: von der Datenerfassung über die Aufbereitung bis zur Entscheidungsunterstützung.

Warum ist das Thema relevant? Weil die meisten produzierenden Unternehmen deutlich mehr Daten erzeugen, als sie auswerten. Die Maschinen laufen, die Steuerungen protokollieren, aber die Daten landen in Silos, in Excel-Dateien oder gar nicht erst in einem System. Manufacturing Analytics schliesst diese Lücke.

Welche Daten bilden die Grundlage?

Manufacturing Analytics basiert auf drei Datenkategorien, die in der Fertigung anfallen.

Maschinendaten (MDE). Alles, was die Maschine selbst liefert: Zykluszeiten, Maschinenstatus (Produktion, Stillstand, Rüsten), Stückzähler, Alarme, Prozessparameter wie Temperatur, Druck oder Drehmoment. Diese Daten werden idealerweise automatisch über ein IoT-Gateway oder OPC UA erfasst, sekundengenau und ohne manuellen Aufwand.

Betriebsdaten (BDE). Auftragsbezogene Daten: Welcher Fertigungsauftrag läuft? Wer arbeitet an welcher Maschine? Wie viele Gutteile, wie viele Ausschussteile? Rüstbeginn und Rüstende. Stillstandsgründe, die der Werker manuell qualifiziert. Diese Daten kommen typischerweise über ein BDE-Terminal oder einen Shopfloor-Client.

Qualitätsdaten. Prüfergebnisse, Fehlerkategorien, Ausschussraten, SPC-Werte (Statistische Prozesskontrolle). In vielen Betrieben werden diese Daten noch in separaten Systemen erfasst, in einem Q-System oder in Excel. Für eine durchgängige Analyse müssen sie mit den Maschinen- und Betriebsdaten zusammengeführt werden.

Die Herausforderung liegt selten in der Menge der Daten. Sie liegt in der Zusammenführung. Erst wenn Maschinendaten, Betriebsdaten und Qualitätsdaten in einem System zusammenlaufen, entsteht ein vollständiges Bild.

Die vier Stufen der Analyse

Manufacturing Analytics lässt sich in vier Stufen einteilen. Jede Stufe baut auf der vorherigen auf.

Stufe 1: Deskriptive Analyse. "Was ist passiert?"

Das ist die Grundlage. Dashboards zeigen Ist-Werte: OEE, Verfügbarkeit, Leistung, Qualität. Stillstandslisten sortiert nach Dauer und Häufigkeit. Stückzahlen pro Schicht, pro Maschine, pro Auftrag. Ausschussraten nach Fehlerart.

Die deskriptive Analyse beantwortet die Frage: Was ist passiert? Sie liefert Transparenz, aber noch keine Ursachen.

In der Praxis starten die meisten Unternehmen hier, und allein diese Stufe erzeugt bereits erheblichen Nutzen. Bei Klocke (Pharma-Verpackung) führte die Einführung automatischer Stückzahl- und Stillstandserfassung zu 12 % mehr Ausbringung und 8 % höherer Verfügbarkeit.

Stufe 2: Diagnostische Analyse. "Warum ist es passiert?"

Hier geht es um Ursachenanalyse. Stillstände werden nicht nur gezählt, sondern nach Störgrund, Schicht, Maschinentyp und Zeitraum aufgeschlüsselt. Korrelationen werden sichtbar: Tritt Störgrund X häufiger in der Nachtschicht auf? Gibt es einen Zusammenhang zwischen Prozessparameter Y und Ausschussrate Z?

Bei Neoperl (vollautomatische Montageautomaten) werden SPS-Alarme automatisch mit Stillständen und Qualitätsdefekten korreliert. Das Ergebnis: Die Anlage begründet technische Stillstände selbst, ohne manuellen Eingriff. 15 % weniger Ausschuss durch genau diese Ursachen-Verknüpfung.

Stufe 3: Prädiktive Analyse. "Was wird passieren?"

Auf Basis historischer Daten werden Vorhersagemodelle erstellt. Typische Anwendungen: Predictive Maintenance (wann fällt eine Komponente wahrscheinlich aus?), Qualitätsprognosen (bei welchen Parameterkombinationen steigt die Ausschussrate?) und Kapazitätsprognosen (reicht die aktuelle Ausbringung für den Liefertermin?).

Diese Stufe erfordert eine solide Datenbasis aus den Stufen 1 und 2. Ohne saubere historische Daten funktioniert kein Vorhersagemodell.

Stufe 4: Präskriptive Analyse. "Was sollten wir tun?"

Das System gibt nicht nur Prognosen, sondern konkrete Handlungsempfehlungen. Beispiel: "Werkzeugwechsel an Maschine 7 innerhalb der nächsten 48 Stunden empfohlen, Ausfallwahrscheinlichkeit liegt bei 82 %." Oder: "Parameteranpassung um 3 % reduziert die prognostizierte Ausschussrate von 4,2 % auf 1,8 %."

In der Praxis sind die meisten Fertigungsunternehmen im DACH-Raum auf den Stufen 1 und 2 unterwegs. Das ist kein Rückstand, das ist der richtige Startpunkt. Wer die deskriptive und diagnostische Analyse nicht beherrscht, hat für prädiktive Modelle keine brauchbare Datenbasis.

Manufacturing Analytics vs. Business Intelligence

Die Begriffe werden gelegentlich verwechselt. Der Unterschied ist relevant.

Business Intelligence (BI) analysiert Geschäftsdaten: Umsatz, Marge, Auftragseingang, Liefertreue. Die Daten kommen aus dem ERP. Die Analyse erfolgt typischerweise auf Tages- oder Wochenbasis. BI-Tools wie Power BI, Tableau oder QlikSense sind dafür ausgelegt.

Manufacturing Analytics analysiert Produktionsdaten: Maschinenzyklen, Stillstände, Prozessparameter, Stückzahlen. Die Daten kommen von der Maschine und aus dem MES. Die Analyse erfolgt in Echtzeit oder nahe Echtzeit. Die Anforderungen an Datenvolumen, Geschwindigkeit und Granularität sind deutlich höher als bei klassischer BI.

Konkret: Ein BI-Report zeigt, dass die Liefertreue letzte Woche bei 87 % lag. Manufacturing Analytics zeigt, dass Maschine 12 am Dienstag in der Frühschicht 47 Minuten Stillstand hatte, davon 23 Minuten wegen Störgrund "Materialmangel Zuführung", und dass dieser Störgrund in den letzten 30 Tagen 14 Mal aufgetreten ist, mit steigender Tendenz.

Beide Analyseebenen haben ihren Platz. Aber für die operative Verbesserung der Fertigung braucht es Manufacturing Analytics.

Welche Rolle spielt ein MES?

Ein MES (Manufacturing Execution System) ist die natürliche Plattform für Manufacturing Analytics. Nicht die einzige, aber die naheliegendste.

Warum? Weil ein MES die drei Datenkategorien (Maschinendaten, Betriebsdaten, Qualitätsdaten) in einem System zusammenführt. Das ist genau die Voraussetzung, die Manufacturing Analytics braucht.

Ohne MES sieht die Realität in vielen Betrieben so aus:

• Maschinendaten stecken in der SPS und werden nicht ausgelesen
• Betriebsdaten werden in Excel erfasst, pro Schicht ein Blatt
• Qualitätsdaten liegen im Q-System, ohne Verbindung zu den Maschinendaten
• OEE wird einmal im Monat manuell berechnet, auf Basis geschätzter Werte

In dieser Situation ist Analytics bestenfalls eine nachträgliche Auswertung unvollständiger Daten. Es fehlt die gemeinsame Datenbasis.

Ein Cloud-MES ändert das grundlegend. Die Maschinendaten werden automatisch erfasst (über IoT-Gateways), die Betriebsdaten über Shopfloor-Clients eingegeben, die Qualitätsdaten entweder direkt im MES oder über eine Schnittstelle importiert. Alle Daten landen in einer Datenbank, in Echtzeit, und stehen sofort für Analyse und Visualisierung bereit.

Praxisbeispiel: Von der Datenerfassung zur Entscheidung

Bei Meleghy Automotive (internationaler Automobilzulieferer, Karosseriebauteile, 6 Werke in Deutschland, Tschechien und Ungarn) war die Ausgangssituation typisch: Die Maschinen liefen, aber die Datenlage war lückenhaft.

Die Lösung bestand aus drei Schritten:

Schritt 1: Automatische Datenerfassung. OEE-Erfassung an den wichtigsten Prozessschritten in allen Werken. Maschinendaten werden automatisch erfasst, Stillstände sekundengenau dokumentiert.

Schritt 2: Bidirektionale ERP-Integration. Anbindung an SAP R3 über ABAP IDoc. Maschinenzyklen werden automatisch Fertigungsaufträgen zugeordnet. Rückmeldungen fliessen direkt ins ERP. Kein manuelles Übertragen, keine Medienbrüche.

Schritt 3: Werksübergreifende Analyse. Alle 6 Werke werden auf einer Plattform zusammengeführt. Die Produktionsleitung sieht die OEE pro Werk, pro Linie, pro Maschine. Stillstands-Rankings, Schichtvergleiche, Trendanalysen.

Das Ergebnis: 10 % weniger Stillstände, 7 % mehr Ausbringung, 5 % höhere Verfügbarkeit. Die Skalierung auf alle 6 Werke dauerte 6 Monate.

Der entscheidende Punkt: Ohne durchgängige Datenerfassung gab es keine Analysebasis. Ohne Analysebasis gab es keine gezielten Massnahmen. Manufacturing Analytics war nicht ein zusätzliches Tool, es war der Mechanismus, der aus Daten Verbesserung machte.

Die häufigsten Kennzahlen in Manufacturing Analytics

Nicht jede Kennzahl ist für jedes Unternehmen relevant. Aber diese werden in der Praxis am häufigsten verwendet:

Die Kunst liegt nicht darin, möglichst viele Kennzahlen zu berechnen. Die Kunst liegt darin, die richtigen Kennzahlen für das jeweilige Verbesserungsziel auszuwählen und sie auf einer verlässlichen Datenbasis zu berechnen.

Häufige Fragen zu Manufacturing Analytics

Brauche ich Manufacturing Analytics, wenn ich schon OEE berechne?

Kommt darauf an, wie. Wenn die OEE einmal im Monat manuell in Excel berechnet wird, auf Basis geschätzter Werte, ist das keine Analytics. Das ist Berichtswesen. Manufacturing Analytics beginnt dort, wo Daten automatisch erfasst, in Echtzeit ausgewertet und für Ursachenanalyse genutzt werden. OEE ist eine Kennzahl innerhalb von Manufacturing Analytics, nicht das Gleiche.

Ab welcher Unternehmensgrösse lohnt sich Manufacturing Analytics?

Die Frage ist nicht die Grösse, sondern die Komplexität. Ein Betrieb mit 5 Maschinen und hoher Varianz (viele Rüstvorgänge, häufige Produktwechsel, enge Liefertermine) profitiert mehr als ein Betrieb mit 50 Maschinen, die alle das gleiche Produkt in Dauerlauf produzieren. In der Praxis ist der typische Einstiegspunkt ein Betrieb ab ca. 10 Maschinen mit Serien- oder Chargenfertigung.

Kann ich Manufacturing Analytics ohne MES betreiben?

Technisch ja. Praktisch wird es schwierig. Ohne MES fehlt die zentrale Datenbasis. Man kann Maschinendaten über IoT-Gateways in ein Data Warehouse schieben und dort analysieren. Aber die Verknüpfung mit Auftrags-, Personal- und Qualitätsdaten muss dann manuell hergestellt werden. Das funktioniert als Pilotprojekt, aber nicht als dauerhafter Betrieb.

Was ist der Unterschied zwischen Manufacturing Analytics und Industrie 4.0?

Industrie 4.0 ist ein Sammelbegriff für die Digitalisierung der Fertigung. Manufacturing Analytics ist ein konkreter Teilbereich davon. Man kann Industrie 4.0 betreiben, ohne Manufacturing Analytics zu machen (zum Beispiel nur Vernetzung ohne Auswertung). Aber man kann keine sinnvolle Industrie-4.0-Strategie umsetzen, ohne irgendwann bei der Datenanalyse zu landen.

Wie schnell sehe ich Ergebnisse?

Bei einer cloud-basierten Lösung mit automatischer Maschinendatenerfassung typischerweise innerhalb der ersten Wochen. Nicht weil die Software etwas verbessert, sondern weil die Transparenz sofort Handlungsbedarf sichtbar macht. Die häufigste Reaktion beim ersten Blick auf echte Daten: "Das hätten wir nicht erwartet." Und genau das ist der Startpunkt für Verbesserung.

Über den Autor:

Uwe Kobbert

Gründer und CEO der symestic GmbH. Über 30 Jahre Fertigungsindustrie. Dipl.-Ing. Nachrichtentechnik.
LinkedIn