Inhalt
Was ist Data-Driven Manufacturing?
Data-Driven Manufacturing (deutsch: datengetriebene Fertigung) bedeutet, dass Produktionsentscheidungen auf Messdaten basieren statt auf Erfahrung, Schätzung oder Bauchgefühl. Maschinen liefern Echtzeitdaten. Software verwandelt diese Daten in Kennzahlen. Menschen nutzen die Kennzahlen, um Probleme zu erkennen, Ursachen zu analysieren und Verbesserungen umzusetzen.
Das klingt selbstverständlich. In der Praxis ist es das nicht. Die meisten mittelständischen Fertigungsbetriebe in DACH arbeiten heute noch weitgehend datenblind: Maschinen laufen automatisch (Industrie 3.0), aber die Daten bleiben in der SPS eingeschlossen. Die OEE wird am Ende der Woche in Excel geschätzt. Stillstandsgründe werden aus dem Gedächtnis rekonstruiert. Die Rückmeldung ans ERP erfolgt manuell am Schichtende.
Data-Driven Manufacturing ändert das. Nicht durch neue Maschinen, sondern durch eine Datenschicht zwischen Maschine und Mensch: IoT-Gateways erfassen den Maschinenstatus. Ein MES berechnet Kennzahlen in Echtzeit. Dashboards machen die Daten sichtbar. Die Produktion wird steuerbar, weil sie messbar wird.
Datenblind vs. datengetrieben: Was sich konkret ändert
| Situation | Ohne Daten (typisch Industrie 3.0) | Data-Driven Manufacturing |
|---|---|---|
| Stillstand an Linie 3 | Schichtführer bemerkt es nach 15 Minuten. Ruft Instandhaltung an. Ursache wird diskutiert. | System erkennt Stillstand. Alarm geht automatisch an Instandhaltung. |
| OEE-Berechnung | Freitagnachmittag in Excel. Basiert auf manuellen Rückmeldungen. Systematisch zu optimistisch. | Live, pro Maschine, pro Schicht, pro Auftrag. Basiert auf automatisch erfassten Maschinendaten. |
| Schichtübergabe | "War ein normaler Tag. Maschine 7 hatte ein Problem, ist aber wieder okay." | Dashboard zeigt: Maschine 7 hatte 4 Stillstände, insgesamt 47 Minuten. Hauptursache: Materialstau am Zuführband. Schicht B kann direkt ansetzen. |
| Rüstzeit | "Ungefähr 30 bis 45 Minuten." Niemand weiss es genau. | 42 Minuten im Durchschnitt. Maschine 2 rüstet 18 % schneller als Maschine 5 bei derselben Produktkombination. Warum? |
| Werksvergleich | Nicht möglich. Jedes Werk hat eigene Excel-Dateien, eigene Definitionen, eigene Berechnungsmethoden. | Alle Werke auf einer Plattform. Einheitliche KPI-Definitionen. Benchmarking in Echtzeit. |
| ERP-Rückmeldung | Manuell, am Schichtende. Produktionszeiten werden auf den Auftrag gebucht. Abweichungen gehen unter. | Bidirektional, automatisch. Istzeiten, Stückzahlen und Stillstände fließen in Echtzeit zurück. |
Der Unterschied ist nicht technologisch spektakulär. Es geht nicht um KI, Digital Twins oder autonome Fabriken. Es geht darum, dass die Daten, die jede Maschine ohnehin produziert, endlich genutzt werden.
Die vier Stufen der datengetriebenen Fertigung
Data-Driven Manufacturing ist kein Zustand, den man einschaltet. Es ist ein Reifeprozess mit klar unterscheidbaren Stufen:
| Stufe | Was passiert | Typische Kennzeichen | Zeitrahmen |
|---|---|---|---|
| 1. Messen | Maschinendaten werden automatisch erfasst. Maschinenstatus, Stückzahlen, Taktzeiten, Stillstände fließen in ein System. | IoT-Gateways installiert. Erste Dashboards zeigen Echtzeit-OEE. Stillstands-Pareto verfügbar. | Tage bis Wochen |
| 2. Verstehen | Daten werden analysiert. Muster werden sichtbar. Ursachen werden identifiziert. Vergleiche werden möglich. | Schichtvergleiche, Maschinenvergleiche, Trend-Analysen. Stillstandsgründe werden klassifiziert. Rüstzeit-Matrizen entstehen. | Wochen bis Monate |
| 3. Handeln | Daten fließen in Entscheidungen. Tägliches Shopfloor Meeting basiert auf Echtzeit-Kennzahlen. Maßnahmen werden abgeleitet und nachverfolgt. | Strukturiertes Shopfloor Management. PDCA-Zyklen auf Basis von Messdaten. Instandhaltung priorisiert nach Stillstandskosten. | Monate |
| 4. Vorhersagen | Historische Daten ermöglichen Prognosen. Muster in Prozessdaten deuten auf Probleme hin, bevor sie auftreten. | Korrelation von Prozessparametern mit Qualitätsdefekten. Predictive Maintenance. KI-gestützte Mustererkennung. | 6 bis 18 Monate (auf Basis der Daten aus Stufe 1-3) |
Entscheidend: Die meisten Unternehmen stehen noch vor Stufe 1. Der grösste Hebel liegt nicht in KI und Predictive Analytics (Stufe 4), sondern darin, überhaupt erst belastbare Echtzeitdaten zu haben (Stufe 1). Wer die Stufen 1 und 2 sauber umsetzt, erzielt in der Regel 5 bis 15 % Produktivitätsverbesserung, ohne eine einzige Zeile Machine Learning Code. Davon zu unterscheiden ist die Prozessautomatisierung.
Was Data-Driven Manufacturing in der Praxis bewirkt
Echte Ergebnisse aus SYMESTIC-Kundenprojekten:
| Kunde | Branche | Was die Daten verändert haben | Messbares Ergebnis |
|---|---|---|---|
| Meleghy Automotive | Automotive (Karosserie) | OEE-Erfassung in 4 Werken auf einer Plattform. Bidirektionale SAP-Integration. Werksübergreifende Vergleichbarkeit. | 10 % weniger Stillstände, 7 % mehr Ausbringung |
| Carcoustics | Automotive (Akustik/Thermik) | Mehr als 500 Anlagen in 12 Werken angebunden. Konzernweite Performance-Analyse. | Bestehendes MES abgelöst, an SAP angebunden |
| Schmiedetechnik Plettenberg | Metallverarbeitung (Schmieden) | Von papierbasierter Erfassung zu Echtzeit-Transparenz. ERP-Integration (InforCOM). Datenbasis für zukünftige KI-Anwendungen geschaffen. | Weniger Stillstände, effizientere Schichtwechsel, skalierbare Datenbasis |
Das gemeinsame Muster: Der erste Schritt war immer derselbe. Maschinen anbinden, Daten erfassen, sichtbar machen. Nicht ein grosses Transformationsprojekt, sondern ein pragmatischer Einstieg: erste Maschine in Stunden, erste Ergebnisse in Tagen, Skalierung auf alle Maschinen in Wochen.
Warum die meisten Data-Driven-Manufacturing-Initiativen scheitern
Data-Driven Manufacturing scheitert selten an der Technologie. Es scheitert an drei Dingen:
1. Zu viel Ambition, zu wenig Grundlage. Unternehmen wollen direkt mit Predictive Maintenance und KI starten, haben aber keine konsistente Maschinendatenerfassung. Stufe 4 ohne Stufe 1 funktioniert nicht. Die Datenqualität bestimmt die Obergrenze jeder Analyse.
2. Daten werden erfasst, aber nicht genutzt. Dashboards werden aufgebaut, aber niemand schaut regelmäßig darauf. Es gibt kein Shopfloor Meeting, das auf den Daten basiert. Kein PDCA-Zyklus, der Maßnahmen aus der Analyse ableitet. Daten ohne Prozess sind nutzlos.
3. Die Implementierung dauert zu lange. Wenn zwischen der Entscheidung für ein MES und den ersten Ergebnissen 12 bis 18 Monate liegen, ist die anfängliche Energie verflogen. Champions wechseln die Stelle. Budgets werden umgeschichtet. Der ROI bleibt theoretisch. Der Einstieg muss schnell sein, damit die Organisation den Nutzen spürt, bevor die Euphorie nachlässt.
Was es für den Einstieg braucht
Der Einstieg in Data-Driven Manufacturing erfordert drei Bausteine:
Konnektivität. Bestandsmaschinen werden über digitale I/O-Gateways angebunden (kein SPS-Eingriff, 2 bis 4 Stunden pro Maschine). Moderne Steuerungen über OPC UA. Damit fließen Maschinenstatus, Stückzahl, Taktzeit und Stillstände automatisch in die Cloud. Wie sich diese Stufe historisch einordnet, zeigt der Überblick Industrie 1.0 bis 5.0. Die Architektur dahinter erklärt der Beitrag zur Digital Manufacturing Platform.
Eine MES-Plattform. Software, die Rohdaten in Kennzahlen verwandelt: OEE, Verfügbarkeit, Leistung, Qualität. Stillstands-Pareto, Maschinenvergleich, Schichtvergleich, Trend-Analyse. Echtzeit-Dashboards für den Shopfloor und den Produktionsleiter. Bidirektionale ERP-Integration, damit die Daten auch in der Planung ankommen.
Einen Prozess, der die Daten nutzt. Das tägliche Shopfloor Meeting, in dem der Schichtführer das Stillstands-Pareto bespricht. Die wöchentliche Analyse, in der der Instandhalter die Top-3-Stillstandsursachen priorisiert. Der monatliche Werksvergleich, in dem der COO Best Practices identifiziert. Ohne Prozess bleiben Daten Dekoration.
SYMESTIC liefert die ersten beiden Bausteine: Konnektivität (IoT-Gateways, OPC UA) und Plattform (cloud-natives MES mit Echtzeit-Kennzahlen, Dashboards, ERP-Integration). Den dritten Baustein (Prozess) unterstützt SYMESTIC durch Onboarding, Enablement-Workshops und Customer Success, aber umsetzen muss ihn das Unternehmen selbst.
Bei Schmiedetechnik Plettenberg formuliert es der Technische Leiter so: "SYMESTIC verschafft uns eine durchgängige Echtzeittransparenz, die wir in dieser Form vorher nicht hatten. Dadurch können wir schneller eingreifen, unsere Prozesse deutlich stabiler steuern und den täglichen Betrieb spürbar vereinfachen. Gleichzeitig legen wir mit der sauberen und strukturierten Datenbasis den Grundstein für zukünftige KI-gestützte Anwendungen."
Häufige Fragen zu Data-Driven Manufacturing
Was unterscheidet Data-Driven Manufacturing von Industrie 4.0?
Industrie 4.0 ist ein Konzept: Maschinen, Systeme und Produkte werden vernetzt. Data-Driven Manufacturing ist ein Ergebnis: Entscheidungen basieren auf Daten. Industrie 4.0 beschreibt die technische Infrastruktur (IoT, Cloud, CPS). Data-Driven Manufacturing beschreibt, was man damit macht. Man kann Industrie-4.0-Technologie einsetzen, ohne datengetrieben zu fertigen (wenn die Daten zwar erfasst, aber nicht genutzt werden). Und man kann in Ansätzen datengetrieben fertigen, ohne die volle Industrie-4.0-Infrastruktur zu haben.
Brauche ich neue Maschinen für Data-Driven Manufacturing?
Nein. Bestandsanlagen können über digitale I/O-Gateways angebunden werden, ohne SPS-Eingriff und ohne Produktionsunterbrechung. Moderne Steuerungen werden über OPC UA angebunden. Die Investition liegt nicht in neuen Maschinen, sondern in der Konnektivitätsschicht und der MES-Plattform.
Wie lange dauert der Einstieg?
Mit einem cloud-nativen MES: Tage, nicht Monate. Bei Klocke waren alle Verpackungslinien in 3 Wochen angebunden. Bei Meleghy wurden 4 Werke in 6 Monaten aufgeschaltet. Der traditionelle Weg (On-Premise MES, Server, Customizing) dauert 6 bis 18 Monate.
Welche Daten werden erfasst?
Im ersten Schritt: Maschinenstatus (läuft / steht / rüstet), Stückzahlen und Taktzeiten. Daraus werden OEE, Verfügbarkeit, Leistung und Qualität berechnet. Im zweiten Schritt: Stillstandsgründe (automatisch aus SPS-Alarmen oder manuell vom Werker), Prozessdaten (Temperaturen, Drücke, Drehmomente), Auftragsdaten (aus dem ERP), Qualitätsdaten (Ausschuss, Nacharbeit). Je mehr Daten fließen, desto tiefer die Analyse.
Was ist der ROI von Data-Driven Manufacturing?
Bei einem Maschinenpark mit 100 Euro Maschinenstundensatz und 4.000 Betriebsstunden pro Jahr entspricht jedes Prozent Produktivitätssteigerung 4.000 Euro pro Maschine und Jahr. Bei 20 Maschinen und 5 % Verbesserung: 400.000 Euro pro Jahr.
