Manufacturing Intelligence: Definition, Aufbau & MES-Praxis

Was ist Manufacturing Intelligence?

Manufacturing Intelligence (MI) bezeichnet die systematische Erfassung, Zusammenführung und Analyse von Produktionsdaten aus unterschiedlichen Quellen, um daraus verwertbare Erkenntnisse für operative und strategische Entscheidungen in der Fertigung abzuleiten.

Der Begriff taucht seit den frühen 2000er-Jahren in der Fertigungs-IT auf, geprägt durch Anbieter wie Wonderware (heute AVEVA) und die MESA International. Die Grundidee: In jedem Fertigungswerk entstehen riesige Datenmengen in SPS-Steuerungen, SCADA-Systemen, MES, ERP und Qualitätssystemen. Aber diese Daten liegen in Silos.
Der Werksleiter sieht die ERP-Zahlen, der Instandhalter sieht die SCADA-Alarme, der Produktionsleiter sieht die MES-Dashboards. Niemand sieht das Gesamtbild.

Manufacturing Intelligence löst genau dieses Problem. Es bricht die Datensilos auf, aggregiert Informationen über Systemgrenzen hinweg und stellt sie so dar, dass Zusammenhänge sichtbar werden, die in den Einzelsystemen verborgen bleiben. Ein Beispiel: Die OEE fällt auf einer Linie seit drei Schichten. Das MES zeigt den Rückgang. Aber erst die Korrelation mit SPS-Alarmdaten zeigt, dass ein bestimmter Sensor intermittierend ausfällt und Mikrostillstände verursacht, die einzeln unter der Erfassungsschwelle liegen.

Manufacturing Intelligence vs. Business Intelligence: Der Unterschied

Manufacturing Intelligence wird oft mit Business Intelligence (BI) gleichgesetzt. Beide analysieren Daten und visualisieren Ergebnisse. Aber die Anforderungen in der Fertigung unterscheiden sich grundlegend von denen im kaufmännischen Bereich.

Die entscheidende Konsequenz: Ein Standard-BI-Tool wie Power BI oder Tableau kann Produktionsdaten visualisieren. Aber es versteht keine Maschinenzyklen, keine Taktzeiten und keine Stillstandskategorien. Manufacturing Intelligence beginnt dort, wo BI aufhört: bei der Interpretation von Shopfloor-Daten in ihrem fertigungstechnischen Kontext.

Die vier Ebenen von Manufacturing Intelligence

Manufacturing Intelligence ist kein einzelnes Softwareprodukt, sondern eine Fähigkeit, die auf vier aufeinander aufbauenden Ebenen entsteht:

Ebene 1: Datenerfassung. Die Basis. Maschinensignale, Zykluszeiten, Stückzahlen, Stillstände und Prozeßdaten werden automatisch von den Anlagen erfasst. Ohne automatische Maschinendatenerfassung (MDE) gibt es keine zuverlässige MI. Manuelle Eintragungen in Schichtbüchern oder Excel-Listen sind zu langsam, zu ungenau und nicht skalierbar.

Ebene 2: Kontextualisierung. Die Rohdaten werden mit Kontext angereichert: Welcher Auftrag lief? Welches Produkt? Welche Schicht? Welcher Bediener? Ein Maschinenzyklus ohne Auftragszuordnung ist ein Datenpunkt. Ein Maschinenzyklus mit Auftrag, Produkt und Qualitätsstatus ist eine Information. Diese Kontextualisierung findet typischerweise im MES statt, das BDE-Daten mit Auftragsdaten aus dem ERP verknüpft.

Ebene 3: Analyse und Korrelation. Die kontextualisierten Daten werden analysiert: OEE-Berechnung, Stillstands-Pareto, Ausschussanalyse, Trendvergleiche über Schichten, Wochen oder Produkte. Entscheidend ist die Korrelation über Systemgrenzen hinweg. Wenn SPS-Alarme mit Qualitätsdefekten korreliert werden, entstehen Erkenntnisse, die kein Einzelsystem liefern kann.

Ebene 4: Entscheidung und Aktion. Analyse ohne Handlung ist wertlos. MI Muss in Entscheidungsprozesse eingebettet sein: Shopfloor-Management-Runden, KVP-Workshops, Eskalationsprozesse bei Schwellwertüberschreitungen. Die Alarmierung bei kritischen Abweichungen gehört dazu, ebenso wie automatisierte Reports an die richtige Rolle zur richtigen Zeit.

Manufacturing Intelligence in der Praxis: Was es konkret verändert

Das klingt abstrakt. Drei Szenarien zeigen, was MI in der Fertigungspraxis bedeutet:

Szenario 1: Stillstandsanalyse. Ohne MI: Der Schichtleiter schreibt „Störung" ins Schichtbuch. Im Monatsbericht steht: „Verfügbarkeit 72 %." Niemand weiß warum. Mit MI: Das MES erfasst jeden Stillstand automatisch mit Dauer, Ursache (technisch, organisatorisch, geplant) und Zeitpunkt. Die Stillstandsanalyse zeigt als Pareto: 40 % der Verlustzeit entfallen auf drei wiederkehrende Störungen. Das KVP-Team hat einen klaren Ansatzpunkt.

Szenario 2: Prozessdatenkorrelation. Eine Spritzgussmaschine produziert sporadisch Ausschuss. Die Qualitätsprüfung erkennt die Teile, aber die Ursache bleibt unklar. MI korreliert Prozessparameter (Schmelztemperatur, Einspritzdruck, Zykluszeit) mit Qualitätsergebnissen und zeigt: Wenn die Werkzeugtemperatur unter einen bestimmten Schwellwert fällt, steigt die Ausschussrate. Die Ursache ist ein Kühlkreislaufproblem, das intermittierend auftritt.

Szenario 3: Werksübergreifendes Benchmarking. Ein Unternehmen mit mehreren Werken will vergleichen, welches Werk bei gleichen Produkten die beste Ausbringung erzielt. Ohne MI: Excel-Berichte mit unterschiedlichen Definitionen, die Wochen zu spät kommen. Mit MI: Einheitliche Produktionskennzahlen über alle Werke, berechnet nach derselben Logik, verfügbar in Echtzeit.

Bei Carcoustics wurde genau dieses dritte Szenario umgesetzt: konzernweite Performance-Kennzahlen über 500+ Anlagen in allen Werken, bidirektionale SAP-Anbindung über ABAP IDoc für die Kontextualisierung (Mapping von Maschinenzyklen zu Fertigungsaufträgen, Rückspielen der Daten ins ERP). Ergebnis: 4 % weniger Stillstandszeiten, 3 % bessere Ausbringung, 8 % höhere Verfügbarkeit.

Manufacturing Intelligence vs. MES vs. SCADA: Wer liefert was?

In modernen Cloud-MES-Architekturen ist die MI-Schicht oft direkt ins MES integriert. Das MES erfasst die Daten, kontextualisiert sie und stellt Analysen, Dashboards und Alarme bereit, ohne daß ein separates MI-Tool nötig ist. Die Grenze zwischen MES und MI verschwimmt: Ein MES mit eingebauter Analyse-Engine, Korrelationsfunktionen und Echtzeit-Dashboards ist de facto Manufacturing Intelligence.

Typische Fehler bei der MI-Einführung

Fehler 1: MI-Tool kaufen, bevor die Datenerfassung steht. Manufacturing Intelligence kann nur so gut sein wie die Daten, auf denen sie basiert. Wer ein BI-Dashboard aufsetzt, aber die Maschinendaten manuell in Excel erfasst, baut ein Analysehaus auf Sand. Die automatische Datenerfassung direkt an der Anlage ist die Voraussetzung, nicht das Ergebnis.

Fehler 2: Daten sammeln ohne Fragestellung. „Wir erfassen erst mal alles, und dann schauen wir, was wir damit machen." Das klingt fortschrittlich, führt aber zu Datenfriedhöfen. Jede MI-Initiative sollte mit einer konkreten Frage starten: „Warum liegt unsere Verfügbarkeit unter 75 %?" oder „Welche Störungsursache kostet uns die meiste Produktionszeit?" Die Frage bestimmt, welche Daten erfasst, kontextualisiert und analysiert werden müssen.

Fehler 3: Analysen erstellen, die niemand nutzt. Ein Dashboard, das nicht im Tagesgeschäft eingebettet ist, wird nach zwei Wochen nicht mehr angeschaut. MI muss in bestehende Prozesse integriert sein: ins Shopfloor-Meeting morgens um 8 Uhr, in den KVP-Workshop am Freitag, in die Eskalation bei Stillständen über 15 Minuten. Bei Neoperl wurde genau das umgesetzt: SPS-basierte Alarmerfassung und automatische Stillstandsüberwachung als Werkzeug für KVP-Workshops. Ergebnis: 10 % weniger Stillstände, 15 % weniger Ausschuß, 15 % Produktivitätsgewinn.

Fehler 4: Keine einheitlichen Definitionen über Werke hinweg. Wenn Werk A „Verfügbarkeit" anders berechnet als Werk B, ist jeder Vergleich wertlos. MI erfordert konzernweit einheitliche KPI-Definitionen: Was zählt als geplante Produktionszeit? Welche Stillstände sind technisch, welche organisatorisch? Wie wird die Idealtaktzeit bestimmt? Ohne diesen Standard produziert MI keine Erkenntnis, sondern Verwirrung.

Häufige Fragen zu Manufacturing Intelligence

Was ist der Unterschied zwischen Manufacturing Intelligence und Industrie 4.0?
Industrie 4.0 ist das übergeordnete Konzept der digitalisierten, vernetzten Fertigung. Manufacturing Intelligence ist eine konkrete Fähigkeit innerhalb dieses Konzepts: die Fähigkeit, aus Produktionsdaten verwertbare Erkenntnisse abzuleiten. MI ist ein Baustein von Industrie 4.0, nicht das Gleiche.

Brauche ich ein separates MI-Tool oder reicht ein MES?
Das hängt vom MES ab. Ein modernes Cloud-MES mit eingebauter Analyse-Engine, Echtzeit-Dashboards, Stillstandskorrelation und systemübergreifender Datenintegration (z. B. über REST-API oder ERP-Schnittstellen) deckt die MI-Funktionalität ab. Ein separates Tool wird erst nötig, wenn das MES keine ausreichenden Analysefunktionen bietet oder Daten aus Systemen außerhalb des MES einbezogen werden müssen.

Wie schnell liefert Manufacturing Intelligence Ergebnisse?
Das hängt von der Ausgangslage ab. Wenn die Maschinendatenerfassung bereits automatisiert ist, können erste Erkenntnisse (Stillstands-Pareto, OEE-Trend, Top-Verluste) innerhalb weniger Tage verfügbar sein. Ohne bestehende Datenerfassung muss zuerst die Anbindung der Anlagen erfolgen, was je nach Maschinenpark und Konnektivität zwischen Stunden (bei OPC-UA-fähigen Anlagen) und wenigen Wochen (bei älteren Anlagen mit digitalen I/O-Signalen) dauert.

Welche Rolle spielt KI bei Manufacturing Intelligence?
KI erweitert MI um prädiktive Fähigkeiten: statt nur zu analysieren, was passiert ist, vorherzusagen, was passieren wird. Typische Anwendungen sind Predictive Maintenance (Vorhersage von Anlagenausfällen) und Predictive Quality (Vorhersage von Qualitätsabweichungen auf Basis von Prozessdaten). Die Voraussetzung bleibt dieselbe: zuverlässige, kontextualisierte Daten aus der Produktion.

Über den Autor

Christian Fieg

Head of Sales, SYMESTIC. Six Sigma Black Belt. 25+ Jahre Automotive-Fertigung bei Johnson Controls, Visteon, iTAC und Dürr. Verantwortete globale MES- und Traceability-Rollouts auf vier Kontinenten. Autor von „OEE: Eine Zahl, viele Lügen" (2025).