Blog

Mitlaufende Daten statt Zetteln – Vorteile und Stolpersteine

📊 Mitlaufende Daten statt Zetteln – Vorteile und Stolpersteine

Mitlaufende Daten statt Zetteln: Wo Daten helfen – und wo sie nur „digitaler Zettel“ sind 📋➡️📊

Digitale Erfassung klingt nach der einfachen Antwort auf alles, was heute noch auf Zetteln läuft: Stundenzettel, Produktionsprotokolle, Störungen, Qualitätsaufzeichnungen. In vielen kleinen und mittleren Unternehmen wird aber nur der Medienbruch ersetzt – ohne echten Mehrwert. Die zentrale Frage lautet daher nicht „Papier oder Tablet?“, sondern: Welche Entscheidung treffe ich schneller oder besser, weil ich Daten mitlaufen lasse?

Typischer Use-Case: Von der Papierliste zum mitlaufenden Shopfloor-Board

Ein klassisches Beispiel aus Werkstatt oder Produktion:

  • Maschinenlaufzeiten und Störungen werden heute auf Zetteln notiert.
  • RĂĽstzeiten, Nacharbeit und Ausschuss stehen in irgendeiner Excel-Liste.
  • Die SchichtfĂĽhrung sieht Probleme erst im Tages- oder WochenrĂĽckblick.

Ziel eines mitlaufenden Systems:
– Status (läuft, rĂĽstet, Störung) ist live sichtbar.
– Mengen, Ausschuss und Ursache der Störung werden direkt an der Maschine oder am Arbeitsplatz erfasst.
– Kennzahlen wie Ausbringung, Ausschussquote und Gesamtanlageneffektivität (Overall Equipment Effectiveness, kurz OEE) sind zeitnah verfĂĽgbar – nicht erst am Monatsende.

Der technische Kern ist trivial: ein Tablet, ein kleines Webformular oder eine einfache Python-Anwendung, die Zeitstempel und Ereignisse in einer Datenbank speichert. Entscheidend ist, was Sie damit berechnen und wie Sie es interpretieren.

Wichtige Metriken und Methodik

Welche Kennzahlen machen in der Praxis Sinn?

FĂĽr laufende Prozesse in Fertigung, Montage oder Service sind typischerweise relevant:

  • Ausbringung pro Zeiteinheit
    Stückzahl pro Stunde, Schicht oder Auftrag – Basisgröße für Kapazität.

  • Ausschuss- und Nacharbeitsquote
    Anteil fehlerhafter Teile oder Einsätze; je nach Branche mit Verweis auf Qualitätsanforderungen, etwa Normen wie ÖNORM EN ISO 9001 (Qualitätsmanagement).

  • Gesamtanlageneffektivität (OEE)
    OEE kombiniert drei Komponenten:

  • VerfĂĽgbarkeit (Betriebszeit ohne Störungen / geplante Zeit)
  • Leistung (tatsächliche Geschwindigkeit / Referenzgeschwindigkeit)

  • Qualität (gut produzierte Teile / Gesamtteile)

  • Störungsarten und -dauer
    Verteilungsanalyse: Welche Störungstypen verursachen den größten Verlust?

  • Prozessdurchlaufzeit
    Zeit von Auftragseröffnung bis Fertigmeldung; relevant für Liefertermintreue.

Für Service- und Instandhaltungsteams kommen zusätzlich in Frage:

  • Reaktionszeit auf Störungsmeldung
  • Reparaturdauer und Wiederanlaufzeit
  • Häufigkeit gleichartiger Störungen (Mustererkennung fĂĽr Ursachenanalyse)

Mitlaufende Erfassung: einfache technische Umsetzung

Im Kern reichen schon:

  1. Ereignisliste

  2. Felder wie: Zeitstempel, Arbeitsplatz, Auftrag, Ereignisart (Start, Stopp, Störung, Rüsten, Qualitätsabweichung), Menge, Grundcode, Kommentar.

  3. Tagesaggregation (zum Beispiel mit Python, SQL oder einem Business-Intelligence-Werkzeug)

  4. Auswertung nach Schicht, Maschine, Produkt, Team.

  5. Visualisierung nah am Prozess

  6. Linien- oder Balkendiagramme fĂĽr Ausbringung/Schicht.
  7. Pareto-Diagramm („80/20“) der Störungsgründe.
  8. Ampel- oder Speedometer-Visualisierung fĂĽr OEE nur, wenn Schwellenwerte sauber definiert sind.

Wichtig: Mitlaufend heiĂźt nicht, dass jedes Detail sekundengenau sein muss. Praktisch ist oft eine Ereignis-orientierte Erfassung (Start/Stopp/Grund), die dann automatisch Zeitdifferenzen berechnet.

Konkretes Beispiel: Rüst- und Störzeiten gezielt reduzieren

Ausgangssituation in einem metallverarbeitenden Betrieb:

  • Drei CNC-Maschinen, häufige Kleinserien.
  • RĂĽst- und Störzeiten wurden auf Zetteln gefĂĽhrt, ausgewertet wurde selten.
  • GefĂĽhl im Team: „Wir stehen dauernd, aber keiner weiĂź genau warum.“

Schritt 1: Datenstruktur und Erfassung definieren

Am Tablet an jeder Maschine:

  • Schaltflächen: „Auftrag starten“, „Auftrag beenden“, „RĂĽsten“, „Störung“, „Wartung“.
  • Bei „Störung“: Auswahl eines Störgrunds (Spannmittel, Werkzeugbruch, Programm, Material, Organisation).
  • Mengenfeld: Gutteile, Ausschussteile je Auftrag.

Technisch genĂĽgt:

  • Eine zentrale Datenbanktabelle (z.B. in PostgreSQL oder MariaDB).
  • Eine einfache Weboberfläche; Auswertung via Python (pandas) oder Power BI/Tableau, je nach Infrastruktur.

Schritt 2: Metriken berechnen

FĂĽr jede Maschine und Schicht:

  • Betriebszeit, RĂĽstzeit, Störzeit, Produktionszeit.
  • StĂĽckzahl gut/schlecht, Ausschussquote.
  • OEE (VerfĂĽgbarkeit Ă— Leistung Ă— Qualität).
  • ParetoĂĽbersicht der Störungsarten.

Schritt 3: Interpretation

Nach drei Wochen Datenlauf zeigten sich typische Muster:

  • Ein Störgrund („Material nicht bereit“) verursachte ĂĽber 30 % der gesamten Stillstandszeit.
  • RĂĽstzeiten schwankten stark zwischen Schichten (Unterschied bis zu 40 %).
  • Der OEE war nicht „schlecht insgesamt“, sondern vor allem durch VerfĂĽgbarkeitsverluste begrenzt.

In dieser Situation ist die wichtigste Erkenntnis:
Nicht die Maschine ist das Problem, sondern Materialbereitstellung und RĂĽstorganisation.

Schritt 4: Handlungsempfehlungen aus den mitlaufenden Daten

  • Materialbereitstellung:
  • Verbindliche Ăśbergabepunkte und -zeiten definieren.

  • Einfache Checkliste im System: „Material vollständig“ als Pflichtfeld vor Auftragsstart.

  • RĂĽstprozesse:

  • Unterschiedliche Vorgehensweisen zwischen Schichten erkennen (Prozessbeobachtung).
  • „Best Practice“-RĂĽstablauf festlegen und schulen.
  • RĂĽstdauer fortlaufend monitoren – nicht als Kontrolle Einzelner, sondern als Wirksamkeitsnachweis der MaĂźnahme.

Die mitlaufenden Daten haben damit gezielt Ansatzpunkte aufgezeigt, an denen organisatorische MaĂźnahmen messbar greifen.

Typische Stolpersteine bei der Umstellung von Zettel auf digital

1. Digitaler Zettel ohne Auswertung

Häufige Falle:
Man ersetzt Papier durch Eingabemasken, speichert alle Details – wertet sie aber kaum aus oder nur einmal im Monat.

Praktische GegenmaĂźnahme:

  • Vor Projektstart klären:
  • Welche drei Kennzahlen brauchen wir täglich oder wöchentlich?
  • Wer schaut wann darauf?
  • Welche Entscheidung wird davon konkret beeinflusst (z.B. Schichtplanung, Wartungsfenster, Losgrößen)?

2. Zu viel Detail, zu wenig Struktur

Wenn fĂĽr jede Kleinigkeit ein Freitext verlangt wird, entstehen:

  • Viel Schreibaufwand.
  • Unklare Daten, die sich schlecht auswerten lassen („Maschine spinnt“, „Material schlecht“).

Besser:

  • 5–10 standardisierte HauptgrĂĽnde mit eindeutiger Definition.
  • Optional ein Freitextfeld fĂĽr Zusatzinformation.
  • Klare Schulung, was unter welchem Grund zu verbuchen ist (kurze, bebilderte Beispiele).

3. Kennzahlen ohne Kontext

Eine OEE-Zahl von „63 %“ ist für sich wertlos, wenn nicht klar ist:

  • Welches Produktportfolio?
  • Welche Losgrößen?
  • Welche geplanten Pausen oder Wartungen sind enthalten?

Ohne Kontext entstehen schnell falsche Schlüsse („Team A ist schlechter als Team B“), obwohl die Rahmenbedingungen unterschiedlich sind.

GegenmaĂźnahme:

  • FrĂĽh eine saubere Definition pro Kennzahl festlegen und schriftlich dokumentieren.
  • Teams in die Definition einbinden, damit die Kennzahl auch akzeptiert wird.

4. Misstrauen und Angst vor Ăśberwachung

Mitlaufende Daten werden schnell als Kontrollinstrument wahrgenommen. Insbesondere in Ă–sterreich sind zudem datenschutzrechtliche und arbeitsrechtliche Vorgaben (zum Beispiel Datenschutz-Grundverordnung, kurz DSGVO, und Arbeitsverfassungsrecht) zu beachten, wenn personenbezogene Leistungsdaten erhoben werden.

Empfehlungen:

  • FrĂĽh und transparent kommunizieren:
  • Was wird erfasst?
  • WofĂĽr werden die Daten genutzt – und wofĂĽr ausdrĂĽcklich nicht?
  • Wenn personenbezogene Auswertungen geplant sind, jedenfalls arbeitsrechtliche Rahmenbedingungen prĂĽfen (Betriebsrat, Zustimmungen, Datenschutzfolgeabschätzung nach DSGVO, falls erforderlich).
  • Fokus in Visualisierungen auf Anlagen und Prozesse, nicht auf Einzelpersonen.

5. Kein klares „Datenende“

Viele Systeme sammeln weiter, auch wenn niemand mehr hinschaut. Ergebnis:

  • Datenfriedhöfe ohne Nutzen.
  • Skepsis im Team: „Warum etwas sauber erfassen, wenn nichts zurĂĽckkommt?“

Praxisnaher Ansatz:

  • FĂĽr jede Kennzahl einen regelmäßigen Review-Termin definieren.
  • Wenn eine Kennzahl längere Zeit nicht mehr genutzt wird, bewusst abschaffen oder anpassen.
  • Erfolge sichtbar machen (z.B. Störzeit um 25 % reduziert seit EinfĂĽhrung MaĂźnahme X).

Visualisierung: Was sich bewährt – und was eher schadet

Nicht jede Datenflut braucht ein komplexes Dashboard. Oft reichen wenige, gut platzierte Visualisierungen:

  • Tages- oder Schichttrend
    Kumulierte Teile und Störzeit als Liniendiagramm – direkt in der Produktion sichtbar (zum Beispiel großer Monitor).

  • Pareto-Diagramm fĂĽr Störungen
    Balkendiagramm der Störgründe, sortiert nach Zeitverlust. Ideal als Grundlage für kontinuierliche Verbesserung.

  • Heatmaps fĂĽr Wiederholfehler
    Darstellung, an welchen Anlagen oder Produkten sich bestimmte Fehlerhäufigkeiten ballen.

Fehlerquellen bei Visualisierungen:

  • Zu viele Kennzahlen auf einem Bildschirm (InformationsĂĽberlastung).
  • Farben ohne klare Bedeutung (rot-gelb-grĂĽn ohne definierte Grenzwerte).
  • Zeitintervalle, die zu grob oder zu fein gewählt sind (Minutenrauschen statt Wochenmuster oder umgekehrt).

Handlungsempfehlungen fĂĽr den Einstieg in mitlaufende Daten

  1. Anwendungsfall scharf definieren

  2. Beispiel: „Wir wollen innerhalb von drei Monaten die Rüst- und Störzeiten an zwei Schlüsselmaschinen messbar verstehen und gezielt reduzieren.“

  3. Minimum an Datenfeldern festlegen

  4. Start-/Stoppzeit, Ereignisart, Störgrund (kodiert), Gut-/Schlechtmenge, Arbeitsplatz.

  5. Alles Weitere erst nach einem ersten Lernzyklus ergänzen.

  6. Datenqualität vor Datenmenge

  7. Liefern die erfassten Gründe ein klares Bild? Wenn nicht: Definition und Schulung nachschärfen.

  8. Regelmäßig Stichproben im Team durchgehen („Hätten wir diesen Fall auch so verbucht?“).

  9. Auswertung und Besprechung fix verankern

  10. Zum Beispiel wöchentliche Kurzbesprechung von drei Kennzahlen:

    • Größter Störgrund der Woche
    • Entwicklung der RĂĽstzeit
    • Ausschussentwicklung fĂĽr 1–2 Kernprodukte

  11. Iterativ erweitern

  12. Erst wenn der erste Use-Case sauber läuft, auf weitere Linien, Standorte oder Kennzahlen ausweiten.

  13. Schnittstellen zu bestehenden Systemen (zum Beispiel Auftragsdaten aus ERP-System) Schritt fĂĽr Schritt anbinden.

  14. Technik pragmatisch halten

  15. Am Anfang reicht oft eine Browseranwendung mit Datenbank oder ein leichtgewichtiges Python-Skript fĂĽr die Auswertung.
  16. Später kann auf umfassendere Manufacturing-Execution-Systeme oder Business-Intelligence-Lösungen migriert werden, wenn Bedarf und Nutzen klar belegt sind.

Fazit: Mitlaufende Daten sind ein Werkzeug – kein Selbstzweck 🎯

Der echte Unterschied zwischen Zettel und digital ist nicht das Medium, sondern der Nutzungsrhythmus:

  • Papierlisten landen im Ordner – und werden selten angesehen.
  • Mitlaufende Daten können Entscheidungen im Tagesgeschäft stĂĽtzen, wenn sie:
  • schlank erfasst,
  • sauber definiert,
  • regelmäßig interpretiert
  • und in konkrete MaĂźnahmen ĂĽbersetzt werden.

Für technische Führungskräfte und Verantwortliche für Digitalisierung bedeutet das:
Lieber klein, fokussiert und wirksam starten – als ein großes System mit vielen Eingabemasken einzuführen, das am Ende nur „digitale Zettelwirtschaft“ erzeugt.

Wenn Sie konkrete Beispiele aus Ihrer Werkstatt, Produktion oder Ihrem Servicebereich haben, können wir gemeinsam prüfen, welche mitlaufenden Daten sich lohnen – und wie sich das mit einfachen Mitteln (zum Beispiel Python, einfache Datenbank, schlanke Visualisierung) umsetzen lässt. Stellen Sie mir gern Ihre konkrete Situation oder Ihre Kennzahlenfragen – ich gehe im Detail darauf ein und zeige, wie ein praxistauglicher Einstieg aussehen kann.

Quellen (Auswahl)
– DIN EN 15341:2019 – Instandhaltung – Kennzahlen. Beuth Verlag.
– Ă–NORM EN ISO 9001:2015 – Qualitätsmanagementsysteme – Anforderungen. Austrian Standards.
– Muchiri, P., Pintelon, L. (2008): Performance measurement using Overall Equipment Effectiveness (OEE). International Journal of Production Research.
– VDMA (2019): Leitfaden OEE – Gesamtanlageneffektivität in der Praxis. vdma.org

đź“Š #DatenMitDenken #LemconTech #IngenieurbueroLemmerer #Produktion #OEE #ShopfloorManagement #Prozessoptimierung #DigitalisierungImMittelstand