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.
  • Rüstzeiten, Nacharbeit und Ausschuss stehen in irgendeiner Excel-Liste.
  • Die Schichtführung sieht Probleme erst im Tages- oder Wochenrückblick.

Ziel eines mitlaufenden Systems:
– Status (läuft, rüstet, 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 verfügbar – 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?

Für 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:

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

Wichtig: Mitlaufend heißt 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.
  • Rüst- und Störzeiten wurden auf Zetteln geführt, ausgewertet wurde selten.
  • Gefühl im Team: „Wir stehen dauernd, aber keiner weiß genau warum.“

Schritt 1: Datenstruktur und Erfassung definieren

Am Tablet an jeder Maschine:

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

Technisch genügt:

  • 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

Für jede Maschine und Schicht:

  • Betriebszeit, Rüstzeit, Störzeit, Produktionszeit.
  • Stückzahl gut/schlecht, Ausschussquote.
  • OEE (Verfügbarkeit × Leistung × Qualität).
  • Paretoübersicht der Störungsarten.

Schritt 3: Interpretation

Nach drei Wochen Datenlauf zeigten sich typische Muster:

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

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

Schritt 4: Handlungsempfehlungen aus den mitlaufenden Daten

  • Materialbereitstellung:
  • Verbindliche Übergabepunkte und -zeiten definieren.

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

  • Rüstprozesse:

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

Die mitlaufenden Daten haben damit gezielt Ansatzpunkte aufgezeigt, an denen organisatorische Maßnahmen 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 Gegenmaßnahme:

  • 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 für jede Kleinigkeit ein Freitext verlangt wird, entstehen:

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

Besser:

  • 5–10 standardisierte Hauptgründe mit eindeutiger Definition.
  • Optional ein Freitextfeld für 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.

Gegenmaßnahme:

  • Früh 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 Überwachung

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

Empfehlungen:

  • Früh und transparent kommunizieren:
  • Was wird erfasst?
  • Wofür werden die Daten genutzt – und wofür ausdrücklich nicht?
  • Wenn personenbezogene Auswertungen geplant sind, jedenfalls arbeitsrechtliche Rahmenbedingungen prüfen (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 zurückkommt?“

Praxisnaher Ansatz:

  • Für 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 Einführung Maßnahme 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 für Störungen
    Balkendiagramm der Störgründe, sortiert nach Zeitverlust. Ideal als Grundlage für kontinuierliche Verbesserung.

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

Fehlerquellen bei Visualisierungen:

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

Handlungsempfehlungen für 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 Rüstzeit
    • Ausschussentwicklung für 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 für Schritt anbinden.

  14. Technik pragmatisch halten

  15. Am Anfang reicht oft eine Browseranwendung mit Datenbank oder ein leichtgewichtiges Python-Skript für 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 stützen, wenn sie:
  • schlank erfasst,
  • sauber definiert,
  • regelmäßig interpretiert
  • und in konkrete Maßnahmen übersetzt 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.
– ÖNORM 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

📊 #DatenMitDenken #LemconTech #IngenieurbueroLemmerer #Produktion #OEE #ShopfloorManagement #Prozessoptimierung #DigitalisierungImMittelstand