Blog

Wenn der Mensch dem Dashboard misstraut

Wenn das Bauchgefühl „stimmt“ und das Dashboard „falsch“ wirkt, kippt Vertrauen – mit Folgen für Entscheidungen, Akzeptanz und Wirksamkeit von Digitalprojekten. Das Problem ist selten „die Daten an sich“, sondern Definitionen, Messketten, Visualisierung und fehlende Qualitätsmarker. Mit wenigen, sauberen Regeln lässt sich Vertrauen messbar herstellen. 🔍

Use-Case: Produktionslinie mit „falschem“ Effizienzabfall

Ein Linien-Dashboard meldet am Vormittag einen Effizienzabfall von 12 %. Der Schichtleiter widerspricht: Personal, Material, Takt – alles normal. Die Folge: Entscheidungen werden vertagt, die Ursachenforschung verläuft im Kreis.

Typische Konstellationen:
– Unterschiedliche Definitionen der Gesamtanlageneffektivität (OEE, ausgeschrieben: Gesamtanlageneffektivität)
– Zeitversatz zwischen Maschinendaten und Qualitätsfreigabe
– Unvollständige Zählwerte (z.B. fehlende Sensor-Heartbeats)
– Visualisierung ohne Unsicherheiten, Referenzlinien oder Datenherkunft

Metriken und Methodik: Vertrauen als System KPI gestalten

  • Einheitliche Definitionen
  • Gesamtanlageneffektivität (OEE): Produkt aus Verfügbarkeit, Leistung und Qualität. Quelle und Formel nach ISO 22400 klar dokumentieren.
  • Energie-Kennzahlen (EnPI) gemäß ISO 50006: Energiebezugsbasis, witterungs- oder lastbereinigte Vergleichswerte.

  • Qualitätskennzahlen wie First-Pass-Yield: Zählweise, Nacharbeit, Ausschussklassen beschreiben.

  • Datenqualitäts-Kennzahlen (nach ISO 8000-61)

  • Vollständigkeit: Anteil verfügbarer Datensätze gegenüber erwarteten (z.B. 98 % pro Intervall als Akzeptanzschwelle).
  • Aktualität/Latenz: Zeitdifferenz zwischen Ereignis und Anzeige (z.B. 5 min maximal für operative Steuerung).
  • Eindeutigkeit/Konsistenz: Eindeutige IDs, keine Doppelbuchungen.

  • Plausibilität: Regeln wie „Zykluszeit > 0“, „Stückzähler monoton steigend“.

  • Statistische Einordnung

  • Konfidenzintervalle für Mittelwerte/Raten sichtbar machen (NIST-Methodik).
  • Ausreißererkennung und Prozessfähigkeit mit Statistischer Prozesslenkung (SPC, ausgeschrieben: Statistische Prozesslenkung): Regelkarten, stabile Zeitfenster für Vergleiche.

  • Prognosegüte von Vorhersagen mit mittlerer prozentualer absoluter Abweichung (MAPE, ausgeschrieben: mittlere prozentuale absolute Abweichung) oder mittlerer absoluter Fehler (MAE).

  • Visualisierung und Interaktion

  • Informationsdarstellung nach ISO 9241-112: klare Skalen, ausreichende Kontraste, konsistente Farbcodierung.
  • „Trust-Panel“ direkt am Dashboard: letzte Aktualisierung, Quelle, Definition, Datenqualitätssiegel (z.B. Vollständigkeit 99,3 %, Latenz 2 min).
  • Normalisierte Vergleiche (pro Schicht, pro Produktfamilie), Referenzlinien (Basisjahr, Zielkorridore).

Beispiel: Der 12-%-Drop aufgeklärt

  • Beobachtung: OEE fällt im 10-Minuten-Takt sichtbar ab.
  • Prüfpfad:
    1) Datenvollständigkeit: Sensor-Heartbeat zeigt 94 % statt 98 % erwarteter Takte. Ursache: sporadische Netzlast am Edge-Switch.
    2) Definition: Ausschuss wird erst nach End-of-Line-Prüfung verbucht. In der Schichtmitte fehlen somit Qualitätsdaten, die im Dashboard als „schlecht“ erscheinen.
    3) Zeitbezug: Produktionszähler in Echtzeit, Qualitätsfreigabe verzögert um 20 Minuten.
  • Korrektur:
  • OEE temporär mit „Qualitäts-Proxy“ (Inline-Messung) berechnen, bis End-of-Line-Daten eintreffen; Kennzeichnung „vorläufig“.
  • Qualitätsbuchungen auf Taktzeitstempel mappen (Zeitabgleich via NTP, maximale Abweichung < 1 s).
  • Netzwerk-QoS am Switch; Sensor-Puffer mit Wiederanlauf-Mechanismus.
  • Ergebnis: Die „Lücke“ verschwindet, OEE stabil; das Dashboard zeigt Konfidenzbänder und einen Qualitätshinweis („vorläufig“). Das Team akzeptiert die Anzeige.

Interpretation: Wann ist eine Kennzahl wirklich belastbar?

  • Definition geprüft: Metrik folgt einer veröffentlichten Norm oder schriftlich freigegebenen „Metric Contracts“ (Version, Autor, Gültigkeit).
  • Datenqualität im grünen Bereich: Vollständigkeit ≥ 98 %, Latenz ≤ definierte Einsatzgrenze, Plausibilitätsquote nahe 100 %.
  • Statistische Stabilität: Prozess im statistisch beherrschten Zustand (Regelkarte ohne Sonderursachen), Konfidenzintervall eng genug für die Entscheidung.
  • Nachvollziehbarkeit: Quelle, letzte Aktualisierung, Transformationen und Filter sind direkt einsehbar.

Handlungsempfehlungen für Technik und Führung

1) Kennzahlenbibliothek anlegen
– Für jede Leistungskennzahl (KPI, ausgeschrieben: Leistungskennzahl): Name, Normbezug (z.B. ISO 22400), Formel, Ausschlüsse, Zeitaggregation, Verantwortliche Stelle.

2) Datenqualitäts-Gates einbauen
– Ampel pro Kachel: Vollständigkeit, Latenz, Plausibilität. Bei Rot keine Entscheidung – erst Ursache beheben.

3) Zeitachsen harmonisieren
– Einheitliche Zeitzone, Network Time Protocol (NTP), exakte Zuordnung von Ereignissen (Start/Ende, Los-ID).

4) Konfidenz anzeigen
– Mittelwerte nie ohne Streuung; Zielkorridore und Basislinien darstellen. Keine drei Nachkommastellen, wenn die Messunsicherheit größer ist.

5) Operative und diagnosefähige Sichten trennen
– Steuerungsansicht (kurze Latenz, wenige Kennzahlen) vs. Analyseansicht (Detail, Historie, Drill-down).

6) Cross-Checks etablieren
– Produktionsmenge gegen Energieverbrauch (nach ISO 50006) und Personaleinsatz spiegeln; Durchsatz, Umlaufbestand und Durchlaufzeit mit dem Gesetz von Little plausibilisieren.

7) Change-Log und Schulung
– Jede Änderung an Formel oder Datenquelle protokollieren; kurze, wiederkehrende Trainings zu Definitionen und Lesart.

8) Vorhersagen absichern
– Prognose-Dashboards mit Gütemaßen (MAPE/MAE) und Drift-Monitoring kennzeichnen; keine „nackten“ Zahlen ohne Fehlerspanne.

Praxis-Checkliste (Kurzdiagnose) ✅

| Symptom | Mögliche Ursache | Schnelltest |
|—|—|—|
| Plötzlicher Effizienzabfall | Lücken in Zähldaten | Vollständigkeit pro Intervall berechnen |
| Inkonsistente Tagesverläufe | Zeitversatz zwischen Quellen | Zeitstempel gegen Referenz synchron prüfen |
| „Zappelnde“ Linien | Zu feine Aggregation | Auf 15–30 Minuten glätten; Konfidenzband zeigen |
| Unerwartete Spitzen | Doppelbuchungen/Skalierung | Eindeutige IDs, Einheitenprüfungen |

Fazit

Vertrauen in Dashboards ist kein Gefühl, sondern ein Ergebnis aus klaren Definitionen, messbarer Datenqualität, statistischer Einordnung und guter Darstellung. Wer diese Bausteine sichtbar macht, reduziert Diskussionen und beschleunigt Entscheidungen. 📈🔧

Call to Action: Wir prüfen Ihr bestehendes Dashboard auf Datenqualität, Definitionen und Visualisierungstauglichkeit und liefern einen Maßnahmenplan innerhalb von zwei Wochen. Fragen oder konkrete Use-Cases? Schreiben Sie uns – wir reagieren schnell und pragmatisch.

Quellen
– ISO 22400-2:2014 – Automation systems and integration – Key performance indicators (KPIs) for manufacturing operations management – Part 2: Definitions and descriptions (iso.org)
– ISO 50006:2014 – Energy management systems – Measuring energy performance using energy baselines and energy performance indicators (EnPI) (iso.org)
– ISO 8000-61:2016 – Data quality – Part 61: Data quality management: Process reference model (iso.org)
– NIST/SEMATECH e-Handbook of Statistical Methods, 2023 (handbook.nist.gov)

#DatenMitDenken #LemconTech #IngenieurbueroLemmerer #KPI #DataQuality #Produktion #OEE #Energieeffizienz #SPC #DashboardDesign