15 Oktober 2026

Data-Driven Manufacturing bezeichnet eine Produktionsgestaltung, bei der Daten systematisch für Entscheidungen, Steuerung und Verbesserung genutzt werden. Dafür werden relevante Informationen erfasst, im Prozesszusammenhang ausgewertet und in konkrete Handlungen übersetzt. Der Ansatz kann einfache Kennzahlenauswertungen ebenso umfassen wie komplexe Prognosemodelle. Entscheidend ist die nachweisbare Wirkung im Produktionsablauf, nicht die Menge gespeicherter Daten.

Was bedeutet datenbasierte Produktion?

Eine datenbasierte Produktion nutzt Beobachtungen, um Annahmen zu prüfen und Entscheidungen nachvollziehbar zu machen. Ein Team kann beispielsweise untersuchen, welche Unterbrechungen die Ausbringung begrenzen oder unter welchen Bedingungen Qualitätsabweichungen auftreten. Die Ergebnisse werden mit technischem Wissen verbunden.

Erfahrung wird dadurch nicht überflüssig. Sie hilft, sinnvolle Fragen zu stellen, Daten richtig zu interpretieren und geeignete Maßnahmen abzuleiten. Daten können umgekehrt zeigen, dass eine verbreitete Vermutung nicht zu den beobachteten Abläufen passt. Beide Perspektiven ergänzen sich.

Fraunhofer IPA beschreibt bei der datenbasierten Prozessoptimierung sowohl die Nutzung laufender Produktionsdaten als auch gezielt geplante Versuche. Welche Vorgehensweise geeignet ist, hängt von Frage und Datenlage ab. Nicht jede Ursache lässt sich aus bereits vorhandenen Beobachtungen eindeutig bestimmen.

Von der Fragestellung zur Wirkung

Schritt	Leitfrage	Beispiel
Problem bestimmen	Welche Entscheidung soll besser werden?	Wiederkehrenden Rückstand am Engpass reduzieren
Daten zuordnen	Welche Informationen werden benötigt?	Zustände, Auftrag und Unterbrechungsgründe
Analysieren	Welche Muster oder Zusammenhänge liegen vor?	Häufige Materialunterbrechungen erkennen
Maßnahme ableiten	Was wird konkret verändert?	Bereitstellung vor Auftragsstart prüfen
Wirkung nachweisen	Hat sich der relevante Ablauf verbessert?	Unterbrechung und Gutmengenausbringung vergleichen

Ein Produktions-Dashboard kann diesen Ablauf unterstützen. Es zeigt Daten und Abweichungen, führt aber nicht automatisch zur richtigen Maßnahme. Ohne benannte Verantwortlichkeit und eine Rückmeldung zur Wirkung bleibt die Analyse möglicherweise folgenlos.

Welche Daten werden benötigt?

Das richtet sich nach dem Anwendungsfall. Produktionsdaten liefern beispielsweise Mengen und Auftragsbezüge. Maschinendaten beschreiben technische Zustände. Prozess- und Qualitätsdaten können weitere Zusammenhänge erklären. Die Informationen müssen zeitlich und fachlich zusammenpassen.

Eine Maschinenunterbrechung ohne Auftrags- oder Ursachenbezug kann für eine erste Übersicht genügen. Für eine gezielte Verbesserung fehlen möglicherweise entscheidende Angaben. Umgekehrt ist eine hochfrequente Messung unnötig, wenn lediglich eine tägliche Bestandsfrage beantwortet werden soll.

Datenqualität ist daher zweckbezogen zu prüfen. Relevant sind beispielsweise Vollständigkeit, Aktualität und eindeutige Zuordnung. Eine große Datenmenge kann wichtige Situationen trotzdem nicht abdecken, wenn nur bestimmte Produkte oder Schichten erfasst wurden.

Analysearten sinnvoll unterscheiden

Beschreibende Auswertungen zeigen, was geschehen ist. Diagnostische Untersuchungen suchen nach Erklärungen. Prognosen schätzen eine künftige Entwicklung. Entscheidungsunterstützende Verfahren vergleichen mögliche Handlungen. Diese Aufgaben benötigen unterschiedliche Voraussetzungen und dürfen nicht allein durch eine Softwarebezeichnung gleichgesetzt werden.

Machine Learning kann Muster oder Prognosen unterstützen. Es ist jedoch keine Voraussetzung jeder datenbasierten Verbesserung. Eine geeignete einfache Auswertung kann einen klaren Engpass sichtbar machen. Die Methode sollte so komplex sein wie für die Aufgabe nötig.

Auch eine mathematisch präzise Ausgabe besitzt Grenzen. Ein Modell kann außerhalb seiner bekannten Bedingungen unzuverlässig werden. Eine Prognose sollte deshalb mit ihrem Geltungsbereich und einer passenden Bewertung der Unsicherheit verwendet werden.

Praxisbeispiel: Materialunterbrechungen reduzieren

Das folgende Beispiel ist fiktiv. Eine Linie verliert in einer Vergleichsperiode 200 Minuten durch bestätigte Materialunterbrechungen. Das Team führt eine verbindliche Prüfung der Bereitstellung vor Auftragsstart ein. In einer späteren, vergleichbar abgegrenzten Periode werden 120 Minuten erfasst.

Die beobachtete Differenz beträgt 80 Minuten beziehungsweise 40 Prozent der ursprünglichen Unterbrechungszeit. Daraus folgt zunächst eine Verbesserung dieser erfassten Größe. Bevor der Effekt vollständig der Maßnahme zugeschrieben wird, werden Produktmix, Auftragszahl und sonstige Änderungen geprüft.

Angenommen, die betrachtete Station ist tatsächlich der Engpass und kann während zusätzlicher nutzbarer Zeit ein Gutteil pro Minute herstellen. Dann entsprächen 80 Minuten rechnerisch einer Kapazitätsmöglichkeit von 80 Gutteilen. Ob diese Menge real entsteht, hängt unter anderem von Nachfrage, Folgeprozessen und weiteren Störungen ab.

Die Zeitdifferenz ist daher weder automatisch zusätzlicher Umsatz noch eine garantierte Kosteneinsparung. Die Wirkung muss am realen Gesamtablauf geprüft werden. Das Beispiel zeigt, wie Daten eine Maßnahme bewertbar machen, ohne ihre wirtschaftlichen Folgen vorschnell zu behaupten.

Korrelation und Ursache

Wenn zwei Größen gemeinsam variieren, ist das ein Untersuchungsansatz. Es beweist nicht automatisch, dass eine die andere verursacht. Eine höhere Ausschussquote bei einer bestimmten Maschine könnte beispielsweise auf den dort bearbeiteten schwierigeren Produktmix zurückgehen.

Eine Ursachenuntersuchung berücksichtigt daher mögliche Einflussgrößen und technische Plausibilität. Gezielte Versuche können helfen, einzelne Faktoren und Wechselwirkungen zu prüfen. Sie müssen passend geplant werden und die betrieblichen Anforderungen berücksichtigen.

Auch Vorher-nachher-Vergleiche benötigen Sorgfalt. Wenn gleichzeitig Material, Schichtbesetzung und Prozessparameter geändert werden, ist der Beitrag einer einzelnen Maßnahme schwerer zu bestimmen. Die dokumentierte Ausgangslage und nachvollziehbare Änderungen verbessern die Aussagekraft.

Einführung im Unternehmen

Ein relevantes Problem auswählen: Ziel und betroffenen Prozess klar begrenzen.
Ausgangslage erfassen: Bestehende Leistung und bekannte Unsicherheiten dokumentieren.
Datenweg aufbauen: Erfassung, Zuordnung und Qualität prüfen.
Analyse fachlich bewerten: Ergebnisse mit Prozesswissen und Vergleichsmaßstäben abgleichen.
Maßnahme erproben: Verantwortung, Umfang und Erfolgskriterien festlegen.
Wirkung sichern: Ergebnis überprüfen und geeignete Arbeitsweisen verankern.

Eine Datenstrategie hilft, mehrere Anwendungen zu priorisieren und gemeinsame Grundlagen wiederzuverwenden. Dazu gehören Kennungen, Datenmodelle und Zuständigkeiten. Einzelne Projekte sollten nicht jeweils neue widersprüchliche Definitionen derselben Produktionsgröße schaffen.

Für Beschäftigte muss erkennbar sein, wozu Daten erfasst werden und wie daraus eine Verbesserung entsteht. Rückmeldungen aus dem Alltag helfen, fehlerhafte Annahmen oder unpraktische Eingaben zu erkennen. Eine datenbasierte Produktion ist deshalb auch eine organisatorische Aufgabe.

Grenzen und typische Fehler

Ein häufiger Fehler ist die Optimierung einer lokalen Kennzahl ohne Blick auf den Gesamtfluss. Eine Maschine kann mehr produzieren und dadurch lediglich den Bestand vor der nächsten Station erhöhen. Eine wertstrombezogene Betrachtung verhindert, dass ein lokaler Erfolg mit einem besseren Gesamtergebnis verwechselt wird.

Ein anderer Fehler ist die dauerhafte Datensammlung ohne Entscheidung. Jede zusätzliche Quelle verursacht Aufwand für Pflege, Zuordnung und Betrieb. Der Nutzen sollte daher an konkreten Anwendungen überprüft werden. Datenverfügbarkeit allein ist noch kein Produktionsfortschritt.

Automatische Eingriffe benötigen eine eigene Bewertung. Eine analytische Empfehlung und eine unmittelbare Parameteränderung haben unterschiedliche Auswirkungen. Der Grad der Automatisierung sollte zum nachgewiesenen Verhalten und den Anforderungen des Prozesses passen.

Häufige Fragen zu Data-Driven Manufacturing

Ist künstliche Intelligenz erforderlich?

Nein. Viele Verbesserungen beginnen mit klaren Definitionen, verlässlichen Rückmeldungen und einfachen Auswertungen. KI kann bei bestimmten komplexen Aufgaben helfen, verursacht aber zusätzlichen Entwicklungs- und Betriebsaufwand. Entscheidend ist, ob die gewählte Methode eine relevante Entscheidung verbessert. Ein aufwendiges Modell ist kein Selbstzweck.

Was unterscheidet den Ansatz von klassischem Controlling?

Die Bereiche überschneiden sich. Data-Driven Manufacturing betont die Nutzung von Daten unmittelbar für Produktionsentscheidungen und Verbesserungen, einschließlich technischer Prozessinformationen. Controlling kann dazu wichtige Ziele und Bewertungen liefern. Eine scharfe allgemeine Grenze ist wenig hilfreich; entscheidend ist die Verbindung zwischen Information, Handlung und überprüfter Wirkung.

Muss zuerst jede Maschine vernetzt werden?

Nein. Der erste Anwendungsfall bestimmt, welche Daten erforderlich sind. Manchmal reichen vorhandene Systeme oder begrenzte zusätzliche Erfassungen aus. Eine vollständige Vernetzung ohne klaren Zweck kann hohen Aufwand erzeugen. Sinnvoll ist ein schrittweiser Aufbau, bei dem die gewonnenen Fähigkeiten weitere relevante Anwendungen unterstützen.

Wie werden Erfahrungswissen und Daten verbunden?

Erfahrungswissen hilft bei der Auswahl von Fragen und möglichen Ursachen. Daten ermöglichen, diese Annahmen systematisch zu prüfen. Widersprüche sollten gemeinsam untersucht werden: Möglicherweise ist die Vermutung falsch, vielleicht fehlen aber auch relevante Informationen in den Daten. Die Kombination ist stärker als eine ungeprüfte Bevorzugung nur einer Perspektive.

Wann ist eine Verbesserung nachgewiesen?

Wenn sich die definierte Zielgröße unter angemessen vergleichbaren Bedingungen nachvollziehbar verbessert und alternative Erklärungen ausreichend berücksichtigt wurden. Zusätzlich sind Nebenwirkungen auf Qualität, Bestand oder andere Prozesse zu prüfen. Ein einzelner günstiger Messwert oder eine kurzfristige Schwankung reicht in der Regel nicht für eine belastbare allgemeine Aussage.

Quellen und weiterführende Informationen

Fraunhofer IPA: Datenbasierte Prozessoptimierung von Fertigungsprozessen.
NIST: Data Driven Decision Support for Additive Manufacturing, Verbindung von Daten und Entscheidungswissen.

Stand: Oktober 2026. Das Unterbrechungsbeispiel ist fiktiv und enthält keine allgemeine Leistungszusage.