Datenqualität in der Produktion: Die versteckte Steuer bei jeder OEE- und CMMS-Entscheidung

Wichtigste Erkenntnisse

• Datenqualität auf dem Produktionsboden = ob die Eingaben für OEE, CMMS und Berichte genau, zeitgerecht, vollständig und konsistent sind.
• Schmutzige Daten werden durch Analyse nicht besser. Die Entscheidungen werden schlechter.
• Fünf Regeln: Erfassung an der Quelle, Automatisierung wo möglich, Validierung bei der Eingabe, regelmäßige Abstimmung, Diskrepanzen offenlegen.
• Die meisten Werke haben deutlich schmutzige Daten und wissen es nicht, weil die Kennzahlen ohne Validierung gemeldet werden.
• Die wirkungsstärkste Maßnahme zur Verbesserung der Datenqualität ist die Automatisierung der Erfassung von der SPS (PLC) statt manueller Eingabe.

Kurzantwort: Datenqualität auf dem Produktionsboden heißt, dass die Eingaben für OEE, CMMS und Berichte genau, zeitgerecht, vollständig und konsistent sind. Schmutzige Daten erzeugen falsche Analysen und falsche Entscheidungen. Fünf Regeln: Erfassung an der Quelle, Automatisierung wo möglich, Validierung bei der Eingabe, regelmäßige Abstimmung, Diskrepanzen offenlegen. Die meisten Werke haben schmutzige Daten, ohne es zu wissen, weil die Kennzahlen ohne Validierung berichtet werden. Siehe auch Manufacturing Data Quality Audit.

Wie sich schmutzige Daten zeigen

• Vom Bediener eingegebene Taktzählungen, die am Schichtende gerundet oder zusammengefasst werden, anstatt in Echtzeit erfasst zu werden.
• Stillstandsgründe, die Stunden nach dem Ereignis zugeordnet werden, wenn sich der Bediener nicht mehr erinnert.
• Ausschusszahlen, die Anlaufausschuss mit Serienausschuss vermischen, weil niemand unterschieden hat.
• Arbeitsaufträge, die mit Platzhalter-Arbeitsstunden geschlossen werden.
• Wartungsaufzeichnungen, die nachdatiert werden, um in Berichtszyklen zu passen.

Jeder Punkt erzeugt schmutzige Eingabedaten, die nachgelagerte Analysen verfälschen.

Warum schmutzige Daten verborgen bleiben

Drei Gründe, warum Werke das Problem schmutziger Daten nicht sehen:

• Kennzahlen werden so gemeldet, als wären sie sauber. Niemand sieht das Rauschen.
• Die schmutzigen Daten liefern trotzdem eine Zahl. Niemand beschwert sich.
• In die Daten einzutauchen, um den Schmutz zu finden, ist unangenehm und peinlich.

Das Problem bleibt bestehen, bis etwas schiefgeht (Auditfehler, falsche Entscheidung, Lieferant deckt den Schmutz auf) – bis dahin ist die Behebung teuer.

Die fünf Regeln der Datenqualität auf dem Produktionsboden

1. Erfassung an der Quelle. Daten sollten dort entstehen, wo das Ereignis stattfindet, nicht später eingegeben werden. Die Erinnerung des Bedieners lässt innerhalb von Minuten nach. SPS- und Sensorerfassung sind der Goldstandard; Vision-Systeme funktionieren für bestimmte Ereignisse; Bedienereingaben sind nur dann akzeptabel, wenn nichts anderes möglich ist UND sie zum Zeitpunkt des Ereignisses erfolgen.

2. Automatisieren wo möglich. Jede manuelle Dateneingabe ist eine Fehler- und Verzögerungsquelle. Taktzählungen aus der SPS. Stillstände aus dem Maschinenzustand. Qualität aus Inline-QC. Bedienereingaben nur für Kontext, den Maschinen nicht erfassen können (Fehlercodes, Beobachtungen).

3. Validierung bei der Eingabe. Pflichtfelder, gültige Bereiche, Konsistenzprüfungen. Ein Ausschuss von 1.500 auf einer Linie, die 800 Einheiten produziert hat, sollte nicht akzeptiert werden. Ein Stillstand von 25 Stunden in einer 24‑Stunden‑Schicht sollte nicht akzeptiert werden.

4. Regelmäßige Abstimmung. Die SPS meldet 600 Zyklen, die vom Bediener eingegebene Zählung sagt 580. Klären Sie die Lücke. Anhaltende Lücken bedeuten, dass der Datenfluss gestört ist; untersuchen Sie die Ursache.

5. Diskrepanzen offenlegen. Verstecken Sie sie nicht in Berechnungen. Zeigen Sie sie im Dashboard. Machen Sie Datenqualität sichtbar, damit sie behoben wird.

Die wichtigste Maßnahme

Für die meisten Werke: Automatisieren Sie die Taktzahlerfassung von der SPS. Vom Bediener eingegebene Taktzählungen sind typischerweise 5–15 % fehlerhaft; SPS‑Zählungen liegen typischerweise unter 1 % Fehler. Die Verbesserung allein der Genauigkeit der OEE‑Performance rechtfertigt die Maßnahme.

Häufige Schmutzmuster

1. Batch‑Eingabe am Schichtende. Der Bediener gibt alle Daten der Schicht in den letzten 10 Minuten ein. Zeiten werden geschätzt; Gründe werden geraten.

2. Standardisierte „unbekannt“-Grundcodes. Bediener wählen standardmäßig „Sonstiges“ oder „Unbekannt“, weil der richtige Code schwer zu finden ist. Die Pareto‑Analyse wird bedeutungslos.

3. Kopieren/Einfügen aus der vorherigen Schicht. „Wie gestern“-Einträge, die in Wirklichkeit nicht stimmen.

4. Runde Zahlen. Taktzählungen, die auf 0 oder 5 enden, obwohl die tatsächlichen Zählungen zufällig sein sollten. Anzeichen für manuelle Eingabe.

5. Fehlende Daten, die stillschweigend mit Nullen gefüllt werden. Stillstandszeiten von 0, wenn niemand etwas protokolliert hat, sind nicht dasselbe wie bestätigte Schichten ohne Ausfallzeiten.

Wie man es bereinigt

1. Audit einer Stichprobe. Vergleichen Sie gemeldete Daten mit der Realität (SPS‑Logs, Video, persönliche Beobachtung) für 5–10 Schichten.
2. Identifizieren Sie die Schmutzmuster. Welche Datenflüsse sind unzuverlässig?
3. Automatisieren Sie die schlechtesten Flüsse. Meist zuerst Taktzählungen und Stillstandsgründe.
4. Schulen Sie Bediener für die verbleibenden manuellen Flüsse. Was einzugeben ist, wann und mit Beispielen.
5. Richten Sie Validierungsregeln ein. Blockieren Sie offensichtlich schlechte Daten bereits bei der Eingabe.
6. Verfolgen Sie die Datenqualität im Zeitverlauf. Messen Sie den Anteil gültiger Einträge; berichten und verbessern Sie.

Wie eine moderne OEE‑Plattform die Datenqualität unterstützt

Eine moderne OEE‑Plattform validiert bei der Eingabe, macht Diskrepanzen sichtbar, stellt Datenqualität als messbare Kennzahl dar und unterstützt automatisierte Erfassung von SPS, Vision und anderen Instrumenten.

Das OEE‑Modul von Fabrico wird mit automatischer SPS‑Erfassung, Vision‑Integration, Validierung bei der Eingabe, periodischen Abstimmungsberichten und einem Dashboard zur Datenqualität ausgeliefert, das Schmutz sichtbar macht, anstatt ihn zu verbergen.

Siehe, wie Fabrico dies automatisch erfasst — OEE für die Fertigung erkunden oder eine Demo buchen.

Weiterführende Lektüre

• Manufacturing Data Quality Audit
• Plant Floor IIoT Checklist
• Plant Floor Wi‑Fi Design
• Quality by Design vs Quality by Inspection

Häufig gestellte Fragen

Wie schlecht sind vom Bediener eingegebene Daten typischerweise?

Fehlerquote bei Taktzählungen: 5–15 %; Fehler bei Fehlercodes deutlich höher. SPS‑Erfassung liegt typischerweise unter 1 % Fehler.

Kann ich mich auf Daten verlassen, ohne sie zu prüfen?

Nicht bei Produktionsentscheidungen. Führen Sie ein Stichprobenaudit durch, um den Datenfluss zu validieren.

Sollte ich schlechte Daten bei der Eingabe blockieren oder sie akzeptieren und später bereinigen?

Wo möglich, blockieren Sie bei der Eingabe. Spätere Bereinigung bedeutet meist, dass die schmutzigen Daten bereits Analysen gespeist haben.

Wie bekomme ich die Zustimmung der Bediener für sauberere Daten?

Zeigen Sie ihnen, wie schmutzige Daten ihnen schaden — falsche Grundcodes führen zu falschen Verbesserungen, was bedeutet, dass dieselben Probleme wieder auftreten, über die sie sich beschweren.

Ist Datenqualität eine einmalige Lösung oder dauerhaft?

Dauerhaft. Anlagen, Prozesse und Bediener ändern sich. Die Pflege der Datenqualität ist permanent.