Die Realität ist brutal: Die durchschnittliche Gesamteffizienz der Anlagen in der verarbeitenden Industrie liegt bei 55-60%, und nur 6% der Fabriken erreichen die Weltklasse von 85%+. Der Schock für Produktionsmanager ist oft groß, wenn sie feststellen, dass ihre manuelle OEE-Berechnung 10-30% versteckte Produktionskapazität verbirgt.
Im Jahr 2025, wenn der Markt für OEE-Lösungen bis 2033 voraussichtlich 12 Milliarden USD erreichen wird, lautet die Priorität nicht mehr „Sollen wir messen?“, sondern „Wie können wir die Zuverlässigkeit unserer Daten sicherstellen?“. In diesem Artikel nehmen wir die 7 fatalen Fehler auseinander, die Ihre Kennzahlen verzerren, mit Zahlenbeispielen aus Studien von McKinsey, Evocon und Symestic.
Warum die OEE-Berechnung wesentlich ist
Die OEE (Overall Equipment Effectiveness) kombiniert drei kritische Dimensionen der Produktionszeit:
OEE = Verfügbarkeit × Leistung × Qualität
McKinsey dokumentiert die erheblichen Gewinne, die mit einer genauen Berechnung verbunden sind:
- 30-50%ige Verringerung der Ausfallzeiten von Maschinen
- 10-30% Steigerung der Produktionsrate
- 15-30% Verbesserung der Produktivität
Konkreter Fall: Eine Pharmafabrik, die von 37% auf 60% OEE umstellt, erwirtschaftet einen jährlichen Ertrag von 14-16 Mio. USD (McKinsey, 250 Tage/Jahr, 16 Stunden/Tag, Marge 40%).
Benchmarks nach Sektoren
- Pharmazeutisch: 35-37% Durchschnitt, 70% World Class
- Lebensmittel: 70-80% mittel, 80-85% führend
- Automobil: 75% mittel, 84-86% schlanke Fabriken
- Elektronik: 80-83% durchschnittlich, 85%+ Spitzenreiter
Die Feststellung: Die meisten Fabriken operieren 20-30 Punkte unterhalb der World Class, oft ohne sich dessen bewusst zu sein.
Die 7 fatalen Fehler bei der manuellen Berechnung
Fehler #1 – Unsichtbare Mikroabschaltungen: 15-20% Verlust der Verfügbarkeit
Das Problem: Diese sekundenlangen Stopps (Staus, Sensoren, Anpassungen) entgehen der manuellen Erfassung. 50 Mikro-Stopps von 3 Minuten = 2,5 Stunden verloren.
Auswirkungen in Zahlen: DBR77 Robotics stellt fest, dass Mikro-Stopps 15-20% der verlorenen Zeit ausmachen. Symestic dokumentiert :
- 50 Haltestellen × 3 min = 150 Minuten
- Über 8 Stunden (480 min) = 31,25% Verlust der Verfügbarkeit
Fall Nutriset: Der Kunde aus der Lebensmittelbranche eliminierte diese 3-4 Sekunden dauernden „Irritationen“, die 50-100 Mal pro Schicht auftraten. Das Ergebnis: +11% SER in 8 Jahren.
Lösung: IoT-Sensoren, die jedes Ereignis in der ersten Sekunde erfassen, ohne dass ein Mensch eingreifen muss.
Fehler #2 – Durchschnittliche Geschwindigkeiten: 5-25% verstecktes Potenzial im Unternehmen
Das Problem: Die Verwendung der historischen Durchschnittsgeschwindigkeit anstelle der Nenngeschwindigkeit des Herstellers führt zu einer künstlichen Aufblähung der Ergebnisse.
Symestic Beispiel: Hersteller gibt 3 Sekunden/Stück an, tatsächliche Zeit beobachtet 4 Sekunden. Produktion von 1.000 Stück in 3.300 Sekunden:
Korrekte Berechnung (Herstellergeschwindigkeit):
- Theoretisch = 3.300 ÷ 3 = 1.100 Stück
- Leistung = 1.000 / 1.100 = 90,9% (sichtbare Lücke: 9,1%)
Falsche Berechnung (Durchschnittsgeschwindigkeit):
- Theoretisch = 3.300 ÷ 4 = 825 Stück
- Leistung = 1.000 / 825 = 121,2% (unmöglich!)
Auswirkung: Worximity warnt, dass dieser Fehler die Verbesserungsmöglichkeiten verschleiert. Eine Korrektur zeigt 5-25% Verbesserungspotenzial.
Fehler #3 – Gezählte Retuschen: 8 Qualitätsabweichungspunkte
Das Problem: Die Einbeziehung von nachbearbeiteten Teilen als „gut“ in die Qualitätsrate verzerrt den Index.
Beispiel Symestic: Produktion 1.000 Stück :
- 900 sofort konform
- 80, die eine Retusche erfordern
- 20 Ausschuss
Falsche Berechnung: (900 + 80) / 1.000 = 98% Richtige Berechnung (First Pass Yield): 900 / 1.000 = 90% Abweichung: 8 Punkte
Prinzip: Worximity sagt: „Nur Teile, die im ersten Durchgang fehlerfrei sind, zählen. Die Einbeziehung von Nachbesserungen verschleiert die Probleme im Produktionsprozess“.
Fehler #4 – Klassifizierung von Ausfällen: Auswirkungen auf die Verfügbarkeit
Das Problem: Evocon identifiziert die falsche Kategorisierung von Haltestellen als Fehler #1. Ungeplante Haltestellen werden zu „geplanten“ Haltestellen, um die Punktzahl zu erhöhen.
Stockkultur: TipTeh erklärt: „Wenn die Daten als Disziplinarstock verwendet werden, klassifizieren die Teams die Stopps falsch, um Probleme zu verschleiern“.
Klassische Verwechslungen:
- Vorbeugende Instandhaltung: Geplanter Stopp oder Reduzierung der verfügbaren Zeit?
- Formatänderungen: vollständig ausgeschlossen, teilweise eingeschlossen oder vollständig gezählt?
- Pausen: in die Berechnung einbezogen oder ausgeschlossen?
Auswirkung: Verschleiert Verbesserungsmöglichkeiten und vermittelt einen falschen Eindruck von Optimierung.
Fehler #5 – Ungenaue manuelle Daten
Das Problem: Scytec warnt: „Manuelle Eingabe führt zu menschlichen Fehlern“. Das klassische „Haben Sie Ihr Blatt ausgefüllt?“ führt zu ungefähren Daten.
5 Ursachen für Ungenauigkeiten:
- Speicherdaten (Ende des Shifts)
- Eingabefehler (450 vs. 540 Münzen)
- Inkonsistente Methoden zwischen den Teams
- Unzureichende Nutzung von Talenten (Papierkram vs. Produktion)
- Veraltete Daten (Analyse der letzten Woche)
Fall PSA Stellantis: Christophe Pasquet bestätigt die erhebliche Zeitersparnis für die Bediener, die sich auf die Produktion konzentrieren können.
Fehler #6 – Verwechslung von Zeiteinheiten
Das Problem: Die Vermischung von Minuten, Sekunden und Stunden führt zu absurden Ergebnissen.
Beispiel Symestic: 390 min Betrieb, 45 Sek./Stück, 500 Stück
Falsch (gemischte Einheiten): (45 × 500) / 390 = 57,7 (absurd ) Richtig (Sekunden): (45 × 500) / (390 × 60) = 96,2%.
Empfehlung: „Überprüfen Sie ungewöhnliche Ergebnisse, um Fehler in den Einheiten zu entdecken“ (Symestic).
Fehler #7 – Fehlende Standardisierung für mehrere Standorte
Das Problem: Evocon identifiziert den Mangel an Standardisierung als kritischen Fehler #7. Ohne eine einheitliche Methodik ist es unmöglich, die Standorte zu vergleichen.
4 Quellen der Inkonsistenz:
- Variable Definitionen der verfügbaren Zeit
- Unterschiedliche Behandlung von Änderungen
- Inkonsistente Referenzgeschwindigkeiten
- Kategorisierung variabler Qualität
Falle: Worximity warnt vor unangemessenen Vergleichen (1 Wechsel/Tag vs. 4-5 Wechsel/Tag).
Fall Eolane: Vincent Perrault verwendet ein Standardtool für mehrere Standorte, das eine einheitliche Überwachung mit erheblichen wirtschaftlichen Vorteilen ermöglicht.
Lösung: Die 4 Säulen der Automatisierung
1. Automatische Sammlung
IoT-Sensoren, die jedes Ereignis in Echtzeit erfassen. Eliminiert Fehler #1 (Mikro-Stopps) und #5 (ungenaue Daten).
2. Standardisierte Berechnung
Automatische Anwendung der richtigen Formel, der richtigen Kategorien, der richtigen Einheiten. Eliminiert Fehler #2, #3, #6, #7.
3. Intelligente Kategorisierung
Klassifizierte Haltestellen nach einstellbaren Regeln, die 24 Stunden am Tag angewendet werden. Eliminiert Fehler #4.
4. Analyse von Ursachen und Warnungen
Daten werden in Pareto, Trends und Korrelationen umgewandelt. Automatische Analyse der Ursachen. Proaktive Erkennung von Abweichungen.
Dokumentierter ROI
McKinsey-Gewinne:
- 30-50% Reduzierung der Haltestellen
- 10-30% Erhöhung der Fördermenge
- 20-40% Lebensdauer der Maschinen
- 4-10% EBITDA-Verbesserung
Dokumentierte Fälle:
- HKScan: +20% OEE in 6 Monaten
- Toftan: +35% OEE in 1 Jahr (40%→75%)
- Auto: -25% ungeplante Ausfallzeiten (McKinsey)
Typischer ROI: 6-18 Monate je nach Größe der Installation.
FAQ – Ihre häufig gestellten Fragen über die OEE
Wie berechnet man die OEE richtig?
OEE = Verfügbarkeit × Leistung × Qualität
Verfügbarkeit = Tatsächliche Zeit / Erwartete Zeit Leistung = Tatsächliche Teilemenge / Soll (Herstellergeschwindigkeit) Qualität = Gute Teile (First Pass) / Gesamtproduktion
Beispiel: Shift 8 Std. (480 Min.), Pausen 30 Min., Aufenthalte 45 Min.
-
Verfügbarkeit = 405/450 = 90%.
-
Leistung = 385/405 Stück = 95%.
-
Qualität = 377/385 = 98%.
-
OEE = 83,8%.
Warum ist meine manuelle OEE besser als die automatische?
Normal! Der automatisierte ist typischerweise 5-15 Punkte niedriger, da er :
-
Mikrokredite (15-20% versteckte Verluste)
-
Tatsächliche vs. durchschnittliche Geschwindigkeiten (5-25% Potenzial)
-
Ausgeschlossene Retuschen (8 Punkte Abstand)
-
Korrekte Klassifizierung der Urteile
-
Alle Eingabefehler beseitigt
Was ist eine gute OEE?
Allgemeine Standards:
-
< 60%: Ungenügend (weltweiter Durchschnitt 55-60%)
-
60-75%: Akzeptabel KMU
-
75-85%: Gutes Niveau
-
> 85%: World Class
Nach Sektoren:
-
Pharma: 35-37% Durchschnitt, 70% World Class
-
Lebensmittel: 70-80% mittel, 80-85% führend
-
Automobil: 75% mittel, 84-86% lean
Wichtig: Nur 6% erreichen 85%+ (Evocon). Streben Sie eine kontinuierliche Verbesserung an: +5 Punkte/Jahr.
Schlussfolgerung
Nur 6% der Hersteller erreichen die World Class, die Mehrheit arbeitet mit 55-60% tatsächlich und glaubt, 70-75% zu erreichen. Diese Differenz stellt Hunderttausende Euro an versteckter Kapazität während der Produktionszeit dar.
Schlüsselpunkte
Automatisierung kostet weniger als manuelle Arbeit:
- Eingesparte Verwaltungszeit
- 10-30% versteckte Kapazität entdeckt
- Entscheidungen basierend auf echten Daten
Dokumentierter schneller ROI:
- Payback < 6-18 Monate
- Gewinne 10-30% Durchsatz, 30-50% weniger Ausfallzeiten
- Lösungen ab 99€/Monat
Nächste Schritte:
- Selbstdiagnose: Wie viele Fehler erkennen Sie?
- Schätzen Sie Ihre Abweichung der angezeigten von der tatsächlichen OEE.
- 1 Monat Pilot auf kritischer Linie
Kostenlose Tools, um aktiv zu werden
Berechnen Sie Ihren ROI in 2 Minuten Wie viel kosten Sie diese 7 Fehler wirklich? Unser Rechner schätzt Ihre potenziellen Gewinne und den personalisierten ROI.
Sehen Sie die Lösung in Aktion
Eine 20-minütige Demo, die auf Ihre Branche zugeschnitten ist: Sehen Sie sich Ihre Daten in Echtzeit an.
Im Jahr 2025 beginnt operative Exzellenz mit zuverlässigen Daten. Ihre Zufriedenheit hängt von der Qualität Ihrer Indikatoren ab.
0 Kommentare