[et_pb_section fb_built=“1″ _builder_version=“4.27.4″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“et_body_layout“][et_pb_row _builder_version=“4.27.4″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“et_body_layout“][et_pb_column type=“4_4″ _builder_version=“4.27.4″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“et_body_layout“][et_pb_text _builder_version=“4.27.4″ _module_preset=“default“ hover_enabled=“0″ global_colors_info=“{}“ theme_builder_area=“et_body_layout“ sticky_enabled=“0″]<\/p>\n
Die Realit\u00e4t 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%+.<\/strong> Der Schock f\u00fcr Produktionsmanager ist oft gro\u00df, wenn sie feststellen, dass ihre manuelle OEE-Berechnung 10-30% versteckte Produktionskapazit\u00e4t verbirgt.<\/p>\n Im Jahr 2025, wenn der Markt f\u00fcr OEE-L\u00f6sungen bis 2033 voraussichtlich 12 Milliarden USD erreichen wird, lautet die Priorit\u00e4t nicht mehr „Sollen wir messen?“, sondern „Wie k\u00f6nnen wir die Zuverl\u00e4ssigkeit 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. <\/p>\n Die OEE (Overall Equipment Effectiveness) kombiniert drei kritische Dimensionen der Produktionszeit:<\/p>\n OEE = Verf\u00fcgbarkeit \u00d7 Leistung \u00d7 Qualit\u00e4t<\/strong><\/p>\n McKinsey dokumentiert die erheblichen Gewinne, die mit einer genauen Berechnung verbunden sind:<\/p>\n Konkreter Fall<\/strong>: Eine Pharmafabrik, die von 37% auf 60% OEE umstellt, erwirtschaftet einen j\u00e4hrlichen Ertrag von 14-16 Mio. USD<\/strong> (McKinsey, 250 Tage\/Jahr, 16 Stunden\/Tag, Marge 40%).<\/p>\n Die Feststellung<\/strong>: Die meisten Fabriken operieren 20-30 Punkte unterhalb der World Class, oft ohne sich dessen bewusst zu sein.<\/p>\n Das Problem<\/strong>: Diese sekundenlangen Stopps (Staus, Sensoren, Anpassungen) entgehen der manuellen Erfassung. 50 Mikro-Stopps von 3 Minuten = 2,5 Stunden verloren. <\/p>\n Auswirkungen in Zahlen<\/strong>: DBR77 Robotics stellt fest, dass Mikro-Stopps 15-20% der verlorenen Zeit<\/strong> ausmachen. Symestic dokumentiert : <\/p>\n Fall Nutriset<\/strong>: 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<\/strong>.<\/p>\n L\u00f6sung<\/strong>: IoT-Sensoren, die jedes Ereignis in der ersten Sekunde erfassen, ohne dass ein Mensch eingreifen muss.<\/p>\n Das Problem<\/strong>: Die Verwendung der historischen Durchschnittsgeschwindigkeit anstelle der Nenngeschwindigkeit des Herstellers f\u00fchrt zu einer k\u00fcnstlichen Aufbl\u00e4hung der Ergebnisse.<\/p>\n Symestic Beispiel<\/strong>: Hersteller gibt 3 Sekunden\/St\u00fcck an, tats\u00e4chliche Zeit beobachtet 4 Sekunden. Produktion von 1.000 St\u00fcck in 3.300 Sekunden: <\/p>\n Korrekte Berechnung (Herstellergeschwindigkeit)<\/strong>:<\/p>\n Falsche Berechnung (Durchschnittsgeschwindigkeit)<\/strong>:<\/p>\n Auswirkung<\/strong>: Worximity warnt, dass dieser Fehler die Verbesserungsm\u00f6glichkeiten verschleiert. Eine Korrektur zeigt 5-25% Verbesserungspotenzial<\/strong>. <\/p>\n Das Problem<\/strong>: Die Einbeziehung von nachbearbeiteten Teilen als „gut“ in die Qualit\u00e4tsrate verzerrt den Index.<\/p>\n Beispiel Symestic<\/strong>: Produktion 1.000 St\u00fcck :<\/p>\n Falsche Berechnung<\/strong>: (900 + 80) \/ 1.000 = 98%<\/strong> Richtige Berechnung (First Pass Yield)<\/strong>: 900 \/ 1.000 = 90%<\/strong> Abweichung<\/strong>: 8 Punkte<\/strong><\/p>\n Prinzip<\/strong>: Worximity sagt: „Nur Teile, die im ersten Durchgang fehlerfrei sind, z\u00e4hlen. Die Einbeziehung von Nachbesserungen verschleiert die Probleme im Produktionsprozess“.<\/p>\n Das Problem<\/strong>: Evocon identifiziert die falsche Kategorisierung von Haltestellen als Fehler #1<\/strong>. Ungeplante Haltestellen werden zu „geplanten“ Haltestellen, um die Punktzahl zu erh\u00f6hen. <\/p>\n Stockkultur<\/strong>: TipTeh erkl\u00e4rt: „Wenn die Daten als Disziplinarstock verwendet werden, klassifizieren die Teams die Stopps falsch, um Probleme zu verschleiern“.<\/p>\n Klassische Verwechslungen<\/strong>:<\/p>\n Auswirkung<\/strong>: Verschleiert Verbesserungsm\u00f6glichkeiten und vermittelt einen falschen Eindruck von Optimierung.<\/p>\n Das Problem<\/strong>: Scytec warnt: „Manuelle Eingabe f\u00fchrt zu menschlichen Fehlern“. Das klassische „Haben Sie Ihr Blatt ausgef\u00fcllt?“ f\u00fchrt zu ungef\u00e4hren Daten. <\/p>\n 5 Ursachen f\u00fcr Ungenauigkeiten<\/strong>:<\/p>\n Fall PSA Stellantis<\/strong>: Christophe Pasquet best\u00e4tigt die erhebliche Zeitersparnis f\u00fcr die Bediener, die sich auf die Produktion konzentrieren k\u00f6nnen.<\/p>\n Das Problem<\/strong>: Die Vermischung von Minuten, Sekunden und Stunden f\u00fchrt zu absurden Ergebnissen.<\/p>\n Beispiel Symestic<\/strong>: 390 min Betrieb, 45 Sek.\/St\u00fcck, 500 St\u00fcck<\/p>\n Falsch (gemischte Einheiten)<\/strong>: (45 \u00d7 500) \/ 390 = 57,7 (absurd<\/strong> ) Richtig (Sekunden)<\/strong>: (45 \u00d7 500) \/ (390 \u00d7 60) = 96,2%<\/strong>.<\/p>\n Empfehlung<\/strong>: „\u00dcberpr\u00fcfen Sie ungew\u00f6hnliche Ergebnisse, um Fehler in den Einheiten zu entdecken“ (Symestic).<\/p>\n Das Problem: Evocon identifiziert den Mangel an Standardisierung als kritischen Fehler #7. Ohne eine einheitliche Methodik ist es unm\u00f6glich, die Standorte zu vergleichen. <\/p>\n 4 Quellen der Inkonsistenz<\/strong>:<\/p>\n Falle<\/strong>: Worximity warnt vor unangemessenen Vergleichen (1 Wechsel\/Tag vs. 4-5 Wechsel\/Tag).<\/p>\n Fall Eolane<\/strong>: Vincent Perrault verwendet ein Standardtool f\u00fcr mehrere Standorte, das eine einheitliche \u00dcberwachung mit erheblichen wirtschaftlichen Vorteilen erm\u00f6glicht.<\/p>\n IoT-Sensoren, die jedes Ereignis in Echtzeit erfassen. Eliminiert Fehler #1 (Mikro-Stopps) und #5 (ungenaue Daten). <\/p>\n Automatische Anwendung der richtigen Formel, der richtigen Kategorien, der richtigen Einheiten. Eliminiert Fehler #2, #3, #6, #7. <\/p>\n Klassifizierte Haltestellen nach einstellbaren Regeln, die 24 Stunden am Tag angewendet werden. Eliminiert Fehler #4. <\/p>\n Daten werden in Pareto, Trends und Korrelationen umgewandelt. Automatische Analyse der Ursachen. Proaktive Erkennung von Abweichungen. <\/p>\n McKinsey-Gewinne<\/strong>:<\/p>\n Dokumentierte F\u00e4lle<\/strong>:<\/p>\n Typischer ROI<\/strong>: 6-18 Monate je nach Gr\u00f6\u00dfe der Installation.<\/p>\n [\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=“4.27.4″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“et_body_layout“ custom_margin=“29px|auto||auto||“][et_pb_column type=“4_4″ _builder_version=“4.27.4″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“et_body_layout“][et_pb_text _builder_version=“4.27.4″ _module_preset=“default“ hover_enabled=“0″ global_colors_info=“{}“ theme_builder_area=“et_body_layout“ sticky_enabled=“0″]<\/p>\n [\/et_pb_text][et_pb_accordion _builder_version=“4.27.4″ _module_preset=“default“ hover_enabled=“0″ global_colors_info=“{}“ theme_builder_area=“et_body_layout“ sticky_enabled=“0″][et_pb_accordion_item title=“Wie berechnet man die OEE richtig?“ open=“on“ _builder_version=“4.27.4″ _module_preset=“default“ hover_enabled=“0″ global_colors_info=“{}“ theme_builder_area=“et_body_layout“ sticky_enabled=“0″]<\/p>\n OEE = Verf\u00fcgbarkeit \u00d7 Leistung \u00d7 Qualit\u00e4t<\/strong><\/p>\n Verf\u00fcgbarkeit<\/strong> = Tats\u00e4chliche Zeit \/ Erwartete Zeit Leistung<\/strong> = Tats\u00e4chliche Teilemenge \/ Soll (Herstellergeschwindigkeit) Qualit\u00e4t<\/strong> = Gute Teile (First Pass) \/ Gesamtproduktion<\/p>\n Beispiel<\/strong>: Shift 8 Std. (480 Min.), Pausen 30 Min., Aufenthalte 45 Min.<\/p>\n Verf\u00fcgbarkeit = 405\/450 = 90%.<\/p>\n<\/li>\n Leistung = 385\/405 St\u00fcck = 95%.<\/p>\n<\/li>\n Qualit\u00e4t = 377\/385 = 98%.<\/p>\n<\/li>\n OEE = 83,8%.<\/strong><\/p>\n<\/li>\n<\/ul>\n [\/et_pb_accordion_item][et_pb_accordion_item title=“Warum ist meine manuelle OEE besser als die automatische?“ _builder_version=“4.27.4″ _module_preset=“default“ hover_enabled=“0″ global_colors_info=“{}“ theme_builder_area=“et_body_layout“ open=“off“ sticky_enabled=“0″]<\/p>\n Normal! Der automatisierte ist typischerweise 5-15 Punkte niedriger,<\/strong> da er : <\/p>\n Mikrokredite (15-20% versteckte Verluste)<\/p>\n<\/li>\n Tats\u00e4chliche vs. durchschnittliche Geschwindigkeiten (5-25% Potenzial)<\/p>\n<\/li>\n Ausgeschlossene Retuschen (8 Punkte Abstand)<\/p>\n<\/li>\n Korrekte Klassifizierung der Urteile<\/p>\n<\/li>\n Alle Eingabefehler beseitigt<\/p>\n<\/li>\n<\/ul>\n [\/et_pb_accordion_item][et_pb_accordion_item title=“Was ist eine gute OEE?“ _builder_version=“4.27.4″ _module_preset=“default“ hover_enabled=“0″ global_colors_info=“{}“ theme_builder_area=“et_body_layout“ open=“off“ sticky_enabled=“0″]<\/p>\n Allgemeine Standards<\/strong>:<\/p>\n < 60%: Ungen\u00fcgend (weltweiter Durchschnitt 55-60%)<\/p>\n<\/li>\n 60-75%: Akzeptabel KMU<\/p>\n<\/li>\n 75-85%: Gutes Niveau<\/p>\n<\/li>\n > 85%: World Class<\/p>\n<\/li>\n<\/ul>\n Nach Sektoren<\/strong>:<\/p>\n Pharma: 35-37% Durchschnitt, 70% World Class<\/p>\n<\/li>\n Lebensmittel: 70-80% mittel, 80-85% f\u00fchrend<\/p>\n<\/li>\n Automobil: 75% mittel, 84-86% lean<\/p>\n<\/li>\n<\/ul>\n Wichtig<\/strong>: Nur 6% erreichen 85%+ (Evocon). Streben Sie eine kontinuierliche Verbesserung an: +5 Punkte\/Jahr. <\/p>\n [\/et_pb_accordion_item][\/et_pb_accordion][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=“4.27.4″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“et_body_layout“][et_pb_column type=“4_4″ _builder_version=“4.27.4″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“et_body_layout“][et_pb_text _builder_version=“4.27.4″ _module_preset=“default“ hover_enabled=“0″ global_colors_info=“{}“ theme_builder_area=“et_body_layout“ sticky_enabled=“0″]<\/p>\n Nur 6% der Hersteller erreichen die World Class<\/strong>, die Mehrheit arbeitet mit 55-60% tats\u00e4chlich<\/strong> und glaubt, 70-75% zu erreichen. Diese Differenz stellt Hunderttausende Euro an versteckter Kapazit\u00e4t w\u00e4hrend der Produktionszeit dar. <\/p>\n Automatisierung kostet weniger als manuelle Arbeit<\/strong>:<\/p>\n Dokumentierter schneller ROI<\/strong>:<\/p>\n N\u00e4chste Schritte<\/strong>:<\/p>\n Kostenlose Tools, um aktiv zu werden<\/span><\/p>\nWarum die OEE-Berechnung wesentlich ist<\/h2>\n
\n
Benchmarks nach Sektoren<\/h3>\n
\n
Die 7 fatalen Fehler bei der manuellen Berechnung<\/h2>\n
Fehler #1 <\/span>– Unsichtbare Mikroabschaltungen: 15-20% Verlust der Verf\u00fcgbarkeit<\/h3>\n
\n
Fehler #2<\/span> – Durchschnittliche Geschwindigkeiten: 5-25% verstecktes Potenzial im Unternehmen<\/h3>\n
\n
\n
Fehler #3<\/span> – Gez\u00e4hlte Retuschen: 8 Qualit\u00e4tsabweichungspunkte<\/h3>\n
\n
Fehler #4<\/span> – Klassifizierung von Ausf\u00e4llen: Auswirkungen auf die Verf\u00fcgbarkeit<\/h3>\n
\n
Fehler #5<\/span> – Ungenaue manuelle Daten<\/h3>\n
\n
Fehler #6<\/span> – Verwechslung von Zeiteinheiten<\/h3>\n
Fehler #7<\/span> – Fehlende Standardisierung f\u00fcr mehrere Standorte<\/h3>\n
\n
L\u00f6sung: Die 4 S\u00e4ulen der Automatisierung<\/h2>\n
1. Automatische Sammlung<\/h3>\n
2. Standardisierte Berechnung<\/h3>\n
3. Intelligente Kategorisierung<\/h3>\n
4. Analyse von Ursachen und Warnungen<\/h3>\n
Dokumentierter ROI<\/h2>\n
\n
\n
FAQ – Ihre h\u00e4ufig gestellten Fragen \u00fcber die OEE<\/b><\/h2>\n
\n
\n
\n
\n
Schlussfolgerung<\/h2>\n
Schl\u00fcsselpunkte<\/h3>\n
\n
\n
\n