Wer eine Produktion über Monate betreibt, sammelt Daten. Prozessparameter, Prüfergebnisse, Ausschussraten, Maschinenlaufzeiten, Werkzeugstandzeiten, Schichtvergleiche. Diese Daten liegen irgendwo – im MES, im QMS, im ERP, vielleicht noch in Excel. Sie sind vorhanden. Aber werden sie genutzt?
In den meisten Betrieben lautet die ehrliche Antwort: nein. Oder: selten. Oder: nur wenn ein akutes Problem auftaucht. Die Daten werden gesammelt, aber nicht systematisch ausgewertet. Das Ergebnis ist ein klassisches Paradoxon: Man verfügt über die Antworten auf die wichtigsten Verbesserungsfragen – aber man stellt die Fragen nicht.
Dieser Artikel zeigt, wie ihr historische Prozessdaten systematisch auswertet: mit konkreten Analysemethoden, einem Datenqualitäts-Check vor der Analyse, vier dokumentierten Verbesserungsfällen aus der Praxis und einem klaren fünfstufigen Analysepfad, der auch ohne Data-Science-Team funktioniert.
DAS WICHTIGSTE IN KÜRZE
|
KURZ ZUSAMMENGEFASST
|
Wer Produktionsleiter und Qualitätsmanager fragt, warum historische Daten nicht systematisch genutzt werden, bekommt selten 'Weil wir keine Daten haben' als Antwort. Die tatsächlichen Gründe sind struktureller Natur.
|
83 % Fertigungsbetriebe sammeln Prozessdaten, werten sie nicht systematisch aus Fraunhofer IPA Umfrage 2024 |
Ø 2,3 Systeme je Betrieb, in denen relevante Historiedaten liegen CSP Projektdaten 2024/25 |
< 5 % Fertigungsbetriebe mit definierten Analyse-Zyklen für Prozesshistorie CSP Benchmark-Daten |
Ø 34 % Cpk-Verbesserungspotenzial in Daten erkennbar – aber ungenutzt CSP Analyse-Projekte |
Die vier häufigsten Ursachen für ungenutzte Historiedaten
Bevor eine Analysemethode ausgewählt wird, muss die Datenlage bewertet werden. Die folgende Reifegradmatrix hilft dabei – und zeigt, welche Analysen auf welchem Niveau möglich sind.
|
LEVEL 1 Minimal |
LEVEL 2 Strukturiert |
LEVEL 3 Integriert |
LEVEL 4 Datengetrieben |
|---|---|---|---|
|
DATENSITUATION Papierdokumentation oder Excel-Inseln. Zeitstempel unvollständig. Chargen nicht eindeutig. MÖGLICHE ANALYSEN Manuelle Fallanalyse. Kein Trend, keine Korrelation. |
DATENSITUATION Digitale Prüfprotokolle. Zeitstempel vorhanden. Chargen teilweise verknüpft. Systeme getrennt. MÖGLICHE ANALYSEN Trend-Auswertung je Merkmal. Schicht-Vergleich. Cpk-Zeitreihe. |
DATENSITUATION MES, QMS und ERP über gemeinsamen Schlüssel verknüpft. Prozessparameter je Seriennummer vorhanden. MÖGLICHE ANALYSEN Korrelationsanalyse. Ursachenfindung. Predictive-Quality-Ansätze. Multi-Variate-Analyse. |
DATENSITUATION Vollständige, qualitätsgesicherte Prozesshistorie. Echtzeit + Historie verknüpft. Ausreißer bereinigt. MÖGLICHE ANALYSEN ML-basierte Muster-Erkennung. Prozessoptimierung. Predictive Maintenance. Autonome Regelung. |
|
Nächster Schritt Schlüsselfelder digitalisieren: Zeitstempel, Seriennummer, Charge als Pflichtfelder. |
Nächster Schritt Systemverknüpfung: Prüfergebnis mit Charge und Prozessparameter verbinden. |
Nächster Schritt Automatisierte Auswertungs-Routinen und Analyse-Zyklen einführen. |
Nächster Schritt ML-Modellierung und KI-gestützte Prozessoptimierung einführen. |
Historische Daten sind nur so gut wie ihre Qualität. Garbage in, garbage out gilt im Besonderen für statistische Analysen: Ein falscher Ausreißer in einer Zeitreihe kann eine Trendanalyse vollständig verzerren. Der folgende Check muss vor jeder Analyse durchgeführt werden.
|
DQ-Dimension |
Prüffrage vor Analyse |
✓ Gut |
✗ Problem |
Sofort-Maßnahme |
|---|---|---|---|---|
|
Vollständigkeit |
Fehlen Messwerte in der Zeitreihe? Wie viel Prozent der Felder sind NULL? |
< 5 % fehlende Werte |
> 10 % fehlende Werte |
Fehlende Werte markieren, nicht interpolieren. Analyse-Zeitraum einschränken. |
|
Zeitstempel |
Sind alle Zeitstempel mit Zeitzone gespeichert? Gibt es Lücken oder Duplikate? |
ISO 8601, keine Sprünge |
Schichtwechsel-Lücken, Duplikate |
NTP-Synchronisation prüfen. Zeitstempel-Format normieren. |
|
Konsistenz |
Werden dieselben Chargen- oder Merkmalsbezeichnungen überall gleich geschrieben? |
Einheitliche Schlüssel überall |
'CH031' vs. 'Charge-031' vs. '031' |
Normierungsregel definieren. Legacy-Daten bereinigen. |
|
Ausreißer |
Gibt es Messwerte, die physikalisch unmöglich sind oder klar auf Fehleingaben hinweisen? |
Alle Werte im plausiblen Bereich |
Werte × 10 oder 0,0 als Default |
Grenzwert-Filter: Werte außerhalb ±5σ als Kandidaten markieren. Manuell prüfen. |
|
Referenzierbarkeit |
Lassen sich Messwerte eindeutig einer Seriennummer, Schicht oder Maschine zuordnen? |
Seriennummer als Primärschlüssel |
Nur Datum und Schicht, keine SN |
Retroaktive Verknüpfung wo möglich. Stichtag für vollständige Referenz definieren. |
|
Stichprobengröße |
Sind genug Datenpunkte für statistisch valide Aussagen vorhanden? (Minimum: 30 je Gruppe) |
≥ 50 Datenpunkte je Analysemerkmal |
< 20 Datenpunkte je Merkmal |
Analysezeitraum verlängern oder Gruppen zusammenfassen. Ergebnisse als Tendenz kennzeichnen. |
Unterschiedliche Fragestellungen erfordern unterschiedliche Analysemethoden. Die fünf folgenden Methoden decken den Großteil der relevanten Fragestellungen in der Fertigungs-Prozesshistorie ab – von einfach bis fortgeschritten.
| Methode | Analysemethode | Leitfrage | Datenbasis | Werkzeug / Methode | Typisches Ergebnis | Analyse-Aufwand |
|---|---|---|---|---|---|---|
| 01 | Trendanalyse (Zeitreihe) | Verändert sich ein Prozessmerkmal systematisch über Zeit? | Zeitreihe eines Qualitäts- oder Prozessparameters über mindestens 30 Messpunkte. Zeitstempel als X-Achse. | Liniengrafik + gleitender Durchschnitt (7 Perioden). SPC-Regelkarte mit Trendregeln. | Cpk sinkt von 1,5 auf 1,1 über 8 Wochen → Werkzeugverschleiß oder Materialdrift identifizierbar. | Niedrig: 30–60 Min. mit vorhandenen Daten und Excel/SPC-Software |
| 02 | Schicht-/Perioden-Vergleich (ANOVA-Basis) | Unterscheiden sich Schichten, Wochentage oder Teams signifikant in ihrer Qualitätsleistung? | Prüfergebnis oder Ausschussrate je Schicht, Wochentag und Zeitraum. Mind. 20 Datenpunkte je Gruppe. | Box-Plot je Gruppe (Schicht A/B/C). Mittelwert-Vergleich. F-Test oder nicht-parametrischer Kruskal-Wallis. | Frühschicht 0,8 % Ausschuss, Spätschicht 2,4 % – Unterschied statistisch signifikant. Ursache: Einschulungslücke. | Niedrig–Mittel: 1–3 Stunden. Box-Plots in Excel oder QMS-Software möglich. |
| 03 | Korrelationsanalyse | Hängt ein Qualitätsmerkmal von einem Prozessparameter ab – und wie stark? | Paare aus Prozessparameter, z. B. Temperatur oder Drehmoment, und Qualitätsmerkmal, z. B. Reißfestigkeit oder Cpk. Mind. 50 Datenpunkte. | Streudiagramm + Pearson-Korrelationskoeffizient r. Bei nicht-linearen Zusammenhängen: Spearman-Rang. | Korrelation r = –0,74 zwischen Kühlmitteltemperatur und Ausschussrate → Temperaturregelung verbessert Ausschuss um ca. 30 %. | Mittel: 2–4 Stunden. Erfordert verknüpfte Datenbasis. |
| 04 | Pareto-Analyse der Fehlerursachen | Welche 20 % der Fehlerursachen verursachen 80 % des Ausschusses? | Fehler-/Ausschuss-Kategorien mit Häufigkeit aus Prüfprotokoll oder 8D-Datenbank. Mind. 50 Fehlerfälle. | Pareto-Diagramm: Balken nach Häufigkeit sortiert + kumulierte Kurve. 80%-Linie einzeichnen. | 3 von 12 Fehlertypen verursachen 76 % des Ausschusses → Fokus der Verbesserungsmaßnahmen klar. | Niedrig: 1–2 Stunden. Standard in jeder QM-Software und Excel. |
| 05 | Multi-Variate-Analyse (Faktorenanalyse) | Welche Kombination von Prozessparametern bestimmt die Qualitätsleistung – und wie interagieren sie? | Vollständige Datensätze mit mehreren Prozessparametern und Qualitätsmerkmal je Einheit. Mind. 100–200 Datenpunkte. | Multiple lineare Regression. ANOVA mit Interaktionstermen. Hauptkomponentenanalyse (PCA) für Dimensionsreduktion. | Drei Parameter (Druck × Temperatur × Geschwindigkeit) erklären 84 % der Ausschussvarianz. Optimum-Fenster identifiziert. | Hoch: 1–3 Tage. Erfordert vollständige, verknüpfte Datenbasis und statistische Software wie Minitab, R oder Python. |
Die folgenden Verbesserungsfälle zeigen, wie konkret historische Prozessdaten zu messbaren Ergebnissen geführt haben – in verschiedenen Fertigungsbranchen und mit unterschiedlichen Analysemethoden.
| Case | Problem & Methode | Daten-Erkenntnis | Maßnahme & Wirkung |
|---|---|---|---|
| 01 | Schraubfehler am MontagsmorgenSchicht-/Periodenvergleich der NIO-Rate nach Wochentag und Schicht. | Montags Frühschicht: 1,8 % NIO, Rest der Woche: 0,2 %. Ursache war die Schrauber-Kalibrierung nach Wochenend-Standzeit. | Selbstprüfung mit Referenzverschraubung vor Schichtbeginn.Ergebnis: 1,8 % → 0,25 % NIO nach 6 Wochen. |
| 02 | Cpk-Drift über WerkzeugstandzeitTrendanalyse von Cpk-Wert und Werkzeugschusszahl. | Cpk sank linear von 1,6 auf 0,9 innerhalb von 12.000 Schuss. Kritischer Abfall ab 10.000 Schuss. | Werkzeugwechsel-Intervall auf 9.500 Schuss gesenkt, SPC-Warnung bei Cpk < 1,2.Ergebnis: Cpk Ø 1,15 → 1,51 nach 12 Wochen. |
| 03 | Schweißnaht-Ausschuss durch ChargenwechselKorrelationsanalyse von Ausschussrate und Materialcharge. | Neue Charge mit 15 % höherem Kohlenstoffgehalt erforderte angepasste Schweißparameter. | Lieferantencharge als Pflichtfeld, Parametersatz je Charge.Ergebnis: 4,2 % → 0,6 % Ausschuss nach 4 Wochen. |
| 04 | Top-3-Fehler treiben 79 % AusschussPareto-Analyse der 12-Monats-Fehlerdaten. | Drei Fehlercodes verursachten 79 % des Gesamtausschusses. | Werkerführungssystem für die Top-3-Fehler eingeführt.Ergebnis: 1,8 % → 0,41 % Gesamtausschuss nach 16 Wochen. |
Historische Daten sind keine Dokumentation der Vergangenheit – sie sind der Spiegel, in dem ihr euren Prozess zum ersten Mal wirklich seht.
— Amadeus Lederle CTE, CSP Intelligence GmbH
Ein strukturierter Analyse-Workflow macht den Unterschied zwischen 'wir haben mal Daten angeschaut' und 'wir haben ein systematisches Verbesserungsprogramm'. Die fünf folgenden Schritte sind für einen monatlichen Analyse-Zyklus je Fertigungslinie konzipiert – Gesamtaufwand: 4–8 Stunden.
| Schritt | Fokus | Was passiert? | Output |
|---|---|---|---|
| 1 | Analysefrage definieren 30–60 Min. | Auffällige KPIs wie Ausschuss, Cpk, Rüstzeit oder Stillstände prüfen. Eine konkrete Frage formulieren, z. B. „Warum steigt die NIO-Rate auf Linie 3?“ Analysezeitraum, Merkmale und Owner festlegen. | Analysefrage, Datenbeschreibung, Owner und Zeitplan |
| 2 | Datenqualität prüfen 30–60 Min. | Datensatz exportieren und auf Vollständigkeit, Zeitstempel, Konsistenz, Ausreißer, Referenzen und Stichprobengröße prüfen. Fehlende Werte und Ausreißer markieren. | Bereinigter, annotierter Datensatz mit Qualitätsbewertung |
| 3 | Analyse durchführen 1–3 Stunden | Passende Methode wählen: Trend, Vergleich, Korrelation, Pareto oder Multi-Variate. Zuerst visualisieren, dann Kennzahlen wie Mittelwert, Standardabweichung, Korrelation oder p-Wert berechnen. | Analysegrafik, Kennzahlen und identifizierte Auffälligkeiten |
| 4 | Hypothesen verifizieren 30–90 Min. | Auffälligkeiten in Hypothesen übersetzen und mit weiteren Daten oder Shopfloor-Beobachtung prüfen. Alternative Ursachen ausschließen und Kausalität bewerten. | Verifizierte oder widerlegte Hypothesen mit Begründung |
| 5 | Maßnahme ableiten 30–60 Min. | Konkrete, messbare Maßnahme aus der Hypothese ableiten. KPI, Verantwortlichen und Zeitplan definieren. Wirksamkeit im nächsten Analysezyklus prüfen. | CAPA-Eintrag mit Maßnahme, KPI, Owner und Datum |
Selbst mit guten Daten und klarer Fragestellung entstehen in der Praxis immer wieder dieselben Fehler in der Auswertung.
|
Fehler |
Warum er entsteht |
Konsequenz |
Lösung |
|---|---|---|---|
|
Korrelation als Kausalität interpretieren |
Statistisch signifikante Korrelation sieht nach Ursache aus |
Maßnahme adressiert Symptom, nicht Ursache |
Immer fragen: Gibt es eine mechanische/physikalische Erklärung? Gegenprobe? |
|
Ausreißer entfernen statt untersuchen |
Ausreißer 'stören' das Bild der Analyse |
Die interessantesten Informationen werden gelöscht |
Ausreißer annotieren und separat analysieren – oft sind sie Wurzeln von Problemen |
|
Zu kurzer Analysezeitraum |
Letzte 2 Wochen statt 3 Monate – wegen Datenverfügbarkeit |
Saisonale oder periodische Muster nicht erkennbar |
Mind. 3 Monate, besser 6–12 Monate für stabile Trendaussagen |
|
Viele Merkmale gleichzeitig analysieren |
'Schaut mal alles an' ohne klare Frage |
Kein klares Ergebnis, keine priorisierten Maßnahmen |
Eine Analysefrage je Zyklus. Pareto nutzen: erst Top-3, dann Rest. |
|
Keine Baseline vor der Maßnahme |
Maßnahme wird eingeführt, vorher kein Referenzwert dokumentiert |
Wirksamkeit der Maßnahme nicht messbar |
Vor jeder Maßnahme: aktuellen KPI-Wert als Baseline dokumentieren mit Datum |
|
Analyse-Ergebnisse nicht kommuniziert |
Auswertung landet im Ordner, nicht im Team |
Verbesserungspotenzial bleibt ungenutzt |
Monatlicher 15-Min-Slot: Analyse-Ergebnisse im Shopfloor-Meeting teilen |
PRAXISTIPP
CSP IPM speichert alle Prozessparameter, Prüfergebnisse und Traceability-Daten in einer integrierten Datenbasis – mit Seriennummer als durchgehendem Schlüssel. Das bedeutet: alle Analysemethoden aus diesem Artikel lassen sich direkt anwenden, ohne Daten aus verschiedenen Systemen zusammenzuführen.
Wie viele Datenpunkte brauche ich mindestens für eine valide Trendanalyse?
Für eine erste Trendaussage: mindestens 20–30 Datenpunkte in der Zeitreihe. Für statistisch robuste Aussagen (z.B. Trendsignifikanz-Test): 50–100 Punkte. Für Cpk-Trendanalysen gilt: mindestens 25 Untergruppen à 5 Messungen. Bei weniger Daten kann der Trend zwar visuell erkennbar sein, aber statistisch nicht signifikant – ihr solltet das explizit kommunizieren: 'Tendenziell sinkend, aber noch nicht statistisch signifikant.'
Was ist der Unterschied zwischen Korrelation und Kausalität – und warum ist das im Produktionskontext wichtig?
Korrelation bedeutet: zwei Variablen entwickeln sich gemeinsam. Kausalität bedeutet: eine Variable verursacht die andere. Beispiel aus der Praxis: Ausschussrate und Temperatur im Maschinenraum korrelieren – aber nicht weil die Temperatur den Ausschuss verursacht, sondern weil hohe Temperatur ein Indikator für Sommer ist, in dem auch die Kühlmittelviskosität sinkt, was den tatsächlichen Treiber darstellt. Wer die Temperatur im Raum senkt, löst das Problem nicht. Wer die Kühlmittelviskosität überwacht, löst es. Deshalb gilt: Immer nach der mechanischen Erklärung fragen.
Können wir historische Daten aus Excel für Prozessanalysen nutzen?
Ja – mit Einschränkungen. Excel-Daten sind nutzbar, wenn sie: vollständige und konsistente Zeitstempel haben, Schlüsselfelder (Seriennummer, Charge, Merkmal) konsistent befüllt sind, keine manuellen Nachträge enthalten (oder diese klar markiert sind) und ausreichend Datenpunkte vorhanden sind. Die typischen Probleme bei Excel-Daten: inkonsistente Chargenbezeichnungen, fehlende Zeitstempel bei manueller Eingabe und Editierbarkeit (Daten könnten nachträglich verändert worden sein). Für Erstanalysen ist Excel ausreichend, für kontinuierliches Analyse-Programm ist eine strukturierte Datenbasis sinnvoller.
Wie oft sollten wir historische Daten systematisch auswerten?
Als Mindestrythmus empfiehlt CSP: monatliche Kurzanalyse (1–2 Stunden, Trend-Check je Linie), quartalsweise Tiefenanalyse (4–8 Stunden, Korrelationen und Periodenvergleiche), jährliche Gesamtauswertung (1–2 Tage, Multi-Variate, Langzeittrends, Benchmark zwischen Linien). Der monatliche Zyklus ist der wichtigste – er stellt sicher, dass Drift-Tendenzen erkannt werden, bevor sie zu Problemen werden.
Was ist der beste Einstieg, wenn wir bisher kaum Prozesshistorie ausgewertet haben?
Schritt 1: Pareto-Analyse des Ausschusses aus den letzten 3–6 Monaten. Diese Analyse braucht keine integrierten Systeme, nur eine Liste von Ausschuss-Einträgen mit Fehlercode und Datum. Das Ergebnis – welche 3 Fehlertypen 80 % des Ausschusses verursachen – ist sofort handlungsfähig und zeigt dem Team den konkreten Wert von Datenauswertung. Das schafft intern Momentum für strukturiertere Analyseprogramme.
Wie gehen wir mit fehlenden Daten in der Zeitreihe um?
Fehlende Datenpunkte sollten nicht einfach interpoliert werden – das erzeugt falsche Kontinuität. Die sinnvollen Optionen: Fehlende Werte als 'NA' markieren und in der Analyse ausschließen. Wenn der Anteil < 10 % ist: Analyse trotzdem durchführen mit Hinweis auf fehlende Daten. Bei > 10 %: Zeitraum einschränken auf den Teil mit vollständigen Daten. Fehlende Perioden selbst analysieren: Warum fehlen Daten? Schichtübergabe-Problem? Systemausfall? Das ist oft selbst eine wichtige Information.
Kann ich historische Prozessdaten auch für Predictive Maintenance nutzen?
Ja – aber erst ab Level 3 des Datenlage-Reifegradmodells (integrierte Datenbasis, Prozessparameter je Seriennummer vorhanden). Für Predictive Maintenance braucht es: eine vollständige Zeitreihe der relevanten Sensorwerte (Vibration, Temperatur, Strom), dokumentierte Wartungs- und Ausfallzeitpunkte als Labels und mindestens 6–12 Monate Historiedaten pro Anlage. Mit diesen Voraussetzungen können Machine-Learning-Modelle trainiert werden, die 2–4 Wochen vor einem Ausfall warnen.