JMP

Kurzfazit

JMP ist die beste Wahl, wenn du Versuchsreihen planen, auswerten und visuell verstehen willst, und das ohne eine Zeile Code. In Pharma, Halbleiterfertigung und Verfahrenstechnik ist JMP der De-facto-Standard für Design of Experiments (DoE) und Quality by Design (QbD). Die interaktiven Profiler, mit denen du Prozessparameter live verschiebst und sofort die Modellreaktion siehst, sind in dieser Tiefe konkurrenzlos. Schwächen liegen woanders: Der quote-only Preis (branchenüblich fünfstellig pro Jahr) schreckt KMU ab, die Lernkurve für fortgeschrittene Designs ist steil, und für produktive ML-Pipelines (MLOps) ist JMP das falsche Werkzeug. Als interaktive Analyse-Werkbank für Ingenieure und Naturwissenschaftler bleibt es jedoch in seiner Klasse führend.

Für wen ist JMP?

Pharmazeutische Prozessentwickler: Das Kern-Publikum. Wer Lyophilisierungszyklen, Fermentationen oder Formulierungen optimiert, findet in JMP die gesamte DoE-Werkzeugkette, von Screening über Response Surface bis Mixture Design, plus den Profiler für die Optimumssuche. Die Design-Space-Visualisierung ist direkt anschlussfähig an ICH-Q8-Dossiers.

Halbleiter- und Fertigungsingenieure: JMP hat seine Wurzeln in der Qualitätstechnik (Six Sigma, SPC, Reliability). Für Yield-Analysen, Prozessfähigkeitsstudien und die Ursachensuche bei Ausschuss ist die interaktive Exploration ein echter Zeitgewinn gegenüber tabellengetriebenen Werkzeugen.

Formulierungs- und Naturwissenschaftler ohne Code-Kenntnisse: JMP ist low-code. Wer multivariate Optimierungen rechnen will, aber weder Python noch R beherrscht, bekommt hier eine GUI, die statistisch korrekte Designs erzeugt und auswertet, ohne dass man die Mathematik dahinter selbst implementieren muss.

Data Scientists mit JMP Pro: Die Pro-Edition ergänzt Penalized Regression, neuronale Netze, Boosted Trees, Functional Data Explorer und Modellvergleich. Für explorative Modellierung und Feature-Selektion in einer GUI ist das stark, als Vorstufe oder Ergänzung zu code-basierten Workflows.

CDMOs und regulierte Labors: Auftragsentwickler und -hersteller, die QbD-konforme Prozesscharakterisierung gegenüber Behörden dokumentieren müssen, schätzen die nachvollziehbaren, exportierbaren Reports und die lokale Datenhaltung.

Weniger geeignet für: Gelegenheitsnutzer (zu teuer), code-first Data-Science-Teams (Python/R-Notebooks sind flexibler), Teams, die ML-Modelle produktiv deployen und überwachen wollen (dafür braucht es eine MLOps-Plattform wie DataRobot oder Dataiku), und alle, die eine reine Web-Plattform ohne Desktop-Installation suchen.

Preise im Detail

Edition	Preis	Was du bekommst
JMP (Standard)	Quote-only, ca. 9.000–12.000 USD/Nutzer/Jahr	Interaktive Statistik, vollständige DoE-Suite, Profiler, Visualisierung, JSL-Scripting
JMP Pro	ca. 15–20 % Aufpreis	Alles aus Standard + ML (Penalized Regression, Neuronale Netze, Boosted Trees), Functional Data Explorer, Modellvergleich, Score-Code-Export
JMP Live	Server-/Quote-Modell	Web-Kollaboration: interaktive Reports im Browser teilen, eigenes Hosting erforderlich
JMP Clinical	Quote-only	Spezialedition für klinische Studienauswertung, Safety-Profile, CDISC-Unterstützung
Testversion	0 USD (30 Tage)	Voller Funktionsumfang zeitlich begrenzt
Student Edition	0 USD	Kostenlos für qualifizierte Hochschulangehörige (seit 2024)

Einordnung: JMP veröffentlicht keine Preise, alles läuft über Vertriebsanfrage, und der genaue Betrag hängt von Volumen, Konzernrahmenverträgen und Region ab. Die branchenüblichen 9.000–12.000 USD pro Nutzer und Jahr sind eine Orientierung, kein Listenpreis. Für ein einzelnes KMU ist das eine ernsthafte Investition; in einem regulierten Pharma- oder Halbleiter-Umfeld, wo eine einzige beschleunigte Prozessentwicklung den Lizenzpreis um ein Vielfaches einspielt, relativiert sich die Zahl schnell. Wer nur gelegentlich Statistik braucht, ist hier falsch, dann reicht oft eine günstigere Lösung oder die freie Student-/Testversion zur Evaluation. Die 30-Tage-Testversion solltest du vor jedem Kauf mit echten eigenen Daten ausreizen.

Stärken im Detail

Der Profiler ist das Herzstück. Kaum ein anderes Werkzeug macht Sensitivitätsanalyse so greifbar: Du ziehst an einem Parameter-Slider und siehst in Echtzeit, wie sich die Zielgröße über alle Modelldimensionen verändert. Der Desirability-Profiler kombiniert mehrere Zielgrößen zu einer gemeinsamen Optimierung. Für Ingenieure, die Zusammenhänge verstehen wollen statt nur Koeffiziententabellen zu lesen, ist das ein qualitativer Unterschied.

Vollständige DoE-Suite. JMP deckt die gesamte Versuchsplanung ab, Screening Designs, Response Surface Designs (Central Composite, Box-Behnken), Mixture Designs für Formulierungen, Definitive Screening Designs (DSD) und Custom Designs für unregelmäßige Randbedingungen. Das Custom-Design-Modul erzeugt optimale Designs auch dann, wenn klassische Schemata an Restriktionen scheitern. Diese Bandbreite findet man bei kaum einem Wettbewerber unter einer Oberfläche.

ICH-Q8-Anschlussfähigkeit. Contour-Plots, Design-Space-Visualisierung und Monte-Carlo-Simulation der Spezifikationseinhaltung sind genau die Artefakte, die regulatorische CMC-Dossiers für Quality by Design verlangen. JMP-Reports lassen sich als PDF exportieren und direkt in die Dokumentation übernehmen, ein konkreter Workflow-Vorteil im Pharma-Umfeld.

Lokale Datenverarbeitung. JMP ist Desktop-Software (Windows, macOS, Windows Server). Die Analyse läuft auf dem eigenen Rechner; sensible Roh- und Prozessdaten verlassen das Unternehmensnetz nicht. In DSGVO- und GxP-Umgebungen ist das ein echter Vorteil gegenüber Cloud-First-Tools.

JSL-Scripting für Reproduzierbarkeit. Die JMP Scripting Language zeichnet jede interaktive Aktion als Skript auf. Damit lassen sich Auswertungen automatisieren, Batch-Reports erzeugen und, wichtig in regulierten Branchen, Analysen exakt reproduzieren. JSL kann zudem SAS, Python und R einbinden.

JMP Pro für Machine Learning. Wer mehr will als klassische Regression, bekommt in Pro Penalized Regression (Lasso, Elastic Net), neuronale Netze, Boosted Trees, den Functional Data Explorer für Kurvendaten und systematischen Modellvergleich, alles in derselben GUI, ohne Tool-Wechsel.

Schwächen ehrlich betrachtet

Quote-only Pricing ohne Transparenz. JMP nennt keine öffentlichen Preise. Du musst den Vertrieb kontaktieren, ein Angebot anfordern und verhandeln, für eine schnelle Tool-Entscheidung ist das hinderlich. Die kursierenden fünfstelligen Jahresbeträge pro Nutzer machen JMP für Einzelpersonen und kleine Teams oft unzugänglich. Workaround: Mit der Student- oder Testversion evaluieren, bevor man überhaupt ins Vertriebsgespräch geht.

Steile Lernkurve bei fortgeschrittenen Designs. Die GUI verbirgt die Statistik, eliminiert sie aber nicht. Wer ein Mixture Design oder ein optimales Custom Design ohne Verständnis von Versuchsplanung ansetzt, produziert leicht aussagelose Ergebnisse. JMP ist low-code, nicht no-brain, etwas DoE-Grundwissen bleibt Pflicht.

Kein MLOps. JMP ist eine Analyse- und Explorationswerkbank, keine Produktionsplattform. Modelle versionieren, in eine Pipeline deployen, im Betrieb überwachen, automatisiert neu trainieren, das ist nicht JMPs Aufgabe. Wer ML produktiv betreiben will, braucht DataRobot, Dataiku oder eine Code-Plattform.

JMP Live verlangt eigenes Setup. Die Web-Kollaboration ist kein schlüsselfertiger SaaS-Dienst, du brauchst einen eigenen Server und IT, die ihn betreibt. Eine fertige EU-Cloud vom Hersteller gibt es nicht. Für Teams, die einfach im Browser teilen wollen, ist das ein Aufwand, den eine native Cloud-Lösung erspart.

Kein natives Python-Notebook. JMP kann Python aufrufen, ist aber keine Notebook-Umgebung. Data-Science-Teams, die in Jupyter und Git leben, empfinden die GUI-zentrierte Arbeitsweise als Bruch in ihrem Workflow. Für sie ist JMP eher ein ergänzendes Visualisierungswerkzeug als das Zuhause.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine günstigere, ähnlich GUI-orientierte DoE-/Statistik-Lösung suchst	Minitab
Speziell DoE-Software für Pharma-Prozessentwicklung brauchst	MODDE
ML visuell-grafisch ohne Code modellieren willst	KNIME
ML produktiv deployen und in Pipelines betreiben willst	Dataiku oder DataRobot

Erwähnenswert ohne direkten Vergleich: Design-Expert (Stat-Ease) ist im DoE-Nischenmarkt ein direkter, oft günstigerer Konkurrent. SAS Viya ist die große Cloud-Schwesterplattform aus demselben Haus, für Enterprise-Analytics statt Einzelplatz-Exploration. Wer ohnehin code-first arbeitet, kombiniert R oder Python (mit pyDOE, statsmodels), flexibler, aber ohne die interaktiven Profiler. JMP ist kein Allrounder, es ist eine spezialisierte Explorations- und DoE-Werkbank, und in dieser Rolle der Maßstab.

So steigst du ein

Schritt 1: Lade die 30-Tage-Testversion auf jmp.com herunter. Starte mit dem integrierten DoE-Tutorial unter „Help → Design of Experiments”. Importiere einen echten Datensatz aus euren letzten Entwicklungsläufen, schon 8–12 historische Versuchspunkte reichen für ein orientierendes Screening.

Schritt 2: Erstelle über „DOE → Response Surface Design” ein Central Composite Design für deine drei wichtigsten Prozessparameter (z. B. Temperatur, Druck, Haltedauer). Definiere die Zielgröße präzise (etwa Ausbeute oder Zykluszeit bis zu einem Schwellwert). Führe die Versuche durch und trage die Ergebnisse zurück in die Tabelle.

Schritt 3: Nutze „Fit Model → Response Surface” und öffne den Profiler, um die Optimumszone zu visualisieren. Aktiviere den Desirability-Profiler, wenn du mehrere Zielgrößen gleichzeitig optimierst. Exportiere am Ende den Design-Space-Report als PDF für die Dokumentation, und zeichne den ganzen Ablauf bei Bedarf als JSL-Skript auf, um ihn reproduzierbar zu machen.

Ein konkretes Beispiel

Ein CDMO mit Schwerpunkt Protein-Formulierungen aus dem Raum Heidelberg nutzt JMP für alle ICH-Q8-konformen Zyklusentwicklungsprojekte. Bei einem monoklonalen Antikörper (10 mg/mL, Sucrose-Formulierung) wurden 13 Läufe nach einem Central Composite Design durchgeführt. Über den Response-Surface-Profiler identifizierte das Team eine Regaltemperatur-Rampe von −20 auf −15 °C in der Primärtrocknung als optimal, mit einem Kollaps-Sicherheitsabstand von 3,2 °C zur gemessenen Tg’. Die Zykluszeit sank gegenüber dem konservativen Ausgangszyklus um 19 Prozent, was pro Charge mehrere Stunden Anlagenbelegung spart. Der JMP-generierte Design-Space-Report mit Contour-Plots wurde direkt in das CMC-Dossier übernommen. Zeitersparnis in der Entwicklung: rund zwei Wochen gegenüber dem früheren One-Factor-at-a-Time-Vorgehen, bei zugleich besserer regulatorischer Begründbarkeit.

DSGVO & Datenschutz

• Datenhosting: JMP Desktop verarbeitet alle Daten lokal auf dem eigenen Rechner. Roh- und Prozessdaten verlassen das Unternehmensnetz nicht, in DSGVO- und GxP-Umgebungen ein klarer Vorteil gegenüber Cloud-Tools.
• JMP Live: Die Web-Kollaboration wird vom Kunden selbst gehostet (eigener Server, on-premise oder eigene Cloud). Damit behältst du die volle Kontrolle über Datenstandort und Zugriff, es gibt jedoch keine fertige EU-Cloud-Region vom Hersteller.
• Anbieter: JMP Statistical Discovery LLC, Tochtergesellschaft der SAS Institute Inc. (USA). SAS verfügt über eine deutsche Niederlassung (Heidelberg) mit deutschsprachigem Support.
• Datennutzung: Da die Verarbeitung lokal erfolgt, findet keine herstellerseitige Auswertung der Analysedaten statt. Lizenz- und Telemetriedaten der Software bleiben davon unberührt, die Datenschutzeinstellungen sollten geprüft werden.
• Auftragsverarbeitung (AVV): Für lokal verarbeitete Desktop-Daten ist in der Regel kein AVV nötig (keine Auftragsverarbeitung durch SAS). Für JMP Live im Selbsthosting liegt die Verantwortung beim Kunden.
• Empfehlung für Unternehmen: Für regulierte Branchen ist die lokale Verarbeitung ideal. GxP-relevante Validierung der Software (z. B. Computer System Validation) bleibt unabhängig davon erforderlich; SAS bietet hierzu Unterlagen an.

Gut kombiniert mit

• Minitab, In manchen Organisationen ergänzen sich beide: Minitab für standardisierte Six-Sigma-/SPC-Routinen im Qualitätswesen, JMP für die explorative DoE- und Modellierungsarbeit in der Entwicklung. Wer beide kennt, wählt pro Aufgabe das passendere Werkzeug.
• Python, JMP kann Python-Code aufrufen. Für Datenaufbereitung, Anbindung an Datenbanken oder Spezialalgorithmen, die JMP nicht abdeckt, lässt sich Python einbinden und die Ergebnisse wieder in JMP visualisieren.
• SAS Viya, Die große Analytics-Plattform aus demselben Haus: Wenn explorative JMP-Ergebnisse in einen unternehmensweiten, produktiven Analytics-Betrieb überführt werden sollen, ist Viya der Anschlusspunkt, JMP liefert die Hypothese, Viya skaliert sie.

Unser Testurteil

JMP verdient 4 von 5 Sternen. In seiner Kernrolle, interaktive Versuchsplanung und explorative Analyse für Ingenieure und Naturwissenschaftler, ist es der Maßstab. Die Profiler, die vollständige DoE-Suite, die ICH-Q8-Anschlussfähigkeit und die lokale Datenverarbeitung sind in dieser Kombination konkurrenzlos. Den fünften Stern kosten vier Dinge: der intransparente quote-only Preis im fünfstelligen Bereich, der KMU faktisch ausschließt; die steile Lernkurve bei fortgeschrittenen Designs; das fehlende MLOps für den Produktivbetrieb; und JMP Live, das eigenes Hosting statt schlüsselfertiger Cloud verlangt. Für sein klar umrissenes Publikum, regulierte Prozessentwicklung in Pharma, Biotech, Halbleiter und Fertigung, ist JMP jede Empfehlung wert. Für alle anderen ist es zu speziell und zu teuer.

Was wir bemerkt haben

• Januar 2021, SAS gliederte JMP in die eigenständige Tochter „JMP Statistical Discovery LLC” aus. Produkt und Roadmap blieben erhalten, die Marke „JMP” tritt seither stärker eigenständig auf, ein Schritt, der dem Produkt mehr Profil unabhängig vom SAS-Mutterhaus gibt.
• 2024, Eine kostenlose JMP Student Edition für qualifizierte Hochschulangehörige wurde eingeführt. Das senkt die Einstiegshürde im akademischen Umfeld deutlich und ist ein praktischer Weg, die Software vor einer Kaufentscheidung kennenzulernen.
• Mai 2026, JMP bleibt bei quote-only Pricing ohne öffentliche Listenpreise. Eine native, schlüsselfertige EU-Cloud (etwa für JMP Live) gibt es weiterhin nicht, die Datenhoheit liegt dafür vollständig beim Kunden, was den lokalen Desktop-Ansatz für regulierte Branchen attraktiv hält.