Produktionsdaten-Auswertung per KI

Das echte Ausmaß des Problems

Die Druckmaschine läuft. Das ist das, was zählt — oder so lautet jedenfalls die operationale Logik der meisten Druckereien. Produktionsdaten werden erfasst, weil das MIS sie erfasst. Auswertungen entstehen, weil der Geschäftsführer monatlich einen KPI-Bericht haben will. Aber zwischen Erfassen und Auswerten liegt eine Lücke, in der täglich Geld verloren geht.

Die Zahlen, die Heidelberg aus seiner eigenen Maschinenflotte veröffentlicht hat, sind ernüchternd: Die durchschnittliche OEE einer Speedmaster XL 106 liegt über alle Kundensegmente hinweg bei ungefähr 27 Prozent. 73 Prozent des theoretischen Maschinenpotenzials bleiben ungenutzt. Davon entfallen laut Heidelberg etwa die Hälfte auf mechanisch-technische Verluste und die andere Hälfte auf bediener- und prozessbedingte Ursachen — Rüstzeitvarianz zwischen Schichten, unterschiedliche Anlaufverhalten, vermeidbare Unterbrechungen.

Das Besondere an dieser Zahl: Die bediener- und prozessbedingten Verluste lassen sich durch Datenanalyse sichtbar machen und gezielt adressieren. Wenn prozessbedingte Stillstände von 37 auf 10 Prozent reduziert werden, steigt die OEE in Heidelbergs Beispielrechnung von 27 auf 54 Prozent — eine Verdoppelung der effektiven Maschinenleistung ohne neue Hardware.

Die Ursache dieser Lücke ist strukturell, nicht technisch. Druckereien erfassen Daten seit Jahren, aber die Auswertung folgt dem Erfassungsrhythmus des Menschen: am Monatsende, im Wochenmeeting, wenn ein Problem so sichtbar geworden ist, dass es nicht mehr ignoriert werden kann. Bis dahin hat dasselbe Muster sich dutzende Male wiederholt.

Besonders sichtbar wird das Problem bei:

• Schichtvergleichen: Schicht A rüstet den gleichen Auftrag 20 Minuten schneller als Schicht B. Niemand weiß es, bis es jemand explizit auszählt.
• Papier-Ausschusskorrelation: Bestimmte Papierqualitäten produzieren systematisch mehr Makulatur. Das Muster liegt im MIS — aber erst nach einem aufwendigen Abgleich wird es sichtbar.
• Wiederholenden Maschinenstillständen: Dieselbe Maschine steht jeden Donnerstagnachmittag überproportional oft — wahrscheinlich wegen Wartungsmustern, Schichtwechseln oder bestimmten Auftragstypen.
• Rüstzeitvarianz bei gleichen Auftragstypen: Derselbe 4-Farb-Bogenauftrag dauert mal 18, mal 35 Minuten in der Einrichtung. Warum? Das MIS weiß es — aber niemand fragt es.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Verbesserungszahlen kommen nicht aus einem Pilotprogramm unter Laborbedingungen. SpencerMetrics dokumentiert einen Fall, in dem ein mittelgroßer Bogendruckbetrieb seine OEE von 45 auf 68 Prozent steigerte, nachdem versteckte Ineffizienzen durch kontinuierliches Analytics-Monitoring sichtbar gemacht worden waren. Analoges gilt für eigene Heidelberg-Daten: Betriebe, die aktiv auf den „gelben Balken” — die bediener- und prozessbedingten Verlustursachen — eingehen, können diese von 37 auf 10 Prozent reduzieren.

Datenqualität als Voraussetzung

Bevor ein Analytics-System etwas Sinnvolles auswerten kann, muss das MIS zuverlässige Daten liefern. Das klingt selbstverständlich, ist es aber nicht.

Was ein Analytics-System voraussetzt:

• Vollständige und konsistente Auftragserfassung: Jeder Auftrag muss im MIS mit Maschinenzuordnung, Soll- und Ist-Zeiten, Papiersorte und Auflage erfasst sein — nicht als Nachbuchung am Nachmittag, sondern zeitnah.
• Codierte Stillstandsgründe: Wenn Unterbrechungen nur als “Maschinenstillstand” ohne Untertyp erfasst werden, kann kein System zwischen Wartung, Rüstung, Papierstau und fehlendem Personal unterscheiden. Mindestens vier bis sechs Stillstandskategorien müssen konsistent genutzt werden.
• Schichtzuordnung: Welcher Auftrag wurde in welcher Schicht von welchem Team produziert? Ohne diese Zuordnung ist kein Schichtvergleich möglich.
• Mindestens zwölf Monate historische Daten: Saisonale Schwankungen, Papierlieferzyklen und Maschinenwartungsintervalle sind nur mit ausreichend Historiedaten erkennbar. Mit drei Monaten kann ein System Muster erkennen, aber keine Trends valide beurteilen.

Was du vor der Einführung prüfen musst:

Exportiere einen typischen Wochenabschnitt aus deinem MIS und beantworte diese drei Fragen: Sind alle Aufträge vollständig mit Maschinenzuordnung und Zeitstempel erfasst? Wurden Stillstände systematisch kategorisiert oder nur als undifferenzierter Block gebucht? Gibt es Datenlücken — Maschinen oder Schichten, die regelmäßig nicht erfasst werden?

Wenn die Antwort auf eine oder mehrere Fragen “nein” lautet, ist der erste Schritt nicht die Analytics-Plattform, sondern die Datenerfassungsdisziplin. Analytics vergrößert, was vorhanden ist — eine schlechte Datenbasis liefert schnell und automatisiert schlechte Erkenntnisse.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Produktionsanalytics spart primär Reportingzeit und gibt dem Produktionsleiter ein klareres Bild zur richtigen Zeit. Die tatsächliche Zeitersparnis für das operative Team ist begrenzt: Erkenntnisse müssen immer noch interpretiert, Maßnahmen entschieden und umgesetzt werden. Verglichen mit Anwendungsfällen wie der Rüstzeitenanalyse oder der automatisierten Druckfreigabeprüfung, die direkten Aufwand im Tagesgeschäft reduzieren, wirkt der Zeitgewinn hier indirekter.

Kosteneinsparung — hoch (4/5) Das ist der eigentliche Hebel. Jeder OEE-Prozentpunkt mehr bedeutet mehr effektive Maschinennutzung ohne neue Hardware. Bei einer Druckmaschine, die täglich 16 Stunden läuft und eine Stunde mehr durch eliminierte Rüstzeit oder weniger Anlaufschwierigkeiten produziert, summieren sich die Einsparungen schnell auf Beträge, die Lizenzen und Einführungskosten mehrfach übertreffen. Höchste Kostenwirkung im Vergleich zu anderen Anwendungsfällen in dieser Kategorie.

Schnelle Umsetzung — niedrig (2/5) Realistische Zeitlinie bis zum produktiven Betrieb: 12 bis 16 Wochen. MIS-Anbindung, Datenbereinigung, Konfiguration der Kennzahlen und Pilotphase brauchen Zeit — und das, bevor irgendjemand im Betrieb die ersten Insights zu sehen bekommt. Dieser Aufwand entspricht den komplexeren Anwendungsfällen in der Kategorie; deutlich mehr als z. B. der Einstieg in die automatisierte Kundenfeedback-Auswertung.

ROI-Sicherheit — mittel (3/5) Die OEE ist messbar. Ob ein Anstieg ursächlich auf das Analytics-System zurückgeht oder auf parallele Maßnahmen, Personalwechsel oder Maschinenoptimierungen, lässt sich nicht immer eindeutig isolieren. Wer sauber messen will, braucht eine Baseline vor dem Go-live und ein konsequentes Protokoll, welche Maßnahmen wann eingeleitet wurden. Ohne diesen Aufwand ist die ROI-Rechnung plausibel, aber nicht wasserdicht.

Skalierbarkeit — hoch (4/5) Einmal eingerichtet skaliert ein Analytics-System ohne proportionale Mehrkosten auf zusätzliche Maschinen und Standorte. Wer heute mit drei Maschinen beginnt und in zwei Jahren zwölf hat, zahlt nicht das Vierfache für die Analysefähigkeit.

Richtwerte — stark abhängig von MIS-Reifegrad, Datenverfügbarkeit und Maschinenparkgröße.

Was ein Produktionsanalytics-System konkret macht

Der Grundgedanke: Das MIS erfasst bereits alles, was relevant ist. Maschinenstunden, Rüstzeiten, Auftragsunterbrechungen, Ausschuss, Papierverbrauch, Schichtzuordnung. Das Problem ist nicht fehlende Datenerfassung, sondern fehlende Verarbeitung dieser Daten zu aussagekräftigen Mustern.

Ein Predictive Analytics-System kombiniert mehrere Schritte:

Datenaggregation: Maschinendaten aus dem MIS (und wo vorhanden: direkt aus der Maschinensteuerung via JDF/JMF) werden in einem zentralen Datenmodell zusammengeführt. Aus rohen Zeitstempeln werden Metriken: Verfügbarkeit je Maschine und Schicht, Leistungsgrad, Qualitätsrate, OEE als Kombination aller drei.

Anomalieerkennung: Abweichungen vom Erwartungswert werden automatisch markiert. Eine Rüstzeit, die dreimal so lang wie der Median ist. Eine Maschine, die in einer bestimmten Schicht systematisch unterperformt. Ein Papierlieferant, dessen Material überdurchschnittlichen Makulaturaufwand verursacht. Das System meldet diese Abweichungen, bevor sie sich im Monatsbericht begraben.

Trendanalyse: Wohin entwickeln sich Kennzahlen über Zeit? Verbessert sich die Schicht-B-Performance im Vergleich zu vor drei Monaten? Hat die Wartungsmaßnahme an Maschine 2 die Verfügbarkeit stabilisiert? Diese Fragen lassen sich ohne historischen Vergleich nicht sauber beantworten.

Empfehlungsgeneration: Fortgeschrittenere Systeme (Heidelbergs Prinect Analytics, MachineMetrics) geben konkrete Hinweise: “Rüstzeit bei 4-Farb-Querformat-Aufträgen in Schicht B liegt 40% über Schicht A — Schulungsbedarf oder Prozessdifferenz prüfen.” Das ist keine autonome Entscheidung des Systems, sondern ein gefilterter, priorisierbarer Hinweis für die Produktionsleitung.

Was das System nicht tut: Es entscheidet nicht. Es implementiert keine Verbesserungen. Es weiß nicht, ob eine Rüstzeitvarianz an fehlender Schulung, an einer schwierigen Materialcharge oder an einer Maschineneinstellungsbesonderheit liegt. Die Interpretation und die Maßnahmenentscheidung bleiben beim Menschen.

Integrations-Realität: Von JDF zu Dashboard

Die technische Arbeit bei einem Analytics-Projekt in einer Druckerei liegt zu einem großen Teil nicht in der Analytics-Software, sondern in der Verbindung zwischen Datenquelle und Analyseschicht.

Szenario 1 — MIS mit Analytics-Modul: Wer Heidelberg Prinect mit dem Print Shop Analytics Modul nutzt oder PrintVis via Power BI an eigene Dashboards anbindet, hat den Vorteil, dass Datenstrukturen bereits bekannt sind und keine Schnittstelle von Grund auf programmiert werden muss. Die Integration des Analytics-Moduls dauert typisch 4–8 Wochen, gefolgt von einer Konfigurationsphase für Kennzahlen und Alarmgrenzen.

Szenario 2 — MIS-Export zu BI-Tool: Viele Druckereien exportieren MIS-Daten periodisch (täglich, wöchentlich) und laden sie in ein BI-Tool wie Microsoft Power BI. Das ist eine praxisnahe Lösung, die keine direkte API-Anbindung erfordert. Nachteil: kein Echtzeit-Monitoring, und der Exportprozess muss verlässlich laufen — ein fehlender Wochenexport reißt Lücken in die Zeitreihe.

Szenario 3 — Direkte Maschinenanbindung: Für Betriebe, die Echtzeitdaten vom Shop Floor wollen, ist eine direkte JDF/JMF-Verbindung zwischen Maschine und Analytics die sauberste Lösung — aber auch die aufwendigste. Ältere Maschinen ohne digitale Schnittstelle brauchen Hardware-Adapter (wie sie MachineMetrics anbietet). Bei heterogenen Maschinenparks mit verschiedenen Herstellern und Baujahren kann die Anbindungsarbeit den gesamten Projektumfang dominieren.

Die häufigste Unterschätzung: Teams, die ein Analytics-Projekt planen, rechnen mit der Software — nicht mit der Dateninfrastruktur. Eine MIS-Datenbank, die über Jahre gewachsen ist und nicht konsistent gepflegt wurde, benötigt oft mehr Bereinigungsaufwand als die Analytics-Konfiguration selbst. Plant zwei bis vier Wochen Datenbereinigung explizit ein, bevor die erste Auswertung gezeigt werden kann.

Konkrete Werkzeuge — was wann passt

Heidelberg Prinect mit Print Shop Analytics — Der native Weg für Heidelberg-Druckereien. Print Shop Analytics ist ein Cloud-Modul im Prinect-Ökosystem, das OEE, Maschinenverfügbarkeit und Schichtvergleiche aus Prinect-Daten berechnet und in konfigurierbaren Dashboards visualisiert. Vorteil: keine zusätzliche Datenschnittstelle, die Prinect-Datenstrukturen sind bereits bekannt. Preis: Subscription-Modell, Preise auf Anfrage bei Heidelberg. Sinnvoll für Heidelberg-Maschinenbetriebe, die bereits Prinect als MIS nutzen.

PrintVis mit Power BI — PrintVis sammelt Produktionsdaten in Microsoft Dynamics 365 Business Central und stellt über eine API Verbindung zu Microsoft Power BI her. Auf dieser Basis lassen sich OEE-Dashboards, Schichtberichte und Trendanalysen konfigurieren. Nützlich für Betriebe, die PrintVis als MIS nutzen und gleichzeitig in das Microsoft-Ökosystem investiert sind. Für 15 Nutzer: typisch 3.000–5.000 Euro/Monat für die gesamte PrintVis-Lizenz inkl. Business Central.

Microsoft Power BI als freie Analyseschicht — Für Druckereien mit einem anderen MIS (EFI Pace, Tharstern, PrintSmith u. a.) bietet Power BI eine herstellerunabhängige Analyseschicht. MIS-Exports werden per CSV oder API in Power BI geladen; OEE-Metriken, Trendlinien und Schichtvergleiche lassen sich ohne Programmierkenntnisse konfigurieren. Kosten: Power BI Desktop kostenlos, Pro 12,10 Euro/Nutzer/Monat. Einschränkung: Echtzeit ist hier nicht möglich, nur Batch-basierte Aktualisierungen.

EFI Pace — Für Druckereien, die Pace als MIS nutzen, enthält die integrierte Nachkalkulation bereits eine Soll-Ist-Auswertung zwischen Angebots- und tatsächlichen Produktionszeiten. Das ist kein vollständiges OEE-System, aber ein praktischer Einstieg in die datenbasierte Analyse. Ab typisch 200–500 Euro/Nutzer/Monat.

Julius AI — Für Ad-hoc-Analysen ohne BI-Infrastruktur. MIS-Exports als CSV hochladen und auf Englisch nach Mustern fragen: “Which paper grade produces the most waste by percentage?” oder “Compare setup times between shifts A and B for 4-color jobs.” Julius beantwortet diese Fragen und erstellt Diagramme — ohne SQL, ohne BI-Kenntnisse. Einschränkung: US-Hosting, kein Echtzeit, kein Deutsch-Interface. Freemium mit 100 Credits/Monat; Plus 20 USD/Monat für regelmäßige Nutzung.

MachineMetrics — Für Betriebe, die Echtzeit-OEE direkt von den Maschinen wollen, unabhängig vom MIS. MachineMetrics verbindet heterogene Maschinenparks über Hardware-Adapter. Nachteil für deutsche Druckereien: US-Hosting, kein deutschsprachiger Support, keine öffentlichen Preise. Für Betriebe mit strikten DSGVO-Anforderungen nicht ohne vorherige Datenschutzprüfung einsetzbar.

Zusammenfassung: Wann welcher Ansatz

• Heidelberg-Maschinen, Prinect-MIS → Prinect Print Shop Analytics
• PrintVis-MIS, Microsoft-Umgebung → PrintVis + Power BI
• Anderes MIS, kein Echtzeit-Bedarf → Power BI als freie Analyseschicht
• EFI Pace im Einsatz → Pace-Nachkalkulation als Einstieg, Power BI für Dashboards
• Ad-hoc-Analyse eines MIS-Exports → Julius AI
• Echtzeit vom Shop Floor, internationale Ausrichtung → MachineMetrics (DSGVO prüfen)

Datenschutz und Datenhaltung

Produktionsdaten sind in der Druckerei ein Sonderfall: Sie enthalten in der Regel keine personenbezogenen Kundendaten, aber sie können indirekt Personenbezug herstellen, sobald Maschinendaten mit Schichtzuordnungen oder Bediener-IDs verknüpft werden. Dann gilt die DSGVO.

Die Einordnung ist rechtlich relevant: Wenn aus den Daten erkennbar wird, welche Person in welcher Schicht wie viel produziert hat, liegt Personalüberwachung im Sinne des Betriebsverfassungsgesetzes vor — mit entsprechenden Mitbestimmungsrechten des Betriebsrats. Das ist kein theoretisches Problem, sondern eines, das regelmäßig in der Einführungsphase auftaucht und Projekte verzögert, wenn es nicht früh adressiert wird.

Konkrete Empfehlungen:

• Heidelberg Prinect Print Shop Analytics: EU-Hosting, Heidelberg ist deutsches Unternehmen. AVV ist Teil des Service-Vertrags. Für Druckereien in Deutschland die datenschutzseitig unkomplizierteste Option.
• PrintVis + Power BI (Azure): EU-Region in Azure explizit wählen; AVV über Microsoft DPA verfügbar. M365 EU Data Boundary aktivieren.
• Power BI als freie Analyseschicht: Gilt das oben genannte für die Cloud-Komponente. Wenn Daten nur lokal in Power BI Desktop verarbeitet werden, verlassen sie das Haus nicht.
• MachineMetrics: US-Hosting. Vor produktivem Einsatz Datenschutz-Folgenabschätzung (DSFA) nach Art. 35 DSGVO und Standardvertragsklauseln nach Art. 46 DSGVO. Mitbeteiligung des Betriebsrats prüfen.
• Julius AI: US-Hosting. Nur für anonymisierte, nicht personenbezogene Daten verwenden. MIS-Exports vor dem Upload auf das Nötigste kürzen.

Betriebsrat frühzeitig einbinden: Eine Betriebsvereinbarung, die festlegt, welche Aggregationsebenen ausgewertet werden (Maschine/Schicht, nicht Einzelperson) und welche Daten nicht in das System fließen, verhindert Eskalationen nach Go-live. In der Praxis ist die frühzeitige Einbindung des Betriebsrats einer der entscheidendsten Faktoren für einen reibungslosen Rollout.

Was es kostet — realistisch gerechnet

Einrichtungskosten

Der größte Kostenblock ist oft nicht die Software, sondern die Implementierung: Datenschnittstellen einrichten, Datenbankstruktur bereinigen, Kennzahlendefinitionen festlegen, Dashboards konfigurieren und Schulungen durchführen.

• Externe Implementierung: 8.000–25.000 Euro, abhängig von MIS-Komplexität, Schnittstellenaufwand und Anpassungsgrad
• Bei Prinect Print Shop Analytics: geringerer Schnittstellenaufwand durch native Integration, aber Heidelberg-Berater kosten
• Bei Power BI auf MIS-Exports: niedrigerer Implementierungsaufwand (3.000–8.000 Euro), dafür kein Echtzeit

Laufende Kosten (monatlich)

• Power BI Pro (Microsoft): 12,10 Euro/Nutzer/Monat; für fünf Nutzer ca. 60 Euro/Monat
• PrintVis-Subscription: typisch 3.000–5.000 Euro/Monat (inkl. Business Central), aber PrintVis ist ohnehin das MIS
• Prinect Print Shop Analytics: Subscription, Preis auf Anfrage bei Heidelberg
• MachineMetrics: war früher ab 50–100 USD/Maschine/Monat, jetzt individuelles Angebot

Was du dagegenrechnen kannst

Eine Druckmaschine mit einer Tageskapazität von 20.000 Bogen, die täglich eine Stunde länger produktiv läuft, produziert je nach Auftragstyp einen Mehrwert von 500–1.500 Euro täglich. Selbst wenn die Analytics-Einführung nur eine halbe Stunde weniger Stillstand pro Tag ermöglicht, amortisieren sich Implementierungskosten von 15.000 Euro in weniger als zwei Monaten.

Das ist die günstige Seite des Szenarios. Die realistische: Nicht jede Verbesserung lässt sich so direkt zuordnen. Behalte mindestens sechs Monate OEE-Baseline vor dem Analytics-Rollout, damit du nach zwölf Monaten eine echte Vorher-Nachher-Gegenüberstellung machen kannst — nicht nur eine gefühlte.

Wie du den Nutzen tatsächlich misst

Das härteste Messinstrument ist der Schichtvergleich: Nimm dieselbe Auftragstyp-Kategorie und vergleiche Rüstzeiten zwischen Schichten vor und nach dem Analytics-Einsatz. Das lässt sich nicht wegdiskutieren und ist nicht von anderen Faktoren abhängig.

Typische Einstiegsfehler

1. Analytics vor Datenpflege einführen. Das MIS ist das Herz des Systems. Wenn Aufträge unvollständig, Stillstandsgründe nicht kategorisiert oder Schichtzuordnungen lückenhaft sind, produziert ein Analytics-System schnell und automatisiert unzuverlässige Kennzahlen. Das Ergebnis: ein Dashboard, das überzeugend aussieht, aber falsche Schlüsse nahelegt. Die Einstiegsfehler der Druckerei-ERP-Einführung, dokumentiert von Branchenpraktikern, zeigen dies konsistent: Projekte scheitern nicht an der Technologie, sondern an nicht dokumentierten Prozessen und ungepflegten Stammdaten.

2. OEE als einzige Kennzahl betrachten. OEE misst Maschineneffizienz — nicht Produktionsflusseffizienz. Eine Maschine mit 80 Prozent OEE, die der einzige Engpass im Betrieb ist, kann die Gesamtdurchsatzzeit sogar verschlechtern, wenn vor ihr Wartezeiten entstehen. Ergänzende Kennzahlen wie Durchlaufzeiten je Auftragstyp, Rüstzeitverteilung und Liefertermintreue gehören ins Dashboard.

3. Das System wird gebaut, aber nicht genutzt. Nach vier Monaten Aufbau und Go-live: Das Dashboard ist fertig. Es aktualisiert sich täglich. Drei Monate später schaut niemand mehr systematisch drauf — weil kein Prozess definiert wurde, wer wann welche Schwellwerte prüft und welche Reaktion auf welchen Alarm folgt.

Das ist der gefährlichste Fehler — weil er still passiert. Analytics ohne definierten Auswertungsrhythmus ist teures Reporting-Dekor. Wer das System einführt, muss gleichzeitig einen Auswertungsrhythmus einführen: Wer schaut jeden Montag auf welche Kennzahl? Wer entscheidet bei welchem Schwellwert? Welche Maßnahme folgt auf welchen Alarm? Diese Fragen müssen vor Go-live beantwortet sein.

4. Betriebsrat erst informieren, wenn das System läuft. Das erzeugt berechtigten Widerstand. Wer Schichtdaten auswertet und Maschinendaten mit Bedienerinformationen verknüpft, tangiert Mitbestimmungsrechte. Wer das Thema erst nach der Einführung anspricht, verliert Vertrauen — und oft auch Zeit durch nachträgliche technische Anpassungen, die eine frühe Betriebsvereinbarung vermieden hätte.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist handhabbar. Die eigentliche Herausforderung ist die Verhaltensänderung.

Die “Das haben wir schon immer so gemacht”-Reaktion. Produktionsmitarbeitende, die seit Jahren gute Druckergebnisse liefern, reagieren skeptisch auf Systeme, die ihre Rüstzeiten messen und vergleichen. Das ist keine Sabotage, sondern eine nachvollziehbare Reaktion: Wenn das System Varianz sichtbar macht, entsteht das Gefühl der Überwachung — selbst wenn das nicht die Absicht ist.

Was konkret hilft: Das Analytics-System von Anfang an als Werkzeug der Schichtleitung positionieren, nicht als Kontrollinstrument der Geschäftsführung. Wenn Schicht B ihre eigene Performance verbessern kann, weil das System zeigt, wo Zeit verloren geht, ist das ein Vorteil für die Schicht — nicht für eine externe Bewertung. Diese Rahmung muss vor dem Rollout kommuniziert werden, nicht danach.

Das “Wir wissen das schon”-Phänomen. Erfahrene Produktionsleiter haben oft ein gutes Gefühl dafür, wo die Probleme liegen. Manchmal stimmt das. Häufiger ist es so, dass das Gefühl auf den dramatischsten Ereignissen basiert, nicht auf der systematischen Häufigkeit. Das MIS zeigt oft, dass die tatsächlichen Problemtreiber weniger spektakulär, aber regelmäßiger sind als vermutet.

Was konkret hilft:

• Vor dem Rollout eine Befragung machen: “Wo glaubt ihr, verlieren wir am meisten Zeit?” — und sechs Monate später mit den Daten vergleichen
• Erste Dashboard-Erkenntnisse im Team besprechen, nicht präsentieren: “Was erklärt euch das, was ich hier sehe?”
• Schichtleitung aktiv an der Konfiguration von Schwellwerten beteiligen — wer die Alarmgrenzen selbst setzt, reagiert anders auf Alarme

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unser MIS liefert doch schon Berichte.” Fast jedes MIS liefert monatliche Berichte. Die Frage ist, ob diese Berichte ausreichen, um Muster zu erkennen, die sich über Wochen aufbauen. Ein monatlicher OEE-Bericht zeigt das Ergebnis — kein System dahinter erkennt automatisch, dass die Rüstzeiten von Schicht A für Vierfarb-Aufträge seit sechs Wochen kontinuierlich steigen, weil ein neuer Mitarbeitender noch nicht das volle Einrichtungswissen hat. Für diese Fragestellungen braucht man kontinuierliche Analyse, nicht periodisches Reporting.

„Das ist was für große Konzerne, nicht für uns.” Heidelbergs Daten zeigen, dass die durchschnittliche OEE mittelständischer Speedmaster-Nutzer bei 27 Prozent liegt. Das Verbesserungspotenzial ist nicht konzernspezifisch. Druckereien mit 15 bis 80 Mitarbeitenden profitieren oft stärker als Großbetriebe, weil sie flexibler auf Erkenntnisse reagieren können und weniger Abstimmungsaufwand haben.

„Wir haben keine IT-Ressourcen dafür.” Das ist der konkreteste Einwand. Er trifft für vollständige Custom-Analytics-Projekte zu. Aber es gibt niedrigschwellige Einstiege: Ein wöchentlicher MIS-Export, der in Power BI Desktop analysiert wird, lässt sich mit einem halben Tag Einarbeitung aufsetzen — ohne eigene IT. Der Weg zur voll integrierten Echtzeit-Analytics ist aufwendig; der erste analytische Schritt ist es nicht.

Woran du merkst, dass das zu dir passt

• Du hast mehr als fünf Maschinen im Betrieb und kein konsistentes Bild, welche Maschine in welcher Schicht wie gut performt
• Dein Produktionsleiter verbringt mehr als zwei Stunden pro Woche damit, Berichte manuell zu erstellen oder Fragen wie “Warum war die OEE diese Woche schlechter?” durch Nachfragen zu beantworten
• Schichtunterschiede sind spürbar, aber nicht belegt — du weißt, dass Schicht A schneller anlauft, aber du weißt nicht, warum und um wie viel
• Ausschussquoten variieren zwischen Papierlieferanten oder Papierchargen, aber du hast keine systematische Auswertung, die das belegt
• Dein MIS erfasst Aufträge seit mindestens einem Jahr mit Maschinenzuordnung, Soll- und Ist-Zeiten und Schichtzuordnung

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter fünf bis acht Druckmaschinen oder unter 10 Mitarbeitenden in der Produktion. Der Einrichtungs- und Pflegeaufwand steht in keinem vernünftigen Verhältnis zum Erkenntnisgewinn. Hier lassen sich Produktivitätsmuster mit einfachem wöchentlichem Tracking im Excel oder im MIS-Standardreport ausreichend gut verfolgen.

2. Kein konsistentes MIS-System in Betrieb. Wenn Aufträge unvollständig oder inkonsistent erfasst werden — fehlende Stillstandskategorien, keine Schichtzuordnung, Datenlücken bei bestimmten Maschinen — ist der erste Schritt die Erfassungsdisziplin, nicht die Analytics-Plattform. Analytics auf lückenhafter Basis gibt schnell selbstbewusst falsche Auskunft.

3. Maschinen ohne digitale Schnittstelle und kein Budget für Hardware-Adapter. Analytics braucht Daten. Wenn Maschinendaten nicht automatisch ins MIS fließen, sondern manuell eingetragen werden, ist die Qualität der Grundlage zu fragil für zuverlässige Musteranalyse. Das ist kein Grund, das Thema aufzugeben — aber ein realistisches Hindernis, das in der Projektvorbereitung adressiert werden muss.

Das kannst du heute noch tun

Exportiere die letzten vier Wochen Produktionsdaten aus deinem MIS — Maschinenzeiten, Rüstzeiten, Auftragsanzahl und Ausschuss, nach Maschine und Schicht. Lade den Export in Julius AI hoch und stelle die Fragen, auf die du im nächsten Wochenmeeting eine Antwort willst:

• “Compare average setup times between shifts A and B for jobs with more than 500 sheets”
• “Which machine has the lowest availability rate?”
• “Show waste percentage by paper grade”

Das kostet keinen Cent (bis 100 Credits pro Monat kostenlos) und liefert in 15 Minuten erste Erkenntnisse — bevor irgendein Implementierungsbudget freigegeben wird. Was du dann weißt: ob die Grundlage für strukturierte Analytics in deiner Druckerei vorhanden ist oder nicht.

Für den produktiven Betrieb mit automatisierter Auswertung hilft dieser Analyse-Prompt als Ausgangspunkt:

Quellen & Methodik

• Heidelberg OEE-Flottendaten: Heidelberger Druckmaschinen AG, „Die Potenziale im gelben Balken nutzen” (veröffentlicht auf print.de; Daten aus internen Heidelberg-Analysen zur Speedmaster-XL-106-Flotte, 2023). Durchschnittliche OEE ~27%, Reduktion prozessbedingter Stillstände von 37% auf 10% in Beispielszenarien.

• SpencerMetrics Fallstudie: SpencerMetrics (spencermetrics.com), Produktbeschreibung CONNECT und dokumentierter Kundenfall; OEE-Steigerung von 45% auf 68% bei mittelgroßem Bogendruckbetrieb nach Identifikation versteckter Ineffizienzen durch kontinuierliches Analytics.

• Branchenadoption KI: PRINTING United Alliance / NAPCO Research, US-Branchenumfrage August 2024 (via piworld.com): 62,4% der befragten Druckunternehmen nutzen KI oder planen dies innerhalb von 12 Monaten; Vorjahreswert 50,7%.

• Software-Preisangaben: Veröffentlichte Tarife und Erfahrungswerte für PrintVis (printvis.com, Stand April 2026), Microsoft Power BI (microsoft.com, Stand Mai 2026), Julius AI (sourceforge.net listing, Stand April 2026), EFI Pace (printepssw.com, Stand April 2026). Heidelberg Prinect Print Shop Analytics: Preise auf Anfrage.

• Implementierungsaufwände & Zeitrahmen: Erfahrungswerte aus MIS-Implementierungsprojekten in mittelständischen Druckereien (Corebridge Print MIS Blog 2025, easyworkflow.eu Praxisberichte); konsistente Beobachtungen über mehrere Einführungen.

• Datenschutzhinweise: DSGVO, Art. 28 (AVV), Art. 35 (DSFA); Betriebsverfassungsgesetz §87 Abs. 1 Nr. 6 (Mitbestimmung bei technischen Überwachungseinrichtungen).

Du willst wissen, welche Ihrer Maschinendaten ausreichend sauber für Analytics sind und wo der realistische erste Schritt liegt? Meld dich — das klärt sich oft in einem 30-minütigen Gespräch mit einem Blick auf eure MIS-Exportstruktur.