Abfallreduktion-Analyse mit KI

Das echte Ausmaß des Problems

Die Zahlen sind nüchtern: In der Lebensmittelverarbeitung entstehen nach Schätzung des Bundesministeriums für Ernährung und Landwirtschaft rund 15 Prozent aller Lebensmittelabfälle im Verarbeitungssektor — von der Anlieferung bis zur abgepackten Ware. Auf Produktionsebene bewegen sich die Ausschussquoten je nach Produktkategorie zwischen 3 und 12 Prozent der eingesetzten Rohstoffe. Für einen Backwarenhersteller mit 3.000 Tonnen Jahresproduktion und einem Rohstoffkostenanteil von 45 Prozent bedeutet das: zwischen 40.000 und 160.000 Euro Rohstoff, der nicht als Produkt das Werk verlässt.

Was das Problem von einem einfachen Kostenproblem zu einem analytischen Problem macht: In den meisten mittelständischen Betrieben gibt es keine granulare, ursachenbezogene Erfassung dieses Ausschusses. Das ERP kennt die Menge. Es kennt die Kostenstelle. Es kennt vielleicht noch die Produktlinie. Aber es kennt nicht die Korrelation zwischen Ausschuss und Montagnacht-Startsequenz, zwischen Chargenlosgröße und Fehlerrate oder zwischen Außentemperatur und Teigkonsistenz.

Das führt zu einem paradoxen Zustand: Unternehmen investieren in Qualitätsmanagementsysteme, Schichtberichte, HACCP-Dokumentation — und trotzdem weiß am Monatsende niemand genau, warum die Ausschussquote in der dritten Kalenderwoche um 2,3 Prozentpunkte höher war als in den anderen drei Wochen.

Laut einer Branchenanalyse der iFactory Group (2024) stammen 30–40 Prozent der gesamten Produktionsverluste in der Lebensmittelbranche aus drei Quellen: Maschinenstörungen und suboptimalen Prozessbedingungen, ineffizienter Batch-Planung und unkontrollierten Rohstoffvariationen. Der Schlüsselbefund: Diese Verluste sind nicht zufällig verteilt — sie folgen Mustern, die sich mit den richtigen Daten erkennen und mit KI-Unterstützung isolieren lassen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Der Zeitvergleich klingt nach einem echten Zeitsparer — ist er aber nicht in dem Sinne, den der Radar-Score abbildet. Die Analyse läuft nicht täglich, sie läuft monatlich oder quartalsweise. Was sich ändert, ist die Qualität der Entscheidungsgrundlage — nicht die täglich gesparte Arbeitszeit. Deshalb bleibt der Zeitachsen-Score bei 1: Dieser Anwendungsfall ist kein Tages-Helfer. Er ist ein strategischer Hebel, der Monate braucht, um zu wirken, und dafür signifikant auf die Kostenspalte einzahlt.

Einschätzung auf einen Blick

Zeitersparnis — sehr gering (1/5) Dieser Anwendungsfall spart keine tägliche Arbeitszeit. Die Analyse wird ein- bis viermal im Jahr vertieft durchgeführt — als Projekt, nicht als Routine. Was sich ändert, ist nicht die Stundenzahl, sondern die Qualität der Antworten. Wer Zeitersparnis sucht, schaut sich lieber die Chargendokumentation oder Schichtplanung an.

Kosteneinsparung — stark (4/5) Das Gegenteil von Zeitersparnis: Die Kostenwirkung ist konkret und erheblich. Wer 9 Prozent Ausschuss um ein Drittel reduziert, spart bei 2 Millionen Euro Rohstoffkosten gut 60.000 Euro pro Jahr — dauerhaft. Der Hebel ist real, und er wächst mit dem Produktionsvolumen. Innerhalb der Lebensmittel-Branche ist das einer der stärksten Kostensignale.

Schnelle Umsetzung — niedrig (2/5) Das ist der Knackpunkt: Bis erste belastbare Muster sichtbar sind, vergehen realistisch 3–4 Monate. Nicht weil das Tool langsam wäre, sondern weil die Daten erst vorbereitet werden müssen — Ursachencodes einführen, Schichtdaten digital erfassen, Chargenparameter strukturieren. Wer heute anfängt, hat im Herbst erste Erkenntnisse. Verglichen mit anderen Anwendungsfällen in dieser Kategorie ist das einer der langsameren Einstiege.

ROI-Sicherheit — bedingt (2/5) Hier liegt das spezifische Risiko dieses Anwendungsfalls: KI-Analysen zeigen Korrelationen, keine Kausalitäten. Eine Analyse kann überzeugend nahelegen, dass der Ausschuss in der Frühschicht erhöht ist — während die eigentliche Ursache die Rohstoffcharge ist, die montags morgens immer anliefert. Wer diese Korrelation für bare Münze nimmt und Schichtleiter zur Rechenschaft zieht, investiert in die falsche Maßnahme. Die ROI-Sicherheit ist daher abhängig von der Datenqualität und der analytischen Sorgfalt — nicht vom Tool allein. Mehr dazu weiter unten.

Skalierbarkeit — hoch (4/5) Einmal ein Analyse-Framework aufgebaut, lässt es sich auf weitere Produktlinien, Werke und Schichten ausrollen, ohne den Aufwand zu verdoppeln. Die Logik — Ausschussdaten mit Prozessparametern korrelieren — ist übertragbar. Neue Produktgruppen werden integriert, nicht neu implementiert.

Richtwerte — stark abhängig von Produktionsvolumen, ERP-Datenbasis und bestehender Erfassungstiefe.

Was das System konkret macht

Der Machine Learning-Ansatz für Produktionsabfall-Analyse ist konzeptionell einfach: Das System sucht nach Mustern in Daten, die du bereits hast — oder die du mit geringem Aufwand erfassen kannst.

In der Praxis bedeutet das:

Schritt 1 — Datenzusammenführung: Ausschussmeldungen aus dem ERP werden mit Schichtplänen, Chargendaten, Maschinenlaufprotokollen und — wenn verfügbar — Umgebungsparametern (Temperatur, Luftfeuchtigkeit) zusammengeführt. Das klingt technisch, ist aber in der Regel ein CSV-Export plus einige Verknüpfungsregeln.

Schritt 2 — Mustererkennung: Das Machine-Learning-Modell oder — einfacher — ein KI-gestütztes Analysewerkzeug wie Julius AI oder Power BI mit KI-Erweiterung sucht nach statistisch signifikanten Zusammenhängen. Typische Funde: “Ausschuss bei Produkt X ist donnerstags um 40 Prozent höher als im Monatsdurchschnitt.” Oder: “Chargen mit Rohstofflieferant B weisen bei Linie 2 doppelt so hohen Ausschuss auf wie Chargen von Lieferant A.”

Schritt 3 — Ursachenhypothesen: Die Analyse liefert keine Diagnose, sondern eine priorisierte Liste von Verdachtsmomenten — geordnet nach statistischer Auffälligkeit und wirtschaftlicher Relevanz. Der Produktionsleiter prüft die Hypothesen: Stimmt der Befund? Gibt es einen plausiblen Prozesszusammenhang? Wurde der Befund schon einmal beobachtet?

Schritt 4 — Maßnahmen und Messung: Eine Prozessänderung wird eingeführt — zum Beispiel verlängerte Anlaufzeit montags oder engere Rohstoffspezifikation bei Lieferant B. Das System misst im nächsten Zyklus, ob sich die Muster verändert haben. Erst hier entsteht echter ROI-Nachweis.

Die KI macht nichts, was ein sehr erfahrener und sehr geduldiger Produktionsingenieur nicht auch per Hand herausfinden könnte. Sie macht es schneller und konsistenter — und vor allem über Muster, die zu komplex sind, um sie manuell aus Monaten von Schichtprotokollen herauszulesen.

Was gute Waste-Daten von schlechten unterscheidet — und was passiert wenn man mit schlechten Daten optimiert

Das ist die Frage, die kein Anbieter von Analyse-Software vorab stellt — weil die Antwort unbequem ist.

Was gute Waste-Daten haben:

• Einen Ursachencode oder zumindest eine Kategorie pro Ausschussmeldung: “Überproduktion”, “Maschinenstörung”, “Rohstoffqualität”, “Bedienfehler”, “Anlaufverlust”. Ohne diese Unterscheidung ist jede Menge-Analyse eine Lüge — die Gesamtzahl sagt nichts über die Hebel aus.
• Eine Zeitstempel-Granularität, die echte Segmentierung ermöglicht: Nicht “Schicht 1”, sondern “Schicht 1, Linie 3, 06:17 Uhr”. Der Zeitstempel erlaubt erst die Korrelation mit Maschinenprotokollen, Rohstoffanlieferungen, Umgebungsparametern.
• Eine Verknüpfung zur Charge oder zum Rezept: Wenn die Ausschussmeldung nur “Yoghurt natur” sagt, aber nicht “Charge 2024-04-17-B” oder “Rezepturversion 3.1”, ist keine Rohstoff- oder Rezepturkorrelation möglich.
• Vollständige Erfassung — nicht nur die großen Ereignisse. Ein System, das nur Ausschuss ab 50 kg erfasst, liefert ein schiefes Bild. Mikroverluste unter der Meldeschwelle können in Summe die größten Hebel sein.

Was schlechte Waste-Daten aussehen:

Das häufigste Szenario in der Praxis: Eine einzige Ausschuss-Position im ERP für die gesamte Linie, befüllt mit der Tagessumme aus dem Schichtbericht — handgeschrieben, digitalisiert von der Produktionssekretärin am Morgen danach, ohne Zeitstempel, ohne Ursachencode. Diese Daten sind nicht wertlos — sie zeigen den Trend. Aber sie erlauben keine Ursachenanalyse, egal wie gut das KI-Tool ist.

Was passiert, wenn man mit schlechten Daten optimiert:

Das ist das gefährlichste Szenario: Eine Analyse auf schwacher Datenbasis liefert trotzdem ein Ergebnis — denn KI findet immer Korrelationen, auch in Rauschen. Die Korrelation “Montags ist der Ausschuss 23 Prozent höher” kann auf einen echten Montagsmuster hindeuten — oder darauf, dass montags immer eine neue Rohstoffcharge kommt, oder dass montags der Wartungstechniker auf Linie 2 seinen freien Tag hat, oder dass die manuelle Datenerfassung freitags nachsichtiger ist als montags.

Wer auf Basis einer solchen Analyse die Montagsschicht unter besondere Beobachtung stellt, hat die falsche Maßnahme ergriffen — und vielleicht noch das Vertrauen des Schichtleiters beschädigt. Der ROI kippt ins Negative, bevor die erste echte Ursache behoben wurde.

Der pragmatische Weg: Bevor du ein Analyse-Tool einsetzt, mach eine ehrliche Bestandsaufnahme der Datenqualität. 3 Fragen: (1) Haben wir Ursachencodes pro Ausschussmeldung? (2) Sind Zeitstempel auf Stunden-Ebene verfügbar? (3) Ist Ausschuss auf Chargenebene, nicht nur Tagessumme erfasst? Wer alle drei mit “Ja” beantwortet, kann direkt starten. Wer ein oder mehrere “Nein” hat, investiert zuerst 4–8 Wochen in die Datenbasis — das ist kein Umweg, das ist die Grundvoraussetzung.

Die Korrelationsfalle — wenn KI den falschen Schuldigen findet

Dieser Abschnitt kann Geld sparen. Er sollte vor jedem Maßnahmenentscheid gelesen werden.

Stell dir vor, das Analyse-Tool zeigt: “Schichtteam B hat 34 Prozent höheren Ausschuss als Schichtteam A und C.” Das klingt nach einem klaren Befund. Es ist eine klassische Korrelationsfalle.

Was tatsächlich passiert ist: Schichtteam B arbeitet regelmäßig montags und dienstags. An diesen Tagen kommt die Frischlieferung von Rohstofflieferant X an, dessen Buttergehalt im laufenden Quartal stärker schwankt als der des Alternativlieferanten. Außerdem läuft montags immer Linie 3 nach dem Wochenend-Stopp an — mit einer bekannten Anlaufverlustphase von 45 Minuten. Die höhere Ausschussquote ist strukturell mit Schichtteam B verbunden — aber verursacht durch Lieferantenqualität und Maschinenstartprotokoll, die zufällig mit deren Schichtplan korrelieren.

Wer jetzt Schichtteam B zur Rechenschaft zieht, löst das falsche Problem. Die Lieferantenspezifikation bleibt unverändert. Das Anlaufprotokoll bleibt unverändert. Der Ausschuss bleibt ungefähr gleich. Im nächsten Quartal hat dasselbe Team wieder die höhere Quote.

Wie man die Falle vermeidet:

Die Antwort ist nicht, kein Machine Learning einzusetzen. Die Antwort ist, jede Korrelation mit prozesslogischem Verständnis zu hinterfragen, bevor eine Maßnahme beschlossen wird. Das bedeutet konkret:

• Jeder statistische Befund wird zunächst als Hypothese behandelt, nicht als Diagnose
• Die zuständige Produktionsfachkraft bewertet die Plausibilität: “Ergibt das aus Prozesssicht Sinn?”
• Wo möglich, werden Konfundierungsvariablen kontrolliert: Wenn Schichtteam B immer montags läuft, vergleich nicht Team B mit Team A — vergleich Montage mit Mittwoche auf derselben Linie
• Maßnahmen werden zunächst als Piloten eingeführt und gemessen, nicht als Dauerregelung

Acerta AI, ein Spezialist für Fertigungsanalytik, beschreibt dieses Problem als “High Correlation, Low Causation” — statistisch hochsignifikante Zusammenhänge, die keinen kausalen Mechanismus haben. Die Lösung liegt nicht im Tool, sondern in der Kombination aus Algorithmus und Domänenwissen.

Konkrete Werkzeuge — was wann passt

Die wichtigste Entscheidung bei der Werkzeugwahl: Willst du eine Analyse-Einmalaktion mit vorhandenen Daten — oder einen dauerhaften Analyseprozess, der monatlich automatisch läuft?

Julius AI — für den Einstieg ohne IT-Aufwand Wenn du ERP-Exporte als CSV hast und schnell wissen willst, ob eine Ursachenanalyse überhaupt etwas Interessantes findet: Julius AI ist der beste Einstiegspunkt. Du lädst die Tabelle hoch, stellst Fragen auf Deutsch — “Zeig mir Ausschuss nach Wochentag aufgeteilt” — und bekommst sofort Visualisierungen. Kein Setup, keine IT, keine Lernkurve. Für explorative Erstanalysen und monatliche Spotchecks ideal. Einschränkung: US-Hosting, keine permanente Datenbankverbindung unter 450 USD/Monat, englischsprachige Oberfläche. Für interne Produktionsdaten ohne Personenbezug: pragmatisch einsetzbar. Kosten: Free bis 20 USD/Monat für Einzelnutzer.

Power BI — für strukturiertes Reporting mit ERP-Anbindung Wenn du eine dauerhafte Lösung willst, die monatlich automatisch aus dem ERP zieht und Dashboards für die Produktionsleitung baut: Power BI ist der Standard. Die SAP-, DATEV- und SQL-Konnektoren funktionieren gut, der Preis ist mit 12,10 Euro pro Nutzer/Monat überschaubar, und die KI-Copilot-Funktion kann Muster direkt in natürlicher Sprache beschreiben. EU-Hosting ist verfügbar — das ist wichtig, wenn Produktionsdaten mit Mitarbeiterdaten (Schichtplänen) zusammengeführt werden. Für die monatliche Routine und das Management-Reporting die robusteste Lösung im deutschen Mittelstand.

SAP Digital Manufacturing — für SAP-S/4HANA-Umgebungen Wer bereits auf SAP S/4HANA läuft, hat mit SAP Digital Manufacturing die direkteste Integration: Ausschussdaten, Maschinenprotokolle und Chargeninformationen laufen in einem System zusammen, ohne Export-Import-Aufwand. Die eingebettete SAP Analytics Cloud liefert KI-gestützte Ausschussanalysen direkt am Shopfloor. Einschränkung: SAP DM setzt SAP S/4HANA zwingend voraus, kostet fünf- bis sechsstellig jährlich und braucht 12–24 Monate Implementierungszeit. Für KMU ohne SAP-Backbone keine realistische Option.

Zusammenfassung: Wann welcher Ansatz

• Erstanalyse mit vorhandenen ERP-Exports → Julius AI (Free-Plan reicht oft)
• Dauerhafte monatliche Auswertung mit ERP-Anbindung → Power BI Pro (12 €/Nutzer/Monat)
• SAP-S/4HANA-Umgebung, Werksebene → SAP Digital Manufacturing (auf Anfrage)
• Spezifisches Foodwaste-Tracking in Gastronomie/Küche → LeanPath oder Winnow (anderer Use Case)

Datenschutz und Datenhaltung

Produktionsdaten gelten zunächst als Unternehmensdaten ohne Personenbezug — solange sie nur Mengen, Zeiten und Produkte enthalten. Sobald du Ausschussdaten mit Schichtdaten kombinierst — also mit Informationen, die auf einzelne Mitarbeitende zurückführbar sind — bist du im Bereich personenbezogener Daten und die DSGVO gilt vollumfänglich.

Praktisch bedeutet das:

• Wenn dein Analyse-Tool Schichtleiter-IDs oder Bedienernummern verarbeitet: AVV notwendig, Betriebsrat einbinden (falls vorhanden), Datenschutzbeauftragten informieren
• Power BI bietet EU-Datenresidenz über Microsofts EU Data Boundary — das ist der saubere Weg für kombinierte Schicht-/Ausschussanalysen
• Julius AI hostet in den USA — für anonymisierte Produktionsdaten (Mengen, Linien, Zeiten, kein Personenbezug) pragmatisch vertretbar; für Schicht-Mitarbeiter-Verknüpfungen nicht zu empfehlen
• SAP Digital Manufacturing läuft auf SAP BTP mit EU-Rechenzentren — DSGVO-technisch die stärkste Option, wenn Mitarbeiterdaten integriert werden

Wichtig für die Einführung: Wenn das Analyse-Tool zeigt, welches Schichtteam den höchsten Ausschuss hat, ist das ein leistungsbezogenes Datum. Das Ergebnis der Analyse kann arbeitsrechtliche Relevanz haben. Das sollte vor der ersten Einführung mit HR und — wenn vorhanden — dem Betriebsrat besprochen sein.

Was es kostet — realistisch gerechnet

Einstiegskosten

• Julius AI Plus (Einzelnutzer, für Erstanalysen): 20 USD/Monat — entspricht ca. 18 Euro
• Power BI Pro (bis 5 Nutzer, für Daueranalyse): 12,10 Euro/Nutzer/Monat, also ca. 60 Euro/Monat für eine kleine Runde
• Power BI Desktop: vollständig kostenlos für die erste explorative Analyse
• Externe Beratung für Datenmodell und Anbindung: typisch 2.000–8.000 Euro einmalig, je nach ERP-Komplexität
• Interne Vorbereitungszeit (Ursachencodes einführen, Datenpflege strukturieren): 4–8 Wochen Mitarbeiterzeit

Was du dagegenrechnen kannst Ein Lebensmittelhersteller mit 1.500 Tonnen Jahresproduktion und einem Rohstoffkostenanteil von 40 Prozent hat Rohstoffkosten von 600.000 Euro. Bei 9 Prozent Ausschussquote landen 54.000 Euro im Ausschuss. Eine nachgewiesene Reduktion um 25 Prozent — also von 9 auf 6,75 Prozent — spart 13.500 Euro pro Jahr. Konservativ gerechnet, bei einem kleineren Betrieb.

Größere Molkereien oder Backwarenhersteller mit 5.000 Tonnen und höheren Rohstoffkosten landen schnell bei Einsparpotenzial von 50.000–100.000 Euro pro Jahr — bei gleichem prozentualen Hebel.

Wie du den Nutzen tatsächlich misst Der einzige seriöse ROI-Nachweis: Du misst die Ausschussquote vor einer Maßnahme über mindestens 6 Wochen. Du führst die Maßnahme ein. Du misst sie danach über weitere 6 Wochen. Der Unterschied — kontrolliert auf Saisonalität und Produktmix — ist dein messbarer Erfolg. Ohne diesen Vorher-Nachher-Vergleich ist jede Einsparungsbehauptung ein Bauchgefühl.

Typische Einstiegsfehler

1. Mit der Gesamtsumme statt mit Ursachencodes starten. Das häufigste Muster: Ein Unternehmen exportiert zwölf Monate Ausschussdaten aus dem ERP und gibt sie einem KI-Tool. Das Tool liefert einen Chart, der zeigt, dass im März und November die Ausschussquote erhöht war — ohne zu sagen warum. Ohne Ursachencodes bleibt der Befund folgenlos: Du weißt, dass 8,3 Prozent Ausschuss zu viel sind, aber nicht ob die Ursache am Anlaufprotokoll liegt, an der Rohstoffcharge oder an der Wartungsfrequenz. Keine der drei erfordert dieselbe Maßnahme. Abhilfe: Vor dem ersten Tool-Einsatz ein Ursachencode-System mit mindestens 4–6 Kategorien einführen (z.B. Maschinenstörung, Rohstoffqualität, Bedienfehler, Anlaufverlust) und historische Daten soweit möglich rückwirkend kategorisieren.

2. Eine Korrelation sofort als Maßnahme umsetzen. Jede statistische Auffälligkeit aus der Analyse ist zunächst eine Hypothese, keine Diagnose. Konkret: Eine Analyse zeigt, dass Schichtteam B 34 Prozent mehr Ausschuss produziert als die anderen Teams — und die Produktionsleitung setzt daraufhin eine Sonderbeobachtung an. Tatsächlich arbeitet Team B regulär montags, wenn die Rohstoffanlieferung mit schwankender Charge eintrifft. Die Maßnahme trifft die falsche Ursache, beschädigt das Vertrauen des Schichtleiters — und der Ausschuss bleibt gleich. Abhilfe: Jeden Befund zunächst einer Produktionsfachkraft zur Plausibilitätsprüfung vorlegen, bevor Maßnahmen beschlossen werden. Zwei Wochen Gegencheck kosten weniger als drei Monate Fehloptimierung.

3. Das System nicht dauerhaft pflegen. Ein klassischer Fehler: Das Analyse-Projekt wird mit Energie gestartet, erste Erkenntnisse werden umgesetzt, und dann zieht der Alltag wieder ein. Sechs Monate später hat sich die Produktionsumgebung verändert (neue Maschine, neuer Lieferant, Rezepturanpassung), aber die Analyse läuft noch auf dem alten Modell. Das Modell zeigt weiter Muster aus der Vergangenheit — und niemand merkt, dass die Grundlage nicht mehr stimmt. Produktionsanalytik ist kein Einmal-Projekt, sondern ein Quartalsprozess. Ohne feste Reviewtermine versandet sie.

4. Datenqualitätsprobleme mit besserer Software lösen wollen. Kein Analyse-Tool — kein noch so gutes — kann schlechte Eingabedaten verbessern. Wenn Ausschuss im ERP als eine einzige Sammelposition erfasst ist und die Tageswerte von der Produktionssekretärin manuell eingetippt werden: zuerst die Erfassung strukturieren, dann das Tool kaufen. Andersherum entstehen nur Kosten, kein ROI.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Implementierung ist meist der einfachere Teil. Der schwierigere Teil ist, wer diese Analyse wirklich trägt.

Widerstandsmuster 1 — Schichtleiter, die sich unter Beobachtung fühlen. Sobald die Produktionsleitung ankündigt, dass KI-Tools die Ausschussquote pro Schicht auswerten werden, reagieren Schichtleiter häufig defensiv. Das ist verständlich: Sie haben jahrelang ohne dieses Datenmikroskop gearbeitet. Die Kommunikation ist entscheidend — “wir suchen Systemursachen, keine persönlichen Fehler” muss glaubwürdig sein, nicht nur als Einleitungssatz gemeint. Konkret: Die erste Analysephase sollte nicht auf Operatorebene aufschlüsseln, sondern auf Linien- und Zeitebene. Personenbezogene Segmentierung kommt erst, wenn die grundlegenden Systemursachen identifiziert sind.

Widerstandsmuster 2 — IT, die keine weiteren ERP-Exporte priorisiert. Die technische Vorarbeit — Datenexporte einrichten, Ursachencodes ins ERP integrieren, Schichtpläne mit Produktionsdaten verknüpfen — hängt oft an der IT-Abteilung. Wenn IT das als Zusatzprojekt ohne Priorisierung sieht, zieht sich die Vorbereitung auf 4–6 Monate. Lösung: Ein internes Projektmandat mit explizitem Prioritätsstatus, nicht eine informelle Bitte.

Was konkret hilft:

• Die erste Analyse sollte mit historischen Daten starten, nicht auf dem laufenden System. Das nimmt den Druck raus.
• Ein Ergebnis aus der Pilotphase, das einen konkreten und bestätigten Hebel benennt — z.B. “Anlaufverluste Linie 2 montags, bestätigt durch Schichtbericht vom 12. März” — macht mehr Überzeugungsarbeit als jede Methodenerklärung
• Eine Produktionsfachkraft als interner Projektverantwortlicher für die Datenqualität — nicht die IT, nicht das Controlling, sondern jemand, der die Prozesse kennt

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Wir wissen doch schon, wo unser Ausschuss entsteht.” Oft ist das Halbwissen — man kennt die bekannten, störenden Ereignisse (Maschinenausfall, Rohstoffmangel), aber nicht die schleichenden strukturellen Muster. Die Montagsmuster, die saisonalen Schwankungen, die Wechselwirkungen zwischen Rezeptur und Luftfeuchtigkeit — die stecken in den Daten, aber niemand hat sie systematisch herausgezogen. “Wir wissen” bedeutet meistens: “Wir haben Vermutungen, die nie überprüft wurden.”

“Für so eine Analyse brauchen wir einen Data Scientist.” Für eine vollständige ML-Pipeline auf Maschinenebene: ja. Für eine erste Ursachenanalyse mit vorhandenen ERP-Daten: nein. Julius AI lässt sich in einer Stunde einrichten, und die erste Auswertung mit einem sauberen CSV-Export ist ohne Programmierung möglich. Die technische Hürde ist deutlich niedriger als erwartet — die organisatorische (Datenqualität, Prozessverständnis) dafür höher.

“Was bringt das, wenn wir nicht wissen, was wir dann dagegen tun?” Der Wert liegt in der Priorisierung: Du musst nicht alle möglichen Verbesserungen gleichzeitig angehen. Die Analyse zeigt dir, welcher Hebel die größte finanzielle Wirkung hat. Das verändert, wie du die nächste Wartungsplanung, das nächste Lieferantengespräch und die nächste Rezepturanpassung priorisierst. Die Erkenntnisse gehen in bestehende Prozesse ein — kein neues Projektbüro nötig.

Woran du merkst, dass das zu dir passt

Drei Signale, die eindeutig dafürsprechen:

• Deine Ausschussquote schwankt monatlich um mehr als 2 Prozentpunkte, ohne dass du den Grund dafür kennst
• Du hast mindestens 6 Monate Produktionsdaten im ERP, nach Linie oder Produktgruppe segmentiert
• Dein Rohstoffkostenanteil liegt über 30 Prozent des Umsatzes — dann ist jeder Prozentpunkt Ausschussreduktion spürbar auf der Kostenseite

Drei harte Ausschlusskriterien:

1. Unter 50 Mitarbeitende in der Produktion oder weniger als 500 kg tägliche Produktionsmenge. Die Datenbasis ist zu dünn für belastbare Muster. Ausschuss von 3 Ereignissen pro Woche ist statistisch nicht auswertbar — das ist Rauschen, kein Signal. Für kleinere Betriebe reicht eine strukturierte manuelle Fehleranalyse (5-Why-Methode) ohne KI-Tools vollkommen aus.

2. Ausschuss wird nicht nach Ursache erfasst — nur als Gesamtmenge. Wenn das ERP nur “Ausschuss gesamt: 340 kg” kennt, ohne Kategorie, Linie oder Zeitstempel, ist keine KI-Analyse möglich, die über “es gab mehr im März” hinausgeht. Zuerst die Datenerfassung strukturieren, dann das Analyse-Tool kaufen. Dieser Fehler kostet Zeit und Glauben an das Projekt.

3. Keine interne Person verfügbar, die Produktionsprozess und Analyse-Ergebnisse verbinden kann. Ein Analyse-Tool findet Korrelationen. Ein Mensch mit Prozesswissen entscheidet, ob die Korrelation eine plausible Ursache hat. Ohne diese Person produziert die Analyse nur schöne Charts ohne Konsequenz — oder schlimmer: Fehlschlüsse, die in falsche Maßnahmen münden.

Das kannst du heute noch tun

Der erste Schritt kostet nichts und dauert 30 Minuten: Hol dir einen ERP-Export der letzten 6 Monate — Ausschussmeldungen, möglichst mit Datum, Produkt und Linie. Lade ihn in Julius AI hoch (Free-Plan reicht) oder öffne ihn in Power BI Desktop (vollständig kostenlos). Dann stell die eine Frage, die dich schon länger beschäftigt.

Was du dabei lernst: ob deine Daten überhaupt ausreichend granular sind, um eine Musteranalyse zu rechtfertigen. Das ist die ehrlichste und billigste Due Diligence vor einem größeren Projekt.

Für den nächsten Schritt — eine strukturierte Monatsanalyse mit einem Prompt, den du direkt verwenden kannst:

Quellen & Methodik

• Produktionsverluste in der Lebensmittelverarbeitung (15 %): Bundesministerium für Ernährung und Landwirtschaft (BMEL), „Lebensmittelabfälle in Deutschland: Aktuelle Zahlen nach Sektoren”, bmleh.de (laufend aktualisiert, Stand 2024). Anteil Verarbeitungssektor: ~15% der gesamten Lebensmittelabfälle in Deutschland.
• Ausschussursachen in der Lebensmittelproduktion: iFactory Group, „OEE for FMCG Manufacturing” und „Reduce Food Waste Manufacturing with AI” (ifactoryapp.com, 2024). Benchmark: 30–40% der Produktionsverluste aus Maschinenstörungen, Batch-Fehlern und Überproduktion; AI-gestützte Reduktion von Batch-Fehlern: 40–55%; ROI 2,8x in 24 Monaten (Vendor-Angaben, nicht unabhängig verifiziert).
• AI in Food Manufacturing — Literaturübersicht: Azad et al., „AI-driven transformation in food manufacturing: a pathway to sustainable efficiency and quality assurance”, Frontiers in Nutrition (PMC11966451, 2025). Peer-reviewte Übersicht zu KI-Anwendungen in der Lebensmittelproduktion.
• Korrelation vs. Kausalität in Fertigungsanalytik: Acerta AI, „Six Reasons to Automate Root Cause Analysis in Manufacturing” (acerta.ai, 2024); Databricks, „Manufacturing Root Cause Analysis with Causal AI” (databricks.com, 2023). Evidenz für das “High Correlation, Low Causation”-Problem in Produktionsanalytik.
• Tool-Preise: Julius AI (julius.ai, Stand Mai 2026), Power BI (microsoft.com/de-de/power-bi/pricing, Stand Mai 2026), SAP Digital Manufacturing (sap.com, auf Anfrage).
• DSGVO § 28 AVV: Datenschutz-Grundverordnung, aktuelle Fassung; gilt für die Verarbeitung personenbezogener Produktionsdaten (Schichtdaten mit Mitarbeiterzuordnung) durch Drittanbieter-Tools.

Du willst wissen, ob eure ERP-Daten für eine belastbare Ausschussanalyse ausreichen — und wo ihr anfangen solltet? Meld dich, das lässt sich in einem kurzen Gespräch einschätzen.