Wir verwenden Cookies 🍪

    Wir nutzen Cookies, um Ihre Erfahrung auf unserer Website zu verbessern. Sie können selbst entscheiden, welche Cookies Sie zulassen möchten. Mehr erfahren

    ReportingProduktionKPIFertigung

    KI-Reporting in der Produktion: 5 KPIs, die täglich Wert liefern

    Welche fünf Kennzahlen gehören in ein automatisiertes Tagesreport? Wo kommen die Daten her? Und wie verhindert man, dass der Report nach drei Wochen ignoriert wird?

    1. Mai 20269 Min. Lesezeit

    Tagesreports in der Produktion sind ein Klassiker — und ein klassischer Frust-Punkt. Der Schichtleiter aggregiert manuell, das Excel ist um 8:00 Uhr fertig, Werkleitung liest es um 10:00 Uhr, Geschäftsführung gar nicht. Nach drei Wochen ist der Report Routine, nach drei Monaten Geschichte.

    Mit automatisiertem KI-Reporting kippt das Bild. Wenn der Report um 6:00 Uhr im Postfach liegt, in drei Sätzen die Lage zusammenfasst und Anomalien markiert, wird er gelesen. Aber das setzt voraus, dass die richtigen Kennzahlen drinstehen — nicht zu viele, nicht zu wenige.

    Dieser Artikel zeigt die fünf KPIs, die wir in jedem Produktions-Tagesreport empfehlen — mit Datenquellen, Benchmarks aus dem Mittelstand und den typischen Fallstricken bei der Implementierung.

    01

    OEE — Overall Equipment Effectiveness

    OEE = Verfügbarkeit × Leistung × Qualität

    Der wichtigste Einzel-KPI in der Produktion. Kombiniert Verfügbarkeit (Stillstandszeiten), Leistung (Soll-Takt vs. Ist-Takt) und Qualität (Gut-Teile / Gesamt). Wenn nur ein KPI im Report steht, dann dieser.

    Datenquellen

    MES, Maschinensteuerung (OPC UA), manuelle Schichtdokumentation

    Benchmark

    Mittelstand Fertigung Ø 60-75 %, Best-in-Class > 85 %

    Fallstrick

    OEE wird oft auf Linien- oder Werks-Ebene gemittelt — und verliert dadurch Aussagekraft. Besser: Top-3-Schwächen-Linien explizit ausweisen.

    02

    Ausschuss-Quote (Scrap Rate)

    Ausschuss-Quote = Ausschuss-Menge / Produktions-Menge

    Direkter Kostentreiber und Frühindikator für Qualitätsprobleme. Tagesvergleich gegen 30-Tage-Mittel zeigt Anomalien sofort. Mit KI-Anomalie-Erkennung lässt sich nach 4 Wochen unterscheiden, ob Ausschuss-Spike systematisch (z.B. Material-Charge) oder zufällig ist.

    Datenquellen

    MES, Qualitätssystem (CAQ), SAP QM

    Benchmark

    Branchenabhängig 0,5-5 %, Maschinenbau typisch 1-3 %

    Fallstrick

    Wenn nur die Quote berichtet wird, fehlt die Wirkung. Immer auch absolute Stückzahl und Kosten ausweisen — sonst wird ein Anstieg von 1,2 % auf 1,8 % nicht ernstgenommen.

    03

    Liefertreue (On-Time Delivery)

    Liefertreue = pünktliche Aufträge / Gesamt-Aufträge

    Brücke zwischen Produktion und Vertrieb — und der KPI mit dem direktesten Kundenimpact. Eine tägliche Sicht auf die nächsten 7 Tage Auftragslast und prognostizierte Termintreue verhindert späte Eskalationen.

    Datenquellen

    ERP (SAP, proALPHA, Microsoft Dynamics), Lieferschein-System

    Benchmark

    Maschinenbau Ø 85-92 %, Best-in-Class > 95 %

    Fallstrick

    Definition variiert je Unternehmen. Liefertreue gegen Wunsch-Termin oder bestätigten Termin? Beide Werte ausweisen, sonst entstehen Diskussionen statt Klarheit.

    04

    Durchlaufzeit (Lead Time)

    Durchlaufzeit = Auftragsende − Auftragsstart (Werktage)

    Frühwarnsystem für Engpässe. Wenn die Durchlaufzeit über mehrere Tage steigt, ist ein Bottleneck im Anflug — oft 1-2 Wochen, bevor die Liefertreue kippt.

    Datenquellen

    ERP, MES, BDE (Betriebsdatenerfassung)

    Benchmark

    Branchen- und produktabhängig — relevanter ist der Trend

    Fallstrick

    Mittelwerte verschleiern Ausreißer. Median + 90.-Perzentil ausweisen — dann wird sichtbar, wenn einzelne Aufträge anormal lang brauchen.

    05

    Energieverbrauch pro Einheit (Specific Energy Consumption)

    kWh / produzierte Einheit (Stück, Tonne, m²)

    Kosten- und Compliance-KPI (CSRD, EU-AI-Act für Energie-AI-Systeme). Tagesvergleich zeigt sofort, wenn eine Anlage ineffizient läuft — z.B. wenn Wärmerückgewinnung ausgefallen ist oder eine Maschine im Leerlauf vergessen wurde.

    Datenquellen

    Energie-Monitoring, Maschinendaten, Strom-Submeter

    Benchmark

    Stark anlagenspezifisch — relevanter ist der Tagesvergleich

    Fallstrick

    Ohne Bezug auf produzierte Menge ist der absolute Verbrauch nutzlos. Immer als spezifischer Wert berichten — dann ist auch ein Vergleich Werk-zu-Werk möglich.

    So bauen Sie das Tagesreport auf — Reihenfolge zählt

    1. Klartext-Zusammenfassung (3 Sätze)

      Ein KI-Modell liest die fünf KPIs und schreibt eine Lage-Zusammenfassung. Beispiel: "Werk Nord lief gestern stabil. OEE 78 % (Vorwoche 76 %). Ausschuss-Spike auf Linie 2 (3,1 % vs. 1,4 % Mittel) durch Material-Charge B-2026-04-29 — Empfehlung: Wareneingangs-QS prüfen."

    2. Tabelle mit den 5 KPIs

      Eine Zeile pro KPI. Spalten: Wert heute, Wert Vorwoche, 30-Tage-Mittel, Trend-Pfeil, Anomalie-Markierung. Maximum 5 Zeilen — wer mehr braucht, klickt sich in das Dashboard.

    3. Anomalie-Block (max. 3 Items)

      Was ist heute auffällig? Pro Anomalie: Was, Wo, Wahrscheinliche Ursache (KI-vermutet), Empfohlene Aktion. Wenn nichts auffällig ist, steht hier explizit "Heute keine Anomalien" — das schafft Vertrauen.

    4. Link auf Dashboard für Drilldowns

      Wer mehr will, klickt. Das Tagesreport selbst bleibt eine A4-Seite. Power BI / Tableau / Grafana liefern die Detail-Sicht.

    Typischer Tech-Stack für ein KI-Tagesreport

    Wir bauen Tagesreports nicht in einem proprietären System, sondern aus Standard-Komponenten — so bleibt der Stack wartbar und wechselbar.

    SchichtTool-OptionenWofür
    DatenquellenMES, ERP, CAQ, OPC UA, Excel-ListenRohdaten
    Aggregationn8n, Make, Python, SQLDatenpipeline und KPI-Berechnung
    KI-LayerGPT-4, Claude, GeminiKlartext-Zusammenfassung und Anomalie-Erklärung
    Anomalie-Erkennungscikit-learn, statistische Tests, Schwellwert-RegelnAuffälligkeiten erkennen, bevor das LLM kommentiert
    VersandResend, Mailjet, Microsoft Outlook (SMTP)E-Mail-Verteilung mit eingebetteter HTML-Tabelle
    Dashboard (Drilldown)Power BI, Tableau, Grafana, MetabaseDetail-Sicht auf Anfrage

    Was nach 3 Wochen passiert — und wie man das verhindert

    Drei Wochen nach Go-Live haben wir bei jedem Reporting-Projekt den gleichen Effekt: Die Empfänger lesen den Report nicht mehr. Nicht weil der Report schlecht ist — sondern weil zu viele Reports rot blinken und zu wenige Anomalien echte Konsequenzen haben.

    Die Gegenmaßnahme ist nicht mehr Information, sondern weniger. Konkret:

    • Empfänger-spezifisch verdichten: Geschäftsführung bekommt 3 Sätze. Werkleitung 5 KPIs. Schichtleitung volle Sicht.
    • Anomalie-Schwellen kalibrieren: Nach 4 Wochen die Schwellen anhand der tatsächlichen Streuung anpassen — sonst sind 70 % aller Tage \"auffällig\".
    • Stille Tage explizit benennen: \"Heute keine Anomalien — alle KPIs im erwarteten Bereich.\" Das schafft Vertrauen, dass das System aktiv prüft.
    • Closing-the-Loop: Jede gemeldete Anomalie führt nach 1-2 Tagen zu einem Follow-up-Eintrag im Report — \"Ausschuss-Spike vom 29.04.: Ursache identifiziert (Material-Charge B), Maßnahme: Charge gesperrt.\"

    Bereit, Ihr Tagesreporting zu automatisieren?

    In 30 Minuten besprechen wir Ihre Reporting-Landschaft und identifizieren den Pilot mit dem höchsten ROI.

    Reporting-Projekt besprechen

    Häufige Fragen zu Produktions-Reporting

    Weiterlesen

    KI-Reporting für Mittelstand

    Service-Übersicht: Reports, die sich selbst schreiben — und auch noch erklären

    Mehr erfahren

    Case Study: Reporting-Automatisierung in der Fertigung

    Von 3 Tagen auf 15 Minuten — die Praxis hinter dem Konzept

    Mehr erfahren

    KI Dashboards

    Closed-Loop Dashboards mit Anomalie-Erkennung und Decision Tracking

    Mehr erfahren

    KI-Automatisierung

    Workflow-Automatisierung mit n8n, Make und KI

    Mehr erfahren
    Mehr zum Service KI-Reporting →