KI-Reporting im Maschinenbau: Tagesreport für OEE, MTBF und Service-Level
Wie ein mittelständischer Sondermaschinenbauer sein Werks- und Service-Reporting auf KI umgestellt hat — von 3 Tagen Excel-Marathon zu einem 15-Minuten-Cockpit, das Ausschuss, Liefertreue und Wartungskosten täglich automatisch zusammenführt.
Ausgangslage: Sechs Datenquellen, fünf Excel-Templates, kein Tages-Cockpit
Ein mittelständischer Sondermaschinenbauer mit rund 650 Mitarbeitenden an drei Standorten stand vor dem typischen Maschinenbau-Reporting-Problem: Werks- und Service-Leitung arbeiteten mit Daten, die zwischen 5 Tagen und 4 Wochen alt waren. Reklamationen kamen zuerst von Kunden, nicht aus internen Systemen.
Die Daten lagen verteilt in sechs Quellen: SAP S/4HANA für ERP, MPDV Hydra als MES, OPC-UA-Streams aus den Bearbeitungszentren, Salesforce Service Cloud für Field-Service, eine ältere MS-Access-Wartungs-DB sowie Excel-Listen aus den drei Werken. Für das Monatsreporting arbeiteten zwei Controller drei Tage lang in fünf Excel-Templates.
Operative Folge: Ungeplante Stillstände wurden im Schnitt vier Tage zu spät erkannt, MTBF-Trends gingen unter, Service-Level-Versprechen an Schlüsselkunden wurden nur rückblickend ausgewertet. Die Geschäftsführung wollte eine Lösung, die in 4-6 Wochen produktiv ist und sich ohne SAP-Berater-Honorare betreiben lässt.
Die fünf KPIs, die im Maschinenbau täglich Wert liefern
Modular Ops automatisiert das Tagesreporting für die KPIs, die Werks- und Service-Leitung tatsächlich benötigen — keine Excel-Wüste, sondern fünf klare Zahlen mit Anomalie-Markierung und Klartext-Erläuterung.
Overall Equipment Effectiveness
Verfügbarkeit × Leistung × Qualität pro Anlage und Schicht. KI markiert Drift in Maschinenparametern, bevor sie zu Ausschuss-Spikes werden.
Mean Time Between Failures
Durchschnittliche Laufzeit zwischen ungeplanten Ausfällen. Ein ML-Modell prognostiziert Wartungsbedarf 4-12 Wochen voraus.
On-Time-Delivery (OTD)
Anteil pünktlich gelieferter Aufträge. KI erkennt Risiken im Auftragstrichter, bevor Kunden anrufen.
Erstlösungsquote + Reaktionszeit
Field-Service-KPIs aus Salesforce + Wartungs-DB. Anomalie-Erkennung markiert ungewöhnliche Reklamations-Cluster nach Anlage und Region.
Cost-per-Asset
Wartungskosten pro Anlage und Lebensdauer. Kombiniert ERP-Buchungen, Service-Tickets und Ersatzteilverbrauch in einer Sicht.
Scrap-Rate + Ursachen
Ausschuss pro Werk, Schicht und Auftrag. KI-Klartext-Zusammenfassung erklärt Top-Ursachen — keine Excel-Pivot mehr nötig.
Die Lösung: Drei Sprints, sechs Wochen, ein Tages-Cockpit
Modular Ops automatisiert das Tagesreporting für KPIs wie OEE, Ausschussquote, Liefertreue, Stillstandsanalyse und Wartungskosten. Der Stack ist bewusst schlank gehalten — keine Big-Bang-DWH-Migration, sondern direkte Anbindung an die bestehenden Quellen.
Datenintegration ERP + MES + OPC UA
SAP über RFC/OData, MPDV Hydra über REST, Bearbeitungszentren über OPC UA. n8n orchestriert die nightly-Jobs, Python normalisiert KPIs nach VDMA-Standard.
Service-Daten + MTBF-Modell
Salesforce Service Cloud + alte MS-Access-Wartungs-DB werden konsolidiert. ML-Modell auf 18 Monaten Service-Historie trainiert, prognostiziert MTBF und Wartungsbedarf.
Tages-Cockpit + KI-Klartext
Power-BI-Dashboard für Werks- und Service-Leitung. GPT-4 generiert die Klartext-Zusammenfassung (Beispiel: Heute Nacht OEE Werk 2 minus 3,1 pp wegen Stillstand BAZ-04, Verdacht Spindellager). Anomalie-Markierung pro KPI.
Ergebnisse nach 4 Monaten Betrieb
Lessons Learned — speziell für Maschinenbauer
OPC UA frühzeitig adressieren
Anlagensteuerungen liefern oft die wertvollsten Daten — aber viele Maschinenbauer haben OPC UA nie sauber durchgängig gemacht. Lieber zwei Wochen Setup investieren, statt OEE aus Schichtbüchern zu rekonstruieren.
MTBF braucht 12-18 Monate Trainingsdaten
Predictive Maintenance ohne Historie ist Wunschdenken. Wenn die Wartungs-DB lückenhaft ist, erst 6 Monate sauber loggen, dann ML-Modell trainieren — sonst nur Anomalie-Erkennung statt Forecast.
Service-Daten gehören ins selbe Cockpit
Werksleitung und Service-Leitung schauen oft auf getrennte Tools. Ein gemeinsames Tages-Cockpit verhindert Reklamations-Schocks und bessere Ersatzteilplanung.
Klartext schlägt Pivot-Tabelle
Werksleiter wollen wissen, was passiert ist und was zu tun ist — keine 12-Spalten-Pivot. Eine GPT-/Claude-generierte Klartext-Zusammenfassung ersetzt 80% der Excel-Drill-Downs.
EU-AI-Act-Klassifizierung dokumentieren
Reporting ist risiko-arm, MTBF-Forecast bleibt es. Nur wenn KI in Maschinen-Sicherheitskreise eingreift, wird es Hochrisiko nach Maschinen-Verordnung 2023/1230. Risiko-Klasse vor Pilot-Start schriftlich festhalten.
ERP nicht modifizieren
SAP- oder Dynamics-Modifikationen sind teuer und langwierig. Ein Integration-Layer (n8n + Python) liest aus dem ERP, schreibt nicht hinein. So bleibt der Stack wartbar ohne ERP-Berater-Honorare.
Technologie-Stack
Auch Sondermaschinenbau? Auch Service-Park mit Reklamationen?
In 30 Minuten besprechen wir Ihre Datenlandschaft und wie ein Tages-Cockpit für OEE, MTBF, Liefertreue und Service-Level konkret aussehen kann.
Gespräch vereinbarenHäufige Fragen zum KI-Reporting im Maschinenbau
Weiterlesen
KI-Reporting für Mittelstand
Service-Hub: Reports, die sich selbst schreiben
Mehr erfahrenBranche: Maschinenbau
Use-Cases, EU AI Act und typischer Reifegrad
Mehr erfahrenCase Study: KI-Reporting Fertigung
Pendant für reine Fertigungsbetriebe — von 3 Tagen auf 15 Minuten
Mehr erfahrenKI-Reporting in der Produktion: 5 KPIs
Was OEE, Ausschuss und Liefertreue konkret aussagen
Mehr erfahren