BI für Produktion und Industrie

Nicht zwingend. Für klassische ERP- und Stammdatensichten reicht eine direkte ERP-Anbindung aus. Sobald jedoch echte Fertigungsdaten in Echtzeit ausgewertet werden sollen, ist ein MES (Manufacturing Execution System, die Software zur Fertigungssteuerung) oder mindestens eine BDE-Lösung (Betriebsdatenerfassung) Voraussetzung. Mehr zur MES-Perspektive liefert Find-Your-MES.

OEE (Overall Equipment Effectiveness, die Gesamtanlageneffektivität) misst, wie effizient eine Anlage tatsächlich genutzt wird, und ergibt sich aus dem Produkt von Verfügbarkeit, Leistung und Qualität. Ein Wert von 85 Prozent gilt in der diskreten Fertigung häufig als Weltklasse-Referenz, viele Werke liegen laut Branchenerhebungen jedoch eher zwischen 40 und 60 Prozent (find-your-bi.de, 2026). Weil OEE Verluste aus Stillstand, Geschwindigkeit und Ausschuss in einer Zahl bündelt, ist sie meist die erste KPI, die eine Industrie-BI liefern muss.

OEE ergibt sich aus Verfügbarkeit mal Leistung mal Qualität. Das klingt einfach, scheitert in der Praxis jedoch oft an uneinheitlichen Definitionen zwischen Werken oder Linien. Wichtig ist eine einheitliche Berechnungslogik im semantischen BI-Modell und eine konsequente Verknüpfung mit MES-Daten, damit alle Standorte dieselbe Kennzahl meinen.

Predictive Maintenance (vorausschauende Instandhaltung auf Basis von Sensordaten und Modellen) lohnt sich für Anlagen mit hohem Stillstandsschaden und ausreichend Sensorik bereits heute. Für kleinere Maschinenparks oder wenig Sensordaten lohnt sich oft erst klassisches Condition Monitoring als Vorstufe, bevor prädiktive Modelle trainiert werden.

Sehr wichtig für produktionsnahe Daten. Maschinendaten verbleiben aus Sicherheits- und Latenzgründen häufig im OT-Netz (Operational Technology, das Produktionsnetzwerk) des Werks, während Bürosichten in der Cloud laufen. Hybride Architekturen aus On-Premise- und Cloud-Komponenten sind in der Industrie deshalb der Normalfall, nicht die Ausnahme.

Im Minimum sollte eine Industrie-BI ERP-Daten für Aufträge und Stammdaten sowie MES- oder BDE-Daten für den Fertigungsfortschritt anbinden können. Sobald Maschinen direkt angebunden werden, kommen MDE- und IoT-Quellen über Protokolle wie OPC UA oder MQTT hinzu. Für regulierte Branchen wie Automotive oder Pharma zählen zusätzlich CAQ- und QM-Systeme für Prüf- und Qualitätsdaten zum Pflichtumfang (find-your-bi.de, 2026).

Für ein mittelständisches Produktionsunternehmen mit 100 bis 500 Mitarbeitenden liegen die Lizenzkosten für gängige BI-Tools wie Power BI oder Qlik Sense meist zwischen 10 und 20 Euro pro Nutzer und Monat (find-your-bi.de, 2026). Hinzu kommen einmalige Implementierungskosten für die Anbindung von MES- und Maschinendaten, die je nach Komplexität der Werksnetz-Integration zwischen 15.000 und 80.000 Euro liegen können. Reine ERP-Anbindungen ohne Maschinendaten sind deutlich günstiger als Projekte mit vollständiger IoT-Integration.

Eine reine ERP-basierte BI-Einführung lässt sich häufig innerhalb von sechs bis zehn Wochen umsetzen. Sobald MES-, MDE- oder IoT-Quellen angebunden werden, verlängert sich das Projekt meist auf drei bis sechs Monate, da Maschinenprotokolle, Werksnetz und Datenqualität zusätzlich geklärt werden müssen. Pilotprojekte auf einer einzelnen Linie oder Anlage verkürzen die Zeit bis zum ersten nutzbaren Dashboard erheblich.

Für kleine und mittlere Fertigungsbetriebe eignen sich vor allem Tools mit geringer Einstiegshürde und starkem Self-Service-Fokus, etwa Power BI oder Qlik Sense. Wer bereits SAP S/4HANA im Einsatz hat, profitiert von der direkten Modellanbindung der SAP Analytics Cloud. Entscheidend ist weniger die Marktgröße des Anbieters als die Frage, ob er OEE-, Liefertreue- und Energiekennzahlen als vorgefertigte Vorlagen mitbringt.

Industrie 4.0 (die Vernetzung von Maschinen, Sensoren und IT-Systemen in der Fertigung) liefert die Datenbasis, BI liefert die Auswertung darauf. Ohne vernetzte MES-, MDE- und IoT-Quellen bleibt eine Industrie-BI auf ERP-Sichten beschränkt und kann Stillstände, Taktzeiten oder Predictive-Maintenance-Signale nicht in Echtzeit auswerten. Umgekehrt bleibt eine reine Industrie-4.0-Vernetzung ohne BI-Schicht meist ungenutztes Datenvolumen ohne Entscheidungswert.

Schicht-Reporting ist in der Produktion meist wichtiger als klassisches Monats- oder Wochenreporting, da Schichtleiter innerhalb von Minuten auf Stillstände, Ausschuss oder Engpässe reagieren müssen. Viele Industrie-BI-Projekte definieren deshalb Dashboards mit Aktualisierungsintervallen von wenigen Minuten statt der im Office-BI üblichen täglichen Batch-Läufe. Diese Anforderung an Nahezu-Echtzeit-Daten unterscheidet Industrie-BI deutlich von klassischem Finanz- oder Vertriebsreporting.

Die Anbindung von Maschinendaten an eine BI-Lösung öffnet potenziell eine Schnittstelle zwischen dem Office-IT-Netz und dem produktionsnahen OT-Netz, was ein zentrales Sicherheitsrisiko darstellt. Gängige Praxis ist eine einseitige Datenausleitung über Gateways, sodass Schreibzugriffe aus der IT-Seite auf Steuerungen wie SPS (Speicherprogrammierbare Steuerung) ausgeschlossen bleiben. Diese Trennung sollte bereits im Anforderungsprofil einer Industrie-BI-Auswahl festgelegt werden, nicht erst im laufenden Projekt.

BI für die Industrie unterscheidet sich vor allem durch die Vielzahl technischer Quellsysteme wie ERP, MES, BDE, MDE und IoT-Sensorik, die in anderen Branchen selten in dieser Dichte vorkommen. Hinzu kommen fertigungsspezifische Kennzahlen wie OEE, OTIF und Energieverbrauch pro Schicht, die außerhalb der Produktion kaum eine Rolle spielen. Auch die Anforderung an Nahezu-Echtzeit-Daten und hybride On-Premise-Cloud-Architekturen ist in der Industrie ausgeprägter als etwa im Handel oder Dienstleistungssektor (find-your-bi.de, 2026).