gesponsertImpulse aus der Praxis Daten in operative Entscheidungen übersetzen

Gesponsert von

EFESO Management Consultants

Im Maschinenbau sind Daten oft über Tabellen und andere IT-Tools verteilt. Mit den richtigen Prozessen zusammengeführt, können sie zum Wettbewerbsvorteil werden.

Unternehmen im Maschinen- und Anlagenbau verfügen über einen wertvollen Informationsfluss, der entlang der gesamten Wertschöpfung aus Daten entsteht, etwa in Entwicklung und Konstruktion, Einkauf, Produktion, Qualität, Logistik und Service. Dieser Datenschatz wird bisher noch viel zu wenig genutzt: Er bleibt oft in Excel-Dateien, Einzelsystemen oder lokalen Auswertungen gebunden.

Der Engpass zur Nutzung resultiert nicht aus der Datenmenge, sondern aus der Fähigkeit des Unternehmens, Daten zuverlässig zu kombinieren, zu interpretieren und in operative Entscheidungen zu übersetzen. In einem Marktumfeld mit schwankender Auslastung, hohem Kostendruck und steigender Variantenvielfalt entscheidet diese Fähigkeit über Geschwindigkeit und Ergebnisqualität.

Für die Planung, Steuerung und Verbesserung der täglichen Abläufe und der Wertschöpfung im Operations-Management bedeutet das: Daten müssen als produktiver Vermögenswert geführt werden. Sie schaffen Wettbewerbsvorteile, wenn sie Kosten- und Leistungstreiber transparent machen, Szenarien belastbar simulieren und Entscheidungen auf eine gemeinsame Faktenbasis stellen. Entscheidend sind skalierbare Anwendungsfälle mit messbarem Nutzen und belastbarer Datenbasis. Wie Unternehmen solche Anwendungsfälle schaffen können und welche Ergebnisse möglich sind, zeigen die folgenden Beispiele.

Praxisbeispiel 1: Mit Daten Millionenpotenziale heben

Zunehmende Komplexität im Lieferanten- und Kundenmanagement brachte einen Hersteller von Spezialmaschinen für den Straßenbau in eine angespannte Situation: Die Verhandlungsmethoden des Einkaufs erzielten nicht die gewünschten Ergebnisse; zugleich erwies sich die Qualität der Transaktions- und Stammdaten als uneinheitlich. Aufgrund des erheblichen, bilanzrelevanten Einkaufsvolumens im einstelligen Milliardenbereich bestand die Aufgabe deshalb darin, verstreute Informationen schnell in belastbare kommerzielle und technische Hebel zu übersetzen.

Dies erreichte die mit der Optimierung beauftragte Unternehmensberatung Efeso Management Consultants auf mehreren Wegen: Die Berater erstellten zunächst eine transparente, strukturierte Übersicht der Einkaufsvolumina nach Lieferanten, Warengruppen und Standorten (Spend Cube). Diese wurden im nächsten Schritt mit internen Einkaufsdaten auf Teilenummernebene sowie externen Markt-, Rohstoff-, Währungs- und Benchmark-Daten verknüpft. Schließlich ergänzte Efeso die Analyse um eine KI-gestützte Zeichnungsinterpretation, Teileähnlichkeiten und Best-Practice-Kostenmodelle. Aus den Ergebnissen entstanden lieferantenspezifische Zielbilder, Verhandlungsstrategien und -formate.

In drei intensiven Verhandlungswochen realisierte das Projektteam mit mehr als 150 Lieferanten und über 300 beteiligten Mitarbeitenden Einsparungen im mittleren zweistelligen Millionenbereich. Je nach Kategorie sanken Teilepreise um bis zu 20 Prozent; zusätzlich entstand eine Pipeline weiterer technischer und kaufmännischer Verbesserungsmaßnahmen.

Unternehmen sollten nicht mit einem mehrjährigen Daten-Optimierungsprogramm starten, sondern mit einem klar abgegrenzten Einkaufsvolumen und einer wirtschaftlichen Zielgröße. Mit einem „Fast Track Savings Booster“ lassen sich beispielsweise Spend Analytics, technische Analytik und KI-basierte Kostenrechnung mit konsequenter Realisierung verbinden. Eine Voraussetzung dafür ist die Transparenz über Einkaufsvolumina, Lieferanten und Warengruppen.

Praxisbeispiel 2: Montage-Mix mit KI und Digital Twin beherrschen

In der Motorenmontage eines Automotive-OEM stießen feste Sequenzen an Grenzen: Eine zunehmende Produktkomplexität, wechselnde Volumina und unterschiedliche Varianten erhöhten Rüst- und Umstellaufwände. Die Reihenfolgeplanung beruhte weitgehend auf Erfahrung, obwohl umfangreiche Produktionsdaten verfügbar waren.

Das Efeso-Projektteam überführte diese Daten in einen digitalen Zwilling der Montage und kombinierte die Simulation mit KI-basierter Optimierung. Damit ließen sich unterschiedliche Motorenkombinationen, Sequenzen und Kapazitätsannahmen vorab bewerten, ohne den laufenden Betrieb zu beeinträchtigen. Sichtbar wurde unter anderem, welche Montagereihenfolge Wechsel minimiert, Engpässe vermeidet und Ressourcen besser nutzt. Die KI-optimierte Planung reduzierte die Montagezeit je Motor um etwa sechs Prozent. Zugleich verringerten simulationsgestützte Sequenzentscheidungen die Setup-Wechsel und erzeugten signifikante jährliche Einsparungen. Neben dem finanziellen Effekt verbesserte sich die Reaktionsfähigkeit auf Mix- und Volumenänderungen.

Unternehmen sollten für den Start einen Prozess auswählen, in dem Varianten, Engpässe und wiederkehrende Entscheidungen zusammenkommen, etwa Montage, Prüfstände oder Intralogistik. Nach der Definition von Zielgrößen wie Durchsatz, Rüstaufwand, Bestand oder Lieferzeit wird ein begrenztes, ausreichend genaues Prozessmodell aufgebaut und mit realen Betriebsdaten kalibriert. Entscheidend ist ein Mensch im Regelkreis: Planungsverantwortliche prüfen Empfehlungen, dokumentieren Abweichungen und verbessern damit Modell und Datenbasis.

Praxisbeispiel 3: Vom Data-Stack zur globalen Steuerung

Zwölf rund um die Welt verteilte Produktionsstandorte eines Rüstungsunternehmens erzeugten jeweils über 20 „Data-Sets“. Dabei handelte es sich um Datensammlungen und -quellen, die dort für Reporting- und Steuerungsaufgaben genutzt wurden, etwa Excel-Dateien oder Tabellen mit Produktions-, Qualitäts-, Bestands-, Liefer- oder Leistungskennzahlen. Es galt, diese separat geführten Datenbestände effektiv für einen Gesamtbericht an das Management zu verbinden. Zuvor benötigte das verantwortliche Team für einen solchen konsolidierten Bericht eine Woche. Allein die manuelle Aufbereitung der überwiegend in Excel gespeicherten Daten beanspruchte drei bis vier Arbeitstage. Fehlerhafte Eingaben führten zu wöchentlichen Extraaufwänden und verzögerter Aktualität.

Die Efeso-Spezialisten entwickelten mit dem Team einen globalen „BI Control Tower“, der Kennzahlen vom Unternehmens- bis zum Detaillierungsniveau vergleichbar macht. Ein intelligentes Abfragesystem lädt automatisiert nur die für eine Visualisierung relevanten Dateien und Datensätze. Ergänzend erkennt ein Error-Catching-System fehlerhafte Eingaben und weist unmittelbar auf problematische Daten hin; ein automatisierter Health Refresh überwacht die Aktualität.

Dank dieser Maßnahmen verkürzte sich die Anbindung neuer Daten von bis zu vier Tagen auf rund zehn Minuten. Der eigentliche Fortschritt lag jedoch in der Steuerungsfähigkeit: Statt vergangenheitsbezogene Berichte zusammenzutragen, kann das Management nun Abweichungen standortübergreifend erkennen und auf einer konsistenten Faktenbasis handeln.

Ein BI Control Tower sollte nicht als Visualisierungsprojekt starten. Stattdessen beginnen Unternehmen im Idealfall mit wenigen Entscheidungen, die regelmäßig zu spät oder auf widersprüchlicher Datenbasis getroffen werden. Dazu werden Kennzahlen, Datenverantwortliche, Aktualisierungslogik und Fehlerregeln definiert. Anschließend werden die Datenabfrage und Qualitätssicherung automatisiert, bevor zusätzliche Dashboards entstehen. Eine gemeinsame Begriffswelt und klar geregelte Zugriffsrechte sind ebenso wichtig wie technologische Kriterien.

Klein genug starten, um Wirkung zu belegen, groß genug denken, um zu skalieren.

Die Beispiele zeigen drei Wertbeiträge derselben Ressource. Im Einkauf schaffen Daten Kostentransparenz und neue Verhandlungshebel. In der Produktion ermöglichen sie, komplexe Abläufe zu simulieren und vorausschauend zu optimieren. In standortübergreifenden Operations-Strukturen sorgen sie für eine gemeinsame Sicht auf Leistung, Abweichungen und Prioritäten. Wettbewerbsvorteile entstehen weder durch Datenbesitz allein noch durch den isolierten Einsatz von KI, sondern wenn Unternehmen Ziele, Datenbasis, Entscheidungsprozesse und Umsetzung konsequent verbinden.

Für Operations-Verantwortliche folgen daraus vier Prioritäten. Erstens: Anwendungsfälle nach Ergebniswirkung statt technischer Attraktivität auswählen. Zweitens: Datenqualität dort verbessern, wo sie Entscheidungen beeinflusst. Drittens: Fachwissen aus Produktion, F&E, Einkauf und Supply Chain früh mit Data Engineering und Analytics verzahnen. Viertens: Ergebnisse in Routinen, Rollen und Zielsystemen verankern, damit aus einem Piloten ein wiederholbarer Leistungsprozess wird.

Unternehmen sollten klein genug starten, um schnell Wirkung zu belegen, aber groß genug denken, um zu skalieren. Ein belastbarer Pilot liefert nicht nur einen Business Case: Er schafft eine gemeinsame Sprache zwischen Fachbereich und IT, stärkt das Vertrauen in Daten und zeigt, welche Architektur und Governance benötigt werden. Wer diesen Lernzyklus konsequent wiederholt, entwickelt Daten vom Nebenprodukt zum aktiven Produktionsfaktor und messbaren Wettbewerbsvorteil.

(ID:51007757)