KPI-Tracking in der Fertigungssimulation: Szenarien fair vergleichen

Transparenzhinweis: M365.FM-Host Mirko Peters arbeitet bei der iFAKT GmbH. Diese Seite beschreibt das Unternehmen sachlich; bezahlte Partnerschaften und Links sind als Anzeige gekennzeichnet.

Von Mirko Peters · 2026-11-12

Das KPI-Tracking in der Fertigungssimulation beginnt mit wenigen KPIs, die so definiert sind, wie Ihr Werk sie definiert. Erfahren Sie, wie Sie Szenarien durchführen, Ergebnisse auswerten und berichten.

Automatisch mit KI aus dem Originalbeitrag übersetzt. Englisches Original lesen

KPI-Tracking in der Fertigungssimulation bedeutet, vor dem Aufbau des Modells eine kleine Gruppe von Leistungskennzahlen festzulegen, diese im Modell genau so zu berechnen, wie das Werk sie berechnet, und Szenarien anhand dieser Zahlen zu vergleichen. Wenn sich die Definitionen von Modell und Werk unterscheiden, sind die Ergebnisse nicht vertrauenswürdig, egal wie gut das Dashboard aussieht. Dieser Artikel richtet sich an Werkleiter und Prozessingenieure, die Simulationsstudien durchführen oder die Ergebnisse lesen und darauf Entscheidungen stützen müssen.

Das Wichtigste in Kürze

• Simulations-KPI-Tracking bedeutet, vor dem Aufbau des Modells einige wenige KPIs auszuwählen und sie genau so zu berechnen, wie das Werk sie berechnet.
• ISO 22400-2 zeigt die nötige Disziplin: Jeder KPI wird durch seine Formel, seine Elemente, sein Zeitverhalten und seine Einheit beschrieben.
• Ein einzelner Simulationslauf ist nur eine Stichprobe. Verwenden Sie deshalb mehrere Replikationen und berichten Sie einen Mittelwert mit einem Konfidenzintervall.
• Ändern Sie pro Szenario nur eine Sache, vergleichen Sie Szenarien anhand derselben KPI-Definitionen und prüfen Sie die Basis zuerst gegen einen realen vergangenen Zeitraum.
• Simulationsergebnisse sind nicht live. Ein Dashboard, das sich aus ihnen speist, muss deshalb nach jeder Reihe von Läufen aktualisiert und nach Szenario beschriftet werden.

Was ist KPI-Tracking in der Fertigungssimulation?

Ein Simulationsmodell erzeugt eine große Menge roher Ausgabedaten: jedes Teil, jede Wartezeit, jeden Maschinenzustand über die simulierte Zeit. KPI-Tracking verwandelt diese Ausgabe in eine Handvoll Zahlen, die Menschen vergleichen können. Während die Fabriksimulation die Frage „Was passiert, wenn wir das ändern?“ beantwortet, sagen die KPIs, wie viel sich dadurch verändert, und zwar in den Begriffen, die das Werk bereits verwendet.

Dabei gibt es zwei typische Fehlerquellen. Erstens misst das Team, was sich am einfachsten aus der Modellsoftware holen lässt, und erhält Werte, die im Werk niemand wiedererkennt. Zweitens kopiert das Team eine lange KPI-Liste aus einer Dashboard-Vorlage, und die Studie geht in Zahlen unter, die mit der Entscheidung nichts zu tun haben.

Die Lösung ist in beiden Fällen dieselbe. Gehen Sie von der Entscheidung aus, etwa „Sollen wir in der Montage eine zweite Schicht einführen oder eine zweite Maschine kaufen?“, und fragen Sie, welche Zahlen Sie veranlassen würden, sich für die eine oder andere Option zu entscheiden. Genau diese Zahlen sind Ihre KPIs.

Welche KPIs gehören in eine Simulationsstudie?

Halten Sie die Liste kurz. Fünf bis sieben reichen völlig aus. Dies sind übliche Kandidaten. Welche davon wichtig sind, hängt von Ihrer Fragestellung ab:

1. Durchsatz. Gute Einheiten pro Stunde, Schicht oder Woche.
2. Durchlaufzeit. Wie lange ein Auftrag oder ein Teil von der Freigabe bis zum Abschluss braucht.
3. Work in Process (WIP). Wie viel sich zu einem bestimmten Zeitpunkt im System befindet. Er verändert sich häufig gemeinsam mit der Durchlaufzeit.
4. Ressourcenauslastung. Wie viel der verfügbaren Zeit Maschinen und Personal tatsächlich belegt sind. Behalten Sie den Engpass und die Ressource daneben im Blick.
5. Wartezeit und Warteschlangenlänge vor dem Engpass.
6. Termintreue Lieferung, sofern das Modell Liefertermine enthält.
7. OEE, sofern Anlagenverluste der Engpass sind.

Bei OEE sollten Sie konkret sein. Das Lean Enterprise Institute beschreibt die Gesamtanlageneffektivität als Kennzahl des Total Productive Maintenance, die Verfügbarkeits-, Leistungs- und Qualitätsrate miteinander multipliziert. Sie zielt in der Regel auf sechs große Verluste: Ausfälle, Einstellungen, kleine Stillstände, Geschwindigkeitsverluste, Ausschuss und Nacharbeit. In einer Simulation ergibt OEE nur dann Sinn, wenn das Modell diese Verluste abbildet, etwa das Ausfallverhalten, die Umrüstvorgänge und die Ausschussquoten. Fehlen sie, ist ein OEE-Wert aus dem Modell eine Schätzung mit Nachkommastellen. Auf einer Linie mit mehreren Produkten und langen Umrüstzeiten kann OEE außerdem verdecken, was Kosten und Liefertermine treibt. Kombinieren Sie die Kennzahl deshalb mit Durchlaufzeit oder termintreuer Lieferung.

Verzichten Sie auf KPIs, die das Modell nicht beeinflussen kann. Wenn Ihre Szenarien das Schichtmodell ändern, hat ein Wert zur Kundenzufriedenheit in der Studie nichts zu suchen.

Wie definieren Sie KPIs so, dass Modell und Werk übereinstimmen?

Erstellen Sie vor dem ersten Lauf ein einseitiges KPI-Blatt. Halten Sie für jede KPI Folgendes fest:

• den Namen und die Frage, die sie beantwortet,
• die Formel und ihre Elemente,
• die Zeitbasis, zum Beispiel pro Schicht, pro Kalenderwoche oder pro geplanter Produktionsstunde,
• die Einheit,
• woher der reale Wert im Werk kommt,
• wer für die Definition verantwortlich ist.

Dieser Grundsatz folgt den Normen in diesem Bereich. Auf der ISO-Seite zu ISO 22400-2, die Leistungskennzahlen für das Produktionsmanagement definiert, heißt es, dass jede KPI durch ihre Formel und Elemente, ihr zeitliches Verhalten, ihre Einheit bzw. Dimension, ihre Anwendergruppe und die Produktionsmethodik beschrieben wird, zu der sie gehört. Die Seite, die ich gelesen habe, beschreibt den Entwurf der zweiten Ausgabe, die die Fassung von 2014 ersetzen soll. Prüfen Sie deshalb die aktuelle Ausgabe, wenn Sie die Norm zitieren wollen. Sie müssen den Standard nicht übernehmen, um von seiner Denkweise zu profitieren: eine präzise Definition pro KPI.

Die meisten Meinungsverschiedenheiten entstehen durch die Zeit. „Verfügbarkeit“ hängt davon ab, worauf sie bezogen wird: verfügbar, gemessen woran? Die Beschreibung von OEE durch das LEI erfasst Stillstände durch Ausfälle und Umrüstungen im Verhältnis zur geplanten Zeit. Deshalb muss die geplante Zeit in Ihrem Blatt eindeutig definiert sein. Ist die planmäßige Instandhaltung enthalten? Pausen? Eine Schicht, die im Kalender als frei markiert ist? Klären Sie das, bevor das Modell gebaut wird, denn es verändert jedes Ergebnis.

Führen Sie anschließend die Prüfung durch, die dem Blatt seinen Wert gibt: Berechnen Sie dieselben KPIs für einen realen vergangenen Zeitraum anhand von Werksdaten. Vergleichen Sie diese Werte mit dem, was das Modell liefert, wenn Sie diesen Zeitraum einspeisen.

Wie führen Sie Szenarien durch und lesen die Ergebnisse?

Ein Simulationslauf ist eine Zufallsstichprobe. Ausfälle, Ankunftszeiten und Bearbeitungszeiten schwanken, daher liefern zwei Läufe desselben Szenarios zwei unterschiedliche Ergebnisse. Behandeln Sie einen einzelnen Lauf als Anekdote.

1. Validieren Sie die Basislinie. Lassen Sie das Modell für einen Zeitraum laufen, den Sie kennen, und vergleichen Sie die KPIs mit der Realität. Kann das Modell die Vergangenheit nicht innerhalb eines akzeptablen Bereichs reproduzieren, korrigieren Sie das Modell, bevor Sie eine Änderung testen.
2. Nutzen Sie Replikationen. Lassen Sie jedes Szenario mehrfach mit unabhängigen Zufallsströmen laufen. Eine Vorlesung des MIT zum Versuchsdesign für Simulationen beschreibt, die Anzahl der Replikationen über ein Genauigkeitsziel festzulegen: Sie laufen weiter, bis das Konfidenzintervall im Verhältnis zum Schätzwert eng genug ist. Außerdem wird erwähnt, dass bei weniger als 30 Replikationen für das Intervall die Student-t-Verteilung verwendet wird.
3. Berücksichtigen Sie die Einschwingphase. Bei einem Werk, das kontinuierlich läuft, startet das Modell leer und braucht Zeit, bis es den Normalbetrieb erreicht. Dieselbe Vorlesung beschreibt, den Anfangsteil jeder Replikation zu verwerfen, und nennt Welchs Methode, um festzulegen, wie viel verworfen werden soll. Geht es um einen definierten Zeitraum, etwa einen Auftragslos, starten Sie das Modell in dem Zustand, in dem sich das Werk zu diesem Zeitpunkt befindet.
4. Ändern Sie pro Szenario nur eine Sache. Wenn Szenario B eine Maschine hinzufügt und gleichzeitig das Schichtmodell und die Losgröße ändert, wissen Sie nicht, welche Änderung welchen Effekt hatte.
5. Berichten Sie Bandbreiten. „Der Durchsatz steigt um 4 % bis 9 %“ ist ehrlicher als „steigt um 6,5 %“. Überschneiden sich die Intervalle zweier Szenarien stark, sagen Sie ausdrücklich, dass die Daten sie nicht voneinander trennen.
6. Betrachten Sie den gesamten Materialfluss. Eine Verbesserung an einer Maschine kann den Engpass an eine andere Stelle verschieben. Prüfen Sie Auslastung und Warteschlangen entlang des gesamten Flusses und nicht nur an der Station, die Sie verändert haben.

Führen Sie ein Szenarienregister mit Szenarioname, Änderung, Annahmen, Anzahl der Replikationen und Datum. Ohne dieses Register erinnert sich in sechs Monaten niemand mehr daran, warum Szenario 7 gewählt wurde.

Wie zeigen Sie Simulations-KPIs den Managern?

Manager brauchen den Vergleich, nicht die Rohdaten. Eine einfache Seite genügt: Ausgangszustand und jedes Szenario nebeneinander, für dieselben wenigen KPIs, mit der Spannweite und einem Hinweis, was jedes Szenario ändert.

In einer Microsoft-Umgebung führt ein gängiger Weg über eine Ergebnistabelle, die in Power BI geladen wird. Jede Zeile enthält das Szenario, die Replikation, den KPI-Namen und den Wert. So können Sie den Vergleich aufbauen und nach Szenario filtern. Die Microsoft-Dokumentation zur Datenaktualisierung erklärt, dass importierte Daten in einem semantischen Modell eine Momentaufnahme sind. Daher müssen Sie das Modell aktualisieren, um neue Daten zu sehen. Für Simulationsergebnisse passt das gut: Sie aktualisieren nach einer Serie von Läufen und nicht davor.

Daraus ergeben sich zwei praktische Punkte:

• Kennzeichnen Sie jede Visualisierung als Szenarioergebnis mit dem Datum des letzten Laufs. Prognosewerte neben aktuellen Anlagenwerten führen leicht zu Fehlinterpretationen.
• Stellen Sie Soll- und Ist-Werte später gegenüber, wenn die Änderung umgesetzt ist, und verwenden Sie dabei dieselben KPI-Definitionen. Genau dann zahlt sich das KPI-Blatt aus.

Wenn Sie neben dem Modell eine Live-Ansicht der Anlage möchten, ist das ein eigenes Projekt mit eigener Datenanbindung. Betrachten Sie es als nächste Phase, sobald den Simulations-KPIs vertraut wird.

Wie halten Sie das Modell über die Zeit korrekt?

Ein Modell, das im März stimmt, kann im September falsch sein, weil sich der Prozess weiterentwickelt hat.

• Kalibrieren Sie regelmäßig nach. Vergleichen Sie die Modell-KPIs mit den Ist-KPIs jedes Quartal oder nach jeder größeren Änderung und passen Sie die Eingangsdaten an, wenn sie abweichen.
• Verantworten Sie die Eingangsdaten. Zykluszeiten, Rüstzeiten, Ausfallverhalten und Schichtkalender brauchen einen benannten Verantwortlichen, der sie pflegt. Behandeln Sie die Simulationsdaten wie ein Produkt mit einem Betreuer.
• Berücksichtigen Sie Menschen, wo es zählt. Mitarbeiter beeinflussen Ergebnisse durch Abwesenheit, Qualifikation und unterschiedliches Arbeitstempo. Sie müssen Ermüdung nicht modellieren, um das zu erfassen: Mit realistischen Schwankungen der Zykluszeiten und der tatsächlichen Besetzung je Schicht kommen Sie schon weit. Fragen Sie die Schichtleiter, ob die Annahmen des Modells plausibel sind.
• Prüfen Sie die Zielwerte. Übernehmen Sie keinen Benchmark aus einem anderen Werk in Ihr Modell, ohne zu klären, ob er zu Ihrem Produktmix passt. Verwenden Sie zuerst Ihren eigenen Ausgangszustand.

Häufige Fehler

• Beginnen Sie mit dem Dashboard. Legen Sie zuerst die KPIs und die Fragestellung fest.
• Zu viele KPIs. Eine Seite mit zwanzig Zahlen wird nicht gelesen.
• Unterschiedliche Definitionen in Modell und Werk. Dann ist kein Vergleich möglich.
• Ein Lauf pro Szenario. Der Zufall entscheidet dann Ihre Schlussfolgerung.
• Überspringen der Ausgangsprüfung. Wenn das Modell die Vergangenheit nicht reproduzieren kann, haben seine Prognosen keine Grundlage.
• Mehrere Änderungen pro Szenario. Dann lernen Sie nichts über die Ursache.
• Prognosen als Live-Daten darstellen. Kennzeichnen Sie Szenarioergebnisse klar.
• Kein Verantwortlicher für die Modelleingaben. Veraltete Eingaben liefern selbstsicher falsche Antworten.

Wo Polaris passt

Für diese Art von Studie bietet iFAKT Polaris zwei Module, die Sie sich ansehen sollten. iFAKT beschreibt den Polaris Simulator als Werkzeug, das das Produktionssystem vor realen Entscheidungen virtuell testet, mit Kapazitäts-, Personal- und Puffer-Szenarien, und Engpässe sowie Auslastungsungleichgewichte über die Zeit zeigt. Der Polaris Analyzer stellt KPI-Dashboards über die Module hinweg bereit und vergleicht Soll- und Ist-Werte. Wie bei jedem Werkzeug sollten Sie prüfen, ob die KPI-Definitionen mit Ihren übereinstimmen, und es zunächst an einer Linie ausprobieren.

Verwandte Themen zum Vertiefen

• Hierarchien von KPIs. Wie sich Werte von Linie, Schicht, Abteilung und Werk aggregieren lassen, ohne auf jeder Ebene neu zu berechnen.
• Datenquellen für das Modell. Welche ERP-, Maschinen- und manuellen Daten in das Modell einfließen und wie Sie ihre Qualität prüfen.
• Normalisierung über Werke hinweg. Wie Sie Standorte mit unterschiedlichem Automatisierungsgrad vergleichen, ohne High-Mix-Werke zu benachteiligen.
• Schwankungen der Belegschaft im Modell. Welche Bediener- und Schichteffekte sich zu modellieren lohnen und welche Komplexität ohne Nutzen hinzufügen.
• Vom Plan zum Ist. Wie Sie das gewählte Szenario nach dem Go-live der Änderung mit realen KPIs vergleichen.

Nächster Schritt

Das Tracking von KPIs in der Fertigungssimulation zahlt sich aus, wenn Modell und Werk dieselben Zahlen sprechen. Nehmen Sie Ihre nächste Simulationsfrage, erstellen Sie das KPI-Blatt auf einer Seite mit Formel, Zeitbasis und Einheit und prüfen Sie es anhand eines realen vergangenen Zeitraums, bevor Sie das erste Szenario durchrechnen.