Wie man mit Excel seine Produktion ruiniert

Excel ist schnell, flexibel – und ein stiller Effizienz-Killer auf dem Shopfloor. Was als „temporäre Lösung“ beginnt, wird oft zum Schatten-MES: Berechnungen werden fehleranfällig, Versionen unklar, Entscheidungen wackelig. ⚠️ Dieser Beitrag zeigt, wie typische Excel-Fallen Kennzahlen verzerren und wie Sie mit leichtgewichtigen, robusten Alternativen in 30–90 Tagen auf saubere Daten und verlässliche Steuerung kommen.

Use-Case: Schichtreporting und Gesamtanlageneffektivität sauber messen – ohne Tabellenchaos

Typische Ausgangslage im KMU:

• Schichtleiter tragen Stillstände, Stückzahlen, Ausschuss und Rüstzeiten in Excel ein.
• Die Gesamtanlageneffektivität (OEE) wird per Formelblatt berechnet.
• Materialverbräuche und Bestände liegen in weiteren Dateien.
• Jeden Morgen werden 5–10 Dateien kopiert, verknüpft, aktualisiert.

Ergebnis: Abweichende Zahlen je Datei, unerklärliche Sprünge in Kennzahlen, Diskussionen statt Entscheidungen.

Was Excel hier systematisch schief laufen lässt

• Keine Datenintegrität bei Mehrbenutzerbetrieb: Gleichzeitiges Öffnen/Schreiben führt zu Konflikten und Versionschaos. (Excel ist ein Rechenkern, keine transaktionale Datenbank.)
• Format-Fallen: Zeit im Zehntelstunden- vs. Minutenformat, Datums­interpretation (DD/MM vs. MM/DD), automatische Typkonvertierung – die Klassiker.
• Versteckte Logik: Formeln, die per Copy-Paste wandern, ohne Schutz oder Tests. Named Ranges und externe Links brechen unbemerkt.
• Kein Audit-Trail: Wer hat wann was geändert? Für Ursachenanalysen und Compliance kritisch.
• Skalierungsgrenzen: Mit zehntausenden Zeilen, Pivot-Kaskaden und mehreren Nutzenden kippt Performance, Konsistenz und Wartbarkeit. ✅

Metriken und Methodik nach Stand der Technik

Für eine belastbare Produktionssteuerung sollten Kennzahlen und Definitionen stabil und normnah sein:

• Gesamtanlageneffektivität (OEE): Verfügbarkeit × Leistung × Qualität. Begriffe und Zerlegung gemäß ISO 22400-2.
• First Pass Yield (FPY): Anteil der Einheiten, die ohne Nacharbeit gut sind.
• Durchlaufzeit: Zeit von Auftragseinlastung bis Fertigmeldung (inkl. Wartezeiten).
• Bestandsgenauigkeit: Abweichung zwischen System- und Ist-Bestand in Prozent.

Datenanforderungen:

• Eindeutige IDs (Auftrag, Maschine, Schicht), präzise Zeitstempel (ISO 8601), explizite Einheiten (z.B. Minuten), definierte Granularität (z.B. Ereignis-Log vs. Aggregat je Schicht).
• Einheitliches Datenmodell (Stammdaten getrennt von Messdaten).
• Validierte Eingabe (Pflichtfelder, Wertebereiche, Dropdowns).

Beispiel: 8 Prozentpunkte scheinbar „bessere“ OEE – nur wegen Zeitformat

• Tatsächlich: 480 Minuten Planzeit, 60 Minuten Stillstand, 400 Gutteile, 40 Ausschuss, Takt 1 Minute.
• Normale OEE:
• Verfügbarkeit = (480 – 60) / 480 = 87,5 %
• Leistung = (400 + 40) / (480 – 60) = 92,3 %
• Qualität = 400 / (400 + 40) = 90,9 %
• OEE ≈ 73,5 %
• Excel-Fehler: Stillstand „0,6“ wird als 0,6 Minuten statt 0,6 Stunden (36 Minuten) interpretiert.
• Verfügbarkeit falsch = (480 – 36) / 480 = 92,5 %
• Folge-OEE ≈ 81,2 %

Entscheidungseffekt: Die Linie wirkt überperformant, Wartungsfenster werden verschoben – am Folgetag steigt Ausschuss. Ein reines Formatproblem hat reale Kosten.

Interpretation: Woran es wirklich liegt

• Semantikverlust: Excel speichert Werte, aber nicht deren Bedeutung (Einheit, Herkunft, Gültigkeit).
• Fehlende Validierung: Keine harten Plausibilitätsgrenzen und Typprüfungen.
• Gekoppelte Logik und Präsentation: Formeln und Visualisierungen in derselben Datei erschweren Tests und Reproduzierbarkeit.
• Kein Single Source of Truth: Mehrere Dateien widersprechen sich zwangsläufig.

Praxisnaher Gegenentwurf für KMU (30–90 Tage)

1. Minimal sauber mit Excel

• Dateneingabe-Tabellen mit Pflichtfeldern, Dropdowns, Bereichsvalidierung.
• Sperren Sie Formeln und Makros, separate Eingabe- vs. Berechnungsblätter.
• Einheitliche Vorgaben: Zeit immer in Minuten, Datum als ISO 8601 (YYYY-MM-DD), Dezimaltrennzeichen definieren.
• Datei-Governance: Versionierung (z.B. Datumspräfix), Schreibrechte, Backup-Regel.

2. Datenmodell etablieren

• Eine Rohdatenablage als CSV oder in einer kleinen relationalen Datenbank (z.B. SQLite/PostgreSQL).
• Tabellen: Ereignisse (Zeitstempel, Maschine, Code, Dauer), Mengen (Gut, Ausschuss), Stammdaten (Schichtkalender, Takte, Sollzeiten).
• Kein Rechnen in Rohdaten. Transformationen separat.

3. Automatisierte Validierung und Kennzahlberechnung mit Python

• Täglicher Lauf prüft Datentypen, Einheiten, Duplikate, Lücken — und schreibt saubere, nachvollziehbare Kennzahlen.

Beispielscript (ausbaufähig):

import pandas as pd
from datetime import datetime

df = pd.read_csv("schichtlog.csv") # Spalten: ts, maschine, event, dauer_min, gut, ausschuss, takt_min

## Basistypen prüfen

df['ts'] = pd.to_datetime(df['ts'], format='%Y-%m-%d %H:%M')
for col in ['dauer_min','gut','ausschuss','takt_min']:
df[col] = pd.to_numeric(df[col], errors='raise')

## Plausibilitätschecks

assert (df['dauer_min'] >= 0).all()
assert (df['takt_min'] > 0).all()

## Aggregation je Schicht und Maschine

def oee_from_rows(x):
plan_min = x['dauer_min'][x['event']=='plan'].sum()
still_min = x['dauer_min'][x['event']=='still'].sum()
output = x['gut'].sum() + x['ausschuss'].sum()
gut = x['gut'].sum()
avail = (plan_min - still_min) / plan_min if plan_min else 0
perf = (output * x['takt_min'].median()) / (plan_min - still_min) if plan_min > still_min else 0
qual = gut / output if output else 0
return pd.Series({'verfuegbarkeit':avail, 'leistung':perf, 'qualitaet':qual, 'oee':avail*perf*qual})

result = df.groupby(['maschine', pd.Grouper(key='ts', freq='8H')]).apply(oee_from_rows).reset_index()
result.to_csv("oee_schicht.csv", index=False)

• Vorteile: Reproduzierbarkeit, Audit-Trail (Version des Scripts), klare Trennung von Daten, Logik und Visualisierung.

4. Visualisierung und Reporting

• Frontend mit Power BI, Metabase oder einem leichten Dashboard (Plotly/Dash) auf den bereinigten Daten.
• Einheitliche Definitionen (z.B. OEE gemäß ISO 22400-2) im Datenmodell, nicht im Bericht.

5. Entscheidungsregeln und Lessons Learned

• Warnschwellen und Aktionen definieren (z.B. OEE < 65 % → Ursachenanalyse-Workshop binnen 24 h).
• Wöchentlicher Datenqualitätsbericht: Fehlende Felder, Ausreißer, Änderungslog.

6. Klare Ausstiegskriterien aus Excel

• Mehr als 5 gleichzeitige Nutzende, Daten > 100.000 Zeilen, taktische Entscheidungen in Echtzeit, oder externe Kollaboration = Migration zu Datenbank + Webformularen oder leichtgewichtigem Manufacturing Execution System sinnvoll. ⚙️

Schnelle Orientierung: typisches Symptom – Risiko – Gegenmaßnahme

Symptom	Risiko	Gegenmaßnahme
Unterschiedliche OEE je Datei	Falsche Entscheidungen	Single Source of Truth, automatisches Rechnen
Zeitwerte „0,5“ vs „0:30“	Systematische Verzerrung	Einheiten festlegen, Parser-Prüfungen
Kaputte externe Links	Unvollständige Daten	ETL-Pipeline, keine Links in Produktiv-Dateien
„Person X hat was geändert“	Keine Nachvollziehbarkeit	Schreibrechte, Änderungslog, Git für Skripte
Datei langsam/instabil	Datenverlust	DB-Backend, Trennung Logik/Visualisierung

Fazit

Excel kann viel, aber es ersetzt keine Datenplattform. Wer Kennzahlen nach anerkannten Standards erhebt und die Daten-Pipeline automatisiert, reduziert Diskussionen und erhöht Output, Qualität und Liefertreue. ✅ Der Weg dorthin ist für KMU machbar – mit klaren Definitionen, kleinen Tools und konsequenter Validierung.

Quellen

• ISO 22400-2: Automation systems and integration — Key performance indicators (KPIs) for manufacturing operations management — Part 2: Definitions and descriptions (2021), ISO 22400-2
• VDI 5600 Blatt 2: Manufacturing Execution Systems – Kennzahlen (2016-06), VDI 5600-2
• Panko, R. R.: What We Know About Spreadsheet Errors (2008), eusprig.org
• Microsoft Learn: Excel specifications and limits (Stand 2024), learn.microsoft.com

Lust auf einen kurzen Check Ihrer aktuellen Excel-Setups und Kennzahlen-Definitionen? Schreiben Sie mir – ich zeige praxisnah, wie Sie in wenigen Wochen auf sichere, belastbare Produktionsdaten umstellen. Fragen willkommen!

#DatenMitDenken #LemconTech #IngenieurbueroLemmerer #Produktion #DataScience #Excel #KMU #OEE