Smart-Factory-Lösungen für Fertigung und Lieferkette.
Bessere Entscheidungen entstehen dort, wo Daten Zusammenhänge sichtbar machen.

Manufacturing Intelligence bezeichnet die Zusammenführung und Auswertung von Produktions-, Qualitäts- und Planungsdaten zu einem gemeinsamen Gesamtbild. Daten aus MES, ERP, Messtechnik und Excel-Listen werden verknüpft, sodass Kennzahlen wie OEE, Ausschussquote oder Prozessfähigkeit laufend sichtbar werden. Ziel ist Transparenz in der Fertigung als Grundlage für eine datengetriebene Produktion: schnellere Entscheidungen, weniger Stillstände, stabilere Qualität. metrologx bindet dafür vorhandene Datenquellen an, statt bestehende Systeme zu ersetzen.

Ein MES (Manufacturing Execution System) steuert und überwacht die Produktion auf Shopfloor-Ebene: Aufträge, Maschinenzustände, Mengen, Zeiten und Qualitätsdaten in Echtzeit. Der Unterschied zwischen MES und ERP liegt in Zeithorizont und Detailtiefe. Das ERP plant Aufträge, Material und Kapazitäten über Tage und Wochen, das MES setzt diese Pläne im Minutentakt um und meldet den Ist-Zustand zurück. Bei der Auswahl einer MES-System-Software zählen offene Schnittstellen, modularer Aufbau und Betrieb als SaaS.

Der OEE (Overall Equipment Effectiveness, Gesamtanlageneffektivität) zeigt, welcher Anteil der geplanten Produktionszeit tatsächlich in Gutteile umgesetzt wird. Die OEE-Formel lautet: OEE = Verfügbarkeit x Leistung x Qualität. Die Verfügbarkeit erfasst Stillstände, die Leistung Geschwindigkeitsverluste, die Qualität Ausschuss und Nacharbeit. Ein OEE von 85 Prozent gilt als Spitzenwert, viele Fertigungen liegen deutlich darunter. Voraussetzung für einen belastbaren Wert ist eine automatische Maschinen- und Betriebsdatenerfassung statt geschätzter Zeiten.

Supply Chain Intelligence bezeichnet die datenbasierte Steuerung der Lieferkette: Bestellungen, Lieferabrufe, Lieferavise, Bestände und Rechnungen werden digital ausgetauscht, zentral erfasst und in Kennzahlen übersetzt. Anders als klassisches Supply Chain Management, das Planung und Organisation umfasst, liegt der Fokus auf Transparenz und Auswertung: Wo stockt es, welcher Lieferant liefert verspätet, wo entstehen manuelle Eingriffe. Grundlage ist ein automatisierter elektronischer Datenaustausch (EDI) mit Kunden und Lieferanten.

EDI (Electronic Data Interchange, elektronischer Datenaustausch) ist der standardisierte, automatische Austausch von Geschäftsdokumenten zwischen den IT-Systemen von Geschäftspartnern. Bestellungen, Lieferabrufe, Lieferscheine und Rechnungen werden nicht als PDF oder Fax verschickt und manuell erfasst, sondern direkt von ERP zu ERP übertragen, in einem festgelegten Format wie EDIFACT oder VDA. Der Empfänger verarbeitet die Nachricht ohne Medienbruch weiter. In Automobilindustrie, Handel und Logistik ist EDI seit Jahrzehnten Standard.

Die wichtigsten EDI-Vorteile sind Geschwindigkeit, Fehlerfreiheit und Nachvollziehbarkeit. Daten werden nicht abgetippt, sondern maschinell übernommen, wodurch Erfassungsfehler, Rückfragen und Verzögerungen entfallen. Prozesse wie Order-to-Cash laufen schneller, Rechnungen werden früher bezahlt, Lieferabrufe sind sofort im System. Gegenüber Lieferantenportalen, in denen Mitarbeitende Daten manuell eintragen, entfällt die doppelte Pflege. Zudem ist jeder Nachrichtenaustausch protokolliert, was Audits und Reklamationsfälle vereinfacht.

Process Consulting & AI bezeichnet die Verbindung von Prozessberatung und Künstlicher Intelligenz für produzierende Unternehmen. Der Grundsatz: KI macht schlechte Prozesse nicht besser, sondern nur schneller schlecht. Deshalb steht am Anfang eine Digitalisierungsberatung für die Produktion, die Datenflüsse, Verantwortlichkeiten und Abläufe ordnet, bevor Technologie eingeführt wird. Darauf aufbauend werden KI-Use-Cases identifiziert, bewertet und umgesetzt, von der Potenzialanalyse über Pilotprojekte bis zum Produktivbetrieb.

Bewährte KI-Use-Cases in der Produktion liegen dort, wo viele Daten anfallen und Entscheidungen wiederkehren: Predictive Quality, Anomalieerkennung in Prozess- und Messdaten, Predictive Maintenance, visuelle Prüfung mit Bilderkennung, automatische Ursachenanalyse bei Abweichungen, Prognosen für Bedarfe und Bestände sowie die Optimierung von Rüstreihenfolgen. Machine Learning in der Fertigung lohnt sich vor allem bei hoher Variantenvielfalt oder teurem Ausschuss. Der beste Einstieg ist selten der spektakulärste Use Case, sondern der mit vorhandenen Daten.

KI-Use-Cases zu identifizieren beginnt nicht bei der Technologie, sondern bei den Prozessen: Wo entstehen Kosten durch Ausschuss, Stillstand, manuelle Arbeit oder späte Entscheidungen? Wo liegen bereits Daten vor, die heute nicht genutzt werden? Daraus entsteht eine Longlist, die nach Nutzen, Datenverfügbarkeit, Aufwand und Risiko bewertet wird. Übrig bleiben zwei bis drei Kandidaten für einen Piloten. Eine strukturierte KI-Potenzialanalyse oder ein KI-Workshop mit Fach- und IT-Seite liefert das Ergebnis in wenigen Tagen.