Operative FM-KPIs die wirklich zählen – und welche nur Papier produzieren

In einem meiner letzten Projekte habe ich ein KPI-Framework mit über 60 Kennzahlen aufgebaut. 60 Metriken, sauber definiert, mit Datenquellen, Berechnungsformeln und Zielwerten. Der Kunde hat sich zwölf davon angeschaut. Der Rest war teures Reporting-Theater.

Seitdem gilt für mich: Im operativen Facility Management zählen die KPIs, die tatsächlich Entscheidungen auslösen. Die Menge ist zweitrangig.

Das Problem mit den Standard-KPI-Listen

Jeder FM-Berater hat eine KPI-Liste. Die meisten enthalten die üblichen Verdächtigen: Reaktionszeit, Erstlösungsquote, Kundenzufriedenheit, Kostenquote pro Quadratmeter. Das klingt vernünftig. Im Reporting sehen diese Kennzahlen gut aus, zu konkreten Maßnahmen führen sie selten.

Ein Beispiel aus meiner Praxis im Industrial Plant Management: Wir haben monatelang die durchschnittliche Reaktionszeit auf Störmeldungen getrackt. Die Zahl war gut, im Schnitt unter vier Stunden, und alle waren zufrieden. Was die Zahl verschwiegen hat: Bei kritischen Anlagen lag die Reaktionszeit unter einer Stunde, bei unkritischen Nebengebäuden über zwölf Stunden. Der Durchschnitt hat genau die Unterschiede verdeckt, auf die es operativ ankommt.

Viele KPIs messen etwas und lösen trotzdem nichts aus. Sie füllen Monatsberichte, und niemand ändert deswegen sein Verhalten.

Welche KPIs tatsächlich Entscheidungen auslösen

Nach mehreren Baselining-Projekten und einem KPI-Framework, das sich in der Praxis bewährt hat, trenne ich Entscheidungs-KPIs und Reporting-KPIs. Ein Entscheidungs-KPI beantwortet eine konkrete Frage und führt zu einer Handlung. Verändert sich die Zahl, weiß der Objekt- oder Betriebsleiter sofort, was zu tun ist.

Die First-Time-Fix-Rate nach Anlagenklasse ist so ein KPI. Die Gesamtquote ist zu grob, deshalb schlüssele ich sie nach Anlagentyp auf: Wie oft wird eine Störung an der RLT-Anlage beim ersten Einsatz behoben, wie oft an der Kälteanlage, wie oft an der Elektroverteilung? Fällt die Quote bei Kälteanlagen plötzlich von 75 auf 55 Prozent, fehlt entweder Ersatzteilbestand oder das Technikerteam braucht Schulung. Beides löst eine konkrete Maßnahme aus.

Ein weiterer KPI, der zählt, ist die Kostenvarianz pro Gewerk gegenüber dem Baseline. Habe ich beim Baselining die Ist-Kosten pro Gewerk sauber erfasst und tracke monatlich die Abweichung, sehe ich sofort, wo Budgets aus dem Ruder laufen. Eine Gesamtabweichung wäre wieder zu grob, deshalb schaue ich auf Reinigung, technische Wartung, Sicherheitsdienst und Grünpflege einzeln. Ein Ausreißer bei der technischen Wartung im dritten Quartal sagt mir mehr als jeder Gesamtkostenbericht.

KPIs, die nur Zahlen produzieren

Einige KPIs habe ich aus meinen Reportings gestrichen, weil sie keinen Handlungsimpuls geben.

Dazu gehört die allgemeine Kundenzufriedenheit als einzelne Zahl. Eine 7,2 von 10: Was soll der Objektleiter damit anfangen? Die Zahl verrät nicht, ob das Problem die Reinigung ist, die Reaktionszeit oder die Kommunikation. Entweder man schlüsselt die Zufriedenheit nach Leistungsbereichen auf und macht sie damit operativ nutzbar, oder man lässt sie weg.

Dasselbe gilt für die reine Ticketanzahl pro Monat. 340 Tickets im Januar, 380 im Februar: gut oder schlecht? Ohne Kontext sagt die Zahl nichts. Relevanter ist die Ticketentwicklung pro Anlagenklasse im Zeitverlauf, kombiniert mit der Ausfallhäufigkeit. Dann erkenne ich Muster, etwa ob die Störmeldungen an einem bestimmten Anlagentyp systematisch steigen, bevor die Anlage ausfällt. Das ist operativ wertvoll, die Gesamtzahl ist es nicht.

Mein Ansatz: Weniger messen, besser entscheiden

In meinen aktuellen Projekten arbeite ich mit einem dreistufigen KPI-Modell.

Stufe 1 sind die Steuerungs-KPIs, fünf bis sieben Stück. Das Management sieht sie monatlich, sie zeigen, ob der Betrieb im Plan läuft und wenn nicht, wo. Beispiele sind die Kostenvarianz pro Gewerk, die First-Time-Fix-Rate nach Anlagenklasse, die SLA-Erfüllung nach Prioritätsstufe und die ungeplanten Ausfallstunden kritischer Anlagen.

Stufe 2 sind die Analyse-KPIs, zehn bis fünfzehn Stück. Sie kommen nur bei Auffälligkeiten in Stufe 1 ins Spiel und helfen, die Ursache zu finden: Ersatzteilverbrauch pro Anlage, Technikerauslastung nach Schicht, wiederkehrende Störungen nach Standort.

Stufe 3 sind die Basisdaten, beliebig viele. Das sind die automatisch erfassten Rohdaten wie Ticketdaten, Zeitstempel und Kostenbuchungen. Im Normalbetrieb schaut sie niemand aktiv an, sie müssen aber sauber sein, damit die oberen Stufen funktionieren.

Die Entscheider werden so nicht mit 60 Kennzahlen erschlagen. Sie sehen fünf bis sieben Steuerungs-KPIs und können bei Bedarf tiefer einsteigen. In der Praxis hat das die Akzeptanz des Reportings stark verbessert, weil die Zahlen plötzlich verständlich waren und direkt zu Gesprächen über Maßnahmen geführt haben.

Die Datengrundlage entscheidet alles

Der beste KPI ist wertlos, wenn die Datenqualität nicht stimmt. In meiner Erfahrung scheitern KPI-Projekte im FM zu 70 Prozent an der Datenbasis und nur zu 30 Prozent an der falschen KPI-Auswahl.

Bevor ihr ein KPI-Framework aufbaut, klärt drei Fragen. Woher kommen die Daten: CAFM, Excel, Papier? Wie aktuell sind sie: Echtzeit, täglich, monatlich? Wer pflegt sie ein, und hat diese Person einen Anreiz, das sorgfältig zu tun?

Lautet die Antwort auf die dritte Frage „der Techniker, der eh schon keine Zeit hat”, braucht ihr zuerst einen besseren Erfassungsprozess und erst danach ein KPI-Dashboard.

Mein konkreter Takeaway

Geht euer aktuelles FM-Reporting durch und fragt bei jeder Kennzahl: Hat diese Zahl in den letzten sechs Monaten eine konkrete Entscheidung oder Maßnahme ausgelöst? Wenn nein, streicht sie oder verschiebt sie in die Analyseschicht. Ein Reporting mit sieben KPIs, die alle gelesen und verstanden werden, ist hundertmal wertvoller als eines mit 60 Zahlen, über die niemand spricht.

Welche KPIs habt ihr gestrichen, und welche haben euch wirklich geholfen, bessere Entscheidungen zu treffen?