Qualitätskontrolle: Wer stabile Durchlaufzeiten und verlässliche Lieferfähigkeit erreichen will, muss Flow‑Physik bewusst in Governance, Planung und Ressourcenauslegung integrieren.

Qualitätskontrolle: Warum Labors in Pharma, Chemie und Life‑Science aktive Steuerung der Prozesse brauchen

Die wichtigsten Punkte:

• Analytische Qualitätskontrolllabore sind aus Sicht der Warteschlangentheorie dynamische Flusssysteme, in denen Probenbestände, Durchlaufzeiten und Durchsatz physikalisch eng miteinander verknüpft sind.​
• Little’s Law beschreibt diese Beziehung als einfachen Zusammenhang L = λ · W und macht sichtbar, dass jede Reduktion der Durchlaufzeit bei gegebenem Durchsatz mit einer Verringerung des Work in Process (WIP) einhergehen muss.​
• Kingmans Formel ergänzt dieses Bild um stochastische Effekte und zeigt, wie Auslastung und Variabilität die Wartezeiten vor Engpassressourcen überproportional ansteigen lassen; näherungsweise entspricht die mittlere Wartezeit dabei Variabilität × Auslastungsfaktor × mittlerer Bearbeitungszeit, wobei der Auslastungsfaktor durch U/(1–U) gegeben ist.​
• Praxisbeispiele (z.B. 60 Proben/Tag bei 2–3 Tagen TAT) verdeutlichen, wie Expressanalysen, Batch‑Anlieferungen oder fehlende WIP‑Limits die Systemparameter L, U und V – und damit die Laborleistung – direkt beeinflussen.​

Der Artikel zeigt, dass die Gestaltung dieser Parameter eine Führungs‑ und Systemdesignaufgabe für Laborverantwortliche ist: Wer stabile Durchlaufzeiten und verlässliche Lieferfähigkeit erreichen will, muss Flow‑Physik bewusst in Governance, Planung und Ressourcenauslegung des QC‑Labors integrieren.

Qualitätskontrolllabore in Pharma, Chemie und Life Sciences stehen unter permanentem Druck: steigende Probenzahlen, komplexere Methoden, ambitionierte Liefertermine und Kostenvorgaben bei strengen regulatorischen Anforderungen.​ Oft reagieren Organisationen mit lokalen Effizienzprogrammen und dem Ziel möglichst hoher Auslastung – die paradoxe Erfahrung ist jedoch, dass Durchlaufzeiten und deren Spitzen trotzdem hoch bleiben und Feuerwehreinsätze für „kritische“ Proben zunehmen.​ Little’s Law und Kingmans Formel machen deutlich, dass dies weniger ein Problem individueller Produktivität ist, sondern eine Folge der Systemdynamik des Labors – und liefern damit einen fundierten Rahmen, um Struktur‑ und Führungsentscheidungen an der zugrunde liegenden Flow‑Physik auszurichten.

Im Folgenden werden Turnaround Time (TAT), Lead Time und Durchlaufzeit synonym verwendet.

1. Little’s Law: Fundament der Flow-Physik

Little’s Law ist ein grundlegender Satz der Warteschlangentheorie und verknüpft drei Kenngrößen eines stationären Systems: den durchschnittlichen Bestand L, die mittlere Ankunftsrate λ und die mittlere Verweildauer W. Little’s Law lautet L = λ · W: Die langfristige mittlere Anzahl an Prüfaufträgen L ist gleich Ankunftsrate λ mal mittlere Verweildauer W.

Für ein Labor in der Qualitätskontrolle lassen sich diese Größen direkt interpretieren:

• L: Anzahl Proben im System (Warten, Vorbereitung, Messung, Auswertung)
• λ: durchgeführte Analysen/Tag (effektiver Durchsatz)
• W: Mittlere Verweildauer einer Probe vom Eintreffen im Labor bis zur Freigabe der Ergebnisse.

Ein einfaches Beispiel illustriert die Relevanz für die Qualitätskontrolle:

Bearbeitet ein Labor im Mittel 60 Proben pro Tag bei einer durchschnittlichen Verweildauer von 3 Tagen, folgt aus Little’s Law L = 60 ⋅ 3 = 180 Proben im System. Wird die mittlere Verweildauer bei gleichem Durchsatz auf 2 Tage gesenkt, reduziert sich der mittlere Bestand auf 120 Proben – eine Verringerung um 60 gleichzeitig „wartenden“ Proben ohne zusätzliche Kapazität.

Wesentlich sind die Annahmen: Das System muss stationär sein, d.h. Ankunfts- und Abgangsprozesse dürfen langfristig nicht divergieren, und die betrachteten Mittelwerte müssen existieren. Gerade in Qualitätskontrolllabors mit weitgehend repetitiven Routinen, bekannten Prüfplänen und relativ stabiler Nachfrage über Wochen bis Monate sind diese Voraussetzungen in der Praxis häufig gut erfüllt.

2. Kingmans Formel (VUT): Auslastung, Variabilität und Wartezeit

Während Little’s Law eine Identität zwischen Bestand, Durchsatz und Verweildauer liefert, beschreibt Kingmans Formel die mittlere Wartezeit vor einer Ressource unter realistischen, schwankenden Bedingungen.​

Sie bezieht sich auf ein Warteschlangen‑Modell mit allgemeinen Ankunfts‑ und Bearbeitungszeitverteilungen und genau einer Ressource (G/G/1‑System) – also genau auf die typische Situation, in der eine einzelne HPLC‑Linie oder ein bestimmtes Gerät unregelmäßige Probenzuflüsse mit unterschiedlich langen Analysedauern verarbeiten muss.​

Erläuterung: „General/General/1“ bzw. (G/G/1-System) bedeutet: Es wird keine spezielle Verteilung für Ankünfte oder Servicezeiten angenommen – Schwankungen sind ausdrücklich erlaubt und werden über einen Variabilitätsfaktor abgebildet. Genau dieses Bild entspricht der Realität vieler QC‑Engpässe: eine Warteschlange vor einem Gerät oder einem Team, das Eingangsspitzen, Expressanalysen und variable Analysenlängen bewältigen muss.

Die VUT‑Gleichung fasst die mittlere Wartezeit in der Schlange als Produkt dreier zentraler Einflussgrößen:

• der Variabilität im System (V),
• der Auslastung der Ressource (U),
• und der mittleren Bearbeitungszeit pro Auftrag (T).

Dabei beschreibt der Auslastungsfaktor, der aus U und (1–U) gebildet wird, den Verstärkungseffekt der Auslastung: Je näher die Auslastung an 100% heranrückt, desto stärker wachsen die Wartezeiten überproportional an.

Der Variabilitätsfaktor V wird häufig aus den Quadraten der Variationskoeffizienten von Ankunfts‑ und Bearbeitungszeit gebildet und fasst die stochastischen Schwankungen beider Größen in einer Kennzahl zusammen.

Für QC‑Laborumgebungen hat dies zwei zentrale Konsequenzen:

• Erstens zeigt der Auslastungsfaktor, dass Wartezeiten bei steigender Auslastung nicht linear, sondern überproportional zunehmen und sich nahe 100% Auslastung quasi asymptotisch verhalten.
• Zweitens verstärken höhere Schwankungen in Ankunfts‑ und Bearbeitungszeiten – etwa durch Batch‑Anlieferungen, häufige Prioritätswechsel oder stark heterogene Analysedauern – diesen Effekt direkt über den Variabilitätsfaktor.​

Ein exemplarischer Vergleich verdeutlicht die Größenordnung: Steigt die Auslastung einer kritischen HPLC‑Linie von 80% auf 95%, erhöht sich der zugehörige Auslastungsfaktor von etwa 4 auf etwa 19.​

Bei unveränderter Variabilität und gleicher mittlerer Bearbeitungszeit kann sich die mittlere Wartezeit damit um ein Mehrfaches verlängern – ohne dass sich Technologie, Methoden oder Teamleistung verändert hätten. Damit erklärt Kingmans Formel, warum in hoch ausgelasteten QC‑Laboren bereits kleinere Störungen oder zusätzliche, ungeplante Expressanalysen zu abrupten Spitzen bei TAT führen können.​

Kingmans Formel ist eine Approximation. Sie liefert besonders gute Ergebnisse bei stabilen Rahmenbedingungen, moderater Variabilität und First‑Come‑First‑Served‑Disziplin. In stark priorisierten Umgebungen, mit Abbrüchen oder mehreren parallelen Engpässen kann sie die tatsächlichen Wartezeiten nur grob annähern und sollte mit Vorsicht interpretiert werden.

3. Anwendung auf analytische QC‑Labore

Kombiniert man Little’s Law und Kingmans Formel, ergibt sich für QC‑Labore ein konsistentes physikalisches Bild der Prozessdynamik.

Little’s Law verknüpft TAT, Durchsatz und Probenbestand und erlaubt so, Zielgrößen für Work in Process (WIP) und Lead Time herzuleiten, während Kingman hilft zu verstehen, welche Rolle Auslastung und Variabilität auf Wartezeiten und damit auf die beobachtete TAT spielen.

Typische Stellhebel im Labor lassen sich sauber zuordnen:

• WIP‑Limits und Beschränkung paralleler Aufträge adressieren direkt L und damit die Durchlaufzeiten über Little’s Law.
• Kapazitätsplanung und bewusste Begrenzung der Ressourcenauslastung (z.B. 75–85% statt 95–100%) reduzieren den Auslastungsfaktor U/(1−U) in Kingmans Formel.
• Maßnahmen zur Variabilitätsreduktion – standardisierte Prüfpläne, geglättete Anlieferungen, klare Regeln für Priorisierungen – verringern den Variabilitätsfaktor V.

In der Praxis bedeutet dies: Ein QC‑Labor, das alle Proben „sofort annimmt“, Ressourcen permanent an die Kapazitätsgrenze fährt und häufig Express‑Anfragen dazwischenschiebt, erzeugt strukturell hohes WIP (L), hohe Auslastung (U) und hohe Variabilität (V).

Die Folge sind systematisch lange und volatile TAT, die sich nicht durch Einzelmaßnahmen wie zusätzliche Meetings oder strengere Überwachung beheben lassen, sondern eine Anpassung der Systemparameter erfordern.

4. Führungsaufgabe: Systemdesign und aktive Steuerung statt individueller Leistung

Aus wissenschaftlicher Sicht machen Little’s Law und Kingmans Formel deutlich, dass die beobachtete Leistung eines Qualitätskontrolllabors vor allem durch Systemdesign und weniger durch individuelles Verhalten bestimmt wird.

Führungskräfte entscheiden über zulässiges WIP, Zielauslastung, Planung von Anlieferungen und Priorisierungslogiken – und damit über die zentralen Parameter L, U und V, die die Durchlaufzeit dominieren.

Statt Verspätungen primär mit „mehr Einsatz“ oder punktuellen Effizienzprogrammen zu adressieren, ist es aus Flow‑Physik‑Perspektive zielführender, explizite Designentscheidungen zu treffen:

• Definition kritischer WIP‑Niveaus, die den maximalen Durchsatz mit minimaler TAT verbinden.
• Festlegung von Zielauslastungen für Engpassressourcen, die ausreichend Puffer für Variabilität lassen.
• Gestaltung robuster Steuerungsmechanismen, die Variabilität begrenzen und dennoch regulatorische Anforderungen erfüllen.

Damit wird das Management von TAT in der Qualitätskontrolle zu einer bewussten Führungsentscheidung auf Basis gut etablierter Modelle der Warteschlangentheorie – und nicht zu einer reinen Frage operativer Disziplin.

Quellen:

Vgl. Little, J. D. C. (1961): A Proof for the Queuing Formula L = λW, Operations Research 9(3), 383–387; Little, J. D. C. (2011): Little’s Law as Viewed on Its 50th Anniversary, Operations Research 59(3), 536–549; Kingman, J. F. C. (1961): The Single Server Queue in Heavy Traffic, Mathematical Proceedings of the Cambridge Philosophical Society 57(4), 902–904.