Im Zuge der fortschreitenden Digitalisierung sehen sich produzierende Unternehmen mit stetig wachsenden Datenmengen konfrontiert, um ihre Geschäftsprozesse zu optimieren, ein besseres Verständnis für Kundenanforderungen zu entwickeln und Produkte sowie Dienstleistungen kontinuierlich zu verbessern. Die Notwendigkeit, Daten effektiv zu erfassen, zu speichern, zu analysieren und für datenbasierte Entscheidungen zu nutzen, ist hierfür essenziell. Obwohl diese theoretisch umfangreichen Datenmengen zur Verfügung stehen, fällt es vielen Unternehmen schwer, das analytische Potenzial ihrer Daten auszuschöpfen und daraus einen Wettbewerbsvorteil zu generieren. Vor diesem Hintergrund stellen sich die Fragen, welche Faktoren den erfolgreichen Einsatz von Datenanalysen in produzierenden Unternehmen beeinflussen und welches Potenzial sich aus dem aktuellen Status quo für die Zukunft ergibt. Aufbauend auf einer im Jahr 2016 durchgeführten Studie (Groggert, S., Wenking, M., Schmitt, R. H., Friedli, T.: Status quo and future potential of manufacturing data analytics – an empirical study. 2017 IEEE International conference on industrial engineering and engineering management (IEEM), S. 779–783 (2017) [1]) wurden in der repräsentativen Folgestudie „Manufacturing Data Analytics 2023“ insgesamt 154 Personen aus 125 produzierenden Unternehmen der DACH-Wirtschaftsregion befragt. Der Beitrag bietet Einblicke in datenbasierte Analyseprozesse bis hin zu strategischen Auswirkungen auf die Produktion. Die gewonnenen Erkenntnisse liefern wertvolle Informationen, um die Herausforderungen der Datenverarbeitung anzugehen und die Potenziale der Datenanalyse effektiver zu nutzen. Insbesondere fällt auf, dass die Herausforderungen in der Datenerfassung, -verarbeitung und -nutzung nach wie vor bestehen. Defizite in der Datenstandardisierung und -verfügbarkeit werden als Hauptgründe hierfür genannt. Weiterhin zeigen die empirischen Ergebnisse, dass die meisten Unternehmen Schwierigkeiten haben, die aus den Ergebnissen der Datenanalysen abgeleiteten Optimierungspotenziale erfolgreich umzusetzen. Dies liegt häufig an Problemen im gesamten Datenanalyseprozess.