Demand Forecasting Gastronomie

#Definition

Demand Forecasting in der Gastronomie ist die statistische oder modellbasierte Vorhersage künftiger Nachfrage. Vorhergesagt werden meist drei Größen. Gästeaufkommen pro Zeitraum, Umsatz pro Zeitraum und Warenbedarf nach Artikel. Aus diesen Größen leiten Operations-Teams Schichtbesetzung, Bestellmengen und Vorbereitungstiefe ab.

Die zentrale Eingangsgröße ist die historische Verkaufsdatenbasis aus dem Kassensystem. Sie wird durch Kontextdaten ergänzt. Wochentag, Uhrzeit, Schulferien und Feiertage im jeweiligen Bundesland, Wetterprognose, lokale Events und eigene Marketing-Aktionen. In Multi-Standort-Betrieben rechnet das Modell pro Standort, weil saisonale Muster und Event-Sensibilität lokal variieren.

Demand Forecasting hängt eng mit der gemessenen Forecasting Accuracy zusammen. Ein Forecast ohne kontinuierliche Genauigkeitsmessung ist kein Steuerungsinstrument, sondern eine Annahme. Eine seriöse Engine liefert immer beides. Die Prognose und die rollierende Accuracy für die jeweilige Aggregationsebene.

#Welche Modelle in der Praxis verwendet werden

In der Gastronomie haben sich vier Modellfamilien etabliert. Klassische Zeitreihen wie ARIMA und Holt-Winters eignen sich für stabile Tagesumsätze ohne starke Event-Treiber. Sie sind robust, leicht erklärbar und gut für kleinere Standorte mit kurzer Historie.

Saisonale Naive-Modelle nutzen einfache Wiederholungslogik. Der Sonntag dieser Woche wird auf den Sonntag der Vorwoche projiziert, mit Trend-Korrektur. Diese Modelle sind erstaunlich gut als Baseline und dienen oft als Referenz für die Bewertung komplexerer Engines.

Gradient-Boosting-Modelle wie XGBoost oder LightGBM kombinieren historische Verkaufsdaten mit Kontextvariablen (Wetter, Events, Ferien). Sie liefern in Multi-Standort-Setups typisch die besten Ergebnisse, brauchen aber sauberes Feature-Engineering und mindestens 12 Monate Historie pro Standort.

Neuronale Netze wie LSTM oder Temporal-Fusion-Transformer kommen bei sehr großen Konzepten mit vielen hunderten Standorten zum Einsatz. Sie können Muster über mehrere Standorte hinweg lernen und auch für Cold-Start-Filialen Forecasts erzeugen. Aufwand für Wartung und Erklärbarkeit ist deutlich höher als bei Gradient Boosting.

Welches Modell besser ist, hängt von Größe, Datenqualität und Komplexität ab. Heptic nutzt in der Standardkonfiguration eine Gradient-Boosting-Engine mit standortspezifischen Modellen und globalem Backbone. Für sehr kleine Standorte greift automatisch ein saisonal-naiver Fallback, bis genug Historie für das komplexere Modell vorliegt.

#Praxisbeispiel

Eine deutsche Restaurantkette mit 18 Standorten und einem Konzeptmix aus Burger, Bowls und Café-Format steuerte ihre Schichten manuell auf Basis der Vorwoche. Filialleiter bekamen freitags den Plan für die kommende Woche und passten ihn bei Wetterumschwung kurzfristig an. Personalkosten lagen im Schnitt bei 33,8 Prozent vom Umsatz, mit hoher Streuung zwischen den Standorten.

Nach Einführung eines stündlichen Demand Forecasts mit 24 Monaten Historie, Wetter-API, Schulferienkalender und lokaler Event-Datenbank verkürzte sich die Reaktionszeit auf neue Informationen. Schichtpläne wurden 10 Tage im Voraus auf Stundenebene generiert und 36 Stunden vor Schichtbeginn final justiert. Die Personalkostenquote sank in 14 von 18 Standorten innerhalb von vier Monaten um 1,5 bis 2,8 Prozentpunkte. Drei Standorte zeigten keine Verbesserung, weil ihre Datenqualität in der Kassensoftware lückenhaft war. Diese Standorte wurden vor dem Forecast-Rollout sauber nachzogen.

Parallel nutzte das Operations-Team den Tages-Forecast für Bestellungen. Frischeprodukte wurden zwei Tage im Voraus bestellt, Mengen pro Produktgruppe automatisch vorgeschlagen. Verderb auf Par-Level sank um 17 Prozent gegenüber dem Vorjahr.

#Anwendungsfelder im Multi-Standort-Betrieb

Demand Forecasting ist kein Selbstzweck, sondern Input für andere Prozesse. Drei Anwendungsfelder dominieren in der Gastronomie.

Bei der Schichtplanung wird der Stunden-Forecast zur Grundlage für die Personalbesetzung. Eine moderne Workforce-Lösung übersetzt den Forecast in benötigte Stundenkapazität pro Position (Service, Küche, Theke) und gleicht sie gegen die verfügbaren Mitarbeiter ab. Filialleiter sehen den Plan auf Stundenebene und können bei kurzfristigen Wetteränderungen anpassen.

Beim Einkauf liefert der Tages- und Wochen-Forecast die Mengenbasis für Bestellungen. Frischeprodukte werden zwei bis drei Tage im Voraus auf Basis des Forecasts bestellt, Trockenware in größeren Intervallen. Der Forecast fließt in die Berechnung von Par-Level ein und sorgt dafür, dass die Bestellmengen weder zu Verderb noch zu Out-of-Stock führen.

In der Marketing- und Promotion-Planung wird der Forecast zur Bewertungsgrundlage. Welche Aktion bringt zusätzlichen Umsatz und welche nur Verschiebung. Wer den Forecast ohne Aktion als Baseline kennt, kann den Effekt einer 2-für-1-Aktion oder eines Rabatt-Specials sauber messen. Ohne diese Baseline bleibt jede Kampagnen-Bewertung Bauchgefühl.

#Häufige Fehler

• Forecast wird nur auf Tagesebene gefahren, Schichten aber auf Stundenebene besetzt. Die feinere Ebene fehlt und Übersetzungen entstehen in Randstunden.
• Wetterdaten werden geladen, aber nicht standortgenau zugeordnet. Ein Standort an der Nordsee hat andere Wettermuster als einer in Wien.
• Events werden nur zentral gepflegt. Lokale Vereinsfeste, Schulveranstaltungen oder Konzerte in unmittelbarer Nachbarschaft fehlen und das Modell unterschätzt einzelne Tage.
• Aktionen und Marketingkampagnen fließen nicht ins Modell ein. Wenn eine 2-für-1-Aktion läuft, weicht der Forecast strukturell ab.
• Modell wird einmal aufgesetzt und nie nachjustiert. Ohne regelmäßige Backtests altert die Genauigkeit, bis sie nicht mehr steuerungsrelevant ist.

#Datenqualität als Voraussetzung

Demand Forecasting ist nur so gut wie die Daten, auf denen es aufsetzt. Drei Bereiche entscheiden über die Qualität.

Die Kassendaten müssen sauber kategorisiert sein. Jeder Artikel hat eine eindeutige Warengruppe, Stornos sind getrennt von Verkäufen, Rabatte und Aktionen sind gekennzeichnet. Wer Daten direkt aus einer veralteten Excel-basierten Auswertung lädt, kommt nicht weit. Saubere POS-Anbindung über zertifizierte Schnittstellen ist die Grundlage.

Die Kontextdaten brauchen Pflege. Eventkalender, Aktionen, Schließtage und Sonderöffnungszeiten müssen dort stehen, wo das System sie findet. Manche Konzepte führen diese Daten in drei verschiedenen Tools, was die Forecast-Qualität sofort zieht. Eine zentrale Pflege im Operations-Backend ist Voraussetzung.

Die historische Tiefe muss stimmen. Saisonalitätserkennung braucht 12 bis 24 Monate Daten. Bei kürzerer Historie greifen Fallback-Modelle, die weniger genau sind. Bei Eröffnungen ist daher mit niedrigerer Genauigkeit in den ersten Monaten zu rechnen.

#So unterstützt Heptic

Heptic Intelligence generiert pro Standort einen täglichen Forecast auf Stunden- und Tagesebene. Die KI-Agents kombinieren historische Verkaufsdaten aus deinem Kassensystem mit Wetter, Feiertagen und gepflegtem Eventkalender. Der Forecast fließt automatisch in Heptic Workforce für die Schichtplanung und in das Bestell-Modul für Frischware. Du brauchst keinen Data-Scientist im Haus. Die Modelle laufen vorkonfiguriert, mit konzeptspezifischen Defaults für QSR, Vollservice, Café und Bar. Filialleiter sehen den Forecast in der gewohnten Oberfläche und können lokale Sondereinflüsse einpflegen, ohne das Grundmodell zu verändern. Die Forecasting Accuracy wird automatisch mitgeführt und ist Teil der Standort-Reports.

Häufige Fragen

Was unterscheidet Demand Forecasting auf Stunden- und Tagesebene?

Tagesforecasts steuern Bestellungen, Vorbereitung und grobe Personalbudgets. Stundenforecasts steuern die konkrete Schichtbesetzung, die Mise-en-place-Mengen und die Öffnungszeiten der Küche. Auf Stundenebene sind Wetter, Lokal-Events und Tagesform deutlich stärker als auf Tagesebene. Die Modelle sind technisch unterschiedlich. Tagesmodelle nutzen oft klassische Zeitreihen, Stundenmodelle Machine Learning mit höherer Frequenz.

Welche Inputs braucht ein gutes Forecast-Modell?

Historische Verkaufsdaten über mindestens 12 Monate, Wochentag und Uhrzeit, Schul- und Feiertagskalender für das Standortland, Wetterprognose, lokale Events wie Konzerte oder Messen, eigene Aktionen und Marketing-Kampagnen. Bei Multi-Standort-Betrieben kommen pro Standort eigene saisonale Muster dazu. Ein Standort in der Skiregion folgt anderen Mustern als ein Standort im Bürobezirk.

Wie umgeht das Modell mit Eröffnungen oder Sonderfällen?

Standorte ohne ausreichende Datenhistorie werden in einer Cold-Start-Phase über Vergleichsstandorte modelliert. Konzepte mit ähnlicher Größe, Region und Sortiment dienen als Referenz. Sonderfälle wie Renovierung, Streik oder Tag der Eröffnung werden im System als Ausreißer markiert und fließen nicht in die Saisonalitätsschätzung ein.

Wie schnell wird ein Forecast in der Gastronomie genau?

Nach 4 bis 8 Wochen sauberer Datenerfassung erreicht ein Modell typisch 70 bis 80 Prozent Accuracy auf Tagesebene. Nach 6 Monaten und einer kompletten Saison liegt die Genauigkeit oft bei 82 bis 88 Prozent. Stundenmodelle brauchen länger, weil Muster pro Stunde weniger Beobachtungen haben. Bei Eröffnungen ist Geduld nötig. Vor 90 Tagen ist die Prognose tendenziell weicher.

Zuletzt aktualisiert: Mai 2026