Forecasting Accuracy (Gastronomie)

#Definition

Forecasting Accuracy ist eine Qualitätskennzahl für Prognosen. Sie zeigt, wie verlässlich ein Vorhersagemodell den späteren Ist-Wert trifft. In der Gastronomie wird sie auf Tagesumsatz, Gästezahl, Stunden-Umsatz und Warenbedarf angewendet. Die häufigsten Metriken sind MAPE (Mean Absolute Percentage Error) und WAPE (Weighted Absolute Percentage Error). Accuracy entspricht in beiden Fällen 100 Prozent minus dem Fehlerwert.

Eine Accuracy von 85 Prozent bedeutet, dass das Modell im Schnitt 15 Prozent neben dem Ist-Wert lag. Ob das gut oder schlecht ist, hängt von Konzept, Aggregationsebene und Datenbasis ab. Ein QSR-Konzept mit gleichmäßigem Volumen erreicht typisch höhere Genauigkeit als eine Cocktailbar mit hoher Event-Sensibilität.

Forecasting Accuracy ist eng verwandt mit Demand Forecasting. Ohne Forecast keine Accuracy. Wer Schichten plant, Bestellungen auslöst oder Par-Level festlegt, arbeitet implizit mit Prognosen. Eine gemessene Accuracy macht diese Prognosen vergleichbar und verbesserbar.

#MAPE, WAPE und sMAPE im Vergleich

MAPE ist die meistgenutzte Fehlerkennzahl, weil sie intuitiv lesbar ist. Sie hat aber zwei Schwächen. Bei sehr kleinen Ist-Werten explodieren die prozentualen Abweichungen, was den Schnitt verzerrt. Außerdem ist MAPE bei Ist gleich Null undefiniert.

WAPE löst beide Probleme, indem es die Abweichungen volumengewichtet aggregiert. WAPE rechnet die Summe der absoluten Abweichungen geteilt durch die Summe der Ist-Werte. In Multi-Standort-Konzepten, in denen sehr kleine Standorte und sehr große Standorte gleichzeitig auftauchen, ist WAPE die robustere Kennzahl. Heptic Intelligence führt beide Werte parallel.

sMAPE (symmetric MAPE) ist eine seltener verwendete Variante, die Über- und Unterprognose gleich gewichtet. In der Gastronomie hat sie wenig Verbreitung, weil Operatoren typisch zwischen Überschuss und Mangel klar unterscheiden möchten. Wer beispielsweise plant, lieber etwas zu viel Personal zu haben als zu wenig, will Unter- und Überschätzung asymmetrisch sehen.

Eine vierte verwandte Kennzahl ist der Bias. Er misst nicht den absoluten Fehler, sondern die systematische Über- oder Unterschätzung. Ein Modell mit MAPE 12 Prozent kann gleichzeitig einen Bias von minus 8 Prozent haben, also strukturell zu niedrig prognostizieren. In der Praxis ist Bias ebenso wichtig wie MAPE. Eine Engine, die strukturell zu niedrig prognostiziert, produziert systematisch Unterbestellungen und Personalmangel.

#Praxisbeispiel

Eine Restaurantkette mit 12 Standorten in Bayern arbeitete jahrelang mit Bauchgefühl-Forecasts. Filialleiter schätzten Wochenende und Wochentage aus Erfahrung. Die durchschnittliche Tages-Accuracy lag bei rückblickender Messung auf MAPE 22 Prozent, also 78 Prozent Genauigkeit. In drei Standorten war sie deutlich schlechter, weil das Personal häufig wechselte und die Erfahrung mit dem Personal ging.

Nach Einführung eines automatisierten Forecasts mit 18 Monaten Historie, Wetter-Signal und Eventkalender erreichte das System nach 90 Tagen eine durchschnittliche Accuracy von 87 Prozent (WAPE 13). Die Personalkosten pro Servierter Mahlzeit sanken um 4,8 Prozent, weil weniger Übersetzungen in Randstunden anfielen. Der Wareneinsatz reduzierte sich an Wochenstartstagen um 6,2 Prozent, weil weniger Frischware verdarb.

Die Geschäftsführung führte zusätzlich einen wöchentlichen Backtest ein. Jeden Montag verglich das System den Forecast der letzten Woche mit dem Ist und zeigte pro Standort die Top-3-Abweichungsursachen. Filialleiter, deren Standort-Accuracy unter 75 Prozent fiel, bekamen automatisch ein Coaching-Modul mit den drei häufigsten Fehlerursachen.

#Hebel zur Verbesserung der Accuracy

Eine schwache Accuracy ist selten ein Modellproblem. In der Mehrheit der Fälle steckt eine Daten- oder Prozesslücke dahinter. Vier Hebel wirken in der Praxis am stärksten.

Der größte Hebel ist die Datenqualität an der Quelle. Sind die Kassenartikel sauber kategorisiert, sind Storno- und Korrekturbuchungen klar getrennt, werden Aktionen als solche gekennzeichnet. Wer eine 2-für-1-Aktion als regulären Verkauf bucht, verzerrt die Saisonalitätsschätzung dauerhaft.

Der zweite Hebel ist die Pflege des Eventkalenders. Lokale Vereinsfeste, Schulveranstaltungen, Konzerte und Sportveranstaltungen im Umkreis von zwei Kilometern beeinflussen den Standort messbar. Eine zentrale Datenbank, in der Filialleiter Events eintragen können, hebt die Accuracy um typisch drei bis fünf Prozentpunkte.

Der dritte Hebel ist die saubere Wetter-Anbindung. Ein API-Anschluss mit Wetterprognose für 7 Tage und historischer Wetterhistorie für 24 Monate ist Pflicht. Wer mit Pauschalannahmen arbeitet (Sommer warm, Winter kalt), übersieht die für die Gastronomie relevanten Schwellen, etwa der Sprung über 22 Grad an einem Frühlingstag, der den Außenbereich öffnet.

Der vierte Hebel ist die rollierende Backtest-Disziplin. Jede Woche misst das System die Forecast-Qualität der Vorwoche, identifiziert die größten Abweichungen und macht sie für das Operations-Team transparent. Ohne Backtest altert auch das beste Modell.

#Häufige Fehler

• Accuracy wird auf Aggregat-Ebene gemessen, Entscheidungen werden aber auf Stunden-Ebene getroffen. Die Zahl wirkt gut, die operative Realität bleibt ungenau.
• MAPE wird auf sehr kleinen Tagen berechnet. Schon kleine absolute Abweichungen erzeugen riesige Prozentwerte und verzerren den Schnitt. Hier ist WAPE die robustere Wahl.
• Sondertage wie Eröffnung, Schließung oder Renovierung bleiben im Datensatz. Sie ziehen den Schnitt nach unten und der Wert wird nicht steuerungsrelevant.
• Nur eine Periode wird gemessen statt rollierend über 8 bis 12 Wochen. Eine gute Woche täuscht über strukturelle Schwächen hinweg.
• Die Forecast-Qualität wird gemessen, aber niemand handelt darauf. Ohne Konsequenz im Operations-Team bleibt die Kennzahl folgenlos.

#So unterstützt Heptic

Die kontinuierliche Messung der Accuracy braucht keine eigene Data-Science-Abteilung. Heptic Intelligence berechnet die Forecasting Accuracy automatisch pro Standort, Konzept und Aggregationsebene. Die KI-Agents kennen MAPE und WAPE und zeigen pro Standort die wichtigsten Treiber der Abweichung. Sobald die Accuracy unter eine gesetzte Schwelle fällt, erhältst du eine Benachrichtigung mit den wahrscheinlichsten Ursachen, etwa Wetterumschwung, Event in der Nachbarschaft, Schichtwechsel oder unerwartete Storno-Konzentration. Die Zuordnung dieser Ursachen läuft automatisch, ohne dass jemand jeden Bericht manuell auswerten muss. So wird aus einer Kennzahl ein operativer Frühindikator. Wer die Prognose verbessert, verbessert in den Folgemonaten den Personaleinsatz und den Wareneinsatz ohne zusätzliches Personal in der Steuerung.

Formel

Branchenrichtwert

Häufige Fragen

Was ist eine gute Forecasting Accuracy in der Gastronomie?

Auf Tagesebene gelten 80 bis 90 Prozent als solide. Werte über 90 Prozent sind in der Gastronomie selten und meist nur in stabilen QSR-Konzepten mit hohem Volumen erreichbar. Auf Stundenebene liegt die Genauigkeit niedriger, typisch 65 bis 80 Prozent. Auf Wochenebene steigt sie und kann 92 bis 95 Prozent erreichen. Was gut ist, hängt vom Konzept und der Aggregationsebene ab.

Was ist der Unterschied zwischen MAPE und WAPE?

MAPE ist der durchschnittliche prozentuale Fehler pro Periode. WAPE gewichtet den Fehler nach Volumen und ist robuster bei stark schwankenden Tagen. WAPE rechnet Summe der absoluten Abweichungen geteilt durch Summe der Ist-Werte. In der Praxis nutzt Heptic WAPE für Umsatz-Forecasts, weil sehr kleine Tage sonst die MAPE-Statistik verzerren.

Wie verbessere ich die Genauigkeit meiner Prognose?

Vier Hebel wirken besonders stark. Mehr Datenhistorie über mindestens 12 Monate zur sauberen Saisonalitätserkennung. Externe Signale wie Wetter, Schulferien und lokale Events. Eventprotokoll im System statt im Kopf des Filialleiters. Schließlich regelmäßige Backtests, in denen das Modell gegen historische Wochen gespielt wird.

Auf welcher Ebene sollte ich Accuracy messen?

Auf der Ebene, auf der du Entscheidungen triffst. Wer Schichten plant, braucht Stunden-Accuracy. Wer Bestellungen tätigt, braucht Tages-Accuracy. Wer Personalbudgets festlegt, braucht Wochen-Accuracy. Eine gute Forecast-Engine liefert alle drei und zeigt pro Standort, wo die Schwächen liegen.

Zuletzt aktualisiert: Mai 2026