ki-personalplanung.de

Forecasting-Methoden für Restaurants

Von einfachen Wochendurchschnitten bis zu KI-Modellen, die Wetter, Ferien und Events einbeziehen — Forecasting-Methoden für Restaurants unterscheiden sich erheblich in Genauigkeit und Aufwand. Welche Methode sinnvoll ist, hängt vom Datenbstand und der Unregelmäßigkeit des Aufkommens ab. Dieser Artikel erklärt die wichtigsten Verfahren und zeigt, wann sich komplexere Modelle tatsächlich lohnen.

Grundlagen und Fehlermaße

Forecasting im Restaurant erzeugt für jede Stunde des Planungshorizonts einen Erwartungswert für Gäste oder Umsatz. Die Grundlage sind bonierte Verkäufe je Stunde, ergänzt um Kontexttreiber. Gemessen wird die Qualität über den Prognosefehler, meist als MAPE (Mean Absolute Percentage Error) — der mittlere prozentuale Abstand zwischen Prognose und tatsächlichem Wert. Ein MAPE von 15 % bedeutet, dass die Prognose im Schnitt 15 % neben dem realen Aufkommen liegt.

In der Personalplanung ist WMAPE (Weighted MAPE) oft aussagekräftiger, weil es Stunden mit hohem Aufkommen stärker gewichtet. Ein Fehler von 30 % in einer Stunde mit 20 Gästen ist betrieblich relevanter als 30 % in einer Stunde mit 3 Gästen. Typische Fehlerbereiche in der Gastronomie liegen zwischen 8 % (KI, ausreichend Daten) und 25 % (naive Verfahren an Stoßtagen).

Naive Verfahren und gleitende Durchschnitte

Naive Verfahren sind die einfachste Klasse. Sie nehmen an, dass die kommende Periode wie eine vergangene Periode aussieht:

Die Grenze dieser Verfahren: Sie reagieren nicht auf veränderte Treiber. Ein Freiertag, der auf einen Wochentag fällt, an dem er im Vorjahr lag, wird falsch abgebildet; ein Wetterumschwung bleibt unbeachtet. Für Betriebe mit stabiler Woche und geringer Saisonalität genügen sie, für stoßgetriebene Systemgastronomie reichen sie nicht.

Exponentielle Glättung

Die exponentielle Glättung gewichtet neuere Beobachtungen stärker als ältere. Das Holt-Winters-Verfahren ergänzt einen Trend- und einen Saisonalitätsfaktor und ist in der Praxis der häufigste statistische Ansatz für Gastro-Zeitreihen:

Praxisfehler (MAPE) liegen bei 12–18 %, wenn mindestens 12 Monate Daten vorliegen. Der Vorteil ist die Anpassungsfähigkeit: Ein Trend wird erkannt, die Saisonalität wird periodisch nachgeführt. Der Nachteil: Externe Treiber wie Wetter oder Events fließen nicht ein. Holt-Winters ist der Standardansatz, wenn KI nicht verfügbar ist oder Datenbasis zu klein für maschinelles Lernen.

ARIMA und Saisonalitätsmodelle

ARIMA (AutoRegressive Integrated Moving Average) modelliert Autokorrelationen in der Zeitreihe — also den Einfluss vergangener Stunden auf die kommende. Die Erweiterung SARIMA fügt saisonale Terme hinzu. ARIMA-Modelle übertragen die Stoßzeitstruktur einer Woche auf die nächste präziser als gleitende Durchschnitte, scheitern aber an nichtlinearen Einflüssen (Wetter, Events).

Typischer MAPE in der Gastronomie: 10–16 %. Der Aufwand ist höher als bei Holt-Winters, weil Parameter (p, d, q) geschätzt und regelmäßig neu kalibriert werden müssen. Für Betriebe mit klaren Wochenmustern und mehreren Standorten, die ähnlich laufen, ist SARIMA ein solider Mittelweg zwischen Statistik und KI.

KI-gestützte Forecasting-Verfahren

KI-Modelle verarbeiten zusätzlich zu den historischen Verkäufen externe Treiber. Die in der Gastronomie eingesetzten Ansätze sind:

Der zentrale Mehrwert von KI liegt nicht in der reinen Fehlerminimierung, sondern in der stationsbezogenen Prognose: Anstatt nur Gäste pro Stunde vorherzusagen, wird der Bedarf je Station (Küche, Ausgabe, Service, Kasse) und Stunde berechnet. Das ist die Schnittstelle zur Stationsoptimierung.

Methodenvergleich mit Praxiswerten

Die folgende Übersicht zeigt die Verfahren im Vergleich. Die Fehlerwerte sind typische Bereiche aus Mittel- und Systemgastronomie mit mindestens 12 Monaten Daten:

Ursache-Wirkung: Treiber und Prognosefehler

Der Prognosefehler sinkt, wenn die Treiber erfasst werden, die das Aufkommen tatsächlich steuern. Die Ursache-Wirkungs-Beziehung ist nachvollziehbar:

Ein Restaurant am Stadtrand hat an Samstagen 280 Gäste, an Werktagen 140. Ein naives Vorwochensignal liefert an Samstagen eine Prognose von 280 — korrekt. Fällt der nächste Samstag aber auf den ersten Ferientag, steigt das Aufkommen auf 360. Das Naiv-Modell liegt 22 % daneben, weil es den Treiber „Ferienbeginn" nicht kennt. Holt-Winters mit Saisonalität liegt ähnlich daneben. Ein KI-Modell mit Ferienmerkmal liefert eine Prognose von 345 — Fehler 4 %. Der Fehlerdifference von 18 Prozentpunkten entsteht ausschließlich daraus, dass ein einziger Treiber in das Modell aufgenommen wurde.

Umgekehrt gilt: Ein Modell mit vielen Treibern, die keinen tatsächlichen Einfluss haben, verschlechtert die Prognose (Überanpassung). Deshalb wird in der Praxis mit Merkmalsselektion gearbeitet — nur Treiber mit nachgewiesenem Einfluss bleiben im Modell.

Methodenwahl im Betrieb

Die Methodenwahl folgt Datenbasis, Betriebsgröße und Stoßzeitprofil:

  1. Unter 6 Monate Daten: Gleitender Durchschnitt plus manuelle Korrektur für Events. MAPE 20–25 % ist realistisch.
  2. 6–12 Monate Daten: Holt-Winters, sobald genug Wochen für eine Saisonschätzung vorliegen.
  3. 12–24 Monate Daten, einzelner Standort: SARIMA oder Gradient Boosting mit Wochentag, Wetter, Ferien.
  4. Über 24 Monate Daten, mehrere Standorte: Neuronale Netze oder hybride Modelle mit standortspezifischen Merkmalen.

Die Prognose ist nur der erste Schritt. Aus dem erwarteten Gästeaufkommen je Stunde wird über die Stationsdurchsatzrate der Personalbedarf abgeleitet und in einen Schichtplan übersetzt. Eine gute Prognose mit schlechter Stationsbesetzung verpufft; umgekehrt hilft auch die beste Besetzung nicht, wenn die Prognose um 25 % danebenliegt. Beides muss zusammen betrachtet werden.

Häufige Fragen

Welche Forecasting-Methode ist die beste für Restaurants?

Es gibt keine universell beste Methode. Für Betriebe mit wenig Daten genügen gleitende Durchschnitte oder exponentielle Glättung (Fehler 15–25 %). Ab 12–24 Monaten Daten und mehreren Treibern liefern KI-Modelle die höchste Genauigkeit (Fehler 8–15 %).

Wie viel historische Daten braucht Restaurant Forecasting?

Statistische Verfahren brauchen mindestens 8–12 Wochen, um Saisonalität zu erkennen. Zuverlässige KI-Modelle benötigen 12–24 Monate Verkaufsdaten pro Standort, da sie wiederkehrende Jahresmuster lernen.

Was ist der Unterschied zwischen MAPE und WMAPE?

MAPE ist der mittlere prozentuale Fehler je Prognosewert. WMAPE gewichtet den Fehler nach Volumen — Stunden mit vielen Gästen zählen stärker. Für die Personalplanung ist WMAPE aussagekräftiger, weil ein Fehler in der Stoßzeit mehr Personalwirkung hat als in einer ruhigen Stunde.

Warum versagen naive Verfahren an Wochenenden?

Naive Verfahren übernehmen den Wert der Vorwoche oder des Vortags. An Wochenenden ändert sich das Gästeaufkommen aber stark gegenüber Werktagen. Ohne Wochentags- und Saisonalitätskorrektur liegen diese Verfahren an Samstagen oft 30–50 % daneben.

Lohnt sich KI-Forecasting für ein Einzelrestaurant?

Ab etwa 150 Sitzplätzen und ausgeprägten Stoßzeiten lohnt sich KI-Forecasting, weil die Personalkosten einer Fehlbesetzung die Softwarekosten übersteigen. Für kleine Betriebe unter 80 Plätzen reicht oft eine saisonbereinigte gleitende Durchschnittsbetrachtung.

Welche externen Treiber verbessern die Prognose?

Wetter (Außengastronomie, Getränkeanteil), Ferien- und Feiertage, Großevents im Umkreis, Urlaubszeiten und Wochentag. Wetter allein verbessert die Prognosegenauigkeit in der Außengastronomie um 3–8 Prozentpunkte.

Weitere Antworten finden Sie in der FAQ-Sammlung zur Stationsoptimierung. Verwandte Beiträge: Restaurant Forecasting erklärt und KI für Stoßzeitvorhersagen. Eine Anwendung zeigt die Case Study zur Wartezeitreduzierung.