Wie KI Stoßzeiten vorhersagt

Fachartikel · Forecasting · KI-gestützte Prognose

Dass es mittags voller ist als um 15 Uhr, weiß jeder im Betrieb. Welche Minuten konkret die Spitze bilden, wie die Ausgabe zur gleichen Stunde belastet ist wie die Küche — das weiß kaum jemand. KI-gestützte Stoßzeitenvorhersage liefert genau das: stundenfein, je Station, auf Basis von Verkaufsdaten, Wochentag, Wetter, Ferien und Events.

Das Vorhersageprinzip

Eine Stoßzeit ist ein Stundenfenster, in dem die Ankunftsrate der Gäste die Kapazität der Station übersteigt oder ihr nahekommt. KI sagt diese Fenster voraus, statt sie erst zu erkennen, wenn die Schlange steht. Sie tut das, indem sie das Gästeaufkommen nicht als Tageswert, sondern als Zeitreihe je Stunde modelliert — und aus vergangenen Mustern auf kommende schließt.

Die Ursache-Wirkung: Gästeankunft ist keine Zufallsvariable, sondern die Summe wiederkehrender Treiber. Wochentag, Uhrzeit, Wetter, Ferien, Events und Vorverkäufe erklären den größten Teil der Schwankung. Ein Modell, das diese Treiber gewichtet, kann das Aufkommen einer kommenden Stunde mit begrenztem Fehler schätzen — deutlich genauer als ein gleitender Durchschnitt, der Treiber ignoriert und Spitzen glättet.

Datenbasis

Die Vorhersagequalität hängt direkt von der Datenbasis ab. Mindestbestand für brauchbare Prognosen:

• Verkaufsdaten je Stunde: 12 bis 24 Monate pro Standort, getrennt nach Speisen und Getränken, idealerweise mit Bestellzeitstempel.
• Kalenderinformationen: Wochentag, Feiertage, Schul- und Ferienkalender, saisonale Phasen.
• Wetterdaten: Temperatur, Niederschlag, Sonnenscheindauer für den Standort — relevant für Außengastronomie und kalte Getränke.
• Event- und Vorverkaufsdaten: Konzerte, Messen, Sportveranstaltungen im Einzugsgebiet, Reservierungen und Online-Vorbestellungen.
• Statische Betriebsmerkmale: Sitzplätze, Stationstyp, Menüstruktur, Lage (City, Gewerbegebiet, Verkehrsknoten).

Unter 12 Monaten Daten liefern die Modelle erste Richtwerte, bleiben aber unsicher, weil saisonale Muster (Sommer versus Winter, Advent versus Januar) nicht vollständig gelernt sind. Ab 24 Monaten stabilisiert sich der Fehler deutlich. Die Daten müssen stündlich aggregiert sein — Tageswerte sind für die Stoßzeitenvorhersage nutzlos, weil sie die Stunde der Spitze verbergen.

Treiber und ihr Einfluss

Nicht jeder Treiber wirkt gleich stark. Typische Einflussgewichte (aus Multi-Standort-Modellen):

Die Tabelle zeigt, warum Durchschnittsbildung scheitert: Ein mittlerer Donnerstag im Mai unterscheidet sich von einem regnerischen Ferien-Mittwoch um 30 bis 50 Prozent im Aufkommen, obwohl der Wochentag identisch ist. Erst die gewichtete Kombination der Treiber liefert eine brauchbare Stundenprognose.

Modelle im Überblick

Für die Stoßzeitenvorhersage haben sich mehrere Modellklassen bewährt, je nach Datenbestand und Betrieb:

• Saisonale Zeitreihen (SARIMA, Prophet): robust ab 12 Monaten Daten, gut für wiederkehrende Muster, schwach bei plötzlichen Events.
• Gradient-Boosted Trees (XGBoost, LightGBM): verarbeiten viele Treiber parallel, gut für standortspezifische Features; Standard für Multi-Standort-Setups.
• Neuronale Netze (LSTM, Temporal Fusion Transformer): höchste Genauigkeit bei ausreichend Daten (ab ca. 18 bis 24 Monaten), höherer Aufwand in Pflege und Erklärung.
• Hybride Ansätze: Zeitreihe für das Grundmuster, Baummodell für Treiberabweichungen — in der Praxis oft die beste Wahl.

Für die meisten Betriebe reicht ein gut parametrisiertes Gradient-Boosting-Modell aus; tiefe Netze lohnen sich erst ab mehreren Standorten und großen Datenmengen. Die Modelle im Detail vergleicht Forecasting-Methoden im Restaurant.

Genauigkeit und Grenzen

Das passende Fehlermaß für Stundenprognosen ist der MAPE (Mean Absolute Percentage Error). Typische Werte in der Praxis:

• Gut geführte Betriebe mit 18+ Monaten Daten: 10 bis 14 % MAPE auf Stundenbasis.
• Mittlere Datenlage (12 bis 18 Monate): 14 bis 20 % MAPE.
• Kurze Datenlage (< 12 Monate): 20 bis 30 % MAPE — nur Richtwert.

Interessanterweise ist die Prognose in der Spitze oft genauer als im Mittel, weil die Muster zur Stoßzeit ausgeprägter und stabiler sind. Das ist nützlich, weil gerade die Spitze entscheidend für die Besetzung ist. Die Grenze liegt bei singulären Events, die im Trainingsdatenbestand nicht oder nur einmal vorkommen — hier bleibt die Prognose unsicher, und der Planer muss manuell eingreifen. Eine KI, die das transparent kommuniziert (Konfidenzintervall je Stunde), ist praktikabler als eine black-box-Zahl.

Ein Forecast ist eine Wahrscheinlichkeitsaussage, kein Versprechen. Gute Planung rechnet mit einem Erwartungswert und einer Spanne (z. B. 140 ± 25 Gäste zur Spitze) und besetzt auf dem Erwartungswert, hält aber eine Springerkraft für die Oberspanne bereit. Mehr zur Methodik in der Pillar-Page Restaurant Forecasting.

Vom Forecast zur Besetzung

Die Stoßzeitprognose ist nur der erste Schritt. Ihr Wert entsteht in der Umsetzung in die Besetzung:

• Bedarfsrechnung je Stunde: Prognostizierte Gäste / (Durchsatzrate je Kraft × Auslastung) = Bedarf je Station — siehe Personalbedarf berechnen.
• Schichtfolge: Schichten beginnen 15 bis 30 Minuten vor dem prognostizierten Spitzenbeginn, damit Rüst- und Aufbauzeit vor der Welle liegt.
• Springer-Reserve: Eine flexibel einsetzbare Kraft deckt die Oberspanne der Prognose, ohne in jeder Schicht gebunden zu sein.
• Iterative Nachführung: Läuft der Vormittag deutlich über oder unter Prognose, wird die Nachmittagsschicht angepasst — moderne Systeme rechnen den Forecast mehrfach am Tag neu.

Wer nur den Forecast erstellt, aber die Besetzung nicht daran ausrichtet, hat keinen Nutzen. Der geschlossene Kreislauf aus Prognose, Bedarf, Schichtplan und Rückmeldung ist der eigentliche Hebel — siehe Personalplanung im Restaurant mit KI und Restaurant Forecasting erklärt.

Vertiefend: Die Pillar-Page zum Forecasting fasst Datenbasis, Methoden und Treiber zusammen; die FAQ-Seite zur Stationsoptimierung ergänzt häufige Fragen. Praxiswirkung zeigt die Case Study zur Wartezeitreduktion.