Personalplanung im Restaurant mit KI

KI ersetzt im Gastro-Betrieb nicht den Planer — sie nimmt ihm die Arbeit ab, die er ohnehin nicht stundenscharf leisten kann. Aus historischen Verkaufsdaten entsteht eine Prognose je Station und Stunde, daraus ein Besetzungsvorschlag. Der Planer prüft, passt an und gibt frei. Typische Prognoseabweichung: 8–15 % je Stunde — besser als jeder Vorwochenvergleich.

Ablauf in vier Schritten

KI-gestützte Personalplanung folgt einem festen Ablauf, in dem jeder Schritt auf dem vorherigen aufbaut:

1. Datenaggregation: Stündliche Verkaufsdaten je Station, Wochentag, Ferienkalender, Wetterdaten, Events im Umkreis und Stationsstruktur (Anzahl Bedienplätze, Durchsatzraten) werden zusammengeführt. Zeiterfassungsdaten liefern die Ist-Besetzung je Schicht.
2. Gästeprognose: Das Modell prognostiziert das Gästeaufkommen je Stunde und Station für den Planungszeitraum (meist 1–4 Wochen im Voraus). Grundlagen im Artikel Restaurant Forecasting erklärt.
3. Bedarfsrechnung: Aus Prognose und Durchsatzrate je Station wird der Personalbedarf je Stunde und Station berechnet, so dass die Durchsatzrate über der Ankunftsrate liegt. Methoden im Artikel Personalbedarf im Restaurant berechnen.
4. Dienstplanvorschlag: Die KI schlägt Schichten vor, die den Bedarf je Stunde decken, Schichtmodelle einhalten und Überbesetzung in ruhigen Stunden vermeiden. Der Planer prüft Qualifikationen, Arbeitsrecht und Mitarbeiterwünsche und gibt frei.

Der manuelle Anteil bleibt in Schritt 4 — die Verantwortung für den Plan liegt beim Menschen. Die KI ersetzt nicht den Planer, sondern die Datenauswertung und Bedarfsrechnung, die manuell mehrere Stunden pro Woche kostet.

Datenbasis und Datenqualität

Die Prognosequalität hängt direkt von der Datenbasis ab. Mindestvoraussetzungen:

• Verkaufsdaten stündlich aufgelöst über 12–24 Monate je Standort. Tagesdaten reichen nicht, weil die Spitze innerhalb weniger Stunden liegt.
• Stationsstruktur: Anzahl Bedienplätze je Station, Durchsatzraten, Bearbeitungszeiten. Ohne diese Daten bleibt die Bedarfsrechnung ungenau.
• Externe Einflussfaktoren: Wochentag, Ferienkalender, Wetter (Temperatur, Niederschlag), Events im Umkreis. Witterung hat im Quick-Service einen messbaren Einfluss von ±10–15 % auf das Aufkommen.
• Zeiterfassung: Ist-Besetzung je Schicht, um Abweichungen zwischen Plan und Ist zu erkennen.

Datenfehler wirken direkt auf die Prognose: Ein Ausfall im Kassensystem, der einen Tag als „null“ speichert, verzerrt das Muster. Bereinigung und Plausibilitätsprüfung sind deshalb vor jeder Modellrechnung nötig. Wer die Datenqualität vernachlässigt, erhält keine besseren Pläne als mit Erfahrungswerten.

Prognosegenauigkeit und Grenzen

Die Prognosegenauigkeit wird als mittlere prozentuale Abweichung (MAPE) je Stunde gemessen. Typische Werte:

• Normaltage (Wochentag ohne Event): 8–12 % MAPE — gut steuerbar.
• Wochenende und Feiertage: 12–18 % MAPE — höhere Schwankung, Muster weniger stabil.
• Eventtage (Stadion, Konzert, Markt): 15–25 % MAPE — Prognose ist Richtwert, Plan braucht Puffer.

Wirkungsbeziehung: Je feiner die Daten und je länger die Historie, desto niedriger die Abweichung. Ein Modell mit 24 Monaten Daten und Wetterfaktor ist um etwa 4–6 Prozentpunkte genauer als dasselbe Modell mit 6 Monaten Daten und ohne Wetter. Die Prognose verschlechtert sich, wenn das Gästeaufkommen strukturell bricht (Konzeptänderung, neue Konkurrenz, Schließung eines benachbarten Arbeitgebers) — dann muss das Modell mit neuen Daten neu trainiert werden.

Ursache-Wirkung am Beispiel

Ein Stadtrestaurant mit 220 Sitzplätzen und Bedienung plant bisher nach Erfahrungswerten. Dienstbesetzung mittags: 4 Servicekräfte, 3 Küchenkräfte. Die KI-Analyse der letzten 18 Monate zeigt: Zwischen 12:00 und 13:00 Uhr liegt die Ankunftsrate bei 120 Gästen pro Stunde, zwischen 13:00 und 14:00 Uhr bei 70 Gästen pro Stunde. Die Durchsatzrate der Küche liegt mit 3 Kräften bei 90 Gästen pro Stunde — Engpass in der ersten Stunde, Unterbesetzung in der zweiten.

Wirkungskette: In der ersten Stunde übersteigt die Ankunftsrate die Durchsatzrate, die Warteschlange wächst, die mittlere Wartezeit steigt auf über 12 Minuten, Gäste brechen ab oder bestellen kompakter. In der zweiten Stunde steht die Besetzung für 70 Gäste/h, die Durchsatzrate der Küche mit 90 Gästen/h ist ausreichend — Überbesetzung, Personalproduktivität sinkt. Die KI schlägt vor: In der ersten Stunde eine zusätzliche Küchenkraft (4 statt 3) und in der zweiten Stunde eine Servicekraft abbauen (3 statt 4). Ergebnis: Engpass in der Spitze wird entlastet, Durchsatzrate der Küche steigt auf 115 Gäste pro Stunde, Wartezeit sinkt auf rund 6 Minuten, in der zweiten Stunde wird eine Stunde gespart. Die Personalproduktivität steigt um etwa 12 %, ohne dass der Planer etwas anderes tun muss, als den Vorschlag zu prüfen.

Grenzen der KI-Planung

KI-gestützte Personalplanung ist kein Selbstläufer. Grenzen:

• Qualifikationsstruktur: Die KI rechnet mit Stunden je Station, aber nicht jede Kraft darf jede Station besetzen. Der Planer muss den Vorschlag an Qualifikationen anpassen.
• Arbeitsrecht: Ruhezeiten, Maximalschichtlängen, Wochenarbeitszeitgrenzen und Tarifvorgaben prüft die KI nur, wenn sie konfiguriert ist. Letztverantwortlich bleibt der Planer.
• Mitarbeiterwünsche: Verfügbarkeiten, Tauschwünsche und Teilzeitmodelle erfordern menschliche Abstimmung. Die KI kann Rahmenbedingungen einhalten, nicht verhandeln.
• Strukturbrüche: Bei Konzeptänderungen, neuen Standorten oder pandemieartigen Ereignissen reicht die Historie nicht. Dann sind manuelle Planung und Beobachtungsphase nötig, bis das Modell neu trainiert ist.

Wer diese Grenzen kennt, setzt die KI richtig ein: als Werkzeug für Datenauswertung und Bedarfsrechnung, das dem Planer Zeit zurückgibt und die Besetzung datenbasiert macht — nicht als Ersatz für personelle Verantwortung. Die übergeordnete Einordnung steht auf der Pillar-Page Personaleinsatzplanung, ergänzende Fragen im FAQ zur Stationsoptimierung. Schichtmodelle passen im Artikel Schichtplan Gastronomie richtig erstellen. Ein Praxisbeispiel zur Personalkostensenkung findet sich in der Case Study „Wartezeiten reduziert“.