Restaurant Forecasting erklärt

Definition: Restaurant Forecasting

Forecasting im Restaurant prognostiziert das zukünftige Gästeaufkommen auf Basis vergangener Verkaufsdaten und zusätzlicher Treiber. Es ist die Grundlage der Pillar-Page Restaurant Forecasting und der datenbasierten Personaleinsatzplanung in der Gastronomie. Unterschieden wird zwischen Tagesprognose (Gäste pro Tag) und Stundenprognose (Gäste pro Stunde je Station). Für die Stationsbesetzung ist die Stundenprognose maßgeblich.

Datenbasis und Auflösung

Die Qualität der Prognose hängt von der Datenbasis ab. Mindestanforderung sind 12 bis 24 Monate historische Verkaufsdaten pro Standort, aufgelöst nach Stunde. Wichtig ist die Auflösung auf Transaktions- oder Stückzahlenebene, nicht nur auf Tagesumsatz.

• Stündliche Transaktionsdaten: Anzahl Bon-Vorgänge je Stunde, getrennt nach Station.
• Artikelgruppendaten: Stückzahlen je Speisengruppe (Vorspeise, Hauptgang, Getränke). Erlaubt stationsbezogene Ableitung.
• Kalenderdaten: Wochentag, Feiertag, Ferien, Schulferien, Brückentage.
• Wetterdaten: Temperatur, Niederschlag, Sonnenscheindauer zum Buchungszeitpunkt.
• Eventdaten: Veranstaltungen im Umkreis, Heimspiele, Messen, Markttage.

Feinere Auflösung — etwa 15-Minuten-Intervalle und Artikelgruppe — verbessert die Stationsprognose weiter. Datenlücken, z. B. durch Systemwechsel, sollten markiert werden, weil sie Muster verfälschen.

Treiber der Gästeprognose

Ein Treiber ist ein Faktor, der das Gästeaufkommen systematisch beeinflusst. Die wichtigsten Treiber:

• Wochentag: Samstag und Freitag haben 30–80 % mehr Gäste als Montag/Dienstag.
• Tageszeit: Mittagsspitze 11:30–13:30, Abendspitze 18:00–21:00. Quick-Service: Mittagsspitze trägt 40–55 % des Tagesaufkommens.
• Wetter: Bei > 20 °C steigt Außengastronomie um 20–40 %, bei Starkregen sinkt Walk-in um 15–30 %.
• Ferien: Schulferien senken das Mittagsgeschäft in Innenstädten um 10–25 %, steigern das Familiengeschäft am Abend.
• Events: Heimspiele und Messen verdoppeln kurzfristig das Aufkommen im Umkreis von 1–2 km.

Die Treiber wirken nicht isoliert, sondern überlagern sich. Ein samstäglicher Ferientag mit Regenwetter hat ein anderes Profil als ein samstäglicher Ferientag mit Sonnenschein. Genau diese Kombination ist die Stärke KI-gestützter Modelle.

Methoden im Vergleich

Forecasting-Methoden lassen sich in drei Klassen einteilen. Die Methodenwahl hängt von Datenbasis, Anspruch und verfügbarem Know-how ab. Eine tiefere Methodenübersicht steht im Artikel Forecasting-Methoden im Restaurant.

• Naive Verfahren: Prognose = Gästezahl der Vorwoche. Einfach, aber fehleranfällig bei Events und Saisonschwankungen. MAPE typisch 25–40 %.
• Klassische Zeitreihen (ARIMA, Exponential Smoothing): Modellieren Trend, Saison und Wochenmuster. MAPE 15–25 %. Scheitern an nichtlinearen Treibern wie Wetter.
• KI-Modelle (Gradient Boosting, Random Forest, neuronale Netze): Verbinden viele Treiber, erkennen Wechselwirkungen. MAPE 10–18 % bei Stundenprognose, 5–10 % bei Tagesprognose.

Bei gleicher Datenbasis reduzieren KI-Modelle den Prognosefehler gegenüber reinen Zeitreihen um 20 bis 40 Prozent. Der Aufwand liegt in Datenbereitstellung, Training und Überwachung. Einzelheiten zum Einsatz von KI für Spitzenlastprognosen im Artikel KI für Stoßzeiten-Vorhersagen.

Genauigkeit und Fehlermaße

Das Standardfehlermaß ist der MAPE (Mean Absolute Percentage Error): der durchschnittliche prozentuale Fehler der Prognose gegenüber dem tatsächlichen Wert. Richtwerte für die Gastronomie:

• Tagesprognose: 5–10 % MAPE mit KI, 15–25 % mit naiven Verfahren.
• Stundenprognose: 10–18 % MAPE mit KI, 25–40 % naiv.
• Eventtage: 20–30 % MAPE, weil historische Vergleiche fehlen.

Zusätzlich sollte der WAPE (Weighted Absolute Percentage Error) betrachtet werden, weil er Stunden mit geringem Aufkommen weniger Gewicht gibt. Für die Praxis ist der Mean Bias Error wichtig: Er zeigt, ob das Modell systematisch zu hoch oder zu niedrig prognostiziert. Ein systematischer Bias von +5 % führt zu dauerhafter Überbesetzung und sollte korrigiert werden.

Ursache-Wirkung: Prognose zum Personalbedarf

Die Prognose allein besetzt keine Station. Die Wirkungskette lautet: Prognose liefert erwartete Gäste je Stunde; je Station wird daraus über die Durchsatzrate der Bedarf errechnet. Beispiel: Prognose 120 Gäste in der Stunde 12:00–13:00, Ausgabe-Durchsatzrate 90 Gäste pro Stunde je Bedienung. Bedarf Ausgabe = 120 / 90 = 1,33, gerundet 2 Bedienungen. Würde nur 1 Bedienung eingesetzt, läge die Durchsatzrate unter der Ankunftsrate — die Schlange wächst.

Folge einer 10-prozentigen Prognoseabweisung nach unten: Es werden 108 statt 120 Gäste erwartet; Bedarf sinkt rechnerisch auf 1,2 Bedienungen, gerundet 1. In der Realität kommen aber 120 Gäste, die Ausgabe ist unterbesetzt, die Wartezeit steigt. Eine Prognosegenauigkeit im Bereich ±10 % ist deshalb die Voraussetzung für eine stabile Besetzung. Die Methodik zur Bedarfsrechnung steht im Artikel Personalbedarf im Restaurant berechnen und in der Pillar-Page Personalbedarf.

Fehlerquellen und Praxisfallen

Forecasting scheitert in der Praxis seltener am Modell als an der Datenbasis und Anwendung.

• Umsatz statt Stückzahlen: Umsatz schwankt mit Preis und Mix, nicht zwingend mit Gästezahl. Auf Transaktions- oder Stückebene prognostizieren.
• Zu grobe Auflösung: Tageswerte verbergen Stundenspitzen. Für Besetzung sind Stundenwerte nötig.
• Unmarkierte Ausreißer: Lockdown-Tage, Systemausfälle oder einmalige Events verfälschen Muster. Markieren oder entfernen.
• Vernachlässigte Eventtreiber: Wer Events nicht als zusätzliche Variable führt, überschätzt oder unterschätzt regelmäßig.
• Fehlende Rückprüfung: Prognose vs. Ist sollte wöchentlich verglichen werden. Modelle ohne Überwachung driften ab.

Eine laufende Überprüfung anhand der im Artikel Kennzahlen der Stationsoptimierung beschriebenen Werte sichert die Modellqualität. Ergänzende Fragen beantwortet die FAQ-Seite zur Stationsoptimierung. Ein Beispiel für kostensenkende Wirkung findet sich in der Case Study Wartezeiten reduziert.