Case Study
Systemgastronomie verbessert Stationsauslastung
Eine Systemgastronomie mit 12 Standorten hat die mittlere Stationsauslastung innerhalb von neun Monaten um 19 Prozentpunkte erhöht — von 58 % auf 77 %. Gleichzeitig stieg der Umsatz je Einsatzstunde um 14 %, bei nahezu unveränderter Gesamtstundenzahl. Grundlage war ein zentralisiertes KI-Forecasting mit standortspezifischer, stundenscharfer Stationsbesetzung.
Ausgangslage
Betrachtet wird ein Systemgastronomie-Konzept mit 12 Standorten in Deutschland. Die Betriebe liegen in Bahnhofsnähe, Einkaufszentren und Innenstadtlagen, das Konzept ist ein Quick-Service-Format mit einheitlichem Speiseplan und standardisierten Stationen: Bestellung/Kasse, Ausgabe warm, Ausgabe kalt/Getränke, Bereitstellung/Abholung. Jeder Standort hat vier Stationen und ein Team von durchschnittlich 18 Mitarbeitenden in Teil- und Vollzeit.
Die Dienstplanung wurde bisher dezentral von den jeweiligen Schichtleitungen erstellt, gestützt auf einen einheitlichen, zentral vorgegebenen Schichtschlüssel. Dieser Schlüssel ordnete Wochentagen und Tageszeiten feste Besetzungszahlen je Station zu — unabhängig von Standort, Wetter oder lokalem Umfeld. Anpassungen waren nur außerhalb dieses Schlüssels möglich und mussten von der Schichtleitung individuell begründet werden. Eine Datenrückkopplung an die Planung gab es nicht.
Problem
Der zentrale Schichtschlüssel ging von einem Standard-Aufkommen aus, das an keinem der 12 Standorte exakt zutraf. Die Folge waren systematische Fehlbesetzungen je Standorttyp:
- Bahnhofsstandorte hatten ausgeprägte Stoßzeiten rund um die Pendlerfenster (06:30–09:00, 16:00–19:00), die im Schlüssel nicht vorgesehen waren. Die Ausgabe warm war in diesen Fenstern deutlich unterbesetzt, die Abholstation lief leer. Mittlere Wartezeit an der Ausgabe warm: 9,8 Minuten.
- Einkaufszentren zeigten ein flaches, aber hohes Mittagsplateau zwischen 12:00 und 15:00 Uhr. Der Schlüssel plante hier eine kürzere Mittagsspitze (12:00–13:30), so dass in der zweiten Stunde des Plateaus regelmäßige Unterbesetzung entstand.
- Innenstadtstandorte mit ausgeprägtem Wochenendeffekt waren samstags überbesetzt nach dem Schlüssel (der Wochenendverlauf wie ein Wochentag behandelte), sonntags hingegen unterbesetzt, weil der Schlüssel sonntags pauschal reduzierte.
Ausgewertet über alle 12 Standorte lag die mittlere Stationsauslastung bei 58 %, definiert als tatsächlich bediente Gäste pro Stunde geteilt durch theoretische Stationskapazität (Stationsdurchsatz × besetzte Kräfte). Eine Auslastung von 58 % bedeutet nicht, dass das Personal zu 58 % beschäftigt war, sondern dass 42 % der theoretischen Stundenkapazität der Stationen nicht in Gästebedarf umgesetzt wurden — entweder wegen Überbesetzung (Stunden ohne Aufkommen) oder wegen Unterbesetzung (Stunden mit Aufkommen, aber zu wenig Kräften, so dass Gäste abwanderten und die Kapazität ungenutzt blieb).
Ein zweites Problem war die Streuung zwischen den Standorten: Die Auslastung schwankte zwischen 47 % und 67 %. Das heißt: Standorte mit gleichem Konzept und gleicher Stationierung erreichten sehr unterschiedliche Werte — ein klares Indiz für eine Planungs- und nicht ein Personalproblem. Der Umsatz je Einsatzstunde lag im Standortmittel bei 47 Euro, die besten Standorte erreichten 58 Euro, die schwächsten 39 Euro.
Datenbasis
Die Auswertung umfasst 24 Monate Kassendaten über alle 12 Standorte (1. Januar 2022 bis 31. Dezember 2023), aggregiert je Standort, Stunde und Station. Ergänzt wurden:
- Wetterdaten je Standort (Temperatur, Niederschlag, Sonnenscheindauer).
- Ferienkalender der jeweiligen Bundesländer sowie lokale Feiertage.
- Veranstaltungskalender für die Standortumfelder (Messen, Stadion-Events, Bahnstreiks, Baustellen im Einzugsgebiet).
- Fahrplandaten der Bahnhofsstandorte (Ankunfts-/Abfahrtsfrequenz im 15-Minuten-Raster), um Pendlerfenster präzise zu erfassen.
- Öffnungszeiten der Einkaufszentren und Innenstadt-Geschäfte im Umfeld.
Insgesamt umfasste der Datensatz rund 5,8 Mio. Transaktionen. Datenqualität war hoch, die Stationenzuordnung über die Kassen-Layouts eindeutig. Zwei Standorte hatten in den ersten drei Monaten 2022 Lücken im Stations-Tagging und wurden für diesen Zeitraum von der Stationsauswertung ausgeschlossen, für die Tagesprognose jedoch belassen. Die Vorab-Plausibilisierung bestätigte die vermuteten Standorttyp-Effekte: Bahnhofsstandorte korrelieren stark mit dem Fahrplanfrequenz-Indikator (+0,71), Einkaufszentren mit dem Öffnungszeiten- und Wetter-Indikator (+0,54), Innenstadtstandorte mit Veranstaltungskalender und Sonnenscheindauer am Wochenende (+0,48).
Analyse
Die standorttypengetrennte Auswertung machte drei Dinge sichtbar, die im zentralen Schichtschlüssel nicht abgebildet waren:
- Stoßzeitprofile differieren stark je Standorttyp. Bahnhofsstandorte haben zwei Spitzenfenster am Tag (Pendlermorgenspitze 07:00–08:30, Pendlernachmittagsspitze 17:00–18:30), in denen bis zu 38 % des Tagesumsatzes anfallen. Einkaufszentren haben ein breites Mittagsplateau von drei Stunden. Innenstadtstandorte haben am Wochenende ein komplett anderes Profil als werktags — samstags ein langgezogenes Nachmittagsplateau, sonntags eine konzentrierte Mittagsspitze.
- Engpass-Station unterscheidet sich je Standorttyp. An Bahnhofsstandorten ist die Ausgabe warm der Engpass (hohe manuelle Belastung, kurze Bedienzeiten), an Einkaufszentren die Bestellung/Kasse (viel Beratungsbedarf bei Familien), an Innenstadtstandorten die Abholstation (hoher Abholdruck zur Spitze, weil Bestellung und Ausgabe schneller laufen als Bereitstellung). Ein einheitlicher Schlüssel kann das nicht abbilden.
- Wochentag- und Wettereffekte sind standortspezifisch. Regentage senken das Aufkommen an Einkaufszentren um 11 %, heben es an Bahnhofsstandorten aber um 6 % (Pendler essen statt draßen zu laufen). Sonnige Wochenenden heben das Innenstadtgeschäft um 19 %, senken aber das Bahnhofsgeschäft um 4 %. Diese gegenläufigen Effekte sind im zentralen Schlüssel unsichtbar.
Die Streuung der Auslastung zwischen 47 % und 67 % bei gleichen Konzept erklärte sich damit vollständig aus der Schichtschlüssel-Mißpassung — nicht aus Personalqualität oder Standortqualität. Standorte mit hoher Auslastung (über 62 %) waren zufällig solche, deren Profil dem Standard-Schlüssel am nächsten kam.
Lösung
Umgesetzt wurde ein zentralisiertes Forecasting mit standortspezifischer Besetzungsableitung. Die methodischen Grundlagen sind in der Pillar-Page zur Personaleinsatzplanung und im Beitrag zum Restaurant Forecasting beschrieben.
- Zentrales KI-Forecasting je Standort, Stunde und Station. Ein gemeinsames Modell wurde auf den 24-Monats-Daten trainiert, mit Standorttyp als Feature und standortspezifischen Treibern (Fahrplanfrequenz, Öffnungszeiten, Veranstaltungskalender). Prognostiziert wird das Gästeaufkommen je Standort, Stunde und Station für die kommenden vier Wochen, mit täglicher Aktualisierung auf Basis der 72-Stunden-Wettervorhersage. Die mittlere Prognosegüte (MAPE) lag im Backtest bei 9,4 % auf Stunden-/Standort-/Stationsebene und bei 5,8 % auf Tagesebene.
- Standortspezifische Besetzungsableitung. Aus Prognose und gemessener Stationsdurchsatzrate wurde der Personalbedarf je Station, Stunde und Standort berechnet. Der zentrale Schichtschlüssel wurde abgelöst durch eine standortindividuelle Besetzungsvorgabe, die Schichtleitung kann korrigierend eingreifen. Damit entfällt das „Ein-Schlüssel-für-alle"-Paradigma, ohne die Standardsicherheit zu verlieren.
- Engpass-orientierte Besetzung je Standorttyp. An Bahnhofsstandorten wird die Ausgabe warm in den Pendlerfenstern mit drei statt zwei Kräften besetzt, an Einkaufszentren die Bestellung/Kasse im Mittagsplateau mit zwei statt eineinhalb, an Innenstadtstandorten die Abholstation am Wochenende mit einer zusätzlichen Springer-Kraft.
- Versetzte Schichtstarts je Standorttyp. Bahnhofsstandorte arbeiten mit einer Frühschicht ab 06:00 Uhr und einer Nachmittagsschicht ab 16:00 Uhr. Einkaufszentren arbeiten mit einer langen Mittagsschicht und kurzen Rand-Schichten. Innenstadtstandorte mit Wochentag-/Wochenend-Differenzierung.
- Zentrales Reporting der Auslastung je Standort. Ein monatliches Standortranking nach Stationsauslastung und Umsatz je Einsatzstunde macht Planungsqualität vergleichbar. Schlecht performende Standorte werden nicht sanktioniert, sondern in einem Planungs-Review mit der Zentrale nachjustiert.
Begleitend wurde die Schichtleitung in der Engpass-Logik geschult: Eine Station ist nur dann gut besetzt, wenn ihre Durchsatzrate knapp über der Ankunftsrate liegt — nicht „so viele Kräfte wie möglich". Diese Logik ist auch im FAQ zur Stationsoptimierung dargestellt. Detailfragen zur Besetzung je Stationstyp werden im Artikel Optimale Besetzung Küche und Service behandelt.
Ergebnis
Gemessen wurde über neun Monate nach Rollout (April 2024 bis Dezember 2024) im Vergleich zum Vorjahreszeitraum. Der Rollout erfolgte in drei Wellen à vier Standorte, um Lerneffekte zwischen den Wellen zu nutzen.
| Kennzahl | Vorher | Nachher | Veränderung |
|---|---|---|---|
| Mittlere Stationsauslastung | 58 % | 77 % | +19 Pkt. |
| Streuung Auslastung zwischen Standorten | 47–67 % | 71–83 % | +24 Pkt. untere / +16 Pkt. obere |
| Umsatz je Einsatzstunde (Euro) | 47 | 53,6 | +14,0 % |
| Mittlere Wartezeit Ausgabe warm (Min.) | 9,8 | 6,9 | −29,6 % |
| Bediente Gäste pro Spitzenstunde (Standortmittel) | 148 | 171 | +15,5 % |
| Überbesetzte Stunden (Auslastung < 30 %) | 34 % aller Stunden | 16 % | −18 Pkt. |
| Unterbesetzte Spitzenstunden (Auslastung > 95 %) | 21 % | 9 % | −12 Pkt. |
| Planungsaufwand Schichtleitung (Min./Woche/Standort) | 110 | 40 | −63,6 % |
| Gesamtstundenzahl (Index, 12 Standorte) | 100 | 101,3 | +1,3 % |
Der Anstieg der Stationsauslastung um 19 Prozentpunkte ist im Wesentlichen auf die Verlagerung von Stunden aus überbesetzten Randzeiten in die echten Spitzenfenster und an die standorttypische Engpass-Station zurückzuführen. Die Gesamtstundenzahl stieg nur um 1,3 % — die Wirkung ist also eine Verteilungs- und keine Mengenwirkung. Die Streuung zwischen den Standorten verringerte sich deutlich: War die Spanne vorher 20 Prozentpunkte (47–67 %), liegt sie nachher bei 12 Prozentpunkten (71–83 %). Die Planungsqualität konvergiert, weil standorttypische Profile jetzt abgebildet werden.
Der Umsatz je Einsatzstunde stieg um 14 %, was primär auf den höheren Bedientendurchsatz in den Spitzenfenstern (+15,5 %) zurückzuführen ist. Bahnhofsstandorte profitierten am stärksten (+18 % Umsatz/Einsatzstunde), weil dort die Pendlerfenster vorher am deutlichsten unterbesetzt waren. Einkaufszentren legten um 12 % zu, Innenstadtstandorte um 11 %.
Der Planungsaufwand der Schichtleitung sank um 64 %, weil die Besetzungsvorgabe aus der Prognose kommt und nur noch korrigiert, nicht mehr von Grund auf neu erstellt werden muss. Frei werdende Zeit wurde in Qualitätssicherung und Gästekommunikation verlagert.
Kennzahlen im Überblick
Zentrale Ergebnisse der Case Study auf einen Blick. Eine methodische Einordnung steht im Artikel Kennzahlen der Stationsoptimierung, standorttypspezifische Besetzungsfragen im Artikel KI in der Systemgastronomie.
| Mittlere Stationsauslastung | +19 Prozentpunkte (58 → 77 %) |
| Streuung Auslastung (Spanne) | 20 Pkt. → 12 Pkt. |
| Umsatz je Einsatzstunde | +14 % (47 → 53,6 Euro) |
| Wartezeit Ausgabe warm | −30 % (9,8 → 6,9 Min.) |
| Bediente Gäste pro Spitzenstunde | +15,5 % (148 → 171) |
| Überbesetzte Stunden | −18 Pkt. (34 → 16 %) |
| Unterbesetzte Spitzenstunden | −12 Pkt. (21 → 9 %) |
| Planungsaufwand Schichtleitung | −64 % (110 → 40 Min./Woche) |
| Gesamtstundenzahl | +1,3 % (nahezu unverändert) |
| Prognosegüte (MAPE) Stunden-/Stationsebene | 9,4 % |
| Größter Hebel je Standorttyp | Bahnhof +18 %, EKZ +12 %, Innenstadt +11 % |
Die Case Study zeigt, dass die Auslastungsverbesserung bei Systemgastronomie weniger eine Frage der Personalmenge als der Personalverteilung ist. Wenn der Schichtschlüssel nicht zum Standortprofil passt, entstehen sowohl Über- als auch Unterbesetzung gleichzeitig — und die mittlere Auslastung bleibt weit unter dem Möglichen. Die stundenscharfe, standorttypspezifische Besetzung hebt die Auslastung, ohne die Stundenmenge nennenswert zu erhöhen.
Häufige Fragen zu dieser Case Study
Warum wurde die Stationsauslastung als Leitkennzahl gewählt?
Stationsauslastung misst, wie viel der theoretischen Stundenkapazität einer Station tatsächlich in Gästebedarf umgesetzt wird. Sie erfasst gleichzeitig Über- und Unterbesetzung und ist damit der treffsicherste Indikator für Planungsqualität bei mehreren Stationen.
Warum stieg die Auslastung, obwohl kaum mehr Stunden eingesetzt wurden?
Weil Stunden aus überbesetzten Randzeiten und falsch besetzten Stationen in die echten Spitzenfenster und an die standorttypische Engpass-Station umgeleitet wurden. Auslastung ist hier eine Verteilungs-, keine Mengenwirkung.
Warum brauchte es ein zentrales Modell statt zwölf Einzelmodelle?
Ein zentrales Modell mit Standorttyp-Feature nutzt Daten aller 12 Standorte, ist robuster gegenüber lokalen Ausreißern und erlaubt standortübergreifendes Reporting. Standortspezifische Treiber (Fahrplan, Öffnungszeiten) bleiben als Features erhalten.
Wie wurde sichergestellt, dass die Schichtleitung die Vorgaben akzeptiert?
Die Vorgaben sind korrigierbar, und die Engpass-Logik wurde in Schulungen vermittelt. Das zentrale Reporting macht Planungsqualität vergleichbar, sanktioniert aber nicht. Standorte mit niedriger Auslastung erhalten Planungs-Support, keine Strafe.
Sind die Ergebnisse auf andere Systemgastronomien übertragbar?
Die Methode ist übertragbar, die konkreten Zahlen sind standortspezifisch. Voraussetzung sind mindestens 12–24 Monate Kassendaten je Standort und eine saubere Stationenzuordnung. Der Hebel ist am größten bei heterogenen Standorttypen mit einheitlichem Schichtschlüssel.
Wie lange dauerte der Rollout?
Neun Monate Messzeitraum bei drei Wellen à vier Standorte. Pro Welle brauchte ein Standort etwa vier bis sechs Wochen, bis die Besetzungsvorgaben eingespielt und die Schichtleitung vertraut war.