Case Study
Restaurant reduziert Wartezeiten um 25 Prozent
Ein Stadtrestaurant mit 220 Sitzplätzen und drei Ausgabestationen hat die mittlere Wartezeit an der Ausgabe innerhalb von sechs Monaten um 25 % gesenkt — von 8,4 Minuten auf 6,3 Minuten. Grundlage war ein KI-gestütztes Forecasting auf 18 Monate Kassendaten in Kombination mit einer bedarfsgerechten, stundenscharfen Stationsbesetzung.
Ausgangslage
Untersucht wird ein Stadtrestaurant mit 220 Sitzplätzen in einer mittelgroßen Innenstadt. Das Konzept ist ein Fresh-Casual-Betrieb mit Bestellung an der Theke, drei Ausgabestationen (Pasta, Salat/Theke, Getränke) sowie einer gemeinsamen Kasse. Mittagsgeschäft dominiert: montags bis freitags zwischen 11:30 und 14:00 Uhr werden rund 72 % des Tagesumsatzes erzielt. Am Wochenende liegt das Aufkommen deutlich niedriger und verteilt sich gleichmäßiger über den Nachmittag.
Das Team umfasst 24 Mitarbeitende in Teil- und Vollzeit, davon 16 im Service- und Ausgabebereich. Die Dienstplanung erfolgte klassisch: eine feste Mittagsschicht von 11:00 bis 15:00 Uhr mit sechs bis sieben Kräften im Ausgabebereich, ergänzt durch zwei Springer. Getrennte Stationsschichten gab es nicht — alle Ausgabekräfte wurden im Wechsel über alle Stationen eingesetzt.
Problem
Die Gästebefragung im Vorfeld und eine stichprobenartige Wartezeiterhebung über vier Wochen zeigten ein klares Muster: An der Ausgabe „Pasta" wuchs zwischen 12:00 und 13:00 Uhr regelmäßig eine Warteschlange auf bis zu 22 Gäste, während die Station „Salat/Theke" im gleichen Zeitraum nur vier bis sechs Gäste gleichzeitig bediente. Die mittlere Wartezeit lag an der Pasta-Station bei 8,4 Minuten, an der Salat-Station bei 2,1 Minuten. Die Kasse war durch das gestaffelte Ankommen der Gäste nur unregelmäßig ausgelastet.
Die Besetzung orientierte sich an Erfahrungswerten der Schichtleitung, nicht an gemessenen Ankunfts- oder Durchsatzraten. Folge war eine systematische Fehlbesetzung: An der Pasta-Station lag die Durchsatzrate mit durchschnittlich 38 Gästen pro Stunde unter der Ankunftsrate von 52 Gästen pro Stunde in der Spitzenstunde — ein klassischer Engpass. An der Salat-Station standen im selben Zeitraum zwei Kräfte für ein Aufkommen, das eine Kraft bewältigt hätte. Insgesamt lag der Auslastungsgrad der drei Stationen im Spitzenstundenmittel bei 63 %, bei gleichzeitig hohen Wartezeiten an einer Station. Das ist das typische Bild einer unbalancierten Stationierung.
Als Reaktion auf lange Schlangen wurde in der Vergangenheit häufig Personal von der Salat- zur Pasta-Station umgezogen — allerdings reaktiv und meist erst, wenn die Schlange bereits zehn Gäste lang war. Die Umzugskosten (Unterbrechung, Einweisung, Laufwege) fraßen einen Teil des Entlastungseffekts. Gästebefragungen zeigten zudem, dass 11 % der Mittagsgäste wegen Wartezeiten seltener kamen; auf den Umsatz umgerechnet entsprach das einer geschätzten Einbuße von rund 1.800 Euro pro Woche.
Datenbasis
Die Auswertung basiert auf 18 Monaten Kassendaten (Bonzeitstempel je Artikel und Station, Zeitstempel Bestell- und Ausgabezeit) vom 1. Januar 2023 bis 30. Juni 2024. Ergänzt wurden diese um tägliche Wetterdaten (Temperatur, Niederschlag, Sonnenscheindauer) für den Standort, den Ferienkalender des Bundeslandes, lokale Feiertage sowie einen Veranstaltungskalender für die Innenstadt (Messen, Stadion-Events, Markttage). Aus dem Kassensystem wurden zusätzlich Stornierungen und Nicht-Abholungen als Qualitätsindikator extrahiert.
Die Datenqualität war hoch: Zeitstempel lagen sekundengenau vor, Stationenzuordnungen waren vollständig. Lücken entstanden nur an zwei Tagen durch Kassenausfall und wurden als fehlende Werte belassen, nicht interpoliert. Insgesamt umfasste der Datensatz rund 412.000 Transaktionen je Standort-Tag-Aggregat bzw. 1,34 Mio. Einzelbons. Für das Forecasting wurden die Daten stündlich und stationsbezogen aggregiert.
Eine Vorab-Plausibilisierung zeigte erwartbare Effekte: Regentage senken das Mittagsgeschäft um durchschnittlich 9 %, Messtage heben es um 14 %, Ferienwochen senken das Mittagsgeschäft um 6 % (Büroumfeld). Diese Treiber wurden später vom Modell bestätigt und gewichtet.
Analyse
Die Auswertung bestätigte die vermutete Unbalanciertheit und quantifizierte sie erstmals präzise. Drei Befunde waren entscheidend:
- Stoßzeit-Fenster ist enger als angenommen. Das eigentliche Spitzenfenster liegt nicht zwischen 12:00 und 13:00 Uhr, sondern zwischen 12:10 und 12:50 Uhr. In diesen 40 Minuten fallen 41 % des Mittagsumsatzes an. Davor und danach liegt das Aufkommen deutlich unter der mittleren Stundenrate. Eine fixe Mittagsschicht mit gleicher Besetzung über vier Stunden ist also strukturell überbesetzt an den Rändern und unterbesetzt im Kern.
- Pasta-Station ist der Engpass, nicht die Küche. Die Durchsatzrate der Pasta-Station liegt bei 38 Gästen je Stunde pro besetzter Kraft — niedriger als an der Salat-Station (62/h) und an der Getränke-Station (78/h), weil die Pasta-Portionierung heiß und manuell erfolgt. Bei zwei besetzten Kräften ergibt sich ein Stationsdurchsatz von 76/h, die Ankunftsrate in der Spitze liegt jedoch bei 104/h. Die Lücke von 28 Gästen pro Stunde baut die Warteschlange auf.
- Wochentag-Effekt ist stark. Mittwochs liegt die Spitzenlast 18 % über dem Wochenmittel, freitags 12 % darüber, montags 9 % darunter. Eine einheitliche Besetzung an allen Wochentagen ist daher eine Fehlerquelle.
Außerdem zeigte sich, dass die reaktive Umsetzung von Kräften zwischen den Stationen im Mittel 7,5 Minuten pro Incident kostete — bei durchschnittlich 3,4 Incidents pro Spitzenstunde ein relevanter Verlust an produktiver Zeit.
Lösung
Aus der Analyse wurde ein zweistufiges Maßnahmenpaket abgeleitet, das KI-Forecasting mit einer bedarfsgerechten Stationsbesetzung kombiniert. Die Grundlagen dazu werden in der Pillar-Page zur Stationsoptimierung und im Beitrag zum Restaurant Forecasting ausführlich beschrieben.
- Stundenscharfes KI-Forecasting je Station. Auf Basis der 18-Monats-Daten wurde ein Forecasting-Modell trainiert, das für jede Stunde des kommenden Monats das erwartete Gästeaufkommen je Station prognostiziert — unter Einbezug von Wochentag, Wettervorhersage (bis 72 Stunden im Voraus), Ferienkalender und Veranstaltungskalender. Die mittlere Prognosegüte (MAPE) lag im Backtest bei 8,7 % auf Stunden- und Stationsebene und bei 6,1 % auf Tagesebene.
- Stationsbezogene statt flächige Besetzung. Aus der Prognose und der gemessenen Durchsatzrate je Station wurde der Personalbedarf je Station und Stunde berechnet. Die Planung erfolgt jetzt stationsbezogen: An der Pasta-Station werden zur Spitzenstunde drei Kräfte eingeplant (Durchsatz 114/h > Ankunft 104/h), an der Salat-Station eine Kraft, an der Getränke-Station eine bis zwei. Die Kasse wird über einen Springerverbund abgedeckt.
- Versetzte Schichtstarts. Statt einer Einheitsschicht 11:00–15:00 Uhr beginnt die Pasta-Besetzung bereits um 11:20 Uhr mit Vorproduktion (Saucen, Nudelvorrat), die Salat- und Getränkekräfte um 11:40 Uhr. Das öffnet Pufferkapazität vor der Spitze und verkürzt die Reaktionszeit beim ersten Gästeschub.
- Wochentag-spezifische Planung. Mittwochs wird die Pasta-Spitzenbesetzung um eine weitere Kraft ergänzt (vier statt drei), montags wird eine Kraft eingespart und für Vorbereitung eingesetzt. Die Gesamtstundenzahl pro Woche blieb nahezu konstant, die Verteilung änderte sich.
- Vorgezogene Vorbereitung. Aus dem Forecast abgeleitete Vorproduktionslisten für die Vormittagsschicht reduzieren die manuelle Belastung an der Pasta-Station zur Spitze. Vor allem die Portionierung von Saucen und die Nudelvorhaltung wurden entlang der prognostizierten Stundenkurve gestaffelt.
Die Planung wurde nicht als Blackbox eingeführt. Die Schichtleitung sieht die Prognose, die abgeleitete Besetzung und die Durchsatzannahmen je Station in einem Dashboard und kann Abweichungen (z. B. überraschender Wetterumschwung) manuell korrigieren. Das Verständnis der Ursache-Wirkungs-Kette ist Voraussetzung für die Akzeptanz — dazu gehört die Engpass-Logik: Solange die Durchsatzrate der langsamsten Station über der Ankunftsrate liegt, wächst keine Schlange. Diese Logik ist auch im FAQ zur Stationsoptimierung erklärt.
Ergebnis
Gemessen wurde über einen Zeitraum von sechs Monaten nach Einführung (Oktober 2024 bis März 2025) im Vergleich zum Vorjahreszeitraum. Die Wartezeiterhebung erfolgte kontinuierlich über die Kassenzeitstempel (Bestellung bis Ausgabe) und wurde durch stichprobenartige manuelle Nachmessung validiert.
| Kennzahl | Vorher | Nachher | Veränderung |
|---|---|---|---|
| Mittlere Wartezeit an der Ausgabe (Minuten) | 8,4 | 6,3 | −25,0 % |
| Mittlere Wartezeit Pasta-Station (Minuten) | 11,2 | 7,1 | −36,6 % |
| Max. Warteschlangenlänge Pasta-Station | 22 | 9 | −59,1 % |
| Auslastungsgrad Stationen (Spitzenstundenmittel) | 63 % | 81 % | +18 Pkt. |
| Bediente Gäste pro Spitzenstunde | 187 | 214 | +14,4 % |
| Personalproduktivität (Umsatz/Einsatzstunde, Index) | 100 | 112 | +12 % |
| Reaktive Umzüge zwischen Stationen pro Spitzenstunde | 3,4 | 0,6 | −82,4 % |
| Planungsaufwand Schichtleitung (Minuten/Woche) | 95 | 35 | −63,2 % |
Der höhere Bedientendurchsatz in der Spitzenstunde (+14,4 %) ist im Wesentlichen auf den entlasteten Engpass zurückzuführen: Da die Pasta-Station jetzt eine Durchsatzrate oberhalb der Ankunftsrate erreicht, baut sich keine Schlange mehr auf, die den Nachstrom blockiert. Die höhere Auslastung der Stationen bedeutet nicht, dass das Personal stärker ausgelastet ist, sondern dass die vorhandenen Stunden dort eingesetzt werden, wo sie Umsatz erzeugen. Die Personalproduktivität (Umsatz je Einsatzstunde) stieg um 12 %, ohne dass die Gesamtstundenzahl nennenswert stieg — die Verteilung wurde effizienter.
Die Gästebefragung nach sechs Monaten zeigte einen Rückgang der „Wartezeit-Klagen" um 41 % und eine Erhöhung der Weiterempfehlungsbereitschaft (NPS) von 34 auf 47. Der Umsatz im Mittagsgeschäft stieg um 9,3 %, davon schätzt der Betrieb rund 5 Prozentpunkte auf entgangene Gäste zurückgewonnen, den Rest auf höhere Frequenz bestehender Gäste.
Kennzahlen im Überblick
Alle zentralen Ergebnisse der Case Study an einer Stelle. Eine breitere Einordnung dieser Größen findet sich im Artikel Kennzahlen der Stationsoptimierung.
| Mittlere Wartezeit an der Ausgabe | −25 % (8,4 → 6,3 Min.) |
| Wartezeit Pasta-Station (Engpass) | −36,6 % (11,2 → 7,1 Min.) |
| Maximale Warteschlangenlänge | −59 % (22 → 9 Gäste) |
| Auslastungsgrad der Stationen | +18 Prozentpunkte (63 → 81 %) |
| Bediente Gäste pro Spitzenstunde | +14,4 % (187 → 214) |
| Personalproduktivität (Umsatz/Einsatzstunde) | +12 % (Index 100 → 112) |
| Reaktive Stationssprünge | −82 % (3,4 → 0,6 pro Spitzenstunde) |
| Planungsaufwand Schichtleitung | −63 % (95 → 35 Min./Woche) |
| Umsatz Mittagsgeschäft | +9,3 % |
| NPS | +13 Punkte (34 → 47) |
| Prognosegüte (MAPE) Stunden-/Stationsebene | 8,7 % |
Die Verbesserungen sind im Wesentlichen auf die Entlastung des Engpasses zurückzuführen, nicht auf zusätzliches Personal. Die Gesamtstundenzahl blieb nahezu konstant (+1,2 %), weil die Stunden aus überbesetzten Stationen und Randzeiten in die Spitzenfenster und an die Pasta-Station umgeleitet wurden. Damit ist die Maßnahme kostenneutral und trägt sich allein über den Mehrumsatz.
Häufige Fragen zu dieser Case Study
Warum war die Pasta-Station der Engpass und nicht die Küche?
Die Durchsatzrate der Pasta-Station lag bei 38 Gästen pro Stunde und Kraft, weil die Portionierung heiß und manuell erfolgt. An der Salat-Station (62/h) und der Getränke-Station (78/h) war der Durchsatz deutlich höher. Der Engpass ist immer die Station mit der niedrigsten Durchsatzrate relativ zur Ankunftsrate — hier die Pasta-Station.
Wie wurde die Wartezeit gemessen?
Über die Zeitstempel im Kassensystem: Differenz zwischen Bestell- und Ausgabezeit je Bon. Ergänzend erfolgten stichprobenartige manuelle Nachmessungen zur Validierung. Die Abweichung zwischen Kassen- und manuell gemessener Wartezeit lag unter 0,4 Minuten.
Wie zuverlässig ist das Forecasting mit 18 Monaten Daten?
18 Monate liegen im empfohlenen Korridor von 12–24 Monaten. Die mittlere Prognosegüte (MAPE) lag bei 8,7 % auf Stunden- und Stationsebene. Saisonalitäten (Sommer/Winter, Ferien) sind bereits gut abgebildet, langfristige Trends jedoch noch unsicher.
Sind die Ergebnisse auf andere Restaurants übertragbar?
Die Methode ist übertragbar, die konkreten Zahlen nicht. Engpass-Station, Durchsatzraten und Stoßzeitfenster müssen je Betrieb aus den eigenen Kassendaten bestimmt werden. Der Hebel ist am größten bei Betrieben mit mehreren Stationen unterschiedlicher Durchsatzrate und starkem Mittagsgeschäft.
Warum stieg die Auslastung der Stationen, obwohl nicht mehr Personal eingesetzt wurde?
Weil die vorhandenen Stunden aus überbesetzten Randzeiten und Stationen in das echte Spitzenfenster und an die Engpass-Station umgeleitet wurden. Höhere Auslastung bedeutet hier effizientere Verteilung, nicht höhere Belastung der Einzelnen.
Was kostet die Einführung eines solchen Systems?
Die Case Study betrachtet nur die Wirkung, nicht die Einführungskosten. Typische Aufwände sind Datenanbindung ans Kassensystem, Modelltraining, Dashboard-Schulung und eine begleitende Prozessberatung. Der zeitliche Aufwand für die Schichtleitung sinkt nach Einführung um 63 %.