Restaurant Forecasting
Wer erst in der Stoßzeit merkt, dass zu wenig Personal steht, hat die entscheidende Information zu spät. Forecasting liefert sie vorher: wie viele Gäste wann ankommen, welchen Umsatz sie bringen und welchen Bedarf sie an jeder Station auslösen. Diese Pillar-Page erklärt Datenbasis, Methoden, Genauigkeitsmaße und den Weg von der Prognose zum konkreten Personalbedarf je Station.
Definition
Definition Restaurant Forecasting
Restaurant Forecasting ist die systematische, datenbasierte Vorhersage des künftigen Gästeaufkommens, Transaktionsvolumens und Umsatzes eines Restaurants, aufgeteilt nach Stunde, Wochentag und Station. Es basiert auf historischen Verkaufs- und Transaktionsdaten, die mit Kontextfaktoren wie Wochentag, Wetter, Ferien, Feiertagen, lokalen Events und Promotionen angereichert werden. Ziel ist nicht nur eine Zahl, sondern eine stundenscharfe Verteilung, die direkt in den Personalbedarf je Station übersetzt werden kann.
Im Gegensatz zur Planung nach Gefühl oder zum reinen Vorjahresvergleich liefert Forecasting eine messbare, überprüfbare Vorhersage. Jede Prognose kann im Rückblick mit dem tatsächlichen Aufkommen verglichen und in ihrer Genauigkeit quantifiziert werden (MAPE, WAPE). Damit wird Planung reproduzierbar und verbesserbar — die Voraussetzung für jede Art von Personaleinsatzplanung, Schichtplanung und Stationsoptimierung.
Forecasting ist die Vorstufe zum Personalbedarf: Es beantwortet die Frage „Wie viele Gäste kommen?", während die anschließende Bedarfsrechnung „Wie viele Mitarbeiter brauche ich dafür?" klärt. Beide Schritte sind technisch getrennt, in der Praxis aber eng verzahnt.
Datenbasis
Datenbasis: Woraus eine Prognose entsteht
Eine Prognose ist nur so gut wie die Daten, auf denen sie ruht. Für Restaurant Forecasting lassen sich die Datenquellen in drei Schichten einteilen: operative Verkaufsdaten, zeitliche Kalenderfaktoren und externe Kontextfaktoren. Fehlt eine Schicht, sinkt die Prognosegenauigkeit messbar.
Verkaufsdaten und Transaktionen
Die primäre Datenquelle sind Transaktionsdaten aus dem Kassen- oder POS-System. Jeder Beleg liefert Zeitstempel, Artikelmenge, Umsatz, Zahlart und ideally die Zuordnung zu einer Station (Küche, Ausgabe, Bar, Kasse). Aus der Einzeltransaktion werden stündliche Aggregate gebildet: Gäste pro Stunde, Transaktionen pro Stunde, Umsatz pro Stunde, durchschnittlicher Bon. Diese Aggregate sind der eigentliche Prognosewert — die Prognose zielt auf „Gäste in Stunde 17:00–18:00 am Freitag", nicht auf einen Monatswert.
Wichtig ist die Auflösung: Tageswerte reichen für die Personaleinsatzplanung nicht aus, weil sich Stoßzeiten innerhalb des Tages verschieben. Mindestens stündliche, bei Quick-Service besser 15-Minuten-Intervalle sind nötig, um Personalbedarf je Station und Stunde abzuleiten.
Wochentag und Kalenderstruktur
Der Wochentag ist der stärkste einzelne Treiber. Ein Freitagnachmittag hat ein anderes Profil als ein Montagnachmittag. Zusätzlich wirken Monatsanfang, Monatsende, Lohn- und Gehaltstermine sowie Brückentage. Diese Faktoren sind im Modell als kategorische Variablen oder als saisonale Komponenten hinterlegt.
Wetter
Wetter beeinflusst Aufkommen und Mix: warme Trockenperioden erhöhen Außengastronomie und Getränkeumsatz, Regen verschiebt Gäste in Innenräume oder in den Lieferservice, Hitze senkt das Mittagsgeschäft in Bürovierteln, während es in Einkaufszentren steigt. Relevante Variablen sind Temperatur, Niederschlagswahrscheinlichkeit und Sonnenscheindauer. Wetterdaten werden als Forecast mitgeführt, weil sie selbst eine Prognose sind — typischerweise mit 3- bis 7-Tage-Horizont ausreichend genau.
Ferien, Feiertage und Brückentage
Schulferien verändern das Mittagsgeschäft in Büronähe deutlich, weil Eltern zuhause essen. Feiertage verschieben das Aufkommen entweder auf null (geschlossen) oder auf ein Ersatzprofil (Sonntagsprofil am Feiertag). Brückentage schwächen das normale Werktagsgeschäft ab und verstärken Ausflugslokale. Diese Effekte sind stark standortabhängig und müssen je Filiale gelernt werden.
Events
Lokale Events — Heimspiele, Messen, Konzerte, Stadtteileste — schlagen im Aufkommen oft um 30 bis über 100 Prozent durch. Weil Events historisch nicht wiederkehren, müssen sie als exogener Treiber explizit gepflegt werden: Datum, erwartete Besucherzahl, Entfernung zum Standort, Richtung (zu-/abfließend). Ohne Eventinformation lernt das Modell Events als nicht reproduzierbare Ausreißer und unterschätzt das nächste Event massiv.
Promotionen
Eigene Marketingaktionen — Rabattwochen, Gutscheine, Combo-Angebote, App-Pushs — verändern Aufkommen und Mix. Sie müssen als eigener Treiber mit Start, Ende, Reichweite und Kanal erfasst werden. Nur so kann das Modell eine kommende Promotion ähnlich wie eine vergangene bewerten. Promotionen ohne Kennzeichnung verschlechtern die Genauigkeit, weil das Modell den Effekt weder systematisch lernt noch für die Zukunft reproduziert.
Faustregel: Je größer der Anteil erklärbarer Schwankung (Wochentag, Ferien, Wetter, Events, Promotionen), desto kleiner der unerklärte Restfehler. Ein Modell ohne Kontextfaktoren bleibt typisch bei MAPE 20 bis 30 Prozent, ein gut angereichertes KI-Modell erreicht MAPE 8 bis 15 Prozent.
Methoden
Forecasting-Methoden im Vergleich
Es gibt keine universell beste Methode. Die Wahl hängt von Datenlage, Schwankungsbreite, Planungshorizont und verfügbarem Fachwissen ab. Vier Methodenfamilien decken die Spanne von einfach bis leistungsstark ab.
Gleitender Durchschnitt
Der gleitende Durchschnitt bildet den Durchschnitt der letzten n Perioden (z. B. gleitender 4-Wochen-Durchschnitt gleicher Stunde). Er ist trivial zu berechnen, braucht wenig Daten und ist robust gegen Ausreißer. Schwäche: er reagiert träge auf Strukturbrüche (neue Konkurrenz, geändertes Öffnungsprofil) und bildet weder Saisonalität noch Trends ab. Praktisch taugt er als Null-Modell-Baseline, nicht aber für die Steuerung der Stoßzeitbesetzung.
Saisonale Verfahren
Saisonale Zerlegungsverfahren (z. B. klassische Decomposition, Holt-Winters, SARIMA) modellieren Trend, Wochen- und Jahressaisonalität explizit. Sie erkennen wiederkehrende Muster wie Freitagsstoß, Sommerhoch, Winter-Tief. SARIMA (Seasonal Autoregressive Integrated Moving Average) ist der Standard für mittlere Anforderungen. Stärke: gut interpretierbar, stabil, etabliert. Schwäche: exogene Treiber wie Wetter oder Events lassen sich nur in SARIMAX-Erweiterungen einbauen, und nichtlineare Effekte bleiben unmodelliert.
Regression
Regressionsmodelle (lineare Regression, Generalized Linear Models) erklären das Aufkommen aus mehreren Einflussfaktoren: Wochentag, Wetter, Ferientage, Eventgröße, Promotionskennzeichen. Stärke: Treiber sind interpretierbar und ihr Beitrag messbar (Koeffizient je Variable). Schwäche: Beziehungen müssen als linear oder transformiert vorgegeben werden, Interaktionen müssen manuell spezifiziert werden. Regression ist geeignet für Betriebe mit klaren, stabilen Treibern und guter Datenqualität.
KI/ML-Zeitreihenmodelle
Maschinelle Lernverfahren — Gradient Boosting (XGBoost, LightGBM), Random Forests und neuronale Netze (LSTM, Temporal Fusion Transformer, Prophet mit Regressoren) — kombinieren viele Treiber automatisch und lernen nichtlineare Interaktionen. Beispiel: „Freitag + 25 °C + Sommerferien + Heimspiel" ist ein anderes Profil als „Freitag + 8 °C + Winter + kein Event". Solche Kombinationen übersteigt klassische Verfahren schnell. KI-Modelle verarbeiten zusätzlich Standortvergleiche innerhalb einer Kette und lernen von Schwesternfilialen. Schwäche: höherer Implementierungsaufwand, Black-Box-Charakter, Bedarf an mehr Daten (mindestens 12, besser 24 Monate) und Pflege der Treiberdaten. Im Vergleich erreichen sie bei heterogenem Aufkommen die höchste Genauigkeit. Details zu Methodenvergleich im Artikel Forecasting-Methoden im Restaurant.
Empfehlung: Mit einer saisonalen Baseline starten, Regressions-Treiber ergänzen, bei ausreichenden Daten auf KI/ML wechseln. Die Methoden schließen sich nicht aus — eine KI-Lösung kann eine SARIMA-Komponente als Feature nutzen.
Genauigkeit
Genauigkeit messen und beeinflussen
Eine Prognose ohne Genauigkeitsmessung ist nicht steuerbar. Zwei Fehlermaße haben sich im Restaurant-Forecasting etabliert.
MAPE — Mean Absolute Percentage Error
MAPE berechnet den durchschnittlichen prozentualen Fehler je Prognosewert: |Prognose − Ist| / Ist, gemittelt über alle Werte. Ein MAPE von 12 % bedeutet, dass die Prognose im Schnitt 12 % neben dem Ist liegt. Vorteil: unmittelbar interpretierbar. Nachteil: Stunden mit sehr geringem Aufkommen (z. B. 14:00 mit 5 Gästen) erzeugen hohe Prozentfehler und verzerren den Mittelwert nach oben.
WAPE — Weighted Absolute Percentage Error
WAPE (auch MAD/Mean genannt) gewichtet den Fehler nach dem Volumen: Summe der absoluten Abweichungen geteilt durch Summe der Ist-Werte. Damit dominieren große Stunden die Fehlermetrik, kleine Stunden bleiben vernachlässigbar. WAPE ist für die Personaleinsatzplanung meist die bessere Kennzahl, weil es auf die Stunden mit hohem Aufkommen ankommt, in denen Personalbedarf entsteht. Ein WAPE von 10 % ist bei einer Filiale mit 1.500 Gästen/Woche ein brauchbarer Zielwert.
Was die Genauigkeit beeinflusst
- Datenhistorie: unter 12 Monaten fehlen Saisonalitätsmuster; ab 24 Monaten sind Jahres- und Ferieneffekte stabil gelernt.
- Datenqualität: fehlerhafte Zeitstempel, zusammengefasste Transaktionen, manuelle Bon-Korrekturen verzerren die Muster.
- Kontexttreiber: Wetter, Events und Promotionen erklären gemeinsam oft 15 bis 30 Prozentpunkte zusätzlicher Varianz.
- Stündliche Auflösung: Tagesprognosen wirken glättend und verbergen die relevanten Stoßzeiten.
- Modellwahl: KI/ML-Modelle schlagen bei heterogenem Aufkommen klassische Verfahren um 3 bis 8 Punkte MAPE.
- Pflege: neue Events, geänderte Öffnungszeiten, Konkurrenzneueröffnungen müssen nachgepflegt werden, sonst driften Prognosen ab.
- Standortspezifik: ein Modell, das alle Filialen gleich behandelt, verliert gegenüber filialspezifischen Modellen 2 bis 5 Punkte MAPE.
Typische Genauigkeitskorridore im Restaurant-Forecasting: manuelle Planung nach Vorjahr MAPE 25 bis 35 %, saisonale Verfahren 15 bis 22 %, Regression 12 bis 18 %, KI/ML 8 bis 15 %. Der verbleibende Restfehler ist nicht zufällig, sondern entsteht durch nicht erfasste Treiber (spontane Gruppen, Wetterkipppunkte, Verkehrsstörungen).
Übersetzung
Von der Prognose zum Personalbedarf
Die Gästeprognose allein plant noch niemanden. Sie muss in einen stationsbezogenen Personalbedarf übersetzt werden. Der zentrale Hebel ist die Durchsatzrate je Station: wie viele Gäste oder Transaktionen eine durchschnittliche Kraft an dieser Station pro Stunde bewältigt.
Durchsatzrate je Station
Die Durchsatzrate wird empirisch aus der Historie bestimmt: Transaktionen je Station und Stunde geteilt durch die eingesetzte Mitarbeiterzahl. Beispiel: Ausgabe mit 2 Kräften und 180 Transaktionen in der Stunde 12:00–13:00 → 90 Transaktionen je Kraft und Stunde. Dieser Wert ist stations-, nicht personenindividuell und wird über Wochen gemittelt.
Bedarfsrechnung
Prognostiziertes Volumen je Stunde geteilt durch Durchsatzrate ergibt den Personalbedarf je Station und Stunde. Beispiel: Prognose 270 Transaktionen 12:00–13:00, Durchsatz 90 je Kraft → 3 Kräfte Ausgabe. Dieselbe Rechnung läuft für Küche, Service und Kasse getrennt, weil die Durchsatzraten und das Aufkommen je Station unterschiedlich sind.
Schichtbildung
Der stündliche Bedarf wird zu Schichten gebündelt. Dabei sind Mindestbesetzung (1 Kraft Öffnungszeit), Pausenzeiten, Handover-Zeiten und rechtliche Rahmenbedingungen zu berücksichtigen. Die Schichtplanung und die Personalbedarfsrechnung greifen hier ineinander. Eine gute Prognose macht den Bedarf sichtbar; die Schichtplanung macht ihn umsetzbar.
Engpasssicht
Wird der Bedarf je Station getrennt ausgewiesen, erkennt der Planer, welche Station in welcher Stunde zum Engpass wird. Wenn Küche 4 Kräfte braucht, Ausgabe aber nur 2, ist die Küche der begrenzende Faktor — und umgekehrt. Genau diese Information ist der Übergang zur Stationsoptimierung.
Vorteile
KI-Vorteile gegenüber manueller Planung
Manuelle Planung basiert meist auf Vorjahreswerten, Erfahrungsregeln und aktuellem Bauchgefühl. KI-gestütztes Forecasting liefert darüber hinaus drei konkrete Vorteile, die sich in Kennzahlen niederschlagen.
Messbar geringerer Fehler
KI-Modelle erreichen MAPE 8 bis 15 %, manuelle Planung liegt meist bei 25 bis 35 %. Weniger Fehler bedeutet weniger Über- und Unterbesetzung.
Mehrere Faktoren gleichzeitig
KI kombiniert Wochentag, Wetter, Ferien, Events und Promotionen nichtlinear. Manuelle Planung kann in der Regel einen Faktor bewusst anpassen, nicht fünf gleichzeitig.
Täglich neue Prognose
Ändert sich die Wettervorhersage, rechnet das Modell über Nacht neu. Manuelle Planung reagiert frühestens in der Folgewoche.
Eine Modellbasis, viele Filialen
Eine KI-Lösung deckt alle Filialen einer Kette ab und lernt standortübergreifend. Manuelle Planung skaliert nur mit zusätzlichem Planungspersonal.
Stunden statt Tage
Der Planer prüft und korrigiert, statt von null zu planen. Planungsaufwand sinkt um mehrere Stunden pro Filiale und Woche.
Keine Planer-Drift
Das Modell wendet dieselben Regeln an, während manuelle Planung mit dem Planer variiert. Das macht Vergleiche zwischen Filialen aussagefähig.
Ergänzende Hintergrundartikel: Restaurant Forecasting erklärt und KI für Stoßzeitenvorhersagen.
Kennzahlen
Kennzahlen rund um Restaurant Forecasting
- MAPE (Mean Absolute Percentage Error): mittlerer prozentualer Prognosefehler; Zielkorridor KI 8 bis 15 %.
- WAPE (Weighted Absolute Percentage Error): volumen gewichteter Prognosefehler; robuster als MAPE bei kleinen Stunden.
- Bias: systematische Über- oder Unterprognose; positiver Bias → konstant zu hoch geplant.
- Gäste pro Stunde: primärer Prognosewert, stundenscharf je Standort.
- Durchsatzrate je Station: Transaktionen je Kraft und Stunde; Brücke zur Personalbedarfsrechnung.
- Personalproduktivität: Umsatz je Mitarbeiterstunde; Steuerungsgröße für die Besetzungsqualität.
- Auslastungsgrad: tatsächliches Aufkommen geteilt durch kapazitives Aufkommen je Station.
- Deckungsbeitrag je Mitarbeiterstunde: Umsatz abzüglich variable Produkt- und Personalkosten, bezogen auf die Stunde; Maß für die Wirtschaftlichkeit der Besetzung.
- Planungsabweichung: Differenz zwischen geplantem und realisiertem Personalbedarf je Stunde; Steuergröße für die Modellpflege.
Weitere Kennzahlen im Artikel Kennzahlen der Stationsoptimierung.
Praxisbeispiel
Praxisbeispiel mit Zahlen
Betrachtet wird ein Stadtrestaurant mit 220 Sitzplätzen und drei Stationen (Küche, Ausgabe, Service) im Quick-Service-Segment. Datenbasis: 18 Monate POS-Daten, stündlich aggregiert, angereichert mit Wetter, Schulferien, Fußballheimspielen und eigenen Promotionen. Methode: Gradient-Boosting-Modell mit stündlicher Auflösung, filialspezifisch trainiert.
Freitag 12:00–13:00, Sommer, kein Event
- Prognose: 270 Transaktionen, Ist: 258 → Abweichung 4,7 %.
- Durchsatzrate Ausgabe: 90 Transaktionen je Kraft und Stunde → Bedarf 3,0 Kräfte.
- Durchsatzrate Küche: 70 Transaktionen je Kraft und Stunde → Bedarf 3,9, aufgerundet 4 Kräfte.
- Durchsatzrate Service: 130 Transaktionen je Kraft und Stunde → Bedarf 2,1, aufgerundet 2 Kräfte (mindestens).
- Engpass: Küche mit 4 Kräften, weil Bedarf höher als an der Ausgabe.
Freitag 12:00–13:00, Sommer, Heimspiel 18:00
- Prognose: 380 Transaktionen, Ist: 361 → Abweichung 5,3 %.
- Bedarf Ausgabe: 4,2 → 5 Kräfte. Bedarf Küche: 5,4 → 6 Kräfte. Bedarf Service: 2,9 → 3 Kräfte.
- Ohne Eventtreiber hätte das Modell 270 Transaktionen prognostiziert — eine Unterbesetzung von rund 40 % an der Küche.
Monatsvergleich
Im Monatsmittel erreicht das Modell MAPE 11,4 % und WAPE 9,2 %. Gegenüber der bisherigen manuellen Planung (MAPE 28 %) sinkt der Fehler um rund 16 Punkte. Übersetzt in den Besetzungsfehler bedeutet das: statt im Schnitt 0,8 Kräfte zu viel oder zu wenig pro Stunde liegt die Abweichung bei etwa 0,3 Kräften. Bei 14 planungsrelevanten Stunden und 6 Tagen Öffnung entspricht das rund 25 eingesparten oder falsch gesetzten Mitarbeiterstunden pro Woche — bei 20 €/Stunde Vollkosten rund 2.000 €/Monat an vermiedener Fehlbesetzung, zusätzlich weniger Umsatzverlust durch Unterbesetzung in Stoßzeiten.
Wirkung auf den Deckungsbeitrag
Die höhere Prognosegenauigkeit wirkt dreifach: weniger unproduktive Stunden (Überbesetzung), weniger verlorene Gäste in Stoßzeiten (Unterbesetzung), weniger Planungsaufwand. In der Summe steigt der Deckungsbeitrag je Mitarbeiterstunde im Beispiel um 8 bis 12 %, gemessen über das Quartal nach Einführung. Case Studies dazu finden sich unter Personalkosten senken durch Forecasting.
FAQ
Häufige Fragen zu Restaurant Forecasting
Weitere Fragen zur Stationsoptimierung und zur Personalplanung beantwortet die FAQ-Seite zur Stationsoptimierung.
Was ist Restaurant Forecasting?
Restaurant Forecasting ist die datenbasierte Prognose des künftigen Gästeaufkommens und Umsatzes eines Restaurants aus historischen Verkaufs- und Kontextdaten, unterteilt nach Stunde, Wochentag und Station.
Welche Daten braucht Restaurant Forecasting?
Verkaufsdaten je Transaktion, Transaktionszeitstempel, Wochentag, Wetter, Ferien, Feiertage, lokale Events und Promotionen. Ergänzend Stations- und Durchsatzdaten zur Ableitung des Personalbedarfs.
Welche Forecasting-Methode ist die beste?
Für stabile Betriebe reichen saisonale Verfahren und Regression. Bei stark schwankendem Aufkommen und vielen Einflussfaktoren liefern KI/ML-Zeitreihenmodelle die höchste Genauigkeit, typisch MAPE 8 bis 15 Prozent.
Was ist der Unterschied zwischen MAPE und WAPE?
MAPE mittelt den prozentualen Fehler je Prognosewert gleichgewichtig und bestraft kleine Werte stark. WAPE gewichtet nach Volumen und ist robuster bei Stunden mit geringem Aufkommen.
Wie wird aus einer Prognose Personalbedarf?
Prognostiziertes Gästevolumen je Stunde wird durch die Durchsatzrate je Station geteilt. Das ergibt den Personalbedarf je Station und Stunde, der dann zu Schichten gebündelt wird.
Ab welchem Datenbestand funktioniert KI-Forecasting?
Ab etwa 12 bis 24 Monaten historischer Verkaufsdaten pro Standort lassen sich zuverlässige Muster erkennen. Kürzere Zeiträume liefern erste Richtwerte, sind aber unsicherer.
Was kostet eine falsche Prognose?
Überbesetzung bindet Personalkosten ohne Umsatz; Unterbesetzung kostet Umsatz durch abgewanderte Gäste und verschlechtert die Servicequalität. Eine Abweichung von 15 Prozent kann mehrere Tausend Euro pro Monat Deckungsbeitrag kosten.
Kann Forecasting auch Promotionen abbilden?
Ja, wenn Promotionen als separater Treiber mitgegeben werden. Ohne Kennzeichnung lernt das Modell Promotionen als Ausreißer und reproduziert sie nicht gezielt.