[ forecasting × lebensmittelhandwerk ]
In einer traditionsreichen Fleischerei wurde der Bedarf jahrzehntelang nach Erfahrung geschätzt, so wie man das Wetter für morgen schätzt. Heute vereint ein Forecasting-System die Verkaufsdaten aus Filialen, Webshop und Automaten zu einer Quelle der Wahrheit und sagt jede Nacht für jeden Artikel voraus, was in den nächsten sieben Tagen gebraucht wird, inklusive verlässlicher Bandbreite. Diese Seite zeigt, wie das System entstanden ist, welche Entscheidungen dahinterstehen und welche Erfahrungen auf dem Weg entstanden sind.
Kasse, Webshop und Automaten laufen dubletten-sicher in einer gemeinsamen Verkaufshistorie zusammen.
Vom einfachen Vergleichsmodell bis zum neuronalen Netz: Es gewinnt, was messbar besser prognostiziert.
Je Artikel und Tag: der erwartete Verkauf und die Menge, die bereitstehen sollte, statt einer nackten Zahl.
Nach Kassenschluss trainiert sich das Modell komplett neu, in elf Sekunden, und lernt jede Veränderung sofort.
[ die herausforderung im handwerk ]
Das Fleischerhandwerk ist ein traditionsreiches Handwerk unter Druck: Fachkräfte fehlen, der Chef steht selbst in der Produktion, und für das Backoffice bleibt kaum Zeit. Die Digitalisierung endet vielerorts an der Kasse. Der Bedarf für die kommenden Tage wird deshalb so geschätzt, wie man das Wetter von morgen schätzt: nach Erfahrung und Gefühl. An guten Tagen liegt das erstaunlich richtig. An allen anderen wird es teuer.
Wird zu viel produziert, entsteht Verschwendung: Ware wird weggeworfen, oder es entstehen Prozesskosten für die Weiterverarbeitung, etwa wenn Gehacktes in einer Lasagne endet, die eigentlich gar nicht zum Sortiment gehört. Wird zu wenig produziert, muss ad hoc nachproduziert werden, mit Rüstkosten, die niemand eingeplant hat. Oder der Kunde steht vor der leeren Theke: der Nein-Verkauf, der leise teuerste Fehler von allen.
Mit der Prognose weiß der Betrieb mit verlässlicher Wahrscheinlichkeit, welcher Artikel in welcher Menge gebraucht wird, fokussiert auf die umsatzstärksten Artikel. Der Blick geht wieder auf die Wertschöpfung statt auf die Schätzung: verlässliche Planung, weniger Verschwendung, zufriedene Kunden.
[ jede nacht, automatisch ]
Die Prognose ist kein Werkzeug, das jemand bedienen muss, sondern eine Routine, die jede Nacht von selbst läuft. Nach Kassenschluss durchlaufen die Daten diese Stationen, und am Morgen liegt der Plan für die nächsten sieben Tage bereit.
[ Sammeln ]
Nach Kassenschluss fließen die Verkäufe des Tages ins System: jeder Bon aus den Filialen, jede Bestellung aus dem Webshop, jede Entnahme aus den Automaten. Jede Buchung bekommt einen eindeutigen Schlüssel. Dubletten sind damit ausgeschlossen, selbst wenn ein Tag doppelt geladen wird.
[ Vereinen ]
Die Kanäle werden je Artikel zu einer Verkaufshistorie zusammengeführt. Entscheidend ist die Gesamtmenge: Produziert wird zentral, verkauft wird überall. Erst diese eine Sicht macht aus drei Systemen eine belastbare Planungsgrundlage.
[ Anreichern ]
Jeder Tag bekommt sein Umfeld: Wochentag, Feiertage und Brückentage je Bundesland, Schulferien, bewegliche Feste wie Ostern. Und das System erkennt selbst, an welchen Tagen der Betrieb geschlossen ist, ohne dass es jemand pflegen muss.
[ Trainieren ]
Das Prognosemodell wird jede Nacht komplett neu trainiert, in rund elf Sekunden. Verändert sich die Nachfrage, etwa weil ein Wettbewerber schließt, fließt das ab dem ersten Tag ein, statt monatelang ein veraltetes Modell zu befragen.
[ Prognostizieren ]
Für jeden Artikel entsteht die Prognose für die nächsten sieben Tage, nicht als nackte Zahl, sondern als Bandbreite: der erwartete Verkauf und die Menge, die bereitstehen sollte, damit die Theke fast nie leer ist.
[ Planen ]
Am Morgen ist aus den Prognosen ein Produktionsplan geworden: Artikel sind zu Produktionsgruppen gebündelt, etwa alle Gehackt-Sorten zu einer gemeinsamen Menge. Und das System überwacht sich selbst: Driftet die Wirklichkeit von der Prognose weg, meldet es sich.
[ architektur ]
Auch hier gilt: die Ebenen strikt trennen. Das Datenfundament macht aus drei Kanälen eine Wahrheit, die Modellfabrik lässt Verfahren gegeneinander antreten statt einem zu glauben, und die Planungsebene übersetzt Wahrscheinlichkeiten in Produktionsentscheidungen.
Drei Verkaufskanäle, eine Verkaufshistorie
Kasse, Webshop und Automaten sprechen drei verschiedene Sprachen. Eigene Anbindungen übersetzen sie in ein gemeinsames Format: eine Zeile je verkauftem Artikel, mit eindeutigem Schlüssel je Buchung. Nachladen ist dadurch jederzeit gefahrlos möglich, nichts wird doppelt gezählt.
Zusammengeführt wird über die Artikelnummer, die in allen Filialen gilt. Das klingt selbstverständlich, war aber eine der wichtigsten Entscheidungen: Erst dadurch entsteht je Artikel eine durchgehende Historie über alle Verkaufsorte, zurück bis 2022, rund 100.000 Beobachtungen.
Jeder Tag wird mit seinem Umfeld gespeichert: Feiertage je Bundesland, Schulferien, Öffnungstage. Training und Prognose arbeiten so auf demselben, vollständigen Datenstand.
Parameterstudie und Wettbewerb statt Modellglaube
Bevor ein Modell etwas gelten darf, muss es einfache Vergleichsmaßstäbe schlagen: derselbe Wochentag der Vorwoche, saisonale Mittelwerte. Danach traten mehrere Verfahren gegeneinander an, vom klassischen statistischen Modell über Gradient Boosting bis zum neuronalen Netz, alle im selben rollierenden Rückblick über viele Monate.
Eine große Parameterstudie hat die erklärenden Faktoren systematisch geprüft, in Gruppen und mit statistischer Absicherung. Das Ergebnis überrascht: Der stärkste Faktor ist die Verkaufshistorie selbst. Effekte wie die sinkende Nachfrage nach Grillfleisch nach mehreren warmen Tagen stecken bereits in den jüngsten Verkäufen. Explizite Wetterdaten wurden angebunden und getestet, brachten aber keinen messbaren Beitrag mehr. Was dagegen viel bringt: bewegliche Feiertage wie Ostern, Ferien und die selbst erlernten Schließtage.
Gewonnen hat ein Gradient-Boosting-Verfahren, das nicht eine Zahl schätzt, sondern drei: die untere Kante, den erwarteten Wert und die obere Kante. Eine nachgelagerte Kalibrierung sorgt dafür, dass diese Bandbreite hält, was sie verspricht.
Von der Wahrscheinlichkeit zur Produktionsentscheidung
Zu wenig und zu viel sind nicht gleich teuer. Deshalb liefert das System zwei Werte: den erwarteten Verkauf für Umsatz- und Rohstoffplanung und die Bereitstellungsempfehlung, mit der die Theke nur an etwa einem von zehn Tagen leergekauft wird. Der Sicherheitspuffer wird damit sichtbar und steuerbar, je Artikel und Tag.
Prognostiziert wird, was prognostizierbar ist: die umsatzstärksten Artikel, die rund 80 Prozent des Umsatzes tragen. Artikel mit ein, zwei Verkäufen am Tag lassen sich auf Tagesebene mathematisch nicht sinnvoll vorhersagen, sie werden auf Wochenebene geplant. Diese Abgrenzung ist keine Sparmaßnahme, sondern Ehrlichkeit gegenüber den eigenen Zahlen.
Für die Produktion werden Artikel zu Gruppen gebündelt, etwa alle Gehackt-Sorten zu einer gemeinsamen Produktionsmenge mit Ausbeutefaktoren. Und das System überwacht sich selbst: Weicht die Wirklichkeit systematisch von der Prognose ab, schlägt das Monitoring an.
[ genauigkeit ]
Genauigkeit ist eine Frage der Planungsebene. Auf die härteste Frage, wie viel von genau diesem Artikel an genau diesem Tag, trifft das System in gut 6 von 10 Fällen. Auf Wochenebene je Artikel sind es 3 von 4, bei der Tagesgesamtmenge über 8 von 10. Und die Bandbreite, auf die sich die Bereitstellung stützt, hält an fast 9 von 10 Tagen. Gemessen an rund 36.000 echten Artikel-Tagen über 18 Monate, immer auf Daten, die das Modell nie gesehen hat.
Zur Einordnung: Einfache Faustregeln schaffen auf Artikelebene rund 30 Prozent. Und selbst ein perfektes Orakel käme bei diesen Stückzahlen nur auf etwa 77 Prozent, weil Tagesnachfrage bei wenigen Verkäufen je Artikel zu einem großen Teil echter Zufall ist. Auf dieser Skala hat das Modell rund zwei Drittel des überhaupt erreichbaren Weges ausgeschöpft und ist damit rund 45 Prozent genauer als saisonale Vergleichsmodelle.
Genauso wichtig wie die Treffer: zu wissen, wann Vorsicht geboten ist. Wird die Lücke zwischen erwartetem Verkauf und Bereitstellungsempfehlung ungewöhnlich groß, etwa an Feiertagsrändern, ist das ein ehrliches Signal für den prüfenden Blick des Meisters.
[ zahlen ]
3 → 1
Verkaufskanäle, Kasse, Webshop und Automaten, vereint in einer Quelle der Wahrheit
rund 45 %
genauer als saisonale Vergleichsmodelle, gemessen im rollierenden Rückblick über 18 Monate
9 von 10
Tagen liegt der tatsächliche Verkauf innerhalb des bereitgestellten Prognosebandes
11 Sekunden
dauert das vollständige nächtliche Neutraining: jede Veränderung fließt ab Tag eins ein
[ technologie ]
Fragen Sie sich, wo in Ihren Prozessen noch nach Bauchgefühl geplant wird und was verlässliche Prognosen dort verändern würden? Dann lassen Sie uns sprechen: Sie bringen die Herausforderung mit, ich bringe die Erfahrung und die Werkzeuge.
