FAQ: Umsatzvorhersage

Das KI-Modell lernt aus den historischen Umsatzdaten (z. B. der letzten 2-3 Jahre), um tiefgreifende Muster zu erkennen. Je mehr Daten verfügbar sind, desto leichter fällt es, diese Muster zu erkennen. Dazu gehören saisonale Trends, Wochentagseffekte (z. B. Samstag vs. Dienstag) und das Verhalten an Feiertagen. Das Ziel ist ein stabiles und verlässliches Grundmodell, das nicht auf kurzfristige Ausreißer überreagiert. Ein einzelnes, sehr starkes Wochenende wird daher nicht sofort die Prognose für alle zukünftigen Wochenenden drastisch verändern, sondern als neuer Datenpunkt in die nächste Lernphase des Modells einfließen.

Umsatzvorhersage als Unterstützung für die Schichtplanung

Sehen Sie die Umsatzprognose als einen datengestützten Vorschlag. Sie als Betriebs- oder Regionalleitung haben immer die Möglichkeit, diesen Vorschlag aktiv zu übernehmen oder anzupassen. Sie können und sollten die Umsatzplanung für Tage mit Sondereffekten (z. B. große Reservierungen, lokale Events, Baustellen) manuell anpassen.

Die Verantwortung für den geplanten Umsatz sollte nach wie vor beim planenden Menschen liegen. Ansonsten wird ein System geschaffen, bei dem schlechte Planung einfach auf “die KI” geschoben wird.

Häufige Fragen

Wie häufig wird die Umsatzprognose aktualisiert und wann fließen aktuelle Ergebnisse (z.B. vom letzten Wochenende) in zukünftige Vorhersagen ein?

Die Aktualisierung erfolgt normalerweise täglich über Nacht, dann wird mit den neuen Daten die Vorhersage erstellt. Änderungen treten aber nur dann ein, wenn neue “relevante” Werte vorliegen, z.B. ein neuer Umsatzwert am selben Wochentag vorliegt oder sich Wetterdaten ändern, falls diese in der Prognose eine Rolle spielen (Vorhersagehorizont < 10 Tage). Wann die Ergebnisse von z.B. letztem Wochenende einfließen, kommt auf den Vorhersagehorizont bzw. die Vorhersagehorizonte an: wird z.B. eine Vorhersage für eine Woche im voraus gemacht, fließen die Umsatzwerte von Sa und So ab So bzw. Mo für die Vorhersage für kommenden Sa bzw. So ein. Ist der Vorhersagehorizont größer, z.B. 4 Wochen, fließen sie erst in die Vorhersage für den Sa bzw. So in 4 Wochen ein. Sollte der Horizont kleiner als eine Woche sein, können die Vorhersagewerte auch mit den Umsätzen der vergangenen Tage entsprechend angepasst werden (z.B. als Trenddifferenz zum 4-Wochenschnitt o.ä.). Wir überwachen Vorhersageperformance und korrigieren das Modell manuell, sollten größere Abweichungen beobachtet werden. Vorhersagefehler laufen aber nicht als Einflussfaktoren in das Modell zurück.

Aktuell arbeiten wir mit standardmäßig mit dem 27 Tage Horizont. Das heißt das Modell erstellt heute (26.08) eine Vorhersage für den Tag in 27 Tagen (22.09.). Das bedeutet, dass die Vorhersage für den 22.09. mit den Informationen von Heute (22.08.) erstellt wird. Dieser Wert wird sich erst dann aktualisieren, sobald ein anderes Modell mit kürzerem Zeithorizont greift. Frühestens 9 Tage vorher (also am 13.09.)

Folgende Modelle sind bei uns standardmäßig im Einsatz:

Daher ist es wichtig, dass die Zeithorizonte eng mit der tatsächlichen Art und Weise, wie die Personalpläne geschrieben werden, abgestimmt sind. Denn es wird dadurch nicht nur bestimmt, wie weit im Voraus Umsatzdaten verfügbar sind, sondern auch wie genau und mit welcher "kurzfristigen" Informationslage diese erstellt werden.

Wie werden sich ändernde Faktoren wie das Wetter berücksichtigt? Wird die Prognose angepasst, wenn die Wettervorhersage genauer wird?

Ändernde Faktoren wie Wetter werden berücksichtigt, die Prognose passt sich bei Veränderung an. Direkte Umsatzwerte oder Umsatzstatistiken wie z.B. der letzte bekannte Umsatzwert an einem Wochentag werden allerdings nicht aktualisiert einbezogen. Das hat etwas mit Konsistenz zu Trainingsdaten zu tun, die das Modell gesehen hat. Sollte z.B. der Horizont 4 Wochen sein, muss das Modell mit dem Umsatzwert vor 4 Wochen trainiert werden, damit es die Umsatzentwicklung bzw. Zusammenhänge über diesen Zeitraum lernt. Zum Vorhersagezeitpunkt werden dann auch diese gelernten Zusammenhänge abgefragt werden, Zusammenhänge zu z.B. dem Wert letzter Woche könnten anders sein. Bei Wetterdaten verhält sich das anders, weil mit den tatsächlichen Wetterdaten an dem Tag trainiert wird und die Vorhersagen dann eine immer genauer werdende Approximation der im Training gelernten Zusammenhänge darstellen.

Wie können wir unvorhersehbare Ereignisse wie große, kurzfristige Reservierungen oder lokale Veranstaltungen im System vermerken?

Die müssen beim Eintragen des Umsatzplanes berücksichtigt werden. Der Vorschlag aus der KI-Vorhersage muss dementsprechend angepasst werden. Bei Umsatzplanung via e2n kann dabei auch das Feld für Bemerkungen im Tagebuch verwendet werden.

Kann die KI aus markierten Sondereffekten lernen, um zukünftige Prognosen zu verbessern?

Das kommt auf die Sondereffekte bzw. deren Regelmäßigkeit an. Prinzipiell lernt das Modell aus den Zusammenhängen zwischen dem Umsatz an einem Tag und beliebig vielen Einflussfaktoren an diesem Tag. Dabei können auch Sondereffekte eine Rolle spielen, allerdings ist es essentiell, dass das Modell ausreichend Informationen über den Sondereffekt in den Trainingsdaten hat, um den Zusammenhang zum Umsatz zu lernen. Ein Sondereffekt, der z.B. jedes Jahr auftritt und einen etwa gleichbleibenden Einfluss auf den Umsatz hat, kann gelernt werden (relativ wenig Datengrundlage, aber stabiler Einfluss = Zusammenhang lernbar). Ein Sondereffekt, der noch nie aufgetreten ist, kann nur dann “gelernt” werden, wenn er mit anderen Sondereffekten einer Kategorie zugeordnet werden kann, die wiederum in den Trainingsdaten beobachtet werden können und einen ähnlichen Einfluss auf den Umsatz haben (z.B. Markt, Messe, … ohne die spezifischen Ereignisnamen). Schwierig ist es immer dann, wenn keine oder wenig Informationen mit inkonsistenten Umsatzeinflüssen vorliegen, hier kann das Modell nicht ausreichend über einen zukünftigen Umsatzeinfluss lernen.

WICHTIG: Voraussetzung für das Lernen der Sondereffekte ist immer eine historische Liste (Datum, Sondereffekt bzw. Sondereffekt-Kategorie) über das Auftreten der Sondereffekte (mind. 2 Jahre)

Welche genauen Faktoren fließen in die Prognose ein (z.B. historische Daten, Wetter, Ferien)?

Enflussfaktoren werden für jedes Vorhersagemodell spezifisch selektiert, d.h. in die Prognosen eines Modells fließen auch nur die Faktoren, die vorher hilfreich für die Prognose selektiert wurden, bzw. nach Vorhersagehorizont zur Verfügung stehen. Die Liste möglicher Einflussfaktoren sind

• historische Umsätze und Umsatzstatistiken (Vorwochen- oder Vorjahreswerte, Umsatzdurchschnitt laufend oder über das letzte Jahr, Umsatztrends, …)

• Kalenderinformationen (Montag, Tag, Quartal, …)

• Ferien & Feiertagsinformationen (bisher nur Standortbezogen - nach Bundesland; Feiertage, Ferien, Schuljahresende)

• Wetter und Wetterstatistiken (nur bei Vorhersagehorizont < 10 Tage; auf einen Tag aggregiert; Temperatur, UV Index, Regen, Schnee, Wind, jeweils die Mittelwerte, Minima, Maxima und Schwankung an einem Tag, sowei Bezüge auf historische Wetterinformationen im Vgl. zu den letzten Wochen oder zum Vorjahr)

Eventkalender sind in seltensten Fällen hinterlegt. Diese ergeben nur Sinn, solange sie auch entsprechend für gleiche Events in der Vergangenheit gepflegt sind. Das Modell kann nur von Daten lernen und vorhersagen, die es bereits gesehen hat.

Werden auch nicht-deutsche Feiertage und Ferienzeiten (z.B. aus EU-Nachbarländern) berücksichtigt, wenn diese für den Standort relevant sind?

Aktuell werden nur die regionalen Ferien- und Feiertage für die entsprechenden Standorte berücksichtigt. Alle weiteren Anpassungen bzw. Berücksichtigungen sind als Sonderfälle zu behandeln und müssen gesondert beauftragt bzw. eingespielt werden.

Unter welchen Umständen dürfen oder sollen die Betriebe von der Prognose abweichen?

Die Prognose dient grundsätzlich als Sparringspartner bzw. Vorschlag und soll nicht als Überschreibung des Umsatzplanes betrachtet werden, sondern als Hilfestellung. Der von der Vorhersage ausgespielte wert beschreibt das saisonale Grundrauschen unter Berücksichtigung von Wettereffekten bzw. Sondereffekten (falls solche angebunden sind). Zusätzliche Informationen, die den planenden Personen vorliegen, sollten immer in Betracht gezogen werden. (Bspw. außerplanmäßig hohe Anzahl an Reservierungen, Ausfall im ÖPNV, Blitzeis…)

Wie funktioniert die Prognose der Umsatzkurve ?

Die Prognose basiert auf einem mathematischen Modell, das zwei Faktoren miteinander kombiniert: Den aktuell geplanten Tagesumsatz und das reale, historische Kundenverhalten.

1. Datenbasis: Historische Transaktionen

Die Grundlage der Berechnung bilden die realen Kassenumsätze (Transaktionen). Dabei wird jeder Umsatz exakt dem Zeitfenster zugeordnet, in dem er in der Kasse erfasst wurde.

• Zeitintervall: Die Daten werden in 30-Minuten-Schritten aggregiert.

• Echtzeit-Bezug: Die Kurve spiegelt die direkten Buchungs- und Abrechnungsspitzen wider (z. B. hohe Ausschläge zur Hauptmittagszeit oder bei Abrechnung großer Tische).

  2. Ermittlung des Verteilungsmusters (Historischer Median)

Auf Basis dieser Echtzeit-Daten wird ein statistisches Muster für jeden Standort und jeden Wochentag berechnet:

• Referenzzeitraum: Das System analysiert die Transaktionsdaten der letzten 12 Wochen. Der Monat Dezember wird dabei ausgeschlossen, um eine Verfälschung durch das untypische Weihnachtsgeschäft zu verhindern.

• Median-Verfahren: Pro Wochentag (z. B. jeder Montag der letzten 3 Monate) und pro 30-Minuten-Intervall wird der Median-Umsatz ermittelt. Dies stellt sicher, dass statistische Ausreißer die Prognose nicht verzerren.

• Relative Gewichtung: Aus diesen Werten wird ein prozentualer Anteil für jedes Zeitfenster im Verhältnis zum gesamten Tag berechnet.

  3. Finaler Planumsatz (Prognose-Kurve)

Die endgültige Kurve in der Schichtplanung entsteht durch die Verknüpfung des historischen Musters mit den individuellen Planwerten:

1. Plan-Input: Der im System hinterlegte Tages-Planumsatz für den entsprechenden Betriebstag bildet die Basis für die Gesamthöhe.

2. Berechnung: Dieser Gesamtwert wird mit der ermittelten relativen Gewichtung der 30-Minuten-Intervalle multipliziert.

3. Ergebnis: Der prognostizierte Umsatz pro halbe Stunde (z. B. 12:00 – 12:30 Uhr).

   Einflussfaktoren auf die Kurve:

• Änderung des Planumsatzes: Steuert die vertikale Skalierung. Ein höherer Planwert verschiebt die gesamte Kurve nach oben.

• Das Transaktionsverhalten der letzten 3 Monate: Die Form der Kurve (Peaks) wird durch das tatsächliche Buchungsverhalten der letzten 3 Monate bestimmt.

• Wochentage: Da das Modell nach Wochentagen gruppiert, hat ein Montag eine völlig andere Kurvenform als ein Samstag.

  Vorab möglich - Glättung der Umsätze:

Für bestimmte Produktgruppen (z. B. Buffets, Pauschalen oder Menüs) kann eine vorab definierte Glättung aktiviert werden. Ziel ist es, den Umsatz so zu verteilen, dass er den tatsächlichen Zeitraum der Dienstleistung und des Arbeitsaufwands besser widerspiegelt.

Anstatt den vollen Betrag eines Artikels zum Zeitpunkt des Kassiervorgangs zu verbuchen, wird der Umsatz rechnerisch in die Zukunft „gestreckt“.

• Identifikation: Spezifische Artikel oder Warengruppen werden isoliert betrachtet.

• Zeitliche Streckung: Der Preis des Artikels wird durch eine festgelegte Anzahl von Zeitintervallen geteilt. Die Teilbeträge werden auf das aktuelle und die darauf folgenden Intervalle, bspw. 6 Intervalle (3 Stunden), verteilt.

• Effekt: Eine einmalige Zahlung um 10:00 Uhr wird somit gleichmäßig als Umsatz von 10:00 bis 13:00 Uhr gewertet. Alle anderen Artikel verbleiben exakt bei ihrem jeweiligen Bestellzeitpunkt.