Aktuelle Funktionen

Eaternity Forecast bietet umfassende Bedarfsprognose-Fähigkeiten für professionelle Küchen. Diese Seite beschreibt alle derzeit verfügbaren Funktionen.

Kern-Prognosefunktionen

Tägliche Bedarfsprognose

Beschreibung: KI-gestützte Prognosen für jeden Menüpunkt, jeden Tag

Fähigkeiten:

• Mengenprognosen für jeden Menüpunkt
• 7-Tage-Prognosefenster (Prognosen der nächsten Woche)
• 14-Tage-erweiterte Prognose (für fortgeschrittene Planung)
• Granularität auf Artikelebene (einzelne Gerichte, nicht Kategorien)
• Servicezeitraum-Aufschlüsslung (Mittag- vs. Abendprognosen)

Genauigkeit:

• Durchschnittlicher MAPE: 12,8%
• 25% besser als menschliche Prognostiker
• Kontinuierliche Verbesserung durch Modelllernen

Beispielausgabe:

{
  "date": "2024-01-20",
  "item": "Pasta Carbonara",
  "predicted_quantity": 52,
  "service_period": "lunch"
}

Konfidenzintervalle

Beschreibung: Prognosebereiche, die Unsicherheit und Zuverlässigkeit zeigen

Jede Prognose enthält ein 80% Konfidenzintervall (10. bis 90. Perzentil) zur Unterstützung bei der Wahl von Zubereitungsstrategien:

Komponente	Beschreibung
Punktschätzung	Wahrscheinlichste Menge
Untere Grenze	10% Chance, weniger zu verkaufen
Obere Grenze	10% Chance, mehr zu verkaufen

Mehr über Konfidenzintervalle erfahren →

Historische Genauigkeitsverfolgung

Beschreibung: Echtzeit-Überwachung der Prognoseleistung

Bereitgestellte Metriken:

• Mittlerer absoluter prozentualer Fehler (MAPE) nach Artikel
• Artikel innerhalb ±10% Genauigkeitszählung
• Grosse Abweichungserkennung (>20% Fehler)
• Trendanalyse (verbessernd, stabil, rückläufig)

Zeiträume:

• Genauigkeit der letzten 7 Tage
• Genauigkeit der letzten 30 Tage
• Durchschnittliche Gesamtgenauigkeit

Dashboard-Ansicht:

Artikel: Pasta Carbonara

Genauigkeitsmetriken:
  Letzte 7 Tage:   95,2% (MAPE: 4,8%)
  Letzte 30 Tage:  94,2% (MAPE: 5,8%)
  Gesamt:          93,8% (MAPE: 6,2%)

Aktuelle Leistung:
  ✅ Innerhalb ±10%: 27 von 30 Tagen
  ⚠️ Grosse Abweichung: 1 Tag (besonderes Ereignis)

Integration externer Faktoren

Wetterintegration

Beschreibung: Automatische Wetterdatenintegration für temperaturempfindliche Prognosen

Datenquellen:

• Temperatur (aktuell und Vorhersage)
• Niederschlag
• Wetterbedingungen (sonnig, regnerisch, schneeig, usw.)
• Saisonale Effekte

Auswirkungsbeispiele:

• Kalte Tage → Höherer Suppen- und Warmgerichtbedarf
• Warme Tage → Höherer Salat- und Kaltgetränkebedarf
• Regentage → Geringeres Gesamtvolumen (weniger Laufkundschaft)
• Extremwetter → Breitere Konfidenzintervalle (Unsicherheit)

Abdeckung:

• Automatische Standorterkennung basierend auf Küchenadresse
• 7-Tage-Wettervorhersage integriert
• Historische Wetterdaten für Musterlernen

Feiertags- und Ereigniserkennung

Beschreibung: Automatische Erkennung von Feiertagen und besonderen Ereignissen

Erkannte Ereignisse:

• Öffentliche Feiertage (Weihnachten, Ostern, Neujahr, usw.)
• Schulferien (für Universitäts-/Schulkantinen)
• Lokale Veranstaltungen (wenn Daten bereitgestellt)
• Wochentagsmuster (Freitage vs. Montage)

Effekte:

• Angepasste Prognosen für Feiertagsmuster
• Breitere Konfidenzintervalle für unregelmässige Ereignisse
• Historisches Feiertagsmusterlernen

Manuelle Ereignishinzufügung:

POST /v1/forecast/events
{
  "date": "2024-02-14",
  "name": "Valentinstag Spezialmenue",
  "expected_impact": "high_volume",
  "notes": "Romantische Dinner-Pakete, erwarte 2× normaler Samstag"
}

Menüverwaltung

Behandlung neuer Artikel

Beschreibung: Intelligente Prognosen für kürzlich eingeführte Menüpunkte

Ansatz:

• Woche 1: Niedrige Konfidenz, weite Intervalle (±30-40%)
• Woche 2-3: Schnelles Lernen, Konfidenz verbessert sich
• Monat 2+: Normale Konfidenz, vergleichbar mit etablierten Artikeln

Strategien:

• Muster ähnlicher Artikel als anfänglichen Näherungswert verwenden
• Konservative Zubereitungsempfehlungen
• Beschleunigtes Lernen aus tatsächlichen Verkäufen
• Automatische Konfidenzanpassung bei Datenakkumulation

Beispiel Lernkurve:

Neuer Artikel: Pilzrisotto

Woche 1: Prognose 22 (Bereich: 12-32, MAPE: 23%)
Woche 2: Prognose 25 (Bereich: 18-32, MAPE: 17%)
Woche 3: Prognose 27 (Bereich: 22-32, MAPE: 14%)
Woche 4: Prognose 28 (Bereich: 24-32, MAPE: 11%)

Erkennung eingestellter Artikel

Beschreibung: Automatische Erkennung und Behandlung von Menüänderungen

Fähigkeiten:

• Automatische Erkennung wenn Artikel 7+ aufeinanderfolgende Tage null Verkäufe hat
• Sanftes Auslaufen der Prognosen
• Historische Datenbewahrung für zukünftige Referenz
• Reaktivierungsunterstützung wenn Artikel auf Menü zurückkehrt

Statusverfolgung:

Artikel: Sommer-Salatvariante

Status: Eingestellt
Letzter Verkauf: 10.01.2024
Grund: Null Verkaeufe an 14 aufeinanderfolgenden Tagen
Aktion: Prognosen gestoppt
Reaktivierung: Verfuegbar wenn Artikel auf Menue zurueckkehrt

Saisonale Menüänderungen

Beschreibung: Unterstützung für wechselnde saisonale Menüs

Fähigkeiten:

• Saisonale Muster jährlich lernen
• Menüübergänge automatisch erkennen
• Prognosen für saisonale Zutaten anpassen
• Menürotationszyklen handhaben

Beispiel:

Herbst → Winter Menueuebergang:

Auslaufend (Herbst):
  - Sommersalat: Ruecklaeufige Prognosen erkannt
  - Gegrilltes Gemuese: Bedarfstrend nach unten

Einfuehrend (Winter):
  - Kuerbissuppe: Neuer Artikel, Lernphase
  - Geschmorte Short Ribs: Vorjahres-Daten angewendet

Berichterstattung und Analytik

Tägliche Leistungsberichte

Beschreibung: Morgenberichte, die gestrige Prognosen mit Istwerten vergleichen

Enthält:

• Gesamtgenauigkeits-Zusammenfassung
• Artikel innerhalb Zielgenauigkeit (±10%)
• Grosse Abweichungen, die Untersuchung erfordern
• Top-Performer
• Artikel mit Aufmerksamkeitsbedarf

Zustelloptionen:

• E-Mail (geplante Zustellung)
• Dashboard-Widget
• Mobilapp-Benachrichtigung
• API-Endpunkt

Beispielbericht:

Taeglicher Leistungsbericht
Datum: 19. Januar 2024

Gesamtgenauigkeit: 91,2% ✅
Artikel innerhalb ±10%: 58 von 65

Top-Performer:
  1. Pasta Carbonara: 3,2% Fehler
  2. Caesar Salad: 4,1% Fehler
  3. Hausbrot: 2,8% Fehler

Benoetigt Ueberpruefung:
  - Grilled Salmon: 28% Fehler (+8 Portionen)
    Moegliche Ursache: Unerwartet warmes Wetter

Wöchentliche Prognose-Zusammenfassung

Beschreibung: Umfassender Wochenausblick für Planung

Enthält:

• 7-Tage-Prognosen für alle Menüpunkte
• Erwartete geschäftige vs. ruhige Tage
• Empfohlene Fokusartikel für Bewerbung
• Vorgeschlagene Zubereitungsprioritäten

Anwendungsfälle:

• Wöchentliche Einkaufsbestellungen
• Personalplanung
• Menüplanungsentscheidungen
• Werbestrategie

Formatoptionen:

• Excel-Export (bearbeitbare Planungsblätter)
• PDF-Bericht (für Küchenausdruck)
• API-Daten (Integration mit Planungstools)

Monatlicher Geschäftsauswirkungsbericht

Beschreibung: Führungskräfte-Zusammenfassung des Prognosewerts

Metriken:

• Lebensmittelabfallreduzierung (Portionen und Kosten)
• Prognosegenauigkeitstrends
• Kosteneinsparungen (Abfall + Zeit)
• Servicequalität (Ausfallverfolgung)
• Umweltauswirkung (vermiedenes CO₂e)

Beispielbericht:

Monatsbericht: Januar 2024

Finanzielle Auswirkung:
  Lebensmittelabfalleinsparungen:   1.045 EUR
  Wert der Zeitersparnis:              715 EUR
  Ausfallreduzierung:                  185 EUR
  Geschaffener Gesamtwert:           1.945 EUR

Betriebliche Metriken:
  Durchschnitt MAPE:              12,3%
  Abfallrate:                     7,1% (gesunken von 12,8%)
  Ausfaelle:                      2 Vorfaelle (gesunken von 14)
  Eingesparte Zeit:               20 Stunden

Umweltauswirkung:
  Vermiedenes CO₂e:               285 kg
  Vermiedener Lebensmittelabfall: 2.450 Portionen
  Geschontes Wasser:              32.000 Liter

Trend: Verbessernd (vs. Vormonat)

Integrationsfunktionen

REST-API

Beschreibung: Voll funktionsfähige API für Systemintegration

Fähigkeiten:

• Verkaufsdaten einreichen (täglich oder Massenimport)
• Prognosen abrufen (Datumsbereichsabfragen)
• Prognosen manuell überschreiben
• Analytik und Berichte abrufen
• Menüpunkte und Ereignisse verwalten

Authentifizierung:

• OAuth 2.0 (benutzerdelegierter Zugriff)
• API-Schlüssel (Server-zu-Server)

Ratenbegrenzungen:

• 100 Anfragen/Minute
• 10.000 Anfragen/Tag
• Benutzerdefinierte Limits verfügbar

API-Dokumentation anzeigen →

Necta-Integration

Beschreibung: Native Integration mit Necta ERP

Funktionen:

• Automatische Datensynchronisation aus Necta-Verkäufen
• Natives Dashboard im Necta-Planungsmodul
• Nahtloser Workflow (kein Systemwechsel)
• Ein-Klick-Export nach Excel aus Necta

Exklusive Vorteile:

• Null Einrichtungskomplexität
• Automatische Menüaktualisierungen
• Integrierte Rezeptkalkulation
• Priorisierter Support

Mehr über Necta-Integration erfahren →

Webhook-Unterstützung

Beschreibung: Echtzeit-Benachrichtigungen für wichtige Ereignisse

Verfügbare Ereignisse:

• predictions.generated — Neue Prognosen bereit
• variance.large — Signifikanter Prognosefehler erkannt
• data.quality_issue — Probleme bei Dateneinreichung
• model.retrained — Modell mit neuen Daten aktualisiert

Anwendungsfälle:

• Automatisierte Workflows auslösen
• Alarmsystemintegration
• Echtzeit-Dashboards
• Lagerverwaltungssysteme

Beispiel-Webhook:

{
  "event": "predictions.generated",
  "timestamp": "2024-01-20T03:15:42Z",
  "data": {
    "date_range": {"start": "2024-01-20", "end": "2024-01-27"},
    "total_items": 65,
    "prediction_url": "/v1/forecast/predictions?date=2024-01-20"
  }
}

Exportfähigkeiten

Beschreibung: Mehrere Formate für Datenexport

Formate:

• Excel (.xlsx) mit formatierten Tabellen und Diagrammen
• CSV (kommagetrennte Werte) für Import in andere Systeme
• PDF-Berichte zum Drucken und Teilen
• JSON über API für programmatischen Zugriff

Exportumfänge:

• Einzelner Tag alle Artikel
• Datumsbereich bestimmte Artikel
• Vollständige Wochenprognose
• Historische Genauigkeitsberichte

Benutzeroberflächen-Funktionen

Dashboard

Beschreibung: Webbasierte Oberfläche für nicht-technische Benutzer

Widgets:

• Heutige Leistungszusammenfassung
• Morgige Prognose
• Wöchentliche Kalenderansicht
• Genauigkeitstrend-Diagramm
• Top-Artikel-Tabelle

Anpassung:

• Widget-Anordnung
• Artikelfilter
• Datumsbereichsauswahl
• Metrik-Präferenzen

Manuelle Überschreibung

Beschreibung: Möglichkeit, Prognosen manuell anzupassen

Anwendungsfälle:

• Bekannte Ereignisse nicht in historischen Daten
• Spezielle Werbeaktionen
• Versorgungsunterbrechungen
• Betriebliche Einschränkungen

Prozess:

1. Artikel und Datum auswählen
2. Überschreibungsmenge eingeben
3. Grund angeben (für Lernen dokumentiert)
4. Optional: Verwandte Artikel proportional anpassen

Verfolgung:

• Überschreibungshistorie protokolliert
• Wirksamkeit gemessen
• Gründe für Modellverbesserung analysiert

Beispiel:

Prognose ueberschreiben

Artikel: Pasta Carbonara
Datum: Samstag, 25. Januar
Urspruengliche Prognose: 52 (48-56)

Ueberschreibungsmenge: 75
Grund: Konferenzbuchung (50 Personen bestaetigt)

☑ Verhaeltnisanpassung auf verwandte Artikel anwenden
  - Caesar Salad: 31 → 45
  - Tiramisu: 18 → 26

[Abbrechen] [Ueberschreibung speichern]

Benachrichtigungssystem

Beschreibung: Warnungen und Erinnerungen für wichtige Ereignisse

Benachrichtigungstypen:

• Täglich: Prognosen bereit
• Wöchentlich: Prognose-Zusammenfassung verfügbar
• Monatlich: Leistungsbericht generiert
• Ad-hoc: Grosse Abweichungen, Datenqualitätsprobleme

Zustellkanäle:

• E-Mail
• Dashboard-Benachrichtigungen
• Mobile Push (geplant Q3 2024)
• Slack-Integration (geplant Q3 2024)

Datenverwaltungs-Funktionen

Datenqualitäts-Überwachung

Beschreibung: Automatische Erkennung von Datenproblemen

Prüfungen:

• Vollständigkeit: Fehlende Daten oder Artikel
• Konsistenz: Artikelnamen-Variationen
• Genauigkeit: Ausreisser und Anomalien
• Aktualität: Verspätete Einreichungen

Qualitätswert:

Gesamtdatenqualitaet: 92% ✅

Komponenten:
  Vollstaendigkeit:  100% ✅ (keine fehlenden Daten)
  Konsistenz:        89%  ✅ (geringfuegige Benennungsprobleme)
  Genauigkeit:       95%  ✅ (wenige Ausreisser)
  Aktualitaet:       85%  ✅ (einige verspaetete Einreichungen)

Probleme:
  - 3 Artikel mit Namensvariation (Standardisierung empfohlen)
  - 2 verspaetete Einreichungen in letzten 30 Tagen

Historische Datenverwaltung

Beschreibung: Werkzeuge zur Verwaltung historischer Verkaufsdaten

Fähigkeiten:

• Massenimport (CSV, Excel, JSON)
• Datenkorrektur (Fehler in eingereichten Daten beheben)
• Artikel-Mapping (inkonsistente Namen standardisieren)
• Datenexport (Backup und Analyse)

Aufbewahrung:

• Minimum 90 Tage aktiv (für Training)
• Maximum 365 Tage anfangs (erweiterbar)
• Archivspeicherung jenseits von 365 Tagen

Datenschutz und Sicherheit

Beschreibung: Datenschutz und Zugriffskontrolle

Funktionen:

• Verschlüsselung bei Übertragung (TLS 1.2+) und im Ruhezustand
• Zugriffskontrolle (rollenbasierte Berechtigungen)
• Audit-Protokollierung (alle API-Zugriffe verfolgt)
• Datenisolierung (Ihre Daten nie mit anderen vermischt)

Compliance:

• DSGVO-konform
• Datenverarbeitungsvertrag verfügbar
• Recht auf Datenlöschung
• Datenportabilitäts-Unterstützung

Plattform-Funktionen

Multi-Standort-Unterstützung

Beschreibung: Prognosen für mehrere Küchen verwalten

Fähigkeiten:

• Separates Modell pro Standort
• Gemeinsames Lernen über Standorte (optional)
• Konsolidierte Berichterstattung
• Standortspezifische Konfigurationen

Anwendungsfälle:

• Restaurantketten
• Betriebscatering (mehrere Standorte)
• Krankenhausnetzwerke
• Universitätskantinen

Administration:

• Zentralisierte Abrechnung
• Einheitliche Verwaltung

Für Preisinformationen besuchen Sie eaternity.org/pricing.

Benutzerverwaltung

Beschreibung: Teamzugriff und Berechtigungskontrolle

Rollen:

• Admin: Vollzugriff, Abrechnung, Benutzerverwaltung
• Manager: Prognosen anzeigen, überschreiben, Berichte
• Küchenpersonal: Nur Prognosen anzeigen
• Nur-Lesen: Nur Berichte und Analytik

Funktionen:

• Teammitglieder per E-Mail einladen
• Rollen und Berechtigungen zuweisen
• Aktivitätsprotokollierung
• Single Sign-On (SSO) geplant Q4 2024

Modell-Neutraining

Beschreibung: Kontinuierliche Modellverbesserung

Häufigkeit:

• Wöchentliches Neutraining (jeden Montag um 4 Uhr)
• Ad-hoc-Neutraining (nach signifikanten Menüänderungen)

Prozess:

• Neueste Verkaufsdaten einbeziehen
• Modellparameter optimieren
• Genauigkeitsverbesserungen validieren
• Bereitstellen wenn Leistung verbessert

Benachrichtigungen:

• E-Mail-Zusammenfassung nach Neutraining
• Genauigkeitsvergleich (vorher/nachher)
• Neue Basislinie etabliert

Beispiel:

Modell erfolgreich neu trainiert

Datum: Montag, 22. Januar 2024
Trainingsdaten: 1. Oktober 2023 - 19. Januar 2024

Verbesserungen:
  Vorheriger MAPE: 13,3%
  Neuer MAPE:      12,1%
  Verbesserung:    +1,2%

Verbesserte Artikel:
  - Grilled Salmon: 15,2% → 12,8%
  - Tagesangebote: 19,5% → 16,3%

Bereitgestellt: Ja
Status: Aktiv

Support-Funktionen

Dokumentation

Beschreibung: Umfassende Anleitungen und Referenzen

Verfügbar:

• Erste-Schritte-Anleitungen
• API-Referenzdokumentation
• Bewährte Implementierungsmethoden
• Fehlerbehebungsanleitungen
• Video-Tutorials

Formate:

• Online-Dokumentation (diese Seite)
• PDF-Downloads
• Video-Tutorials
• Interaktive Beispiele

Technischer Support

Beschreibung: Expertenunterstützung für Benutzer

Kanäle:

• E-Mail-Support
• Dashboard-Hilfecenter
• API-Dokumentation
• Telefonsupport (Premium-Stufe)

Antwortzeiten:

• Kritisch: 4 Stunden
• Hoch: 24 Stunden
• Mittel: 48 Stunden
• Niedrig: 1 Woche

Enthaltener Support:

• Integrationsunterstützung
• Datenqualitätsberatung
• Genauigkeitsoptimierungs-Anleitung
• Funktionsnutzungsschulung

Funktionsanfragen

Beschreibung: Community-getriebene Produktentwicklung

Prozess:

1. Funktionsanfrage über Dashboard oder E-Mail einreichen
2. Eaternity-Team prüft und priorisiert
3. Community-Abstimmung (Kunden)
4. Entwicklungs-Roadmap aktualisiert
5. Benachrichtigung wenn Funktion ausgeliefert

Aktuelle Top-Anfragen (in Entwicklung):

• Orbisk visuelle Abfallverfolgung Integration
• Multi-Standort POS-System-Unterstützung
• Rezeptbasierte Zutatenprognose
• Erweitertes Analytik-Dashboard

Vollständige Roadmap anzeigen →

Siehe auch

• Roadmap — Kommende Funktionen und Entwicklungspläne
• Integrationsoptionen — Wie Sie Ihre Systeme verbinden
• API-Referenz — Vollständige API-Dokumentation
• Implementierungsleitfaden — Bewährte Methoden für die tägliche Nutzung