Zum Hauptinhalt springen

Restaurant-Implementierungsleitfaden

Dieser Leitfaden unterstützt Restaurantteams bei der erfolgreichen Integration von Eaternity Forecast in den täglichen Betrieb, um Lebensmittelabfälle zu reduzieren und die Servicequalität zu erhalten.

Die Umstellung verstehen​

Von manueller zu KI-gestützter Prognose​

Traditionelle manuelle Prognose:

  • Intuition des Kochs basierend auf Erfahrung
  • Tabellenbasierte Verfolgung historischer Trends
  • Zeitaufwaendige Analyse jede Woche
  • Inkonsistente Genauigkeit (variiert je nach Person)
  • Begrenzte Berücksichtigung externer Faktoren

KI-gestützte Prognose mit Eaternity:

  • Neuronale Netzwerk-Analyse aller historischen Muster
  • Automatische Integration von Wetter, Ereignissen, Saisonalität
  • Sofortige tägliche Prognosen
  • Einheitliche Methodik
  • Kontinuierliches Lernen und Verbessern

Wichtige Einstellungsänderung: Forecast ersetzt nicht die Expertise des Kochs - es ergaenzt sie. Das System übernimmt die Datenanalyse, damit sich Ihr Team auf Qualität, Kreativität und Gästeerlebnis konzentrieren kann.

Integration in den täglichen Arbeitsablauf​

Morgendliche Planungsroutine​

Empfohlener Zeitplan (15-20 Minuten gesamt):

1. Leistung von gestern prüfen (5 Minuten)​

Tatsächliche Verkäufe mit Prognosen vergleichen:

Beispiel-Ueberpruefung:
Artikel: Pasta Carbonara
  - Prognose: 52 Portionen
  - Ist: 48 Portionen
  - Abweichung: -8% (im akzeptablen Bereich)
  - Abfall: 4 Portionen (minimal)

Artikel: Grilled Salmon
  - Prognose: 28 Portionen
  - Ist: 35 Portionen
  - Abweichung: +25% (untersuchen)
  - Ausverkauft: 14:30 Uhr (fuer Zukunft notieren)

Zu stellende Fragen:

  • Lagen die Abweichungen innerhalb der erwarteten Konfidenzintervalle?
  • Gab es unerwartete Ereignisse (Wetteränderung, Gruppenabsage)?
  • Gab es Servicequalitaetsprobleme (Ausfälle, überschüssiger Abfall)?
  • Was können wir für ähnliche Tage lernen?

2. Heutige Prognose prüfen (5 Minuten)​

Prognosen für den aktuellen Tag überprüfen:

  • Servicebereitschaft: Sind Zubereitungsmengen auf Prognose abgestimmt?
  • Konfidenzniveaus: Welche Artikel haben hohe vs. niedrige Konfidenz?
  • Besondere Faktoren: Wetteränderungen, Ereignisse, Feiertage
  • Anpassungsbedarf: Prognosen überschreiben, wenn Sie Informationen haben, die das Modell nicht kennt

Dashboard-Schnellansicht:

HEUTE: Mittwoch, 20. Januar 2024 | Temp: 8°C | Keine besonderen Ereignisse

Artikel mit hoher Konfidenz (>90% Genauigkeit):
  - Pasta Carbonara: 52 Portionen (Bereich: 48-56)
  - Caesar Salad: 31 Portionen (Bereich: 28-34)

Artikel mit mittlerer Konfidenz (75-90%):
  - Grilled Salmon: 28 Portionen (Bereich: 23-33)
  - Gemuese-Curry: 41 Portionen (Bereich: 36-46)

Artikel mit niedriger Konfidenz (unter 75%):
  - Neuer Artikel: Pilzrisotto: 15 Portionen (Bereich: 8-22)
    Hinweis: Ungenuegend historische Daten

3. Morgen planen (5-10 Minuten)​

Prognosen für den nächsten Tag nutzen für:

Zutatenbestellung:

  • Gesamtmengen basierend auf Prognosen berechnen
  • Puffer für Artikel mit hoher Varianz über obere Konfidenzgrenze hinzufügen
  • Puffer für sehr vorhersehbare Artikel reduzieren
  • Zubereitungsabfall und Portionsstandardisierung berücksichtigen

Personalplanung:

  • Küchenpersonal auf erwartetes Volumen abstimmen
  • Auf prognostizierte geschaeftige vs. ruhige Tage vorbereiten
  • Zubereitungsaufgaben in Zeiten geringerer Nachfrage planen

Menüanpassungen:

  • Artikel mit durchgehend niedrigen Prognosen pausieren erwägen
  • Artikel mit hoher prognostizierter Nachfrage bewerben
  • Auf saisonale Übergänge vorbereiten

Wöchentliche Planungsroutine​

Montag-Morgen-Überprüfung (30-45 Minuten):

1. Wochenrueckblick-Analyse​

Leistung der letzten Woche zusammenfassen:

Woche vom 13.-19. Januar 2024:

Gesamtgenauigkeit: 89,2%
  - Verbessert gegenueber Vorwoche: 85,1%

Bestleistungen:
  - Pasta Carbonara: 95% Genauigkeit
  - Caesar Salad: 93% Genauigkeit

Benoetigt Aufmerksamkeit:
  - Freitags-Fischspezial: 68% Genauigkeit
    Grund: Lieferverzoegerungen beeinflussten Verfuegbarkeit

2. Prognose für kommende Woche prüfen​

Blick auf die Woche:

  • Mustererkennung: Gibt es vorhersehbare geschaeftige/ruhige Tage?
  • Besondere Ereignisse: Konferenzen, Feiertage, Wettermuster
  • Menüplanung: Sollten Sie Angebote basierend auf Prognosen anpassen?
  • Bestandsplanung: Grossbestellungsmöglichkeiten für Artikel mit hoher Nachfrage

3. Teamkommunikation​

Erkenntnisse mit Küchenpersonal teilen:

Beispiel Team-Briefing:

Woche voraus (20.-26. Jan):

Erwartete geschaeftige Tage:
  - Freitag (24. Jan): Konferenz im nahen Hotel
    Volumenprognose: +35% vs. normaler Freitag

Erwartete ruhige Tage:
  - Montag (20. Jan): Nachurlaubsflaute
    Volumenprognose: -15% vs. normaler Montag

Menue-Hinweise:
  - Gemuese-Curry zeigt Aufwaertstrend (Winter-Komfortessen)
  - Salate leicht ruecklaeufig (Kaeltewettermuster)
  - Suppenangebote bewerben erwaegen

Konfidenzintervalle nutzen​

Jede Prognose enthält ein Konfidenzintervall, das den Bereich wahrscheinlicher Ergebnisse zeigt, nicht nur eine einzelne Zahl. Dies hilft Ihnen, bessere Zubereitungsentscheidungen basierend auf Ihren Prioritaeten zu treffen.

StrategieWann verwendenZubereiten auf
KonservativTeure/verderbliche ArtikelUntere Grenze
AusgewogenStandard-MenüpunktePunktschaetzung
OffensivSignatur-/guenstige ArtikelObere Grenze

Schnelles Beispiel:

Pasta Carbonara - Samstag:
  Punktschaetzung: 52 Portionen
  Konfidenzintervall: 48-56 (80% Konfidenz)

  → Konservativ: 48 zubereiten, Zutaten fuer mehr bereithalten
  → Ausgewogen: 52 Portionen zubereiten
  → Offensiv: 56 Portionen zubereiten

Für detaillierte Strategien, Pufferberechnungen und Entscheidungsrahmen siehe Konfidenzintervalle verstehen.

Umgang mit besonderen Situationen​

Neue Menüpunkte​

Herausforderung: Keine historischen Daten = Prognosen mit niedriger Konfidenz

Anfangsstrategie:

Woche 1: Start mit konservativer Menge
  - Prognosen aehnlicher Artikel als grobe Orientierung nutzen
  - Auf untere Grenze des geschaetzten Bereichs vorbereiten
  - Genau beobachten und taeglich anpassen

Woche 2-4: Schnelle Lernphase
  - Modell beginnt tatsaechliche Muster zu lernen
  - Konfidenzintervalle werden enger
  - Prognosen verbessern sich deutlich

Woche 5+: Normale Prognose
  - Genuegend Daten fuer zuverlaessige Prognosen
  - Standardkonfidenzniveaus erreicht

Beispiel:

Neuer Artikel: Pilzrisotto (Montag eingefuehrt)

Montag (Tag 1):
  - Keine Prognose verfuegbar
  - Zubereitung: 20 Portionen (geschaetzt)
  - Ist: 15 Portionen verkauft

Dienstag (Tag 2):
  - Prognose: 15 Portionen (Bereich: 10-20)
  - Konfidenz: Niedrig
  - Zubereitung: 15 Portionen

Woche 4:
  - Prognose: 22 Portionen (Bereich: 19-25)
  - Konfidenz: Mittel (80%)
  - Zubereitung: 22 Portionen

Saisonale Menüwechsel​

Herausforderung: Menüwechsel zwischen Jahreszeiten

Strategie:

Auslaufphase (2-4 Wochen vor Menüwechsel):

Auslaufende Sommerartikel:
  - Modell erkennt Abwaertstrend
  - Prognosen sinken allmaehlich
  - Konfidenzintervalle koennen sich weiten (weniger aktuelle Verkaeufe)
  - Zubereitungsmengen entsprechend reduzieren

Einfuehrungsphase (2-4 Wochen nach Menüwechsel):

Neue Herbstartikel:
  - Start mit Prognosen niedriger Konfidenz
  - Vorjahresdaten nutzen falls verfuegbar
  - Schnelles Lernen bei Ansammlung von Verkaufsdaten
  - Stabilisierung innerhalb von 3-4 Wochen

Beispiel saisonaler Wechsel:

Gegrillter Gemuesesalat (Sommer → Herbst):

Spaeter August:
  - Prognose: 45 Portionen/Tag (hohe Konfidenz)

Fruehe September:
  - Prognose: 32 Portionen/Tag (Modell erkennt Rueckgang)
  - Abkuehlung beeinflusst Salatbedarf

Spaeter September:
  - Prognose: 18 Portionen/Tag (Vorbereitung auf Auslauf)
  - Ersatz durch Herbstartikel erwaegen

Kuerbissuppe (Neuer Herbstartikel):

Fruehe September:
  - Woche 1 Prognose: 25 Portionen (niedrige Konfidenz, Bereich: 15-35)
  - Woche 2 Prognose: 28 Portionen (Konfidenz verbessert sich)

Spaeter September:
  - Prognose: 32 Portionen (mittlere Konfidenz, Bereich: 28-36)
  - Modell hat Bedarfsmuster gelernt

Besondere Ereignisse​

Herausforderung: Ungewöhnliche Umstände nicht in historischen Daten

Arten von Ereignissen:

Bekannte Ereignisse (Modell kennt sie)​

Ereignisse, die das Modell erkennen kann:

  • Öffentliche Feiertage: Weihnachten, Ostern, Neujahr
  • Wettermuster: Temperatur, Niederschlag, saisonale Trends
  • Wochentag: Wochenenden, Montage, Freitage
  • Lokale Ereignisse: Wenn in Ihren Daten enthalten (Konferenzen, Festivals)

Umgang:

  • Prognosen vertrauen - Modell hat diese Muster gelernt
  • Historische Genauigkeit für ähnliche Ereignisse prüfen
  • Nur kleine manuelle Anpassungen bei spezifischem Wissen

Unbekannte Ereignisse (Überschreibung erforderlich)​

Ereignisse, die manuelle Anpassung erfordern:

  • Unerwartete Gruppenbuchungen: Kürzlich gemachte grosse Reservierungen
  • Marketingkampagnen: Neue Aktionen nicht in historischen Daten
  • Versorgungsprobleme: Menüersatz wegen Zutatenverfuegbarkeit
  • Anlagenprobleme: Bauarbeiten, Geraeteausfall, eingeschraenkter Service

Überschreibungsprozess:

Über Dashboard oder API:

POST /api/forecast/predictions/override
{
  "date": "2024-01-25",
  "item": "Pasta Carbonara",
  "override_quantity": 75,
  "reason": "Konferenz-Gruppenbuchung (50 Pax bestaetigt)",
  "preserve_ratios": true
}

Über Necta-Oberfläche:

  1. Zur Prognose für bestimmtes Datum navigieren
  2. "Überschreiben" neben Artikel klicken
  3. Angepasste Menge und Grund eingeben
  4. Speichern - System passt verwandte Artikel proportional an falls gewuenscht

Beispiel:

Normale Samstagsprognose: 52 Pasta Carbonara

Situation: Hochzeitsfeier mit 80 bestaetigt, 60% waehlen Pasta
Erwartet von Hochzeit: 48 Portionen
Normaler Samstagsbedarf: 52 Portionen
Ueberschneidung (Hochzeitsgaeste = regulaere Gaeste): -15 Portionen

Angepasste Prognose:
  52 (normal) + 48 (Hochzeit) - 15 (Ueberschneidung) = 85 Portionen

Ueberschreiben auf: 85 Portionen
Grund: "Hochzeitsfeier, 80 Pax, 60% Pasta-Auswahl"

Unerwartete Abweichungen​

Wenn tatsächliche Verkäufe deutlich von Prognosen abweichen:

Schritt 1: Ereignis dokumentieren​

Details sofort festhalten:

Datum: 20. Januar 2024
Artikel: Grilled Salmon
Prognose: 28 Portionen
Ist: 42 Portionen
Abweichung: +50%

Umstaende:
  - Restaurantkritik heute Morgen veroeffentlicht
  - Social-Media-Erwahnungen +300% gestiegen
  - Laufkundschaft +40% vs. normaler Mittwoch

Schritt 2: Feedback ans Modell geben​

Über Dashboard-Feedback-Formular:

Abweichungsbericht:
  - Artikel: Grilled Salmon
  - Datum: 2024-01-20
  - Ist vs. Prognose: 42 vs. 28
  - Ursache: Medienberichterstattung/Restaurantkritik
  - Wiederkehrend?: Nein, einmaliges Ereignis
  - Ergriffene Massnahme: 14 zusaetzliche Portionen waehrend Service zubereitet

Schritt 3: Für Zukunft lernen​

Modellverbesserungen:

  • Sofort: Ihr Feedback hilft Modell, ungewöhnliche Ereignisse zu verstehen
  • Kurzfristig: Ähnliche Muster werden schneller erkannt
  • Langfristig: Modell lernt, fruehe Signale zu identifizieren (Social-Media-Trends)

Ihre Prozessverbesserungen:

  • Social-Media-Erwähnungen beobachten
  • Lokale Gastronomiepresse verfolgen
  • Pufferprozesse für Nachfragespitzen aufbauen
  • Lieferantenbeziehungen für Notfallbestellungen pflegen

Teamschulung und Akzeptanz​

Küchenpersonal schulen​

Woche 1: Einführung​

Ziele:

  • Verstehen, was Forecast ist und wie es funktioniert
  • Lernen, auf Prognosen zuzugreifen
  • Teamrollen und Verantwortlichkeiten identifizieren

Aktivitäten:

  • 30-minütige Übersichtspräsentation
  • Dashboard-Einführung
  • Frage-und-Antwort-Runde
  • Kurzanleitungen verteilen

Kernbotschaften:

"Forecast ist ein Werkzeug, das uns hilft, es ersetzt uns nicht"
"Wir brauchen immer noch Ihre Expertise fuer endgueltige Entscheidungen"
"Das System lernt aus unserem Feedback"
"Ziel ist weniger Abfall und besserer Service, nicht perfekte Prognosen"

Woche 2-3: Praktische Uebung​

Ziele:

  • Prognosen in der Planung ueben
  • Konfidenzintervall-Interpretation lernen
  • Feedback-Gewohnheiten entwickeln

Aktivitäten:

  • Tägliche 5-minütige Standup-Meetings
  • Gestrige Genauigkeit gemeinsam prüfen
  • Abweichungen diskutieren und gemeinsam lernen
  • Fragen und Experimentieren ermutigen

Uebungsszenarien:

Szenario 1: Prognose mit hoher Konfidenz
  - Artikel mit 95% Genauigkeit, engem Konfidenzintervall
  - Wie viel bereiten wir zu?

Szenario 2: Prognose mit niedriger Konfidenz
  - Neuer Artikel, weites Konfidenzintervall
  - Was ist unsere Strategie?

Szenario 3: Unerwartetes Ereignis
  - Grosse Gruppenbuchung nach Prognoseerstellung
  - Wie passen wir an?

Woche 4+: Kontinuierliche Verbesserung​

Ziele:

  • Workflow-Integration optimieren
  • Leistungsverbesserungen verfolgen
  • Erfolge und Herausforderungen teilen

Aktivitäten:

  • Wöchentliche Team-Review-Meetings
  • Monatliche Genauigkeits- und Abfallreduzierungsberichte
  • Erfolge feiern (Abfallreduzierung, Zeitersparnis)
  • Prozesse iterieren

Häufige Widerstaende überwinden​

"Ich vertraue den Prognosen nicht"​

Antwort:

  • Mit Beobachtungsmodus starten (Prognosen mit aktueller Methode vergleichen)
  • Genauigkeitsdaten aus Validierungsstudien zeigen
  • Mit risikoarmen Artikeln beginnen
  • Vergleichsleistung verfolgen

Aktion:

Woche 1: Parallele Prognose durchfuehren
  - Ihre Methode vs. Forecast
  - Welche ist genauer, verfolgen
  - Ergebnisse woechentlich gemeinsam pruefen

Die meisten Teams stellen fest:
  - KI erreicht oder uebertrifft ihre Genauigkeit innerhalb von 2 Wochen
  - Zeitersparnis wird sofort sichtbar
  - Vertrauen waechst mit Erfahrung

"Das System versteht unsere Küche nicht"​

Antwort:

  • Erklaeren, wie Modell IHRE spezifischen Muster lernt
  • Beispiele der Mustererkennung zeigen (Wochentag/Wochenende, Saisonalität)
  • Kontinuierliches Lernen aus Feedback hervorheben

Aktion:

- Trainingsdaten gemeinsam pruefen - es sind IHRE historischen Verkaeufe
- Zeigen, wie sich Konfidenz verbessert, waehrend Modell lernt
- Demonstrieren, dass Feedback direkt zukuenftige Prognosen verbessert
- Auf kuechenspezifische Muster hinweisen, die Modell gelernt hat

"Was wenn die Prognosen falsch sind?"​

Antwort:

  • Keine Prognose ist perfekt (auch manuelle Prognosen nicht)
  • Ziel ist bessere durchschnittliche Genauigkeit, nicht Perfektion
  • Konfidenzintervalle berücksichtigen Unsicherheit
  • Überschreibungsmöglichkeit bleibt erhalten

Aktion:

- Aktuellen Abfall durch Ueberprognose berechnen
- Aktuelle Ausfaelle durch Unterprognose berechnen
- Forecast-Leistung vs. aktuelle Methode verfolgen
- Allmaehliche Verbesserung ueber Zeit zeigen

Erfolg messen​

Leistungskennzahlen​

Lebensmittelabfallreduzierung​

Metrik: Prozentuale Reduzierung weggeworfener Portionen

Verfolgung:

Vor Forecast (Basismonat):
  - Zubereitete Portionen gesamt: 3.450
  - Weggeworfene Portionen gesamt: 425
  - Abfallrate: 12,3%

Nach Forecast (Monat 3):
  - Zubereitete Portionen gesamt: 3.280
  - Weggeworfene Portionen gesamt: 245
  - Abfallrate: 7,5%

Verbesserung:
  - Abfallreduzierung: 39% weniger weggeworfene Portionen
  - Reduktion Ueberproduktion: 5% weniger zubereitete Portionen
  - Qualitaet erhalten: Keine Zunahme bei Ausfaellen

Kosteneinsparungen:

Durchschnittliche Portionskosten: 5,50 EUR
Reduzierte weggeworfene Portionen: 180/Monat
Monatliche Einsparungen: 990 EUR
Jaehrliche Einsparungen: 11.880 EUR

Prognosegenauigkeit​

Metrik: Mittlerer absoluter prozentualer Fehler (MAPE)

Berechnung:

MAPE = Durchschnitt von: |Ist - Prognose| / Ist x 100%

Beispielwoche:
  - Montag: |48 - 52| / 48 = 8,3%
  - Dienstag: |55 - 51| / 55 = 7,3%
  - Mittwoch: |42 - 45| / 42 = 7,1%
  - Donnerstag: |58 - 54| / 58 = 6,9%
  - Freitag: |73 - 71| / 73 = 2,7%

Wochen-Durchschnitt MAPE: 6,5% (sehr gut)

Ziel-Benchmarks:

  • Sehr gut: unter 10% MAPE
  • Gut: 10-15% MAPE
  • Akzeptabel: 15-20% MAPE
  • Verbesserungsbedarf: über 20% MAPE

Zeitersparnis​

Metrik: Gesparte Stunden pro Woche bei Prognose

Typische Einsparungen:

Manuelle Prognose (vorher):
  - Woechentliche Menueueberpruefung: 2 Stunden
  - Taegliche Prognose: 30 Min x 6 Tage = 3 Stunden
  - Abweichungsanalyse: 1 Stunde
  Gesamt: 6 Stunden/Woche

Mit Forecast (nachher):
  - Automatische Prognosen: 0 Stunden
  - Taegliche Ueberpruefung: 10 Min x 6 Tage = 1 Stunde
  - Woechentliche Leistungsueberpruefung: 30 Minuten
  Gesamt: 1,5 Stunden/Woche

Zeitersparnis: 4,5 Stunden/Woche (75% Reduzierung)
Wert: 4,5 Stunden x 35 EUR/Stunde = 157,50 EUR/Woche
Jaehrlicher Wert: 8.190 EUR

Servicequalität​

Metrik: Ausfallhäufigkeit

Verfolgung:

Vor Forecast:
  - Ausfaelle pro Woche: 3-4 Vorfaelle
  - Gaestenttaeuschung: Maessig

Nach Forecast:
  - Ausfaelle pro Woche: 0-1 Vorfaelle
  - Gaestenttaeuschung: Minimal

Verbesserung: 75% Reduzierung bei Ausfaellen

Monatliche Berichterstattung​

Vorlage Zusammenfassung:

Eaternity Forecast Leistungsbericht
Monat: Januar 2024

Kennzahlen:
Lebensmittelabfall: 7,2% (gesunken von 12,8% Basis)
Prognosegenauigkeit: 91,5% Durchschnitt (Ziel: >85%)
Kosteneinsparungen: 1.045 EUR diesen Monat
Ausfaelle: 2 Vorfaelle (gesunken von 14 Basis)

Bestleistungen (>95% Genauigkeit):
  - Pasta Carbonara: 96,2%
  - Caesar Salad: 95,8%
  - Hausbrot: 95,1%

Artikel mit Aufmerksamkeitsbedarf (unter 85% Genauigkeit):
  - Freitags-Fischspezial: 78,3%
    → Massnahme: Lieferantenzuverlaessigkeit pruefen
  - Wochenend-Brunch-Artikel: 82,1%
    → Massnahme: Laengerer historischer Zeitraum noetig

Generierter Gesamtwert: 1.730 EUR
  - Abfallreduzierung: 1.045 EUR
  - Zeitersparnis: 685 EUR

Kumulative Einsparungen (3 Monate): 4.850 EUR
Prognostizierte Jahreseinsparungen: 19.400 EUR

Bewährte Methoden​

Empfehlungen​

  • Prognosen täglich prüfen — Teil der Morgenroutine machen
  • Konfidenzintervalle verstehen — Bereiche für Entscheidungen nutzen
  • Feedback bei Abweichungen geben — Dem Modell beim Lernen helfen
  • Leistungsmetriken verfolgen — Abfall, Genauigkeit, Einsparungen messen
  • Den Daten vertrauen — Reine Intuition allmaehlich loslassen
  • Mit Team kommunizieren — Erkenntnisse und Erfolge teilen
  • Überschreibungsmöglichkeit beibehalten — Bei speziellem Wissen nutzen
  • Konservativ starten — Mit unteren Grenzen beginnen bis Vertrauen wächst

Nicht empfohlen​

  • Weite Konfidenzintervalle ignorieren — Sie signalisieren Unsicherheit
  • Überschreiben ohne Dokumentation — Gründe für Lernen verfolgen
  • Perfektion erwarten — Auf durchschnittliche Verbesserung fokussieren
  • Trainingsphase überspringen — Modell braucht Zeit, Ihre Muster zu lernen
  • Menüänderungen nicht aktualisieren — System informiert halten
  • Neue Artikel ablehnen — System lernt schnell mit Daten
  • Feedback-Anfragen ignorieren — Ihre Eingabe verbessert Genauigkeit
  • Planungsprozess zu schnell ändern — Allmaehlicher Übergang funktioniert besser

Fehlerbehebung bei haeufigen Problemen​

Prognosen erscheinen zu hoch​

Mögliche Ursachen:

  • Aktuelle Menüänderungen nicht in Prognose reflektiert
  • Saisonaler Rückgang beginnt
  • Qualitäts- oder Serviceprobleme beeinflussen Nachfrage
  • Wettbewerb oder Marktveränderungen

Massnahmen:

  1. Prüfen, ob Artikel saisonal auslauft
  2. Aktuelle Gästefeedbacks auf Qualitätsprobleme prüfen
  3. Verifizieren, dass Menüpreise nicht gestiegen sind
  4. Nach neuer Konkurrenz in der Nähe suchen
  5. Feedback mit Kontext ans Modell geben

Prognosen erscheinen zu niedrig​

Mögliche Ursachen:

  • Neue Aktion oder Marketingkampagne
  • Verbesserte Qualität oder Rezeptänderungen
  • Saisonaler Aufschwung beginnt
  • Positive Medienberichterstattung

Massnahmen:

  1. Verifizieren, ob kuerzlich Marketing nicht in Modelldaten
  2. Social-Media-Erwähnungen oder Bewertungen prüfen
  3. Prüfen, ob Qualitätsverbesserungen vorgenommen wurden
  4. Nach beginnendem saisonalen Trend suchen
  5. Vorübergehend überschreiben und Feedback geben

Genauigkeit nimmt über Zeit ab​

Mögliche Ursachen:

  • Menüänderungen nicht im System aktualisiert
  • Datenqualitätsprobleme
  • Wesentliche betriebliche Änderungen
  • Modell muss neu trainiert werden

Massnahmen:

  1. Verifizieren, dass Menüaktualisierungen kommuniziert werden
  2. Konsistenz der Dateneinreichung prüfen
  3. Auf Prozessänderungen prüfen
  4. Support für Modellaktualisierung kontaktieren

Weite Konfidenzintervalle​

Mögliche Ursachen:

  • Hohe natürliche Variabilität der Nachfrage
  • Ungenuegend historische Daten
  • Mehrere unvorhersehbare Faktoren
  • Neue oder saisonale Artikel

Massnahmen:

  1. Höhere Unsicherheit für diese Artikel akzeptieren
  2. Konservativen Ansatz verwenden (auf untere Grenze vorbereiten)
  3. Hoeheren Zutatenpuffer beibehalten
  4. Mehr Feedback geben, um Lernen zu beschleunigen

Siehe auch​