Zum Hauptinhalt springen

Kurzanleitung zur Einrichtung

Bringen Sie Eaternity Forecast in vier einfachen Schritten in Ihrer Küche zum Laufen. Diese Anleitung behandelt den Einrichtungsprozess vom ersten Kontakt bis zum Erhalt Ihrer ersten Prognosen.

Überblick​

Zeitplan​

PhaseDauerHauptaktivitaeten
Einrichtung1-2 WochenIntegration, Datenimport, Konfiguration
Training1-2 WochenNeuronales Netzwerk lernt Ihre Muster
Test1 WochePrognosen validieren, Feedback sammeln
ProduktionLaufendTägliche Prognosen für die Planung

Gesamtzeit bis zur ersten Prognose: 2-4 Wochen je nach Integrationsmethode

Voraussetzungen​

Stellen Sie vor dem Start sicher, dass Sie:

  • Ihr POS/ERP-System und die Datenzugriffsmethode identifiziert haben
  • Eine Kontaktperson im Team benannt haben
  • Mindestens 30 Tage historische Verkaufsdaten verfügbar haben
  • Eaternity kontaktiert haben, um das Onboarding zu beginnen

Schritt 1: Systemintegration​

Wählen Sie Ihre Integrationsmethode basierend auf Ihrer technischen Ausstattung.

Option A: Necta-Integration (Schnellste)​

Geeignet für: Bestehende Necta-Kunden

Einrichtungsprozess:

  1. Necta-Kundenbetreuer kontaktieren

    E-Mail-Betreff: "Eaternity Forecast Integration aktivieren"
    Inhalt: Ihr Firmenname und Necta-Konto-ID

  2. Eaternity-Konfiguration

    • Unser Team erhält Benachrichtigung von Necta
    • Wir konfigurieren die Verbindung (keine Aktion von Ihnen erforderlich)
    • Historische Daten werden automatisch aus der Necta-Datenbank importiert

  3. Verifizierung

    • Sie erhalten eine Bestaetigungs-E-Mail, wenn die Verbindung aktiv ist
    • Melden Sie sich bei Necta an, um zu überprüfen, ob das Forecast-Modul erscheint
    • Importstatus der historischen Daten im Dashboard sichtbar

Zeitrahmen: 3-5 Werktage

Option B: Direkte API-Integration​

Geeignet für: Individuelle POS/ERP-Systeme mit technischen Ressourcen

Einrichtungsprozess:

  1. API-Dokumentation lesen

  2. Datenendpunkte implementieren

    Erstellen Sie Endpunkte für:

    Verkaufsdatenexport (Erforderlich):

    POST /api/forecast/sales
    {
      "date": "2024-01-15",
      "items": [
        {
          "name": "Pasta Carbonara",
          "quantity": 45,
          "service_period": "lunch",
          "category": "Main Course"
        }
      ]
    }

    Historischer Datenimport (Ersteinrichtung):

    POST /api/forecast/sales/bulk
    {
      "start_date": "2023-10-01",
      "end_date": "2024-01-15",
      "items": [...]
    }

  3. Authentifizierung einrichten

    Mit dem Eaternity-Team koordinieren:

    • API-Anmeldedaten erhalten
    • OAuth 2.0 oder API-Schlüssel-Authentifizierung konfigurieren
    • Verbindung mit Sandbox-Umgebung testen

  4. Testen

    Integration validieren:

    # Authentifizierung testen
    curl -X POST https://api.eaternity.org/v1/forecast/auth \
      -H "Content-Type: application/json" \
      -d '{"api_key": "your_api_key"}'

    # Verkaufsdatenuebermittlung testen
    curl -X POST https://api.eaternity.org/v1/forecast/sales \
      -H "Authorization: Bearer your_token" \
      -H "Content-Type: application/json" \
      -d '{"date": "2024-01-15", "items": [...]}'

  5. Historischen Datenimport

    Massenimport Ihrer historischen Daten:

    • Verkaufsdaten aus Ihrem POS/ERP exportieren (CSV, JSON oder Excel)
    • Mit bereitgestellten Skripten in das erforderliche Format umwandeln
    • Über Massenimport-Endpunkt einreichen
    • Importfortschritt im Dashboard überwachen

Zeitrahmen: 2-4 Wochen je nach Komplexität

Option C: Manueller Upload​

Geeignet für: Ersteinrichtungsphase oder kleinere Betriebe

Einrichtungsprozess:

  1. Datenvorlage herunterladen

    Vorlage beim Eaternity-Support anfordern:

    • Excel-Tabelle mit erforderlichen Feldern
    • Beispieldaten als Referenz
    • Validierungsformeln zur Prüfung der Datenqualität

  2. Verkaufsdaten aus POS exportieren

    Historische Daten extrahieren:

    • Mindestens 30 Tage (90+ Tage empfohlen)
    • Mengen auf Artikelebene, nicht nur Umsatz
    • Zeitstempel für jede Transaktion

  3. Daten formatieren

    Erforderliche Spalten:

    date | item_name | quantity_sold | service_period | price | category

    Beispiel:

    2024-01-15,Pasta Carbonara,45,lunch,14.50,Main Course
    2024-01-15,Caesar Salad,32,lunch,9.00,Starter
    2024-01-15,Grilled Salmon,28,lunch,18.50,Main Course

  4. Im Portal hochladen

    • Auf sicheres Upload-Portal zugreifen (Link wird vom Koordinator bereitgestellt)
    • Formatierte CSV/Excel-Datei hochladen
    • Datenvorschau vor Bestätigung überprüfen
    • Bestaetigungs-E-Mail erhalten, wenn Verarbeitung abgeschlossen

  5. Wiederkehrende Uploads einrichten

    Für laufende Prognosen:

    • Woechentlicher Upload-Zeitplan (Montag empfohlen)
    • Verkaufsdaten der Vorwoche exportieren
    • Per Portal oder SFTP hochladen
    • 15-30 Minuten pro Woche

Zeitrahmen: 1 Woche für Ersteinrichtung

Schritt 2: Historischer Datenimport​

Datenvorbereitung​

Datenqualität überprüfen:

Führen Sie diese Prüfungen vor dem Import durch:

Vollständigkeitsprüfung:

  • Keine fehlenden Daten im Zeitraum
  • Alle Menüpunkte einheitlich erfasst
  • Servicezeiten klar gekennzeichnet

Genauigkeitsprüfung:

  • Mengen entsprechen tatsächlich servierten Portionen
  • Zeitstempel sind korrekt (Zeitzonen beachten)
  • Keine doppelten Einträge für gleichen Artikel/Datum

Konsistenzprüfung:

  • Gleiche Artikelnamen über alle Daten
  • Standardisierte Kategorienamen
  • Einheitliche Bezeichnungen der Servicezeiten

Beispiel Qualitätsprüfung:

import pandas as pd

# Daten laden
df = pd.read_csv('sales_data.csv')

# Auf fehlende Daten pruefen
date_range = pd.date_range(start=df['date'].min(), end=df['date'].max())
missing_dates = date_range.difference(pd.to_datetime(df['date']))
print(f"Fehlende Daten: {missing_dates}")

# Auf inkonsistente Artikelnamen pruefen
item_variations = df.groupby('item_name')['item_name'].count()
print(f"Einzigartige Artikel gesamt: {len(item_variations)}")

# Auf doppelte Eintraege pruefen
duplicates = df[df.duplicated(['date', 'item_name', 'service_period'])]
print(f"Doppelte Eintraege: {len(duplicates)}")

Importprozess​

  1. Historische Daten einreichen

    Über Ihre gewählte Methode:

    • Necta: Automatischer Import aus vorhandenen Daten
    • API: Massenimport-Endpunkt
    • Manuell: Upload-Portal

  2. Datenvalidierung

    Eaternity-Team prüft:

    • Einhaltung des Datenformats
    • Qualitätsmetriken
    • Vollständigkeitsbewertung
    • Anomalien oder Probleme

  3. Validierungsbericht erhalten

    Innerhalb von 2 Werktagen:

    • Datenqualitätsbewertung
    • Gefundene Probleme und Empfehlungen
    • Freigabe zum Fortfahren oder Korrekturanforderungen

  4. Korrekturen (falls erforderlich)

    Probleme beheben:

    • Daten nach Feedback neu formatieren
    • Fehlende Informationen ergänzen
    • Inkonsistenzen beheben
    • Erneut zur Validierung einreichen

Erwartetes Datenvolumen​

Minimum für Basistraining:

  • 30 Tage historische Daten
  • Alle Menüpunkte erfasst
  • Durchschnittlich mindestens 50 Gedecke/Tag

Empfohlen für optimales Training:

  • 90+ Tage historische Daten
  • Saisonale Variation enthalten
  • Besondere Ereignisse und Feiertage eingeschlossen

Ideal für höchste Genauigkeit:

  • 180+ Tage (6 Monate)
  • Vollständiger Saisonzyklus
  • Wetterdaten verfügbar
  • Veranstaltungskalender eingeschlossen

Schritt 3: Modelltraining​

Trainingsprozess​

Sobald historische Daten importiert sind, beginnt das neuronale Netzwerk-Training automatisch.

Phase 1: Erste Mustererkennung (Tage 1-3)

Das Modell lernt:

  • Grundlegende Tagesmuster
  • Beliebtheitstrends der Artikel
  • Unterschiede zwischen Servicezeiten
  • Wochentag-Variationen

Phase 2: Erweitertes Lernen (Tage 4-7)

Das Modell identifiziert:

  • Wochen- und Monatszyklen
  • Saisonale Trends (bei ausreichenden Daten)
  • Wetterkorrelationen
  • Auswirkungsmuster von Ereignissen

Phase 3: Optimierung (Tage 8-14)

Das Modell verfeinert:

  • Prognosegenauigkeit
  • Kalibrierung der Konfidenzintervalle
  • Ausreisserbehandlung
  • Anpassung an Menüänderungen

Training überwachen​

Fortschritts-Dashboard:

Zugriff auf Trainingsstatus über:

  • E-Mail-Updates (tägliche Zusammenfassung)
  • Dashboard-Oberfläche (Echtzeit)
  • Slack-Benachrichtigungen (optional)

Angezeigte Kennzahlen:

  • Trainingsfortschritt in Prozent
  • Aktuelle Genauigkeit auf Validierungsdaten
  • Voraussichtliches Abschlussdatum
  • Probleme oder Warnungen

Beispiel Trainingsbericht:

Trainingsfortschritt: 65% abgeschlossen
Aktueller MAPE: 18,2% (Ziel: weniger als 15%)
Trainierte Artikel: 42/65
Voraussichtlicher Abschluss: 2024-01-25
Status: Im Plan

Was während des Trainings passiert​

Sie müssen nichts tun, aber verstehen Sie, was passiert:

  1. Datenvorverarbeitung

    • Normalisierung der Mengen
    • Merkmalsextraktion (Wochentag, Saisonalität, Trends)
    • Integration von Wetterdaten
    • Abgleich mit Veranstaltungskalender

  2. Modellarchitektur-Setup

    • Transformer-Schichten konfiguriert
    • Aufmerksamkeitsmechanismen initialisiert
    • Zeitliche Kodierung etabliert
    • Mehrschichtige Verarbeitung vorbereitet

  3. Trainingsiterationen

    • Modell lernt aus historischen Mustern
    • Validierung gegen zurueckgehaltene Daten
    • Hyperparameter-Optimierung
    • Regularisierung zur Vermeidung von Überanpassung

  4. Genauigkeitsvalidierung

    • Vergleich mit menschlicher Prognose als Referenz
    • Kalibrierung der Konfidenzintervalle
    • Fehleranalyse und Mustererkennung
    • Endgültige Modellauswahl

Schritt 4: Prognosen starten​

Erste Prognosen​

Zeitrahmen: 2-4 Wochen nach Einrichtungsbeginn

Benachrichtigung:

  • E-Mail-Benachrichtigung, wenn erste Prognosen bereit sind
  • Dashboard zeigt Status "Aktiv"
  • Prognosen über API oder Oberfläche verfügbar

Erster Prognosesatz:

  • Nächste 7 Tage prognostiziert
  • Alle aktiven Menüpunkte enthalten
  • Konfidenzintervalle für jede Prognose
  • Historische Genauigkeitsmetriken angezeigt

Auf Prognosen zugreifen​

Über Necta-Oberfläche (Necta-Kunden):

  1. Bei Necta-Planungsmodul anmelden
  2. Zu "Bedarfsprognose"-Bereich navigieren
  3. Tägliche Prognosen nach Artikel anzeigen
  4. In Planungstabellen exportieren

Über API (Individuelle Integrationen):

# Prognosen fuer bestimmtes Datum abrufen
curl -X GET "https://api.eaternity.org/v1/forecast/predictions?date=2024-01-20" \
  -H "Authorization: Bearer your_token"

# Antwort
{
  "date": "2024-01-20",
  "day_of_week": "Saturday",
  "predictions": [
    {
      "item_name": "Pasta Carbonara",
      "predicted_quantity": 52,
      "confidence_interval": {
        "lower": 45,
        "upper": 59
      },
      "accuracy_last_30_days": 92.3
    }
  ]
}

Über Dashboard (Manueller Zugriff):

  1. Im Forecast-Dashboard anmelden
  2. Zeitraum auswählen
  3. Prognosetabelle anzeigen
  4. CSV-Export herunterladen

Ihre ersten Prognosen verstehen​

Prognosekomponenten:

Jede Prognose enthält:

  1. Prognostizierte Menge: Wahrscheinlichste Anzahl Portionen
  2. Konfidenzintervall: Bereich des erwarteten Bedarfs (untere bis obere Grenze)
  3. Genauigkeitsmetrik: Wie zuverlaessig Prognosen zuletzt waren
  4. Faktoren: Haupteinflussfaktoren (Wetter, Wochentag, Ereignisse)

Beispielprognose:

Artikel: Pasta Carbonara
Datum: Samstag, 20. Januar 2024
Prognostizierte Menge: 52 Portionen

Konfidenzintervall: 45-59 Portionen
  - Untere Grenze (10. Perzentil): 45
  - Obere Grenze (90. Perzentil): 59
  - Konfidenzniveau: 80%

Historische Genauigkeit: 92,3% (letzte 30 Tage)

Hauptfaktoren:
  - Wochenende (Samstag): +20% vs. Wochentag-Durchschnitt
  - Temperatur: 8°C (normaler Winterbedarf)
  - Keine besonderen Ereignisse erkannt

Mehr über Konfidenzintervalle erfahren

Integration in den täglichen Arbeitsablauf​

Empfohlener Ablauf:

  1. Morgendliche Überprüfung (5-10 Minuten)

    • Heutigen Endabsatz mit gestriger Prognose vergleichen
    • Prognose für morgen prüfen
    • Überraschende Abweichungen notieren

  2. Planung (15-20 Minuten)

    • Prognosen für Zutatenbestellung nutzen
    • Zubereitungsmengen basierend auf Prognosen anpassen
    • Konfidenzintervalle für Pufferplanung berücksichtigen

  3. Feedback (optional, 2-3 Minuten)

    • Übersehene Faktoren notieren (unerwartete Ereignisse, Wetteränderungen)
    • Prognosefehler >30% melden, um Modell zu verbessern
    • Feedback über Dashboard oder E-Mail einreichen

Siehe Implementierungsleitfaden für detaillierten Arbeitsablauf

Validierungs- und Testphase​

Woche 1: Beobachtungsmodus​

Ziel: Verstehen, wie Prognosen im Vergleich zu Ihrer aktuellen Methode abschneiden

Aktivitäten:

  • Tägliche Prognosen prüfen, aber aktuellen Prozess noch nicht ändern
  • Forecast-Prognosen mit Ihren bestehenden Prognosen vergleichen
  • Muster oder Überraschungen notieren
  • Prognosegenauigkeit verfolgen

Zu verfolgende Metriken:

| Artikel       | Ist  | Ihre Prognose | KI-Prognose | Ihr Fehler | KI-Fehler |
|---------------|------|---------------|-------------|------------|-----------|
| Pasta Carb.   | 48   | 55            | 52          | +14,6%     | +8,3%     |
| Caesar Salad  | 30   | 28            | 31          | -6,7%      | +3,3%     |

Woche 2: Hybridansatz​

Ziel: Prognosen schrittweise in die Planung einbeziehen

Aktivitäten:

  • Prognosen für 25-50% der Menüpunkte verwenden
  • Manuelle Prognosen zunächst für wichtige Artikel beibehalten
  • Ergebnisse zwischen manueller und KI-Prognose vergleichen
  • Vertrauen in Prognosegenauigkeit aufbauen

Teamschulung:

  • Konfidenzintervalle mit Küchenpersonal besprechen
  • Umgang mit oberen/unteren Grenzen diskutieren
  • Anpassung für bekannte Faktoren ueben, die nicht in Daten enthalten sind

Woche 3-4: Vollständige Einführung​

Ziel: Prognosen für alle Menüpunkte nutzen

Aktivitäten:

  • Prognosen für tägliche Planung verwenden
  • Konfidenzintervalle für Pufferentscheidungen nutzen
  • Tatsächliche Abfallreduzierung verfolgen
  • Kosteneinsparungen berechnen

Erfolgsindikatoren:

  • Reduzierte Überproduktion
  • Servicequalität aufrechterhalten (keine Ausfälle)
  • Zeitersparnis gegenüber manueller Prognose
  • Teamvertrauen in Systemnutzung

Fehlerbehebung bei Einrichtungsproblemen​

ProblemSchnelle Lösung
Datenimport schlägt fehlUTF-8-Kodierung prüfen, YYYY-MM-DD-Daten, keine leeren Zeilen
API-Authentifizierung schlägt fehlAPI-Schlüssel auf Leerzeichen prüfen, HTTPS verwenden
Prognosen scheinen ungenau30+ Tage Daten sicherstellen, 2 Wochen Training abwarten
Necta-Integration erscheint nichtCache leeren, Modulaktivierung mit Necta überprüfen

Für detaillierte Lösungen siehe Fehlerbehebung bei Integrationen.

Hilfe erhalten​

E-Mail: forecast@eaternity.org

ProblemtypAntwortzeit
Kritisch (System ausgefallen)4 Stunden
Integrationsprobleme24 Stunden
Daten-/Funktionsfragen48 Stunden - 1 Woche

Checkliste: Einrichtung abgeschlossen​

Integration

  • POS/ERP-Verbindung hergestellt
  • Authentifizierung konfiguriert und getestet
  • Datenfluss verifiziert

Historische Daten

  • Mindestens 30 Tage importiert
  • Datenvalidierung bestanden
  • Qualitätsbewertung >80%

Training

  • Neuronales Netzwerk-Training abgeschlossen (100%)
  • Validierungsgenauigkeit erreicht Ziele
  • Alle Menüpunkte trainiert

Prognosen

  • Erste Prognosen erhalten
  • Team kann über Oberfläche oder API zugreifen
  • Konfidenzintervalle verstanden

Teambereitschaft

  • Kontaktperson geschult
  • Küchenpersonal über Prognosen informiert
  • Workflow-Integration geplant
  • Feedback-Prozess etabliert

Nächste Schritte​

Nach Abschluss der Einrichtung:

  1. Tägliche Nutzung beginnen

    • Prognosen in Planungsworkflow integrieren
    • Genauigkeit und Lebensmittelabfallreduzierung verfolgen
    • Probleme oder unerwartete Ergebnisse melden

  2. Feedback geben

    • Erstes monatliches Gespräch planen
    • Erste Beobachtungen und Fragen teilen
    • Verbesserungen oder Funktionswünsche vorschlagen

  3. Nutzung optimieren

  4. Leistung überwachen

    • Kosteneinsparungen durch Abfallreduzierung verfolgen
    • Zeitersparnis gegenüber manueller Prognose messen
    • Erfolgsgeschichten für Fallstudie dokumentieren

Siehe auch​