Täglicher Umsatzforecast mit Machine Learning in Fabric
Typische Ausgangslage (Beispiel Gastronomie)
Personal- und Wareneinsatz werden für die kommenden Tage geplant, bevor irgendjemand weiss, was tatsächlich verkauft wird. Die Grundlage dafür ist meist Erfahrung: der Vorjahreswert, der Wochentag, das Gefühl der Filialleitung.
Das funktioniert erstaunlich gut — und liegt regelmässig daneben, wenn etwas aus dem Rahmen fällt. Ein Wetterumschwung, ein Feiertag in der Nachbarregion, ein Anlass in der Stadt. Zu viel eingeplantes Personal kostet, zu wenig kostet Umsatz, und verdorbene Ware kostet doppelt.
Die Daten, mit denen sich das besser abschätzen liesse, sind vorhanden — im Kassensystem liegt jeder Bon der letzten Jahre. Nur greifbar sind sie nicht.
Die Lösung kurz erklärt:
Die Verkaufsdaten aus dem Kassensystem werden automatisiert aufbereitet und um die Einflussgrössen ergänzt, die den Umsatz tatsächlich bewegen: Wetter, Feiertage, Ferien, Anlässe, Aktionen.
Auf dieser Historie wird ein Modell trainiert, das den erwarteten Tagesumsatz je Filiale für die kommenden Tage berechnet. Die Prognose wird laufend gegen die tatsächlich eingetroffenen Zahlen gemessen — Sie sehen also jederzeit, wie gut das Modell trifft und dies ist auch die Basis es weiter zu optimieren.
Prognose und Ist stehen im selben Power BI Bericht nebeneinander. Die Filialleitung sieht den erwarteten Tagesumsatz als Vorschlag und kann beurteilen, ob sie diesen Vorschlag anpassen oder 1:1 übernehmen möchte. Aus einer Auswertung wird damit eine konkrete Entscheidung.
Lösungsdesign in der Praxis
Ein Machine Learning bzw. KI-Modell ist nur dann wertvoll, wenn wir es in unsere operativen Prozesse einbetten können. Dies machen wir mit der Datenplattform Fabric. Die folgende Visualisierung zeigt, wie die Elemente zusammenhängen.
Im besten Fall besteht schon eine Power BI Lösung mit den Ist-Werten, weil die dort implementierten Logiken sofort wiederverwendet werden können (z.B. die Umsatzdefinition) und müssen nicht nochmal nachgebaut werden im Forecast-Projekt.
Die Darstellung ist interaktiv und kann an Ihre Ausgangslage angepasst werden (nur Desktop).
Lösung auswählen
Projektvorgehen
- 01
Prognosefrage und Nutzen schärfen
Zuerst klären wir, was genau prognostiziert werden soll und welche Entscheidungen damit getroffen werden: Welche Kennzahl (z.B. Umsatz) nach welcher Dimension (z.B. Produktgruppe). Erst diese Frage bestimmt, welche Daten es braucht — und woran sich das Ergebnis laufend messen und verbessern lässt.
- 02
Ist-Werte anbinden und aufbereiten
Wir binden die Ist-Werte, bzw. die Historie, an und bereiten die Trainingsdaten vor. Hinzu kommen weitere Einflussgrössen, z.B. Wetterdaten je Standort. Oder Ausreisser bzw. Sondereffekte wie z.B. Filialschliessungen.
Besteht schon eine Power BI Lösung mit Ist-Werten, können wir diese Logiken sofort weiterverwenden und müssen die Trainingsdaten nicht neu erzeugen.
- 03
Modell trainieren, bewerten und produktiv setzen
Auf der aufbereiteten Historie trainieren wir das Modell und prüfen an zurückgehaltenen Zeiträumen, wie gut es trifft. Erst wenn die Trefferquote den Vergleich mit der heutigen Schätzung besteht, geht es in den Betrieb — wo es nach Zeitplan rechnet und weiterhin gemessen wird.
- 04
Bericht, Nutzung im Alltag und Betrieb
Ist-Umsatz und Prognose kommen in dasselbe Datenmodell, damit Abweichung, Trefferquote und Trend in einem Bericht nebeneinanderstehen. Wir bauen die Ansicht für die Berichtsnutzer so, dass sie in einem Blick nutzbar ist, richten die Berechtigungen ein und stellen den automatisierten Betrieb inklusive Überwachung sicher.
Selbstverständlich können die Daten auch in anderen Folgeapplikationen weiterverwendet werden.
Interessiert an einem maschinell unterstützten Forecastprozess?
Kontaktieren Sie uns gerne und dann finden wir in einem unverbindlichen Erstgespräch gemeinsam heraus, wie eine KI-Unterstützung für Ihren Prozess aussehen kann.
Referenzen
Alle Referenzen durchsuchen- Gastronomie & Hotellerie
Schweizweite Gastronomiekette
KI-Forecast für Tagesumsätze. Machine Learning Case: Entwicklung und Operationalisierung einer Machine Learning Applikation für die Herleitung eines Umsatzforecasts für die Unterstützung des Tagesgeschäfts.
Power BIFabricVectron
FAQ
Wie viel Historie brauchen wir für eine brauchbare Prognose?
Als Richtwert zwei bis drei Jahre, damit saisonale Muster mehrfach vorkommen und das Modell sie von Zufall unterscheiden kann. Mit weniger lässt sich starten, dann aber eher als Testlauf, um zu sehen, was in den Daten steckt.
Wie genau trifft so eine Prognose?
Das hängt vom Geschäft ab und lässt sich seriös erst nach dem ersten Testlauf sagen. Entscheidend ist auch nicht die absolute Genauigkeit, sondern der Vergleich: Trifft das Modell besser als die heutige Schätzung?
Genau deshalb wird die Prognose laufend gegen die tatsächlichen Zahlen gemessen und die Trefferquote im Bericht ausgewiesen.
Können wir das Modell überstimmen?
Ja, und das ist auch so gedacht. Die Prognose ist eine Grundlage für die Entscheidung, nicht die Entscheidung selbst. Wer vor Ort weiss, dass nächste Woche die Strasse aufgerissen wird, weiss mehr als das Modell.
Ist das eine Blackbox?
Nein. Wir arbeiten mit nachvollziehbaren Verfahren und weisen aus, welche Einflussgrössen das Modell verwendet und wie stark sie wirken. Dazu kommt die laufende Messung gegen das Ist — das ist der praktisch wichtigste Teil der Nachvollziehbarkeit.
Welche externen Daten fliessen ein?
Das hängt vom Geschäft ab. Typisch sind:
- Wetterprognose je Standort
- Feiertage und Schulferien, auch der Nachbarregionen
- Anlässe und Aktionen
- Öffnungszeiten und Sondertage
Externe Daten beziehen wir über offizielle Schnittstellen, sie kosten in der Regel wenig und erklären oft einen erheblichen Teil der Schwankung.
Brauchen wir dafür eigene Data Scientists?
Nein. Wir bauen die Lösung so, dass sie im Betrieb wie jede andere Power BI Lösung läuft: Sie wird nach Zeitplan aktualisiert und überwacht. Was an Modellpflege anfällt, übernehmen wir.
Welche Infrastruktur braucht es?
Die Lösung läuft in Fabric und damit vollständig in der Cloud, mit Speicherung in der Schweiz. Für das Training und das Rechnen der Prognose braucht es eine Fabric-Kapazität; ein eigener Server ist nicht nötig.
Läuft das Kassensystem in Ihrem Netzwerk, kommt ein Power BI On-Premise Gateway dazu (Installationsaufwand: 5-15 Min.).
Lohnt sich das für uns überhaupt?
Das lässt sich vorab abschätzen. Wenn Sie beziffern können, was eine Fehlplanung heute kostet — Überstunden, Leerlauf, verdorbene Ware, entgangener Umsatz — und wie oft sie vorkommt, ergibt sich daraus der Rahmen.
Wir empfehlen, mit einem begrenzten Testlauf auf Ihrer eigenen Historie zu starten. Danach ist die Frage beantwortet, statt geschätzt.