Wie viele Brötchen am Samstag?

Warum eine Demo?

Jeder kann auf seine Website schreiben, dass er Prognosen baut. Ich wollte es lieber zeigen. Die Demo läuft komplett in Ihrem Browser: kein Server, keine Bibliothek, keine echten Kundendaten. Die Daten sind erfunden, das Modell ist echt.

Die erfundene Bäckerei

Zuerst erzeugt die Seite ein Jahr Verkaufszahlen: 364 Tage, von September 2025 bis August 2026. In jedem Tag stecken Einflüsse, die man aus dem echten Leben kennt:

• Wochentag: Samstag ist der stärkste Tag, Montag der schwächste.
• Wetter: Bei Sonne kommen mehr Leute, bei Regen weniger.
• Feiertage: die gesetzlichen Feiertage in Niedersachsen, an denen mehr los ist.
• Jahreszeit und ein leichtes Wachstum über das Jahr.
• Zufall: Kein Tag ist wie der andere.

Wie stark diese Einflüsse sind, habe ich im Code festgelegt – das ist sozusagen die versteckte Wahrheit. Das Modell bekommt sie nie zu sehen. Es sieht nur die fertigen Verkaufszahlen: zwischen 203 und 551 Brötchen am Tag, im Schnitt 329. Weil der Zufallsgenerator einen festen Startwert hat (die Postleitzahl von Buxtehude), sieht jeder Besucher dieselbe Bäckerei.

Das Modell: Effekte, die sich multiplizieren

Ich nutze eine log-lineare Regression. Klingt sperrig, die Idee ist einfach: Jeder Einfluss verändert den Verkauf um einen bestimmten Prozentsatz, und diese Prozente werden miteinander verrechnet. Ein Samstag bringt ein Plus, Regen ein Minus – ein verregneter Samstag bekommt beides. Das passt gut zu Verkaufszahlen: Regen kostet an einem vollen Samstag mehr Brötchen als an einem ruhigen Montag.

Das Modell hat 12 Stellschrauben: eine Grundmenge, je eine für sechs Wochentage (Montag ist die Vergleichsbasis), zwei fürs Wetter, eine für Feiertage und zwei für die Jahreszeit. Gelernt werden sie mit der Methode der kleinsten Quadrate. In Ihrem Browser dauert das nur Millisekunden.

Ehrlich testen

Ein Modell, das nur auf den Daten gut aussieht, aus denen es gelernt hat, ist wertlos. Deshalb lernt es nur aus den ersten 44 Wochen. Die letzten 8 Wochen hält die Demo zurück und prüft daran, wie gut die Prognosen für Tage sind, die das Modell nie gesehen hat.

Das Ergebnis: Im Mittel liegt die Prognose um 5,4 % daneben (Fachleute sagen MAPE dazu). Bei 500 Brötchen sind das gut 25 Stück.

Was das Modell herausgefunden hat

Spannend ist der Vergleich mit der versteckten Wahrheit. Die Punkte zeigen, was das Modell gelernt hat, die Ringe, was wirklich in den Daten steckt:

Die Richtung stimmt überall, die Größen liegen nah dran. Die Wochentage schätzt das Modell etwas zu klein. Ein Grund: In den Daten steckt ein leichtes Wachstum über das Jahr, das das Modell nicht kennt. Mit mehr Daten und einem Trend würde es genauer. Genau so sieht Data Science im Alltag aus: Man schaut, wo das Modell danebenliegt, und fragt, warum.

Warum ein Band statt einer Zahl

Eine Prognose ist nie exakt. Deshalb zeigt die Demo neben der Zahl ein 80-%-Intervall: In acht von zehn Fällen liegt der echte Verkauf in diesem Bereich. Hier beginnt der Teil, der mich an meiner Arbeit im Bereich Decision Intelligence am meisten reizt: Aus der Prognose wird eine Entscheidung.

Backt die Bäckerei genau den Mittelwert, reicht es an etwa jedem zweiten Tag nicht. Backt sie die obere Grenze des Bandes, reicht es in 9 von 10 Fällen – dafür bleibt öfter etwas übrig. Wo man die Grenze zieht, ist keine Mathe-Frage, sondern eine betriebliche: Was kostet ein leeres Regal, was ein Brötchen vom Vortag?

Was in echt schwieriger ist

• Ausverkauft heißt nicht „keine Nachfrage“. Wenn um 11 Uhr alles weg ist, weiß niemand, wie viel noch gegangen wäre. Solche Tage muss man anders behandeln.
• Vieles fehlt in der Demo: Schulferien, Stadtfeste, eine Baustelle vor der Tür, Aktionen.
• Echte Daten sind unordentlich: Lücken, Tippfehler, eine neue Kasse mitten im Jahr.
• Manchmal reicht ein einfaches Modell wie dieses, manchmal braucht es mehr. Das weiß man erst, wenn man es an den eigenen Daten ausprobiert.

Und bei Ihnen?

Wenn Sie Verkaufs-, Buchungs- oder Auftragsdaten haben und wissen wollen, was darin steckt: Erzählen Sie mir davon. Der erste Schritt ist bei mir fast immer ein Proof of Concept – so wie diese Demo.