Nachfrageprognose für Bäckerei Beck Roman In Arbeit

Executive Summary #

Auftraggeber: Beck Roman Eine traditionelle Bäckerei im Kanton Schwyz mit mehreren Filialen.
Ziel: Bauchgefühl-basierte Backentscheidungen durch produktspezifische Nachfrageprognosen ersetzen, um Retouren zu reduzieren, ohne Verkäufe zu verlieren.
Tech Stack: Python, Scikit-learn (HistGradientBoosting, Quantile Loss), Chronos-2 (Foundation Model), Pandas, DVC, GraphQL APIs (Kassensystem + Warenwirtschaft), Weights & Biases, Open-Meteo, Docker.

Die Herausforderung #

Jeden Morgen entscheidet die Bäckerei, wie viel von jedem Produkt gebacken wird. Zu wenig: Kundschaft geht enttäuscht. Zu viel: Überschuss wird zu Retouren. Die bisherige Entscheidung basiert auf Erfahrung: robust, aber nicht skalierbar und blind für subtile Treiber wie Wetter, Schulferien oder lokale Events.

Aktueller Stand: In Arbeit #

Dies ist ein aktives Projekt. Ein ausführlicher Bericht folgt, sobald der produktive Rollout abgeschlossen ist.

Daten und Modelle #

• End-to-End Datenpipeline vom Kassensystem (GraphQL API) in einen reproduzierbaren, DVC-verwalteten Datensatz mit ~4 Jahren Transaktionshistorie.
• Quantile-Regression für sieben Produkte: Die Formulierung bildet die asymmetrischen Kosten direkt ab (ein verlorener Verkauf schmerzt anders als eine Retoure).

Messbare Erfolge #

• Die Retourenquote sinkt von grob 15-25% auf etwa 10-15%. Validiert auf einem dreimonatigen eingefrorenen Testfenster.
• Der Tradeoff ist bewusst gewählt: Das Modell backt etwas weniger, doch die eingesparten Materialkosten übertreffen die entgangene Marge deutlich. Netto: mehr Gewinn.

Modellvergleich in Franken #

• Vier Modellfamilien traten gegeneinander an, gemessen an den tatsächlichen Kosten von Ausverkauf und Retouren statt an abstrakten Fehlermetriken.
• Gewinner: ein vortrainiertes Foundation Model (Chronos-2) ganz ohne Training auf den Bäckereidaten. Knapp 9% tiefere Fehlkosten als die getunten lokalen Modelle, über alle sieben Produkte.
• Ebenso lehrreich die Verlierer: Fine-Tuning auf den eigenen Daten verschlechterte das Ergebnis, aufwendige neuronale Netze unterlagen den einfachen Modellen.

Produktivbetrieb #

• Ein containerisiertes System erstellt täglich Prognosen und schreibt die empfohlenen Backzahlen per API direkt ins Warenwirtschaftssystem der Bäckerei.
• Eine automatische tägliche E-Mail hält die Backstube zusätzlich auf dem Laufenden.
• Abgesichert durch Plausibilitätsgrenzen, Audit-Log und Kill Switch. Aktuell läuft das System im überwachten Testbetrieb.

Der vollständige Bericht mit Charts und Details zur Architektur folgt hier, sobald der Rollout über alle Produkte und Filialen abgeschlossen ist.