Nachfrageprognose für Bäckerei Beck Roman

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), Pandas, DVC, GraphQL APIs (Kassensystem + Warenwirtschaft), Weights & Biases, Open-Meteo.

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. Bisherige Highlights:

• End-to-End Datenpipeline vom Kassensystem (GraphQL API) in einen reproduzierbaren, DVC-verwalteten Datensatz mit ~4 Jahren Transaktionshistorie.
• Pro-Produkt Quantile-Regression-Modelle für sieben Produkte (Brote und Gipfel). Die Quantile-Loss-Formulierung adressiert direkt den asymmetrischen Kostenfall (ein verlorener Verkauf schmerzt anders als eine Retoure).
• Messbare Erfolge bei mehreren Produkten: Die Retourenquote sinkt von grob 15-25% in der aktuellen Backroutine auf etwa 10-15% mit dem Modell. Das Modell bäckt etwas weniger, also gehen vereinzelt mehr Kunden leer aus, doch die eingesparten Materialkosten übertreffen die entgangene Marge deutlich. Netto: mehr Gewinn trotz leicht geringerer Verkaufsmenge. Validiert auf einem dreimonatigen eingefrorenen Testfenster.
• Operative Integration mit dem Warenwirtschaftssystem der Bäckerei ist der nächste Meilenstein.

Weitere Details, Charts und ein öffentlicher Bericht werden hier veröffentlicht, sobald das Projekt den nächsten Meilenstein erreicht.