Prophet

Kurzfazit

Prophet ist die naheliegende erste Wahl, wenn du eine Zeitreihe mit klaren saisonalen Mustern prognostizieren willst, ohne ein ML-Team zu sein. Meta hat die Bibliothek 2017 genau für diesen Fall gebaut: Sie zerlegt einen Verlauf in Trend, Saisonalität und Feiertagseffekte, liefert verständliche Komponenten und braucht keine aufwändige Modellauswahl. Für Absatz-, Traffic- oder Verbrauchsprognosen mit ausgeprägtem Wochen- und Jahresrhythmus ist sie auch 2026 noch ein solides, kostenloses Arbeitspferd. Die entscheidende Einschränkung: Prophet steckt laut README seit Version 1.4.0 im Wartungsmodus, schon 2023 hat das Team angekündigt, das Stan-Modell nicht mehr zu ändern. Angenommen werden nur Bugfixes und Abhängigkeitsupdates, neue Features sind nicht geplant, und das Team verweist für anspruchsvollere Aufgaben ausdrücklich auf neuere Werkzeuge. Wer eine schnelle, erklärbare Baseline braucht, ist hier richtig; wer den letzten Genauigkeitsgrad oder komplexe Abhängigkeiten modellieren will, schaut besser bei Foundation-Modellen oder Gradient-Boosting-Ansätzen vorbei.

Für wen ist Prophet?

Data Analysts ohne ML-Hintergrund: Genau die Zielgruppe, für die Meta Prophet gebaut hat. Wer Pandas oder R beherrscht, aber kein Zeitreihen-Spezialist ist, bekommt mit wenigen Zeilen Code eine brauchbare Prognose samt interpretierbarem Trend- und Saisonverlauf. Der “Analyst-in-the-Loop”-Ansatz erlaubt es, das Modell mit Domänenwissen zu justieren (z. B. bekannte Feiertage einpflegen), ohne Statistik-Studium.

Handel, Logistik und Produktion (Nachfrageprognose): Absatzmengen, Bestellvolumina oder Lagerbedarf mit klarer Wochen- und Saisonstruktur lassen sich gut modellieren, inklusive Effekten von Feiertagen, Brückentagen und Aktionswochen. Für Sortimente mit hunderten Artikeln genügt ein Batch-Lauf, der pro Artikel ein eigenes Modell trainiert.

Betrieb und IT (Kapazitätsplanung): Web-Traffic, Server-Last, Energieverbrauch oder Netzauslastung folgen oft sauberen Tages- und Wochenmustern. Prophet liefert mit Konfidenzintervallen eine statistisch begründete Planungsgrundlage, der obere Rand des Intervalls ersetzt den pauschalen Sicherheitsaufschlag.

Controlling und Finanzplanung: Umsatz-, Kosten- oder KPI-Trends mit jährlicher Saisonalität lassen sich für Forecasts und Plausibilitätsprüfungen nutzen. Die getrennt darstellbaren Komponenten machen die Prognose im Reporting erklärbar, ein Vorteil gegenüber Black-Box-Modellen.

Weniger geeignet für: Teams ohne Python-/R-Kenntnisse (es gibt keine Oberfläche), sehr kurzfristige Prognosen im Sekunden-/Minutentakt, Zeitreihen ohne erkennbare Saisonalität, Anwendungsfälle mit vielen interagierenden Einflussgrößen und alle, die den letzten Genauigkeitsgrad oder eine aktiv weiterentwickelte Methode brauchen.

Preise im Detail

Variante	Preis	Was du bekommst
Prophet (Python/R)	0 € (MIT-Lizenz)	Vollständige Bibliothek, kommerzielle Nutzung erlaubt, kein Datenabfluss, keine API-Kosten
Eigene Infrastruktur	0 € lokal, ~0–200 €/Monat Cloud	Reine Rechenkosten, lokal auf Laptop/Server gratis, in der Cloud je nach Trainingsvolumen
Managed-ML-Plattform (optional)	je nach Anbieter	Prophet läuft in Databricks, SageMaker, Azure ML & Co., dann gelten deren Plattformkosten

Einordnung: Prophet selbst ist und bleibt vollständig kostenlos unter der MIT-Lizenz, auch kommerziell, ohne Lizenzgebühren, ohne Abomodell. Die einzigen Kosten sind Rechenleistung und Entwicklerzeit. Auf einem normalen Rechner kostet dich ein Modelltraining faktisch nichts; relevant wird es erst, wenn du tausende Zeitreihen täglich in der Cloud nachtrainierst, dann zahlst du Compute, nicht Prophet. Der eigentliche “Preis” ist die Einarbeitung: Du brauchst jemanden, der Python oder R kann und versteht, wie man Daten aufbereitet und Ergebnisse interpretiert. Wer das im Haus hat, bekommt eine der günstigsten Forecasting-Lösungen überhaupt. Wer es nicht hat, zahlt am Ende über externe Dienstleistung oder über eine kommerzielle No-Code-Plattform, und dort ist Prophet dann der falsche Vergleichsmaßstab.

Stärken im Detail

Niedrige Einstiegshürde für Nicht-Spezialisten. Das ist Prophets Kern-Versprechen und es hält: Du übergibst einen DataFrame mit zwei Spalten (ds für den Zeitstempel, y für den Wert), rufst fit() und predict() auf, fertig ist eine erste Prognose. Keine Hyperparameter-Suche, keine Modellauswahl, keine stationaritätstheoretischen Vorüberlegungen wie bei klassischem ARIMA. Die Standardparameter sind bewusst so gewählt, dass sie für typische Geschäftszeitreihen direkt brauchbare Ergebnisse liefern.

Interpretierbare Komponenten. Prophet zerlegt die Prognose sichtbar in Trend, mehrere Saisonalitäten und Feiertagseffekte. Mit plot_components() siehst du sofort, ob der Anstieg vom Grundtrend, vom Wochenmuster oder vom Weihnachtsgeschäft kommt. Das macht die Prognose im Reporting erklärbar, ein echter Vorteil gegenüber Black-Box-Modellen, wenn das Management nachvollziehen will, warum die Zahl so aussieht, wie sie aussieht.

Feiertage und Events als erste Klasse. Anders als viele Standardmodelle behandelt Prophet Sonderereignisse explizit. Du übergibst eine Liste bekannter Feiertage, Aktionswochen oder Messen, Prophet schätzt deren Einfluss separat und kann ihn für die Zukunft einplanen. Für Branchen, in denen Black Friday, Schulferien oder Großereignisse die Nachfrage dominieren, verbessert das die Prognose spürbar.

Robust gegenüber Datenlücken und Ausreißern. Fehlende Tage, einzelne Ausreißer oder ein abrupter Niveauwechsel werfen Prophet nicht aus der Bahn, das additive Modell mit automatischer Trend-Änderungserkennung verkraftet unsaubere Realdaten besser als viele klassische Verfahren. Das spart in der Praxis viel Vorverarbeitungsaufwand.

Konfidenzintervalle ab Werk. Jede Prognose kommt mit Unsicherheitsbändern. Statt eines einzelnen Punktwerts bekommst du eine Bandbreite, Grundlage für eine statistisch begründete Kapazitäts- oder Bestandsplanung. Den oberen Rand (z. B. 95. Perzentil) kannst du als Sicherheitspuffer nutzen, statt mit pauschalen Aufschlägen zu rechnen.

Kein Datenabfluss, volle Kontrolle. Prophet läuft komplett lokal oder auf deiner eigenen Infrastruktur. Es gibt keine API, keinen Cloud-Dienst, an den Daten gesendet werden müssen. Für sensible Geschäftsdaten ist das ein erheblicher Datenschutz-Vorteil gegenüber API-basierten Forecasting-Diensten.

Schwächen ehrlich betrachtet

Wartungsmodus statt Weiterentwicklung. Das ist die wichtigste Einschränkung, die viele übersehen: Das Team hat 2023 öffentlich erklärt, keine größeren Änderungen am Modell mehr zu planen. Laut README gilt seit Version 1.4.0 offiziell der Wartungsmodus: Bugfixes, Abhängigkeitsupdates und Paritätsarbeit am R-Paket, keine neuen Features. Das jüngste Release 1.5.0 vom 5. Oktober enthält ausschließlich Bugfixes und ein Refactoring, Release 1.3.0 vom Januar 2026 brachte Unterstützung für pandas 3.0 und numpy 2.4. Prophet ist stabil und wird nicht über Nacht verschwinden, aber wer auf laufende methodische Verbesserung setzt, ist hier falsch. Das Team verweist im Blogpost von 2023 für anspruchsvollere Fälle auf NeuralProphet, Nixtla statsforecast und Orbit.

Genauigkeit nicht mehr Spitze. Die Maintainer schreiben selbst, dass Benchmark-Studien, darunter eine von Nixtla/statsforecast, bei Zeitreihen mit bestimmten Eigenschaften eine schwache Prognosegenauigkeit der Standardeinstellungen gezeigt haben. Prophet ist ein guter, erklärbarer Baseline-Forecaster, nicht der genaueste verfügbare. Wer um Prozentpunkte Prognosefehler kämpft, sollte vergleichen.

Im Kern univariat. Prophet modelliert eine Zeitreihe aus sich selbst heraus. Externe Einflussgrößen (Preis, Wetter, Wettbewerberaktionen) lassen sich nur als manuell definierte Regressoren einbringen, und auch dann bleibt der Ansatz begrenzt. Für Probleme, bei denen viele Faktoren zusammenspielen, sind multivariate ML-Modelle die bessere Wahl.

Setzt saubere, regelmäßige Zeitreihen voraus. Fragmentierte Rohdaten, uneinheitliche Zeitintervalle oder fehlende Zeitstempel musst du selbst aufbereiten, bevor Prophet etwas Sinnvolles liefert. Die Robustheit gegenüber Ausreißern und Lücken hat Grenzen, wer Daten mit unregelmäßigem Takt füttert, bekommt unbrauchbare Ergebnisse.

Strukturbrüche brauchen Handarbeit. Bei plötzlichen, dauerhaften Niveauwechseln (Geschäftsmodellwechsel, neuer Großkunde, Pandemie-Effekt) muss man die Trend-Änderungspunkte (changepoints) oft manuell setzen oder die Sensitivität justieren. Out of the box reagiert Prophet hier zu konservativ oder zu nervös, Erfahrung ist nötig.

Keine Oberfläche, kein deutscher Support. Prophet ist eine Code-Bibliothek. Ohne Python- oder R-Kenntnisse gibt es keinen Einstieg, und die gesamte Dokumentation und Community-Hilfe ist englischsprachig. Für Fachabteilungen ohne Entwickler ist eine No-Code-Plattform der realistischere Weg.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Punktprognosen per API willst, die laut Nixtla-FAQ schon mit einer Beobachtung pro Reihe möglich sind	Nixtla TimeGPT
Forecasting direkt im Data Warehouse per SQL brauchst (no-/low-code)	BigQuery ML
Ausreißer und Anomalien statt Prognosen erkennen willst (Open Source, Python)	PyOD
Eine verwaltete ML-Plattform mit Deployment, Monitoring und EU-Hosting brauchst	Amazon SageMaker
Eine visuelle No-Code-Umgebung ohne Python willst	KNIME Analytics Platform

Erwähnenswert ohne eigene Tool-Seite: NeuralProphet (PyTorch-basierter Nachfolger im Geist von Prophet, fügt neuronale Komponenten und AR-Terme hinzu), Nixtla statsforecast (extrem schnelle klassische Verfahren wie AutoARIMA und ETS, von den Prophet-Maintainern 2023 als Alternative genannt), Orbit von Uber (bayesianisches Forecasting mit Fokus auf Erweiterbarkeit) sowie die klassischen Bausteine in statsmodels und sktime. Prophet bleibt die beste erste Baseline, gegen die du diese Alternativen vergleichst, schnell aufgesetzt, erklärbar, kostenlos. Für den Produktivbetrieb mit hohem Genauigkeitsanspruch ist es oft nicht das letzte Wort.

So steigst du ein

Schritt 1: Installiere Prophet via pip install prophet (oder in R via install.packages("prophet")). Bereite deine historischen Daten als Tabelle mit genau zwei Spalten auf: ds für den Zeitstempel und y für den Messwert, zum Beispiel Tages- oder Stundenwerte von Absatz, Web-Traffic oder Verbrauch über mindestens ein bis zwei volle Saison-Zyklen. Je länger und sauberer die Historie, desto verlässlicher die Saisonalitätsschätzung.

Schritt 2: Pflege bekannte Sonderereignisse als Feiertage oder Regressoren ein, gesetzliche Feiertage, Schulferien, Aktionswochen, Messen oder Wartungsfenster. Prophet schätzt deren Effekt separat und verbessert die Prognosegenauigkeit dort, wo solche Ereignisse die Reihe dominieren. Für DACH-Anwendungen lohnt es sich, die deutschen Feiertage (inkl. Bundesländer-Unterschiede) explizit zu definieren.

Schritt 3: Trainiere das Modell (fit), erzeuge mit make_future_dataframe einen Prognosehorizont und rufe predict auf. Schau dir mit plot_components() die zerlegten Komponenten an, prüfe die Plausibilität von Trend und Saisonalität und nutze die Konfidenzintervalle (yhat_lower, yhat_upper) als Planungsband, der obere Rand wird dein Sicherheitspuffer.

Schritt 4 (Produktivbetrieb): Automatisiere das Nachtrainieren in einem regelmäßigen Job (z. B. wöchentlich oder monatlich mit den neuesten Daten) und vergleiche die Prognose laufend mit den Ist-Werten. Sobald die Abweichung dauerhaft groß wird, prüfe einen Strukturbruch oder hole eine Alternative wie Nixtla oder ein Gradient-Boosting-Modell zum Vergleich heran.

Ein konkretes Beispiel

Ein mittelständischer Online-Händler für Gartenbedarf aus Münster (rund 4.000 Artikel, stark saisonales Geschäft) hat das wöchentliche Excel-Bauchgefühl für die Bestellplanung durch Prophet ersetzt. Eine Analystin trainiert in einem nächtlichen Batch-Job pro umsatzstarkem Artikel ein eigenes Prophet-Modell auf drei Jahren Verkaufshistorie. Eingepflegt sind deutsche Feiertage, Schulferien und die eigenen Rabattaktionen als Regressoren, gerade die Frühjahrssaison und Aktionswochen treiben die Nachfrage extrem. Das Modell liefert für die nächsten zwölf Wochen eine Mengenprognose mit Konfidenzintervall; der Einkauf bestellt am oberen Rand des 80-%-Bandes und vermeidet so beides, leere Regale zur Hauptsaison und überfüllte Lager im Winter. Resultat nach einer Saison: rund 18 % weniger Lagerüberhang bei den Topartikeln und deutlich seltenere Out-of-Stock-Situationen im Frühjahr. Kosten für die Software: 0 €, der Aufwand steckte einmalig im Aufsetzen durch die Analystin und in einem kleinen Cloud-Server für den Nacht-Job.

DSGVO & Datenschutz

• Datenhosting: Vollständig in deiner Hand. Prophet ist eine lokale Bibliothek ohne Cloud-Dienst und ohne API, die Daten verlassen deine Infrastruktur nicht. Wo Prophet läuft (Laptop, eigener Server, EU-Cloud-Region), entscheidest allein du.
• Datennutzung: Kein Datenabfluss an Meta oder Dritte. Es werden keine Eingaben übertragen, gesammelt oder für Training verwendet. Das ist ein zentraler Vorteil gegenüber API-basierten Forecasting-Diensten.
• Personenbezug: Zeitreihen sind in der Regel aggregierte Mengen (Absatz, Last, Verbrauch) ohne Personenbezug. Werden personenbeziehbare Rohdaten verarbeitet, gelten die DSGVO-Pflichten für deine eigene Verarbeitung, nicht für Prophet, das nur lokal rechnet.
• Auftragsverarbeitung (AVV): Nicht erforderlich, da kein externer Verarbeiter beteiligt ist. Läuft Prophet auf einer Managed-Plattform (Databricks, SageMaker, Azure ML), gilt der AVV des jeweiligen Cloud-Anbieters.
• Lizenz: MIT-Lizenz, kommerzielle Nutzung uneingeschränkt erlaubt, keine Copyleft-Pflichten.
• Empfehlung für Unternehmen: Für DSGVO-sensible Branchen ist die lokale Verarbeitung ohne Datenabfluss ein klarer Pluspunkt. Wer in der Cloud trainiert, sollte eine EU-Region wählen und den AVV des Cloud-Anbieters abschließen.

Gut kombiniert mit

• InfluxDB, als Zeitreihen-Datenbank, in der die historischen Mess- und Verkaufsdaten landen. Prophet holt sich daraus die Trainingsdaten, schreibt die Prognose zurück und macht sie damit nachgelagert auswertbar.
• Grafana, zur Visualisierung von Ist-Werten und Prophet-Prognose im selben Dashboard. So sehen Fachabteilungen den Forecast samt Konfidenzband neben den realen Verläufen, ohne Python öffnen zu müssen.
• Nixtla TimeGPT, als zweite Meinung und Vergleichswert. Prophet liefert die schnelle, erklärbare Baseline; TimeGPT liefert Prognosen per API, Punktprognosen laut Nixtla-FAQ schon mit einer Beobachtung pro Reihe. Beide gegeneinander laufen zu lassen, deckt auf, wo Prophet an seine Grenzen kommt.

Unser Fazit

Prophet verdient 4 von 5 Sternen. Es macht genau das, wofür es gebaut wurde, sehr gut: einer breiten Anwendergruppe schnelle, erklärbare und kostenlose Zeitreihenprognosen für Geschäftsdaten mit klarer Saisonalität ermöglichen. Die niedrige Einstiegshürde, die interpretierbaren Komponenten, die saubere Behandlung von Feiertagen und die mitgelieferten Konfidenzintervalle machen es zur idealen ersten Baseline, und die MIT-Lizenz ohne Datenabfluss ist im Forecasting-Markt ein starkes Argument. Den fünften Stern verliert Prophet aus zwei Gründen: Erstens steckt es im Wartungsmodus, das Team verweist für anspruchsvolle Fälle auf neuere Werkzeuge. Zweitens wird es in Sachen Genauigkeit von Foundation-Modellen und Gradient-Boosting-Ansätzen inzwischen oft übertroffen, gerade bei kurzen Historien und vielen Einflussgrößen. Unsere Empfehlung: als Einstieg und erklärbare Vergleichsbasis weiterhin erste Wahl, für den genauigkeitskritischen Produktivbetrieb aber gegen aktuellere Methoden vergleichen, statt blind dabei zu bleiben.

Was wir bemerkt haben

• 2023, Im Blogpost “Prophet in 2023 and beyond” heißt es klar, man plane keine großen Änderungen am Modell mehr und konzentriere sich auf Installierbarkeit, Performance und Doku. Für ein so populäres Open-Source-Projekt eine bemerkenswert ehrliche Ansage, viele Nutzer haben das nie mitbekommen und halten Prophet für aktiv weiterentwickelt.
• 2023, Im selben Zug verweisen die Maintainer ausdrücklich auf Alternativen für fortgeschrittene Anforderungen: NeuralProphet, Nixtla statsforecast und Orbit von Uber. Dass ein Projektteam offen auf Konkurrenzwerkzeuge zeigt, ist selten und spricht für die Reife der Maintainer.
• Januar 2026, Release 1.3.0 erschienen, mit Unterstützung für pandas 3.0 und numpy 2.4. Seit Version 1.4.0 erklärt die README den Wartungsmodus ausdrücklich, Release 1.5.0 (5. Oktober) bringt nur Bugfixes und ein Refactoring: aktive Kompatibilitätspflege, aber keine neuen Modell-Features. Prophet läuft also weiter problemlos in modernen Python-Stacks, wird aber methodisch nicht moderner.
• Oktober 2026, Mit rund 20.500 GitHub-Sternen (das Repository liegt inzwischen unter meta/prophet) bleibt Prophet eine der bekanntesten Forecasting-Bibliotheken und der De-facto-Einstiegspunkt für Zeitreihen-Newcomer. Der breite Bekanntheitsgrad ist Segen und Falle zugleich: Es wird oft auch dort eingesetzt, wo eine genauere Methode klar überlegen wäre.