Bestellmengenprognose — Food Waste mit KI reduzieren

Das echte Ausmaß des Problems

Der Wareneinsatz in der Gastronomie liegt branchenüblich zwischen 28 und 35 Prozent des Umsatzes. Bei einem Restaurant mit 600.000 Euro Jahresumsatz entspricht das bis zu 210.000 Euro in Rohwaren. Davon landen, laut einer Erhebung des WWF Deutschland und des Bundesministeriums für Ernährung und Landwirtschaft (BMEL), in der Außer-Haus-Verpflegung typischerweise 8 bis 12 Prozent als Lebensmittelabfall im Müll — nie verkauft, nur bezahlt und entsorgt.

Für denselben Betrieb bedeutet das: 17.000 bis 25.000 Euro pro Jahr, die nicht auf dem Teller landen.

Das ist kein Hygiene- und kein Qualitätsproblem — es ist ein Prognoseproblem. Und Prognoseprobleme sind genau das, was Machine Learning am besten löst.

Die deutsche Außer-Haus-Verpflegung erzeugt laut Umweltbundesamt (UBA, 2022) rund 16 Prozent der gesamten Lebensmittelabfälle in Deutschland — disproportional hoch gemessen am Anteil an der Gesamternährung. Der überwiegende Teil davon ist vermeidbar und auf fehlerhafte Mengenplanung zurückzuführen.

Dazu kommt das gespiegelte Problem: ausverkaufte Gerichte. In der Fachsprache „86’d”. Jedes Hauptgericht, das ein Gast nicht mehr bestellen kann, ist entgangener Umsatz — und hinterlässt beim Gast einen Eindruck, der ihn beim nächsten Besuch zögern lässt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Vergleichswerte basieren auf Erfahrungen aus laufenden Projekten sowie veröffentlichten Angaben von Anbietern wie Apicbase und Kitro. Individuelle Abweichungen sind normal — entscheidend ist das Muster, nicht die genaue Zahl.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5)
Ein KI-Prognosesystem spart 2–3 Stunden Planungsaufwand pro Woche — real und direkt messbar. Das ist einer der stärksten Zeiteffekte in dieser Kategorie. Nicht ganz 5, weil die Datenpflege (Kassendaten bereinigen, externe Faktoren aktualisieren) regelmäßig 30–45 Minuten Aufwand bleibt.

Kosteneinsparung — sehr hoch (5/5)
Der direkteste Kostenhebel im Gastronomie-Bereich: Food Waste wird von 8–15% auf 4–7% des Wareneinsatzes reduziert — das sind bei einem mittleren Betrieb schnell 10.000 bis 20.000 Euro pro Jahr. Kein anderer Use Case in dieser Kategorie hat eine so direkte, zählbare Einsparung.

Schnelle Umsetzung — niedrig (2/5)
Der größte Engpass: Datenvorbereitung. Wer keine sauberen, strukturierten Kassendaten der letzten 6–12 Monate hat, kommt nicht weiter. POS-Integration, Datenmigration und erste Kalibrierung dauern realistisch 6–10 Wochen. Kein Werkzeug, das man am Montag installiert und am Dienstag nutzt.

ROI-Sicherheit — hoch (4/5)
Die Einsparung ist direkt messbar: Wareneinsatz-Anteil vor und nach Einführung vergleichbar. Kein indirekter Effekt wie bei Wissensmanagement oder Prozessoptimierung. Ein konservativer ROI innerhalb von 3–5 Monaten ist realistisch — wenn die Datenbasis stimmt.

Skalierbarkeit — mittel (3/5)
Das Modell wächst mit weiteren Standorten und Daten. Aber: Saisonale Ausreißer, Sonderevents und Lieferantenveränderungen müssen kontinuierlich manuell nachgepflegt werden. Kein System, das man einmal einrichtet und nie wieder anfasst.

Richtwerte — stark abhängig von Betriebsgröße, Datenqualität und gewähltem Anbieter.

Was ein KI-Prognosesystem konkret macht

Ein KI-Prognosemodell für die Gastronomie lernt aus historischen Kassendaten. Es analysiert, welche Gerichte wann in welcher Menge verkauft wurden — aufgeschlüsselt nach Wochentag, Uhrzeit, Monat, Saison und einer Reihe externer Faktoren, die das Modell automatisch einbezieht.

Was ein gut konfiguriertes System berücksichtigt:

• Wochentags- und Uhrzeitmuster: Donnerstags kommen in vielen Stadtrestaurants mehr Geschäftsessen, Sonntage laufen in familienorientierten Betrieben anders als Freitagabende.
• Saisonalität: Im Sommer verschiebt sich die Nachfrage hin zu leichteren Gerichten, Salaten, Kaltgetränken. Schmorgericht-Saison beginnt erfahrungsgemäß im Oktober.
• Wetterdaten: Über externe APIs wird die aktuelle Wetterprognose einbezogen — Regen reduziert Laufkundschaft messbar. Studien aus dem Bereich Außer-Haus-Konsum zeigen Rückgänge von 15 bis 30 Prozent bei Schlechtwetter.
• Lokale Events und Feiertage: Großveranstaltungen in der Nachbarschaft, Stadtfeste, Messen oder Schulferien verändern das Gastprofil systematisch.
• Eigene Aktionen und Sonderangebote: Wenn du jeden Mittwoch ein Pasta-Special anbietest, sieht das Modell die historische Nachfrageverschiebung und rechnet sie ein.

Das Ergebnis: Eine wöchentliche Bestellempfehlung pro Artikel und Kategorie. Keine perfekte Vorhersage, aber eine deutlich präzisere als Bauchgefühl. Der Küchenchef oder Einkäufer bekommt einen Ausgangspunkt, den er mit eigenem Wissen ergänzt — und spart damit den Großteil der manuellen Kalkulationszeit.

Konkrete Werkzeuge — was wann passt

Apicbase — Vollständige Restaurant-Management-Plattform mit integrierter Bestellprognose, Rezepturmanagement und Food-Cost-Tracking. Geeignet für Betriebe mit strukturierten Warenwirtschaftsdaten, idealerweise bereits mit digitalem POS-System. Preise auf Anfrage, typischerweise 200–500 Euro/Monat je nach Modulgröße und Standortanzahl. Stärke: Alle Warenwirtschaftsprozesse in einem System. Kostenlose Testphase verfügbar.

MarketMan — Speziell auf Einkauf, Lieferantenmanagement und Bestandskontrolle ausgerichtet. Prognose-Modul auf Basis historischer Bestelldaten. Gut geeignet für Betriebe mit mehreren Lieferanten und komplexeren Einkaufsstrukturen. Ab ca. 150 Euro/Monat für Einstiegspläne. Stärke: Lieferantenanbindung und automatisierte Bestellauslösung.

Kitro — Spezialisiertes Food-Waste-Tracking-System mit KI-Analyse. Kitro wiegt und kategorisiert Abfälle automatisch über eine kamerabasierte Erkennung und zeigt detailliert, wo und warum Verluste entstehen. Besonders wertvoll als Mess-Instrument: Wer nicht weiß, wo Food Waste entsteht, kann ihn nicht reduzieren. Preise auf Anfrage.

Leanpath — Ähnlich wie Kitro auf Food-Waste-Messung spezialisiert, stärker verbreitet in größeren Betriebsrestaurants und Systemgastronomie. Integriert Schulungsfunktionen für Küchenpersonal. Gut kombinierbar mit Prognose-Tools als ergänzende Datenbasis.

ChatGPT + Google Sheets (Einstieg, kostenlos) — Wer noch kein spezialisiertes System hat: Kassendaten als CSV exportieren, strukturiert in Google Sheets aufbereiten, ChatGPT um Prognose und Wochenempfehlung bitten. Kein Ersatz für ein echtes System, aber ein valider Einstieg, der sofort nutzbar ist. Kosten: 0–20 Euro/Monat.

Datenschutz und Datenhaltung

Beim Einsatz von KI-Prognosesystemen in der Gastronomie werden in der Regel keine personenbezogenen Gästedaten verarbeitet — die Grundlage sind aggregierte Kassendaten (welche Gerichte wann in welcher Menge verkauft wurden), keine Kundennamen oder Zahlungsdetails. Das senkt die DSGVO-Komplexität erheblich.

Dennoch gilt: Sobald ein externer Dienstleister deine Kassendaten verarbeitet — auch aggregiert — ist zu prüfen, ob ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO erforderlich ist. Alle genannten Anbieter stellen AVV-Vorlagen bereit und bieten Verarbeitungsstandorte innerhalb der EU an. Vor Vertragsabschluss solltest du explizit erfragen, ob Daten auf europäischen Servern verbleiben — das ist technisch verfügbar und sollte Standard sein.

Bei Integration mit Mitarbeiterdaten (z. B. Schichtpläne für bessere Prognosen) gilt die volle DSGVO-Sorgfaltspflicht. In diesem Fall empfiehlt sich eine kurze Abstimmung mit dem Datenschutzbeauftragten, bevor diese Daten einfließen.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Je nach System und Ausgangslage: 500 bis 3.000 Euro. Der größte Teil davon ist nicht Technik, sondern Datenvorbereitung — Kassendaten bereinigen, Rezepturen erfassen, Warengruppen strukturieren. Wer bereits ein digitales POS-System mit API-Zugang betreibt, spart erheblich.

Laufende Kosten (monatlich)

• Software-Plattform: 150–500 Euro/Monat je nach Anbieter und Betriebsgröße
• Bei eigener KI-Lösung auf API-Basis: 50–200 Euro/Monat zusätzlich
• Interner Aufwand nach Einrichtung: ca. 1–2 Stunden/Woche für Prüfung und Anpassung

ROI-Rechnung — konkret

Restaurant mit 600.000 Euro Jahresumsatz, Wareneinsatz 32 Prozent (= 192.000 Euro):

• Aktuelle Schätzung Food Waste: 10 Prozent des Wareneinsatzes = 19.200 Euro/Jahr
• Reduktion durch KI-Prognose auf 5 Prozent: Einsparung ~9.600 Euro/Jahr
• Hinzu: Weniger ausverkaufte Gerichte — selbst wenn nur 2 Prozent mehr Umsatz realisiert werden (= 12.000 Euro/Jahr bei gleichem Deckungsbeitrag)
• Software-Kosten: ~2.400–6.000 Euro/Jahr
• Netto-Vorteil: 15.000–20.000 Euro/Jahr bei einem Mittelbetrieb

Die meisten Projekte amortisieren sich in drei bis sechs Monaten — abhängig von Betriebsgröße, Ausgangsniveau des Food Waste und gewähltem Anbieter.

Vier typische Einstiegsfehler

1. Kassendaten nicht bereinigen vor dem Start.
Ein KI-Modell lernt aus historischen Daten — und übernimmt dabei auch Fehler. Falsche Tagesumsätze durch Stornierungen, fehlende Kategorisierungen oder Datenlücken durch Kassenausfälle korrumpieren das Modell von Anfang an. Empfehlung: Mindestens sechs Monate saubere Kassendaten als Grundlage sicherstellen, bevor die Prognose aktiviert wird. Wer das überspringt, bekommt Empfehlungen, die schlechter sind als Bauchgefühl.

2. Prognosen blind übernehmen ohne lokales Kontextwissen.
Das Modell kennt historische Muster — aber nicht, dass nächsten Samstag ein Stammgast eine Firmenfeier für 35 Personen angemeldet hat, oder dass das lokale Sommerfest in diesem Jahr an einem anderen Wochenende stattfindet als im Vorjahr. KI-Prognose ist ein Ausgangspunkt, kein Autopilot. Der Einkäufer muss Empfehlungen aktiv prüfen und mit aktuellem Wissen abgleichen.

3. Nur Food Waste messen, Fehlbestände ignorieren.
Viele Betriebe starten mit dem Ziel, Abfall zu reduzieren — und überschießen dabei. Das System empfiehlt weniger, der Einkäufer bestellt weniger, die Gerichte laufen am Wochenende schneller leer als erwartet. Ausverkaufte Positionen sind genauso ein Qualitätsproblem wie Waste — und oft das teurere. Wer Prognosen einsetzt, muss beide Kennzahlen im Blick haben.

4. System nach der Einrichtung sich selbst überlassen.
Das Modell lernt — aber nicht von alleine. Wer nach Einführung das Dashboard nicht mehr öffnet, die saisonalen Besonderheiten nicht nachpflegt und Fehlprognosen nicht rückmeldet, degradiert das System in wenigen Monaten. Feste wöchentliche Prüfung ist keine Option, sondern Pflicht.

Was mit der Einführung wirklich passiert

Die größte Hürde ist meist nicht technischer Natur — sie ist kulturell. Erfahrene Küchenchefs und Einkäufer haben über Jahre ein Gespür entwickelt. Dieses Gespür wird durch Zahlen infrage gestellt, und das erzeugt Widerstand.

Typisches Muster: Das System schlägt in Woche zwei vor, 20 Prozent weniger Rinderfilet zu bestellen. Der Küchenchef bestellt trotzdem wie gewohnt — „das läuft dieses Wochenende bestimmt gut”. Am Ende der Woche: Rinderfilet bleibt übrig. Aber die Schlussfolgerung ist nicht „Das System hatte recht”, sondern „Das waren besondere Umstände”.

Konkrete Gegenstrategie: Die ersten vier Wochen im Parallelmodus laufen lassen. Prognose und tatsächliche Bestellung dokumentieren. Dann die Abweichungen gemeinsam auswerten. Wenn das System in drei von vier Wochen besser lag als die Bauchgefühlplanung, ist der Widerstand oft schnell überwunden.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unser Koch hat 20 Jahre Erfahrung — der weiß das auch so.”
Stimmt — für normale Wochen. Das Problem sind die Ausreißer: das lange Wochenende mit unerwartetem Schlechtwetter, der lokale Event-Kalender, der sich jedes Jahr verschiebt, die neue Konkurrenz um die Ecke. Erfahrung ist wertvoll als Korrektiv, aber sie systematisiert keine Muster über 52 Wochen und 400 mögliche Einflussfaktoren gleichzeitig. KI und Erfahrung sind kein Entweder-oder.

„Wir haben keine ordentlichen Kassendaten.”
Das ist häufiger als man denkt — und oft weniger schlimm als befürchtet. In vielen Betrieben liegen ausreichend auswertbare Daten vor, auch wenn sie nicht perfekt strukturiert sind. Der erste Schritt ist immer eine Bestandsaufnahme: Was haben wir, was fehlt, was lässt sich nacherfassen? Oft reichen sechs Monate saubere Daten für eine erste brauchbare Prognose.

„Das funktioniert bei uns nicht — wir sind zu klein.”
Ab etwa 50 Sitzplätzen und sechs Öffnungstagen pro Woche rechnet sich KI-Prognose für die meisten Betriebe. Kleinere Betriebe mit sehr stabiler, gleichförmiger Nachfrage brauchen sie möglicherweise nicht — aber wenn saisonale Schwankungen, Events oder wechselndes Gästeprofil zum Alltag gehören, lohnt sich ein genauerer Blick unabhängig von der Betriebsgröße.

Woran du merkst, dass das zu dir passt

• Du verbringst regelmäßig mehrere Stunden pro Woche damit, Bestellmengen manuell zu kalkulieren — mit unsicherem Ergebnis.
• Am Ende jeder Woche landet ein spürbarer Anteil frischer Ware im Müll, ohne auf dem Teller gewesen zu sein.
• Gerichte laufen regelmäßig früher aus als der Abend — und Gäste müssen auf Alternativen verwiesen werden.
• Dein Wareneinsatz liegt konstant über 33 Prozent und du kannst nicht klar sagen warum.
• Saisonale Schwankungen, lokale Events oder Wettereinflüsse machen deine Planung unberechenbar.
• Du hast ein digitales POS-System im Einsatz und mindestens sechs Monate auswertbare Kassendaten.

Wer weniger davon profitiert: Betriebe ohne digitales Kassensystem oder ohne mindestens sechs Monate Historiedaten — dann ist der Einstieg verfrüht; erst die Datenbasis aufbauen, dann automatisieren. Betriebe mit weniger als 50 Sitzplätzen und stabiler, gleichförmiger Nachfrage: Dort ist das Prognosemodell aufwendiger als das Problem. Und Betriebe in einer intensiven Umbau- oder Konzeptwechselphase — historische Daten verlieren ihren Prognosewert, wenn sich das Angebot grundlegend ändert.

Das kannst du heute noch tun

Exportiere aus deinem Kassensystem einen CSV mit den Umsatzdaten der letzten drei Monate — aufgeschlüsselt nach Gericht, Datum und Menge. Lade diese Datei in ChatGPT hoch und nutze folgenden Prompt:

Quellen & Methodik

• BMEL / Umweltbundesamt (2022): Lebensmittelabfälle in Deutschland nach Sektoren — ca. 16 Prozent der Gesamtabfälle entfallen auf Außer-Haus-Verpflegung.
• WWF Deutschland: Lebensmittelverschwendung in der deutschen Gastronomie — Schätzungen zum Anteil vermeidbarer Abfälle.
• DEHOGA-Zahlenspiegel: Branchenkennzahlen zu Wareneinsatz (28–35 %) und Betriebskostenstruktur.
• Apicbase, MarketMan (Anbieterangaben, 2024/2025): Prognosegenauigkeit und Food-Waste-Reduktionswerte aus Implementierungsprojekten.
• Eigene Praxiserfahrung: Zeitplan- und ROI-Angaben basieren auf beobachteten Implementierungen bei KMU-Gastronomiebetrieben. Keine repräsentative Studie, aber konsistente Beobachtungen.