Bürgerservice-Nachfrageprognose

Das echte Ausmaß des Problems

Saisonale Spitzen im Bürgerservice sind so verlässlich wie der Kalender — und trotzdem trifft jede neue Spitze die meisten Ämter unvorbereitet.

Das Terminbuchungssystem kennt die Nachfrage. Es speichert jeden buchbaren Slot, jeden belegten Termin, jeden Nichterscheinen-Datensatz. Im Berliner Stadtgebiet werden laut einer Datenrecherche von netzpolitik.org (September 2023) systemweit rund 1.000 Termine pro Tag nicht wahrgenommen — Termine, die kurzfristig vergeben werden könnten, wenn das System wüsste, wann die nächste Welle kommt. Im selben Zeitraum scheiterte jede zweite Online-Terminanfrage, weil keine Kapazität im System stand. Die durchschnittliche Wartezeit auf einen Termin lag bei 30 Tagen — nicht wegen fehlender Schalter, sondern wegen falscher Verteilung.

Das Bundesdruckerei-Engpass-Sommer 2024 illustriert, was passiert, wenn selbst die nachgelagerte Produktionsstufe nicht plant: Erstmals in der Geschichte der Bundesdruckerei wurden binnen vier Wochen über 600.000 Reisepässe bestellt. Die Behörde reagierte mit Dreischichtbetrieb und Wochenendarbeit — beides Zeichen reaktiver, nicht proaktiver Planung. Bundesweit lagen die Wartezeiten bei sieben bis acht Wochen, in Einzelfällen bis zehn Wochen (ZDF, Juli 2024). Das Signal für diese Spitze — steigende Reiseaktivität nach Corona, Brexit-Reisepasspflicht für Großbritannien, beschleunigter Einbürgerungsprozess — war in den Daten vorhanden. Es hat nur niemand ausgelesen.

Die wichtigsten Spitzentreiber, die sich aus historischen Daten regelmäßig vorhersagen lassen:

• Saisonale Reisewellen: Reisepass-Anträge steigen ab März deutlich, peaken im Juni/Juli vor Sommerschulferien, haben einen zweiten Anstieg im September (Herbst-Fernreisen)
• Gesetzliche Ablaufdaten: Dokumente mit zehnjähriger Gültigkeit erzeugen geclusterte Ablaufwellen — wer seinen Personalausweis 2015 beantragt hat, braucht 2025 einen neuen
• Lebensereignisse mit Terminpflicht: Geburten (Standesamt), Hochzeiten (Standesamt), Umzüge im Sommer und zu Schuljahresbeginn, Todesfälle (Sterbeurkunden)
• Regulatorische Stichtage: Neue Ausweispflichten, OZG-Umstellungen, Änderungen bei Aufenthaltstiteln erzeugen vorhersehbare Antrags-Cluster
• Demografische Verschiebungen: Stadtteile mit hohem Zuzug oder Seniorenanteil zeigen systematisch andere Dienstleistungsprofile als die Gesamtstatistik

Der aktuelle Umgang damit: Teamleitungen schätzen nach Erfahrung, die Personalplanung folgt der Auslastung statt ihr voraus, Überstunden werden en bloc für „Hochphasen” verplant ohne Datenbasis.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5)
Die direkte Zeitersparnis liegt hauptsächlich bei Teamleitungen und Personalverantwortlichen — weniger bei den Sachbearbeitenden selbst. Wer bisher zwei bis sechs Stunden pro Woche mit Schichtplanung, Überstundenkoordination und reaktiver Kapazitätsnachsteuerung verbracht hat, kommt mit einer validen Prognose auf unter zwei Stunden. Das ist real, aber kein Vergleich zu Anwendungsfällen, die die tägliche Bearbeitungsarbeit direkt automatisieren.

Kosteneinsparung — hoch (4/5)
Der stärkste Hebel: Ungeplante Überstunden im öffentlichen Dienst sind teuer. Eine Kreisbehörde mit 30 Mitarbeitenden im Bürgerservice und zwölf Überstundentagen pro Person im Jahr zahlt allein dafür — abhängig von Entgeltgruppe und Zuschlägen — schnell 40.000 bis 80.000 Euro brutto zusätzlich. Wenn proaktive Planung auch nur die Hälfte dieser Peaks abfängt, amortisiert sich das System innerhalb eines Jahres. Anders als bei vielen KI-Projekten im öffentlichen Dienst ist dieser Nutzen direkt in der Lohnbuchhaltung sichtbar.

Schnelle Umsetzung — niedrig (2/5)
Das ist der ehrlichste Punkt: Bis eine Prognose belastbar ist, braucht es mindestens zwölf bis vierundzwanzig Monate saubere Buchungshistorie, eine Integration in das Terminmanagementsystem, eine Abstimmung mit dem behördlichen Datenschutzbeauftragten und eine IT-Einbindung, die in den meisten Ämtern mehrere Monate Vorlauf braucht. Ein Pilot läuft in der Praxis nach drei bis sechs Monaten — nicht nach drei Wochen. Wer das unterschätzt, wird enttäuscht.

ROI-Sicherheit — mittel (3/5)
Die Einsparung ist real und prinzipiell messbar — aber nur, wenn vorher eine Baseline dokumentiert wurde: Wie viele Überstundenstunden fielen in Vergleichsperioden an? Welche Buchungsauslastung galt als gut, welche als schlecht? Ohne diese Ausgangsmessung lässt sich hinterher nur schätzen, was das System gebracht hat. Das ist machbar, erfordert aber bewusste Planung vor dem Projektstart.

Skalierbarkeit — hoch (4/5)
Ein Prognosemodell für Reisepass-Buchungen im Bürgeramt der Hauptstelle lässt sich auf die Zweigstellen, auf die Führerscheinstelle, auf die Ausländerbehörde und auf saisonale Sondereffekte ausweiten — ohne dass das Grundsystem neu aufgebaut wird. Der Aufwand für jeden weiteren Dienstleistungstyp ist deutlich geringer als der Initialaufwand. Für Kreisbehörden mit mehreren Standorten skaliert das Modell gut.

Richtwerte — stark abhängig von Behördengröße, historischer Datenlage und IT-Infrastruktur.

Was ein Nachfrageprognose-System konkret macht

Predictive Analytics auf Besuchsdaten klingt zunächst wie ein Handelsprojekt — und in der Methode ist das gar nicht so weit entfernt. Der Kernprozess ist folgender:

Das System liest historische Terminbuchungsdaten aus dem vorhandenen Terminmanagementsystem aus: Wann wurde gebucht? Für welche Dienstleistung? Wie viele No-Shows gab es? Wann kamen Laufkundschaft-Peaks ohne Termin? Diese Daten bilden die Zeitreihe.

In einem zweiten Schritt werden externe Signale hinzugefügt, die Nachfrage-Cluster erklären: Schulferienkalender des Bundeslandes, gesetzliche Feiertage, bekannte Ablaufdaten aus früheren Antragswellen (z.B. Personalausweise, die 2015 ausgestellt wurden und 2025 ablaufen), geplante Großereignisse im Stadtgebiet.

Ein Machine Learning-Modell — in einfachsten Fällen ARIMA oder Prophet, in komplexeren Umgebungen Gradient-Boosting-Modelle mit Featurisierung — lernt die Muster aus diesen kombinierten Signalen und generiert Prognosen mit Konfidenzintervallen: „In KW 24 erwarten wir 340–420 Reisepass-Anfragen, Basiswert 385.”

Was das System ausgibt:

• Wöchentliche Nachfrageprognose je Dienstleistungstyp, vier bis acht Wochen voraus
• Alarmierung, wenn Prognosen signifikant über der verfügbaren Kapazität liegen
• Empfehlungen für Slot-Anpassung (mehr Terminfenster in KW 24–27 für Reisepass öffnen)
• Kommunikationshinweise für das Bürgerportal (Frühbuchungsempfehlung ab April)

Was das System nicht tut: Es ersetzt keine Entscheidung. Eine Prognose von 420 Reisepass-Anfragen in KW 24 sagt der Teamleitung, dass sie handeln muss — nicht wie. Die Personalentscheidung, die Überstundenregelung, die Priorisierung bleibt bei der verantwortlichen Person.

Warum Bürger-Nachfrage schwerer zu prognostizieren ist als Kundennachfrage

Das ist der Unterschied, den kommerzielle Demand-Forecasting-Tools oft nicht abbilden — und der den Unterschied zwischen einem funktionierenden und einem frustrierenden Projekt ausmacht.

Im Einzelhandel lässt sich Nachfrage aktiv verschieben: Ein Rabatt am Dienstag verlagert Käufe vom Wochenende auf den Werktag. Kommunikation beeinflusst den Zeitpunkt. Das Modell kann mit Preissignalen und Marketingaktionen arbeiten.

Im Bürgerservice ist die Nachfrage weitgehend inelastisch. Wer seinen Reisepass beantragen muss, weil er in sechs Wochen fliegt, kann nicht auf nächsten Monat warten. Eine Geburt muss innerhalb weniger Wochen beim Standesamt angemeldet werden. Ein Umzug löst Anmeldepflichten aus, die nicht verschiebbar sind. Aufenthaltstitel laufen ab Datum X ab — nicht dann, wenn es dem Amt gerade passt.

Das hat drei konkrete Konsequenzen für das Prognosemodell:

1. Externe Kalender sind wichtiger als Preistrends. Das Modell braucht Schulferien, gesetzliche Feiertage, Nahverkehrsstreiks (reduzieren Spontanbesuche) und Großveranstaltungen (erhöhen kurzfristige An-/Ummeldungen). Ein kommerzielles Forecasting-Tool, das primär auf Preisdaten trainiert ist, bringt hier wenig.

2. Cliff-Effekte durch Ablaufdaten. Dokumente mit fixer Gültigkeit erzeugen Nachfrage-Cluster, die sich nach zehn Jahren wiederholen. Eine Welle von Personalausweisanträgen aus 2015 kommt zuverlässig 2025 zurück — aber nur, wenn jemand das explizit modelliert. Ohne diese Komponente prognostiziert das Modell die Vergangenheit, nicht die Zukunft.

3. No-Shows haben systematische Muster. Im Bürgerservice erscheinen beim Bürgeramt Berlin laut Systemdaten täglich rund 1.000 gebuchte Termine nicht (netzpolitik.org, 2023). No-Shows sind nicht zufällig verteilt: Sie sind höher an Montagvormittagen, nach Feiertagen und bei kurzen Vorlaufzeiten. Ein gutes Prognosemodell schätzt nicht nur Bruttotermine, sondern auch den erwarteten Nettobesuch — und berechnet daraus die tatsächliche Schalterauslastung.

Konkrete Werkzeuge — was wann passt

Die Wahl des Werkzeugs hängt stark davon ab, wie die Terminbuchungsdaten vorliegen und wie viel IT-Kapazität für die Einbindung zur Verfügung steht.

plano WFM — wenn ein spezialisiertes Behördensystem gefragt ist
Spezialisiert auf öffentliche Dienste (Polizei, Feuerwehr, Rettungsdienste, Behörden), mit eingebautem TVöD/TV-L-Kollektivvertrag und KI-gestützter Schichtplanung. Das System lernt aus historischen Belastungs- und Schichtdaten und generiert Nachfrageprognosen als Teil der Dienstplanoptimierung. Kein öffentlicher Tarif — Angebot auf Anfrage. Geeignet für Behörden mit 20+ Mitarbeitenden im Schichtbetrieb und komplexen Tarifanforderungen.

Python + Prophet oder scikit-learn — wenn eine interne oder beauftragte Lösung gebaut werden soll
Facebooks Open-Source-Bibliothek Prophet ist speziell für Zeitreihen mit starken saisonalen Mustern und Feiertagen entwickelt worden — und bildet damit genau die Struktur von Bürgeramt-Nachfragedaten gut ab. Python (kostenlos) erlaubt das Einlesen aus dem Terminmanagementsystem, die Integration von Ferienkalender-Daten und die Ausgabe von Prognose-Dashboards. Voraussetzung: ein Entwickler oder eine Digitalagentur, die das aufbaut.

Azure Machine Learning — für Microsoft-365-Behörden mit Azure-Infrastruktur
Wer bereits in der Azure-Cloud arbeitet, kann historische Termindaten in Azure Data Factory laden und mit dem AutoML-Feature von Azure Machine Learning ohne aufwendige Modellentwicklung brauchbare Zeitreihenprognosen generieren. EU-Datenhosting verfügbar (Azure Regions EU). Typische Infrastrukturkosten: 100–500 Euro/Monat je nach Volumen. Vorteil: Keine neue Infrastruktur, wenn Azure bereits genutzt wird.

Microsoft Power BI — für die Visualisierungsschicht
Unabhängig vom Prognose-Backend ist Microsoft Power BI eine sinnvolle Visualisierungsschicht: Prognosen werden als interaktive Dashboards aufbereitet, Teamleitungen sehen auf einen Blick die Kapazitätsampel der nächsten acht Wochen. Die Desktop-Version ist kostenlos, der Pro-Service kostet ab 10 Euro/Nutzer/Monat.

Zusammenfassung — wann welcher Ansatz

• Behörde mit komplexem Schichtbetrieb und Tarifanforderungen → plano WFM
• Digitalagentur oder interne IT-Einheit verfügbar → Python + Prophet
• Microsoft-365-Infrastruktur bereits vorhanden → Azure Machine Learning
• Visualisierung und Reporting für Teamleitungen → Microsoft Power BI als Ergänzung

Datenschutz und Datenhaltung

Die gute Nachricht: Aggregierte Termindaten — Anzahl Buchungen je Dienstleistungstyp und Zeiteinheit, No-Show-Raten, Auslastung je Zeitslot — enthalten in der Regel keine personenbezogenen Daten im Sinne der DSGVO. Wer sein Prognosemodell auf aggregierten Kennzahlen trainiert (kein Name, kein Geburtsdatum, keine Anschrift in den Trainings-Features), bewegt sich im datenschutzrechtlich weniger sensiblen Bereich.

Die wichtigen Fragen, die der behördliche Datenschutzbeauftragte trotzdem stellen wird:

Werden Buchungsdaten aus dem Fachverfahren exportiert? Wenn ja: Welche Felder? Fließen Personenmerkmale mit aus, die nicht für die Prognose gebraucht werden? Die Aggregationsebene muss sauber definiert sein.

Wird das Modell auf einer Cloud-Plattform trainiert? Wenn Azure Machine Learning oder ein vergleichbarer Cloud-Dienst genutzt wird, muss ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO vorliegen. Bei Azure ist dieser abrufbar und enthält EU-Datenhosting-Optionen.

Werden Prognosen zur Personalsteuerung genutzt? Hier beginnt eine Verbindung zur Mitbestimmungspflicht nach Betriebsverfassungsgesetz oder Personalvertretungsgesetz: Wenn das System Empfehlungen für Personaleinsatz generiert, ist der Personalrat oder die Mitarbeitervertretung einzubeziehen — je nach Bundesland und Behördengröße nach unterschiedlichen Rechtsgrundlagen.

OZG als struktureller Datenlieferant: Das Onlinezugangsgesetz 2.0 (in Kraft seit Juli 2024) treibt die Digitalisierung von Verwaltungsleistungen voran. Je mehr Dienstleistungen digital angeboten werden, desto mehr strukturierte Buchungsdaten entstehen — und desto besser wird die Datenbasis für Prognosemodelle. Behörden, die heute OZG-konforme Online-Terminbuchung einführen, legen gleichzeitig das Fundament für spätere Nachfrageprognosen.

Was es kostet — realistisch gerechnet

Einmalige Projektkosten

• Datenexport und -bereinigung aus dem Terminmanagementsystem: intern 20–40 Personentage oder extern 5.000–15.000 Euro
• Modellentwicklung (Prophet-basiert, Python): 15.000–40.000 Euro durch eine Digitalagentur oder Bundesland-IT (typischer Kostenpunkt für ein erstes funktionsfähiges Prognose-Dashboard)
• Integration in Personalplanungssystem und Microsoft Power BI-Visualisierung: 5.000–20.000 Euro
• Datenschutz-Folgeabschätzung und DPA-Abstimmung: 10–20 Personentage intern

Gesamtprojektkosten Pilotbetrieb (ein Standort): Realistisch 30.000–80.000 Euro für eine belastbare erste Version. Für Kreisbehörden, die über IT-Dienstleister wie Dataport oder AKDB beschaffen, können Rahmenverträge günstiger sein.

Laufende Kosten (monatlich)

• Azure Machine Learning / Infrastruktur: 100–500 Euro/Monat
• Microsoft Power BI Pro für Teamleitungen: ~10 Euro/Nutzer/Monat
• Modellwartung und Nachkalibrierung: 0,5–1 Personentag/Quartal (intern)

Was du dagegenrechnen kannst
Überstunden im öffentlichen Dienst nach TVöD sind teuer. Ein Mitarbeitender in EG 6 kostet mit Arbeitgeber-Nebenkosten rund 45 Euro pro Stunde. Eine mittelgroße Kreisbehörde mit 25 Mitarbeitenden im Bürgerservice und durchschnittlich zehn ungeplanten Überstundentagen pro Person im Jahr kommt auf über 200 Überstundenstunden in Spitzenphasen — Kosten von rund 9.000 Euro allein für die Überstundenzuschläge, zuzüglich der regulären Lohnkosten für die Mehrarbeit. Auf das gesamte System gerechnet, liegen die vermeidbaren Mehrkosten durch Spitzenüberlastung bei vielen Behörden deutlich über 30.000 Euro jährlich.

Wie du den Nutzen misst
Nicht als theoretische Schätzung, sondern konkret: Überstundenstunden je Quartal im Vergleich zum Vorjahreszeitraum, durchschnittliche Wartezeit auf den nächsten freien Termin (wöchentlich erhoben), Auslastungsgrad je Slot-Stunde (Unter- vs. Überbuchung). Diese drei Kennzahlen lassen sich heute schon erheben — und bilden die Baseline, gegen die das Prognose-System in 12 Monaten gemessen wird.

Typische Einstiegsfehler

1. Zu wenig Datenhistorie für das erste Modell.
Ein Prognosesystem, das mit sechs Monaten Buchungshistorie trainiert wird, sieht keinen vollen Jahresrhythmus. Es lernt nicht, dass der Mai immer ruhiger ist als der Juli, dass Schuljahresanfang Umzüge triggert oder dass der Januar nach dem Jahreswechsel eine Sonderkonjunktur für Ummeldungen hat. Das Modell gibt eine Prognose aus — aber sie ist schlechter als eine erfahrene Teamleitung. Lösung: Mindestens vierundzwanzig Monate sauber strukturierter Buchungsdaten vor Projektstart. Wer das nicht hat, beginnt mit der Datensicherung, nicht mit der KI.

2. Externe Ereignisdaten werden nicht einbezogen.
Ein Modell, das nur auf internen Buchungsdaten trainiert wird, sieht keine strukturellen Shifts: Ein neues Einbürgerungsgesetz, das die Bearbeitungszeiten der Ausländerbehörde verdreifacht; eine OZG-Umstellung, die plötzlich mehr Online-Voranmeldungen produziert; ein großer Arbeitgeber, der in den Landkreis zieht. Diese Ereignisse sind nicht aus der Vergangenheit ableitbar. Das Modell braucht einen Mechanismus, mit dem Teamleitungen solche externen Signale manuell eintragen können — ansonsten bleibt die Prognose immer Vergangenheits-Echo statt Vorausschau.

3. Das Modell wird nicht nachkalibriert.
Das ist der häufigste Langzeitfehler. Eine Prognose, die im Jahr eins gut war, ist im Jahr drei möglicherweise strukturell verschoben — weil die Stadtbevölkerung gewachsen ist, weil ein Service online gegangen ist, weil der Anteil terminloser Laufkundschaft gesunken ist. Ein Modell, das einmal eingerichtet und dann nicht mehr angefasst wird, wird systematisch schlechter. Lösung: Quartalsweise Nachkalibrierung mit neuen Daten, jährlicher Review der Featureset-Struktur. Wer kein Budget für diese Pflege einplant, hat nach zwei Jahren ein teures System, das schlechter plant als die Erfahrung der Teamleitung.

4. Die Prognose wird nicht mit dem Personalplanungssystem verbunden.
Eine Prognose im PowerPoint-Bericht, die jemand monatlich produziert und als PDF verschickt, ändert nichts. Sie muss direkt in das Planungswerkzeug integriert sein, das die Teamleitung täglich nutzt — oder zumindest in ein Dashboard, das bei der Dienstplanung automatisch aufpoppt. Prognosen, die manuell übertragen werden müssen, werden nicht genutzt. Dieses Integrations-Problem ist kein technisches Randthema, sondern die wichtigste Umsetzungsfrage des gesamten Projekts.

Was mit der Einführung wirklich passiert — und was nicht

Die Prognose-Software ist das kleinste Problem. Das größere ist der Überzeugungsprozess im Haus.

Die Skepsis aus dem Leitungsbereich: „Wir wissen doch selbst, wann es voll wird.” In vielen Behörden stimmt das für grobe Saisonmuster — die Reisepasswelle im Mai/Juni ist erfahrungsgemäß bekannt. Aber das erfahrungsbasierte Wissen ist nicht quantifiziert, nicht planbar und nicht übertragbar auf neue Mitarbeitende. Ein Datenmodell macht dieses Erfahrungswissen explizit und nachvollziehbar — es ersetzt es nicht, es systematisiert es. Dieser Unterschied hilft in der Kommunikation.

Die Frage der Mitarbeitervertretung: Wenn das System Schichtempfehlungen generiert oder zur Personalentscheidung herangezogen wird, ist der Personalrat oder die Mitarbeitervertretung frühzeitig einzubinden — nicht als bürokratisches Pflichtprogramm, sondern weil diese Einbindung den Rollout wesentlich reibungsärmer macht. Behörden, die das überspringen, erleben Verzögerungen. Behörden, die Personalräte von Anfang an einbeziehen, bauen Akzeptanz auf, die später trägt.

Die Kommunikationsdimension, die oft vergessen wird: Eine gute Prognose ermöglicht proaktive Bürgerkommunikation. Das Bürgerportal kann ab März mit einem Hinweis versehen werden: „Reisepässe für Sommerreisen bitte bis Ende April beantragen — Wartezeiten werden ab Mai deutlich länger.” Das ist eine kleine Maßnahme, die das Nachfrageprofil messbar glättet — und die Behörde nach außen als kompetent darstellt, nicht als überlastet.

Was realerweise in den ersten zwölf Monaten passiert: Das System liefert nach drei bis vier Monaten erste brauchbare Prognosen. In den folgenden sechs Monaten wird das Modell durch Feedback der Teamleitungen kalibriert — es gibt Ausreißer, es gibt Fehlprognosen, es gibt Diskussionen über Randbedingungen. Nach etwa einem Jahr läuft ein stabiler Prozess, in dem die Prognose Teil der regulären Dienstplanung ist. Wer diesen Lernprozess als Fehler des Systems interpretiert, bricht zu früh ab.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Die Nachfrage im Bürgeramt ist unvorhersehbar — das lässt sich nicht modellieren.”
Das ist falsch für den größten Teil des Nachfragespektrums. Saisonale Muster, Feiertage, gesetzliche Fälligkeiten und Bevölkerungsdynamik sind gut modellierbar und erklären in Studien zu öffentlichen Terminbuchungssystemen 60–80 Prozent der Nachfrageschwankungen. Was tatsächlich unvorhersehbar ist: akute Ereignisse (lokale Medienberichterstattung, spontane Migrationslagen). Diese werden durch Konfidenzintervalle im Modell abgebildet — nicht durch eine Punktprognose, die vorgibt, alles zu wissen.

„Wir haben kein Budget für ein solches Projekt.”
Die Gegenfrage: Wie viel kosten die aktuellen Überstunden? Ein Überblick über die letzten drei Jahre Überstundenabrechnung in einem Sommerquartal gibt eine ehrlichere Antwort als jede Schätzung. Viele Behörden, die diese Zahl einmal strukturiert ausgerechnet haben, kommen auf sechsstellige Beträge in einer Einheit — und merken, dass das Prognose-Projekt nicht teurer wäre. Außerdem gibt es Förderprogramme auf Landes- und Bundesebene für Digitalisierungsprojekte in Kommunen (BMI-Förderlinien, Förderprogramme der Länder), die diesen Einstieg mitfinanzieren.

„Was, wenn das Modell falsch liegt?”
Es wird Prognosen geben, die nicht stimmen. Das ist keine Frage der Methode, sondern eine Tatsache jeder Vorhersage unter Unsicherheit. Der entscheidende Vergleich ist nicht „Prognose vs. perfekte Voraussicht”, sondern „Prognose vs. aktueller Zustand (keine Prognose)”. Eine Prognose, die achtzig Prozent der Spitzen vier Wochen vorher identifiziert, ist erheblich besser als eine Planung, die nach Erfahrung und Glück arbeitet. Das Modell wird nie alle Ausreißer fangen — und muss das auch nicht.

Woran du merkst, dass das zu dir passt

• Ihr betreibt ein Bürgeramt, eine Führerscheinstelle, ein Standesamt oder eine Ausländerbehörde mit nennenswertem Terminvolumen und wisst, dass Sommer, Schuljahresbeginn oder Jahreswechsel regelmäßig Überstunden erzeugen
• Ihr habt ein digitales Terminbuchungssystem und könnt auf mindestens vierundzwanzig Monate buchungshistorische Daten zugreifen — selbst wenn diese bisher nicht für Prognosen genutzt werden
• Überstunden und reaktive Personalplanung sind ein Thema, das ihr intern als Problem kennt und mit dem ihr in die nächste Haushaltsplanung gehen wollt
• Ein DV-Beauftragter oder eine IT-Einheit ist vorhanden und kann bei der Datenintegration unterstützen
• Die Behördenleitung ist bereit, Personalplanung auf Datenbasis umzustellen — und nicht nur auf Erfahrung

Drei harte Ausschlusskriterien — wann ihr noch nicht so weit seid:

1. Gemeinden unter 10.000 Einwohnern mit einem Schalter je Dienstleistungstyp. Wenn eine Kraft für Reisepässe zuständig ist und es zehn bis zwanzig Vorgänge pro Tag gibt, fehlt die statistische Tiefe für ein robustes Prognosemodell. Die Planungsaufgabe lässt sich hier mit einem Ferienkalender und zwei Jahren Erfahrungswissen genauso gut lösen. Der Overhead eines Prognose-Systems lohnt sich nicht.

2. Kein digitales Terminbuchungssystem im Einsatz oder Betrieb ausschließlich als Walk-in-Behörde. Ohne digitale Buchungsdaten gibt es keine Zeitreihe, und ohne Zeitreihe gibt es kein Prognosemodell. Der sinnvollste erste Schritt für diese Behörden ist die Einführung eines digitalen Terminbuchungssystems — das Prognose-Projekt kommt danach, frühestens nach zwei Jahren Betrieb.

3. Buchungsdaten aus dem letzten Jahr durch einen außerordentlichen Effekt verzerrt (Systemumstellung, Standortschließung, Pandemie-Nachwirkungen, Massenzuzug nach einem Konflikt). In diesen Fällen spiegelt die Vergangenheit nicht die Normalstruktur wider — das Modell lernt eine Ausnahmesituation als Normalfall. Vor dem Modellbau muss klar sein, welche Perioden als „normales” Training gelten und welche herausgehalten werden.

Das kannst du heute noch tun

Bevor ein Projekt beginnt, brauchst du drei Zahlen aus deiner eigenen Verwaltung: (1) Überstundenstunden in den letzten zwölf Monaten je Quartal, (2) durchschnittliche Wartezeit auf den nächsten freien Termin in den Spitzenmonaten Mai–August, (3) No-Show-Rate im Terminbuchungssystem. Mit diesen drei Zahlen kannst du in einem ersten Gespräch belastbar einschätzen, ob das Potenzial für ein Prognose-Projekt vorhanden ist — und welche Einsparung du als Baseline annehmen kannst.

Für eine erste Einschätzung des Saisonmusters in euren Daten kannst du diesen Prompt verwenden, wenn ihr Exportdaten aus dem Terminmanagementsystem als CSV-Tabelle ziehen könnt:

Quellen & Methodik

• Berliner Bürgerämter — Terminverfügbarkeit und No-Show-Rate: netzpolitik.org, Datenrecherche September 2023 (Bot-Messung über zwei Wochen zwischen 9. und 24. September 2023 für Wohnanmeldung und Personalausweis). Durchschnittliche Wartezeit 30 Tage, rund 1.000 nicht wahrgenommene Termine systemweit täglich.
• Bundesdruckerei Reisepass-Überlastung 2024: ZDF.de, Juli 2024 — 7 bis 8 Wochen Wartezeit bundesweit, erstmals über 600.000 Reisepässe in vier Wochen bestellt, Dreischichtbetrieb und Wochenendarbeit als Reaktion.
• Online-Terminvereinbarung Penetrationsraten Deutschland 2023: JCC Software GmbH, Erhebung Juli 2023 — Städte ab 15.000 Einwohnern in Hessen, Bayern, Baden-Württemberg. Bürgerämter/KFZ-Ämter: 95–98 %, Standesamt: 56 %, Ausländerbehörde: 54 %.
• OZG 2.0: Inkraftgetreten 24. Juli 2024 nach Bundestags- und Bundesratsbeschluss. 115 Bundesleistungen bis Ende 2024 digitalisiert (digitale-verwaltung.de, Januar 2025).
• Kostenschätzungen WFM-Implementierung: Orientierende Erfahrungswerte auf Basis öffentlicher Ausschreibungsbekanntmachungen und IT-Projektdokumentationen in deutschen Kommunen (eigene Recherche). Spezifische Agenturkosten sind stark projektabhängig.
• plano WFM: Produktinformation plano-wfm.com (April 2026); DRK-Kassel-Wolfhagen als genannter Referenzfall laut Anbieterwebseite.
• Städtetag Deutschland, KI in der Stadtverwaltung: Städtetag Aktuell Heft 5/2025 — Dresden nutzt KI-Prognosemodelle für Schul- und Kita-Platzplanung; intelligente Terminvergabe als kombinierte Effizienzmaßnahme.

Willst du einschätzen, ob das Potenzial für eine Nachfrageprognose in eurer Behörde vorhanden ist? Monika Schreier wäre froh gewesen, diese Frage vor drei Sommern gestellt zu haben — meld dich, wir schauen’s gemeinsam an.