KI in der Baeckerei Bedarfsprognose, Retouren, Filialen.

Für Handwerksbäckereien mit mehreren Filialen ist die tägliche Mengenfrage existenziell: Wer zu wenig backt, verliert Umsatz und enttäuscht Kunden am Nachmittag; wer zu viel backt, produziert Retouren, die als Verlust ins Kontor wandern. Genau hier kann KI spürbar helfen. Eine datengestützte Bedarfsprognose schätzt pro Filiale, Wochentag und Produkt, wie viel voraussichtlich gebraucht wird — und bezieht Saison, Wetter, Feiertage und lokale Ereignisse mit ein. Das Ergebnis sind weniger Überproduktion, stabilere Verfügbarkeit und eine bessere Datengrundlage für die Produktionsplanung. Dieser Beitrag zeigt praxisnah und ehrlich, wie eine solche Prognose im Bäckereialltag funktioniert, welche Genauigkeiten realistisch sind, wie viel Retourenreduktion man erwarten darf — und wo die Technik an Grenzen stößt: bei neuen Produkten ohne Historie, bei Strukturbrüchen wie Standortwechseln und bei der heiklen Frage, ob das Verkaufspersonal der Empfehlung am Ende auch wirklich folgt.

Das Retouren-Problem in Zahlen.

Retouren — also nicht verkaufte Backwaren am Tagesende — sind in der Branche ein bekanntes, oft unterschätztes Margenproblem. Je nach Sortiment, Filialtyp und Anspruch an die Verfügbarkeit bewegen sich Retourenquoten häufig im Bereich von etwa 8 bis 20 Prozent der Produktion, bei einzelnen Produkten oder Standorten auch darüber.

Jedes nicht verkaufte Stück hat die vollen Herstellkosten verursacht, bringt aber keinen Erlös — oder nur einen geringen über Resteverwertung und Tafel. Gleichzeitig ist die Gegenrichtung teuer: Leere Auslagen am Nachmittag kosten nicht nur den konkreten Umsatz, sondern langfristig Kundenbindung.

Die Kunst liegt also nicht darin, Retouren auf null zu drücken — das würde die Verfügbarkeit ruinieren —, sondern den richtigen Punkt zwischen Verfügbarkeit und Überproduktion je Filiale und Produkt zu treffen. Genau das ist eine Prognoseaufgabe, bei der ein gut gemachtes Modell der pauschalen Erfahrungsmenge oft überlegen ist, weil es viele Einflüsse gleichzeitig berücksichtigt.

Was eine gute Bedarfsprognose ausmacht.

Eine brauchbare Prognose arbeitet nicht mit einer Gesamtzahl, sondern granular: je Filiale, je Produkt, je Wochentag, teils je Tageszeit. Sie kombiniert mehrere Datenquellen, von denen einige viel und andere wenig beitragen.

In der Praxis erklären wenige Quellen den größten Teil der Vorhersagequalität — vor allem Historie, Wochentagsmuster und Kalendereffekte. Wetter hilft je nach Sortiment unterschiedlich stark: An heißen Tagen verschiebt sich der Absatz, im Snack- und Getränkebereich teils deutlich. Wer fünfzehn Datenquellen anschließen will, verkompliziert das System ohne nennenswerten Zusatznutzen. Die ehrliche Frage lautet immer, welche Einflüsse für das eigene Geschäft wirklich relevant sind.

Welche Genauigkeit realistisch ist.

Die Erwartungen sind hier oft zu hoch. Eine seriöse Einordnung: Gegenüber einer rein erfahrungsbasierten Bestellmenge lässt sich der Prognosefehler bei gut laufenden Standardprodukten realistisch spürbar senken, was sich in Retourenreduktionen im Bereich von typischerweise 10 bis 30 Prozent der bisherigen Retourenmenge niederschlägt — bei gleichbleibender oder sogar besserer Verfügbarkeit.

Das gilt aber nicht für jedes Produkt gleich. Für umsatzstarke Artikel mit stabiler Nachfrage — Brötchen, Standardbrote — funktioniert die Prognose gut. Für selten verkaufte Spezialitäten mit unregelmäßiger Nachfrage ist die statistische Basis dünn, und das Modell ist dort kaum besser als ein erfahrener Verkäufer. Für ganz neue Produkte ohne Historie funktioniert es zunächst gar nicht.

Wichtiger als der reine Prozentwert ist, was mit der Prognose geschieht. Wenn die Filialleitung die Empfehlung nicht versteht oder ihr nicht traut und weiter nach Gefühl bestellt, bringt das beste Modell nichts. Akzeptanz im Verkaufsteam ist genauso entscheidend wie technische Genauigkeit — und wird in solchen Projekten regelmäßig unterschätzt.

Neue Produkte, Aktionen und Sonderfälle.

Die schwierigsten Fälle sind die, in denen die Historie nicht hilft: ein neues Produkt im Sortiment, eine Aktion, ein außergewöhnlicher Tag. Hier braucht das Modell andere Ansätze.

Für neue Produkte hilft die Modellierung über Ähnlichkeiten: Welches bestehende Produkt ist vergleichbar, wie hat es sich in den ersten Wochen entwickelt? Das ist nicht perfekt — neue Produkte überraschen häufig —, aber besser als ein reiner Bauchwert. Entscheidend ist die ehrliche Kommunikation: Das System markiert die Prognose als unsicher, statt eine Scheingenauigkeit vorzugeben.

Für Aktionen lohnt es sich, die Aktionsstruktur explizit zu hinterlegen — Bewerbung, Preis, Dauer, vergleichbare frühere Aktion. Daraus lassen sich Aufschlagsfaktoren auf die Grundprognose ableiten. Außergewöhnliche lokale Ereignisse — ein Wochenmarkt, ein Stadtfest, eine Straßensperrung vor der Tür — kann das Modell nur berücksichtigen, wenn jemand sie einpflegt. Dieses lokale Wissen der Filialleitung bleibt unverzichtbar; die beste Architektur verbindet Modellprognose und menschliche Korrektur, statt eines gegen das andere auszuspielen.

Filialsteuerung und Produktionsplanung.

Der volle Nutzen entsteht erst, wenn die Prognose nicht in einem Einzeltool lebt, sondern in den Betrieb eingebunden ist. Filialbestellungen, Produktionsplanung in der Backstube, Tourenplanung der Auslieferung und Personaleinsatz hängen direkt an der erwarteten Menge.

Sinnvoll ist eine Architektur, die mit dem vorhandenen Kassen- und Warenwirtschaftssystem spricht: Abverkäufe lesen, Prognosen schreiben, Bestellvorschläge erzeugen. Viele Bäckerei-Warenwirtschaftssysteme bieten heute Schnittstellen oder fertige Prognosemodule; wo eine eigene Lösung im Haus ist, braucht es etwas mehr Anbindungsarbeit.

Wichtig ist die Taktung. Eine Prognose, die täglich oder mehrmals täglich aktualisiert wird, passt zum schnelldrehenden Geschäft einer Bäckerei besser als eine wöchentliche. Gleichzeitig muss sie früh genug vorliegen, damit Disposition und Produktion danach planen können. Erst diese Einbettung in den Tagesrhythmus macht aus einer guten Zahl einen echten betrieblichen Hebel.

Akzeptanz im Team und die Override-Frage.

Ein Punkt entscheidet über Erfolg oder Scheitern stärker als die Modellqualität: ob das Team die Empfehlungen annimmt. Verkaufspersonal und Filialleitung haben Erfahrung und eine klare Haltung dazu, wie viel sie brauchen — und reagieren empfindlich, wenn ein System ihnen vermeintlich besseres Wissen vorsetzt.

Bewährt haben sich vier Prinzipien: Erklärbarkeit (warum schlägt das System diese Menge vor — wegen Wochentag, Wetter, Feiertag?), Bandbreiten statt Punktzahlen (eine Spanne ist ehrlicher als eine Scheingenauigkeit), Override-Möglichkeit mit kurzer Begründung (lokales Wissen schlägt das Modell im Einzelfall, und die Begründung ist später Lernmaterial) und eine Feedback-Schleife, in der das Team die Treffsicherheit über die Zeit selbst sieht.

Wer diese Punkte ignoriert und ein starres System ausrollt, verliert das Team — und damit den Nutzen. Es dauert erfahrungsgemäß einige Monate, bis Filialleitungen einer Prognose wirklich vertrauen und gelernt haben, wann sie ihr folgen und wann sie ihre Ortskenntnis darüberstellen. Diese Lernkurve gehört von Anfang an eingeplant, nicht als Störung missverstanden.

Einstieg, Kosten und Lernkurve.

Ein realistischer Einstieg beginnt klein: ausgewählte Filialen und die umsatzstärksten Produkte, bei denen die Datenbasis gut ist. Acht bis sechzehn Wochen sind realistisch, bis ein Pilot belastbare, im Alltag nutzbare Ergebnisse liefert.

Die Kosten hängen stark vom Weg ab. Ein fertiges Prognosemodul im vorhandenen Bäckerei-Warenwirtschaftssystem ist oft günstiger und schneller als eine Eigenentwicklung. Für laufende Lösungen bewegen sich die Kosten je nach Filialzahl und Funktionsumfang grob im Bereich einiger hundert bis einiger tausend Euro im Monat; ein Pilotprojekt mit Anbindung liegt einmalig im niedrigen bis mittleren fünfstelligen Bereich.

Der Nutzen entsteht über reduzierte Retouren, stabilere Verfügbarkeit und eine ruhigere Disposition. Was sich aber kaum in Wochen rechnet, ist die Akzeptanz: Sie braucht Zeit und Begleitung. Wer den Piloten zu früh als gescheitert erklärt, weil das Team noch nicht mitzieht, verschenkt den eigentlichen Wert. Ehrlich kalkuliert, ist die KI-Prognose in der Bäckerei kein Knopfdruck-Wunder, sondern ein solides Werkzeug, das mit dem Geschäft mitwächst.

Sie wollen wissen, wie viel Retourenreduktion in Ihren Filialen realistisch drin ist, ohne die Verfügbarkeit zu gefährden? Unverbindlich anfragen — wir schauen gemeinsam auf Ihre Abverkaufsdaten, Ihr Sortiment und Ihre Filialstruktur und schätzen den möglichen Hebel ehrlich ab.