.png)
Machine Learning, künstliche Intelligenz, Algorithmen - Begriffe, die in jeder zweiten Software-Präsentation fallen und trotzdem selten verständlich erklärt werden. Dabei ist das Grundprinzip einfacher, als es klingt. Und wer es versteht, kann besser beurteilen, was KI-Werkzeuge im eigenen Betrieb leisten können - und was nicht.
Dieser Artikel erklärt Machine Learning ohne Fachchinesisch, mit Beispielen aus dem Bäckerei-Alltag.
Das Grundprinzip: Lernen aus Beispielen statt fester Regeln
Klassische Software folgt festen Regeln, die ein Mensch programmiert hat: "Wenn Montag, dann 10% weniger Gipfeli." Solche Regeln sind starr - sie kennen keine Ausnahmen und niemand kann genug Regeln schreiben, um die Realität abzubilden.
Machine Learning dreht das Prinzip um: Statt Regeln vorzugeben, zeigt man dem System tausende Beispiele - etwa die Verkaufszahlen der letzten drei Jahre, zusammen mit dem jeweiligen Wetter, Wochentag und Ferienkalender. Das System findet die Muster selbst: Wie stark hängt der Gipfeli-Verkauf vom Wetter ab? Was passiert am ersten Ferientag? Wie unterscheidet sich Filiale A von Filiale B?
Das Ergebnis ist ein Modell - eine Art hochkomplexe, selbst gelernte Regelsammlung, die deutlich feiner ist als jede von Hand geschriebene.
Ein Beispiel aus der Backstube
Ein erfahrener Produktionsleiter macht intuitiv nichts anderes: Er hat über Jahre beobachtet, wie sich Wetter, Wochentage und Ferien auf den Verkauf auswirken, und plant danach. Das ist gelerntes Wissen aus Beispielen.
Der Unterschied: Der Mensch kann diese Erfahrung für eine Handvoll Hauptprodukte im Kopf behalten. Ein Machine-Learning-Modell macht dasselbe für jeden einzelnen Artikel an jedem einzelnen Standort - gleichzeitig, täglich neu und ohne die typischen menschlichen Verzerrungen wie die Übergewichtung der letzten Woche.
Und es lernt weiter: Jeder neue Verkaufstag ist ein neues Beispiel. Ändert sich das Kaufverhalten - ein neues Bürogebäude im Quartier, ein verändertes Sortiment - passt sich das Modell automatisch an.
Was Machine Learning gut kann - und was nicht
Stark ist es bei Mustern, die sich wiederholen: Wettereffekte, Wochentagsrhythmen, Saisonkurven, Ferieneffekte, Standortunterschiede. Genau daraus besteht die Nachfrage in der Bäckerei zum grössten Teil - deshalb funktionieren KI-Absatzprognosen in dieser Branche so gut.
Schwach ist es bei echten Einmal-Ereignissen: Eine spontane Grossbestellung, eine unangekündigte Strassensperrung. Dafür gibt es keine Beispiele in den Daten. Gute Systeme lösen das pragmatisch: Der Mensch kann die Prognose jederzeit anpassen und sein Wissen über Sondersituationen einbringen.
Deshalb ist die richtige Arbeitsteilung: Die Maschine übernimmt die tägliche Fleissarbeit über hunderte Artikel, der Mensch behält die Kontrolle und das letzte Wort.
Muss ich das verstehen, um es zu nutzen?
Nein - so wenig, wie man einen Motor verstehen muss, um Auto zu fahren. Bei GoNina läuft das Machine Learning im Hintergrund: Die Verkaufsdaten fliessen automatisch aus dem Kassensystem ein, das Modell lernt selbstständig, und der Betrieb sieht am Ende das Resultat - konkrete Bestellvorschläge pro Artikel und Standort für die nächsten sieben Tage.
Was zählt, ist das Ergebnis: Betriebe, die mit GoNina arbeiten, reduzieren ihren Überschuss um bis zu 52%, steigern den Umsatz um bis zu 6% und sparen bis zu 12 Stunden Planungszeit pro Monat.
Häufige Fragen
Braucht Machine Learning riesige Datenmengen?
Für Bäckerei-Prognosen reicht die normale Verkaufshistorie aus dem Kassensystem. Je mehr Historie, desto besser - aber auch mit einem Jahr Daten lassen sich bereits die wichtigsten Muster lernen.
Kann das Modell falsch liegen?
Ja, jede Prognose hat eine Unsicherheit. Der massgebliche Vergleich ist aber nicht Perfektion, sondern die bisherige Schätzung von Hand - und dort schneidet das Modell im Schnitt messbar besser ab, gerade an schwierigen Tagen.
Lernt das Modell von anderen Betrieben?
Die Prognosen für deinen Betrieb basieren auf deinen Daten. Deine Verkaufsdaten werden nicht an Dritte weitergegeben und in der Schweiz und der EU gehostet.
Fazit
Machine Learning ist kein Zauberwerk, sondern systematisches Lernen aus Beispielen - dasselbe, was ein erfahrener Bäcker über Jahre im Kopf macht, nur für das ganze Sortiment gleichzeitig und jeden Tag aufs Neue. Wer das Prinzip kennt, kann KI-Werkzeuge realistisch einschätzen: als Fleissarbeiter für die tägliche Planung, nicht als Ersatz für das Handwerk.
Wie daraus konkrete Prognosen für deinen Betrieb werden, liest du in unserem kompletten Leitfaden zu KI Absatzprognosen für Bäckereien.
