Kurze Antwort: Mein erstes ernsthaftes KI-Projekt war die Bierbedarfsprognose — vorherzusagen, welche Biere herzustellen sind und wie viel, damit Brauereien zur richtigen Zeit am richtigen Ort verkaufen. Es funktionierte wirklich gut für etablierte, saisonale Produkte mit sauberer Historie. Es floppte bei Neuerscheinungen und einmaligen Ereignissen, wo eine einfache Tabellenkalkulation mithielt. Der schwierige Teil war nie das Modell; es waren die Daten. Hier ist die ehrliche Nachbetrachtung.
Das Problem, das es wert ist, gelöst zu werden
Die Bedarfsprognose ist eines der wertvollsten Dinge, die eine Brauerei richtig hinbekommen kann: Überproduziere, und du schüttest Geld in den Abfluss; unterproduziere, und du verpasst Verkäufe. Es ist das Problem, um das herum ich bei iWort gebaut habe — KI-/Datenprognosen für Craft- und kommerzielle Brauereien erschwinglich zu machen, damit sie Angebot und reale Nachfrage in Einklang bringen können.
Es ist auch ein Problem, für das du Daten hast, die du ohnehin schon sammelst: die Verkaufshistorie. Das machte es zum richtigen ersten Projekt.
Was funktionierte
Für Biere mit einer Vorgeschichte — ganzjährige Produkte, klare Saisonalität, genug saubere Verkaufshistorie — verdiente sich Machine Learning seinen Platz. Es griff Muster über Wetter, Wochentag, Feiertage und Aktionen hinweg auf, die ein Mensch, der mit Tabellenkalkulationen jongliert, schlicht nicht im Kopf behalten kann. Für Betriebe mit vielen SKUs und höherem Volumen ist das echtes gespartes Geld.
Was floppte
Der ehrliche Teil. Das Modell war genau dort am schwächsten, wo ich am meisten Hilfe wollte:
- Neuerscheinungen hatten keine Historie, also fiel das Modell auf generische Schätzungen zurück — manchmal schlechter als das Bauchgefühl eines Brauers.
- Einmalige Ereignisse — ein Festival, ein viraler Moment, eine Hitzewelle — waren für es unsichtbar. Es kann nur aus dem lernen, was es gesehen hat.
- Dünne Daten führten zu Overfitting. Gib einem flexiblen Modell zu wenig Historie, und es „lernt“ Rauschen und prognostiziert es dir dann mit voller Überzeugung zurück.
Ich gehe in KI-Nachfrageprognose für Brauereien darauf ein, wann sich Prognosen lohnen und wann nicht. Die Kurzfassung: Manchmal lag eine saisonale Tabellenkalkulation auf wenige Prozent am Modell dran — kostenlos, transparent und gut genug.
Die Lektion, die hängen blieb
Das Modell war vielleicht 20 % der Arbeit. Die anderen 80 % waren das Bändigen unordentlicher Verkaufsdaten und das ehrliche Eingeständnis, was die Prognose sehen konnte und was nicht. Mein größter früher Fehler war, einer selbstbewussten Zahl aus dünnen Daten zu vertrauen. Dieser Fehler — und ein paar schlimmere — ist das Thema des nächsten Beitrags.
From Brewer to AI — Teil 5 von 8. Vollständige Serie · Weiter: Wo KI mir auf die Füße fiel →
Häufig gestellte Fragen
Kann KI den Bierbedarf prognostizieren? Ja, für etablierte Biere mit stabiler, saisonaler Nachfrage und genug sauberer Verkaufshistorie. Sie tut sich schwer mit Neuerscheinungen und einmaligen Ereignissen, wo sie oft nicht besser ist als eine sorgfältige menschliche Schätzung.
War Machine Learning besser als eine Tabellenkalkulation für die Bedarfsprognose? Nur manchmal. Für Fälle mit hohem Volumen, vielen SKUs und Saisonalität brachte ML echten Mehrwert. Für kleine Sortimente und neue Produkte lag eine einfache saisonale Tabellenkalkulation auf wenige Prozent genau dran — zu null Kosten und voller Transparenz.
Was ist der schwierigste Teil eines Prognoseprojekts in einer Brauerei? Die Daten, nicht das Modell. Inkonsistente Verkaufsaufzeichnungen, Produkte, die es letztes Jahr nicht gab, und eine von Ereignissen getriebene Nachfrage, die das Modell nie gesehen hat, sind das, was Prognosen in der Praxis sprengt.