Datengrundlage, Methodik und Umsetzung

Kurzfassung: Belastbare Prognosen erfordern strukturierte historische Daten über 12–24 Monate und statistische Zeitreihenmodelle. LLMs wie ChatGPT sind dafür ungeeignet. Dieser Leitfaden zeigt, welche Daten Verleihbetriebe sammeln müssen, wie Forecasts technisch funktionieren und welche Fehler die meisten Betriebe machen.

Das Problem: Planung auf Bauchgefühl

Die meisten Verleihbetriebe planen ihre Kapazitäten auf Basis von Erfahrungswerten und Excel-Tabellen. Das funktioniert in stabilen Jahren. In allen anderen nicht.

Typische Fehlerquellen:

Ostern verschiebt sich, die Vorjahresrechnung greift nicht
Ein lokales Event verdoppelt die Nachfrage, niemand hat es eingeplant
Der verregnete Juni verfälscht den Durchschnitt nach unten
Extremwetter oder unvorhergesehene Ereignisse machen historische Daten temporär wertlos

Die Konsequenzen sind messbar:

Ein Verleih mit 100 E-Bikes bei 10 % vermeidbarem Leerstand verliert bei 40 € Tagesumsatz und 200 Betriebstagen rund 80.000 € pro Jahr. Umgekehrt kostet Unterkapazität nicht nur Umsatz, sondern auch Reputation, d.h. abgewiesene Gäste kommen selten wieder.

Welche Daten ein Forecast braucht

Ein Prognosemodell ist exakt so gut wie seine Eingabedaten. Für Verleihbetriebe bedeutet das:

Kerndaten (Pflicht)

Datenpunkt	Relevanz
Buchungen	Anzahl, Zeitpunkt, Dauer; Basis jeder Prognose
Artikel und Kategorie	E-Bike verhält sich anders als Kindersitz oder SUP
Stornierungen	Quote und Vorlaufzeit beeinflussen Nettoauslastung
Umsatz pro Buchung	Für Umsatz- statt reiner Mengenprognose

Kontextdaten (empfohlen)

Datenpunkt	Relevanz
Wochentag und Saison	Wochenend- vs. Wochentags-Muster, Ferienzeiten
Feiertage	Regional unterschiedlich (Südtirol ≠ Bayern ≠ Schweiz)
Lokale Events	Bike-Festival, Messe, Großveranstaltung im Einzugsgebiet
Wetterdaten	Hoher Impact bei Outdoor-Verleih, via API automatisierbar

Mindestmenge für belastbare Prognosen

12 Monate für erste saisonale Muster.24 Monate für stabile Trendschätzung und Ausreißer-Erkennung. Weniger ist möglich, erhöht aber die Unsicherheit erheblich.

Datenqualität schlägt Quantität. Lückenhafte oder inkonsistente Erfassung verfälscht Ergebnisse stärker als eine kürzere Datenhistorie.

Warum Excel für Forecasts nicht ausreicht

Microsoft Excel kann Zeitreihen darstellen und einfache Trendlinien berechnen. Für belastbare Forecasts fehlt:

Automatische Saisonerkennung: Muster müssen manuell identifiziert werden
Konfidenzintervalle: Excel liefert Punktprognosen ohne Unsicherheitsbewertung
Integration externer Daten: Wetter, Events, Feiertage bleiben außen vor
Rolling Forecasts: Automatische Aktualisierung bei neuen Daten fehlt
Fehlerresistenz: Manuelle Eingaben und Copy-Paste-Fehler akkumulieren

Für Ad-hoc-Analysen ist Excel, Google Sheets, u.ä. brauchbar, für operative Planungsentscheidungen nicht.

Methodik: Statistische Modelle statt LLM

Warum ChatGPT & Co. hier nicht helfen

LLMs wie GPT-4, Gemini oder Claude sind für Textverarbeitung optimiert, nicht für numerische Zeitreihenanalyse. Sie können:

Forecast-Konzepte erklären
Ergebnisse interpretieren und zusammenfassen
Bei der Datenaufbereitung unterstützen

Sie können nicht zuverlässig:

Saisonale Muster in Zahlenreihen erkennen
Statistische Konfidenzintervalle berechnen
Trends extrapolieren

Ein LLM als Forecast-Engine einzusetzen ist, als würde man ein Textverarbeitungsprogramm für Buchhaltung nutzen: technisch möglich, praktisch unbrauchbar.

Geeignete Ansätze

Methode	Beschreibung	Einsatzgebiet
Saisonale Dekomposition	Zerlegt Zeitreihen in Trend, Saisonalität und Rauschen	Produkte mit klaren Jahreszyklen
Exponential Smoothing	Gewichtet jüngere Daten stärker	Schnelle Anpassung an Trendwechsel
Prophet	Open-Source-Modell von Meta, robust bei Lücken und Ausreißern	Verleih mit Events und Feiertagen
ARIMA	Klassische Zeitreihenanalyse, hohe Genauigkeit bei stationären Daten	Stabile, langfristige Muster

Für die meisten Verleihbetriebe ist Prophet oder Exponential Smoothing die pragmatische Wahl: robust, gut dokumentiert und mit überschaubarem Aufwand integrierbar.

Rolling Forecasts statt Jahresplanung

Statische Jahrespläne veralten schnell. Rolling Forecasts aktualisieren die Prognose kontinuierlich mit neuen Daten: wöchentlich oder monatlich. So fließen aktuelle Buchungen, Stornos und externe Faktoren laufend ein.

Konfidenzintervalle statt Punktprognosen

Eine Prognose von "450 Buchungen im Juli" ist weniger nützlich als "420–480 Buchungen mit 80 % Wahrscheinlichkeit". Konfidenzintervalle machen Unsicherheit sichtbar und ermöglichen risikobasierte Entscheidungen.

Anwendungsfälle im Verleihbetrieb

Personalplanung

Prognostizierte Nachfrage bestimmt, wann wie viele Mitarbeiter am Verleihschalter (oder Rezeption, oder Geschäft) benötigt werden.Bsp:: Forecast zeigt 30 % mehr Buchungen am Pfingstwochenende → Zusatzpersonal früh genug einplanen statt Überstunden improvisieren.

Bestandsoptimierung

Wann sollten neue E-Bikes, SUPs oder andere Verleihgegenstände angeschafft werden? Eine Prognose zeigt die erwartete Nachfrage pro Monat und Kategorie. Und ein Nachkauf erfolgt vor dem Engpass, nicht währenddessen.

Dynamisches Pricing

Bei prognostizierter Hochauslastung können Preise angehoben werden, ohne Kunden zu verlieren. Die Nachfrage ist ohnehin da. Bei erwarteter Unterauslastung können gezielte Rabattaktionen die Auslastung stabilisieren. Das Verleihtool macht dies möglich.

Wartungsplanung

Geringere Auslastung im November bedeutet: idealer Zeitpunkt für Wartung und Instandhaltung, ohne dass Mieteinnahmen verloren gehen.

ROI-Rechnung

Beispielszenario:

200 Verleihartikel (E-Bikes, Rennräder, Gravelbikes o.ä.)
durchschn. Tagesumsatz pro Artikel: 35 €
Betriebstage pro Jahr: 200
Aktueller vermeidbarer Leerstand: 15 %
Ziel: Reduktion auf 5 %

Berechnung:

Vermiedener Leerstand: 10 % von 200 Artikeln = 20 Artikel
Zusätzlicher Jahresumsatz: 20 × 35 € × 200 Tage = 140.000 €

Selbst bei konservativer Schätzung (Halbierung des Effekts) bleibt ein fünfstelliger Mehrumsatz pro Jahr.

Voraussetzungen für die Umsetzung

Technisch

Strukturierte Datenerfassung aller Buchungen, Stornos und Artikelbewegungen
API-Schnittstelle zu Wetterdaten und Eventdaten (optional, aber wirkungsvoll)
Automatisierter Datenexport oder direkte Datenbankanbindung

Organisatorisch

Konsistente Datenpflege über mind. 12 Monate
Klare Artikelkategorien und Standortzuordnung
Regelmäßige Überprüfung der Prognosequalität

Was nicht funktioniert

Nachträgliche Datenerfassung aus Papierbelegen
Inkonsistente Kategorisierung (heute "E-Bike", morgen "Elektrofahrrad")
Erwartung von Präzision bei 3 Monaten Datenhistorie

Limitationen

Forecasts liefern Wahrscheinlichkeiten, keine Garantien. Black-Swan-Events – ob Pandemie, Extremwetter oder plötzliche Marktveränderungen – können jede Prognose entwerten. Das ist kein Versagen der Methodik, sondern eine Grenze statistischer Modelle.

Garbage in, garbage out: Die beste Forecast-Engine produziert Unsinn, wenn die Eingabedaten lückenhaft, inkonsistent oder schlicht falsch sind.

Zusammenfassung

Faktor	Anforderung
Datenbasis	12–24 Monate strukturierte Buchungsdaten
Methodik	Statistische Zeitreihenmodelle, keine LLMs
Aktualisierung	Rolling Forecasts statt statischer Jahresplan
Output	Konfidenzintervalle, nicht nur Punktprognosen
ROI	Fünfstelliger Mehrumsatz bei mittleren Betrieben realistisch

Forecasting ist keine Raketenwissenschaft. Aber es erfordert saubere Daten, passende Methodik und realistische Erwartungen. Wer heute anfängt, Buchungsdaten strukturiert zu erfassen, hat in 12 Monaten die Grundlage für belastbare Prognosen.

Umsatzvorhersagen aus historischen Daten in Verleihbetrieben