{"id":2326,"date":"2026-04-02T12:29:47","date_gmt":"2026-04-02T10:29:47","guid":{"rendered":"https:\/\/cogita.ai\/?post_type=case-study&p=2326"},"modified":"2026-04-02T12:29:47","modified_gmt":"2026-04-02T10:29:47","slug":"3-people-4000-decisions-a-day-and-excel-we-replaced-it-with-one-algorithm","status":"publish","type":"case-study","link":"https:\/\/cogita.ai\/de\/case-study\/3-people-4000-decisions-a-day-and-excel-we-replaced-it-with-one-algorithm\/","title":{"rendered":"3 Menschen, 4.000 Entscheidungen pro Tag und Excel. Wir haben sie durch einen Algorithmus ersetzt."},"content":{"rendered":"

Ein mittelgro\u00dfes B\u00e4ckerei-Netzwerk hat die t\u00e4gliche Lieferplanung f\u00fcr Tausende von Filial-Produkt-Kombinationen automatisiert und einen manuellen, fehleranf\u00e4lligen Prozess durch ein statistisches Prognosemodell ersetzt, das als einfache Web-App verf\u00fcgbar ist.<\/strong><\/p>\n\n\n\n

Problem<\/h3>\n\n\n\n

Die B\u00e4ckerei betreibt ein Netz von mehreren Dutzend Verkaufsstellen und liefert t\u00e4glich frische Produkte - darunter Brot, Br\u00f6tchen und Geb\u00e4ck mit sehr kurzer Haltbarkeit.<\/p>\n\n\n\n

An jedem Arbeitstag musste jemand genau entscheiden, wie viel von jedem Produkt am n\u00e4chsten Morgen in jede Filiale geliefert werden sollte.<\/p>\n\n\n\n

Dieser \"Jemand\" bestand in Wirklichkeit aus drei Personen, die in Vollzeit arbeiteten, Excel-Tabellen durchforsteten und manuell Liefermengen f\u00fcr etwa 4.000 Kombinationen von Auftragnehmern und Produkten eingaben. Jeden Tag.<\/p>\n\n\n\n

Die Kosten betrafen nicht nur die Gehaltsabrechnung. Bei so vielen manuellen Entscheidungen waren Fehler unvermeidlich - zu niedrige Sch\u00e4tzungen f\u00fchrten zu Fehlbest\u00e4nden beim Kunden, zu hohe Sch\u00e4tzungen zu R\u00fcckgaben und Verschwendung. Unterschiedliche Personen wendeten unterschiedliche Bauchgef\u00fchl-Heuristiken an, so dass die Ergebnisse uneinheitlich waren. Und wenn das Unternehmen neue Kunden oder Produkte hinzuf\u00fcgte, bestand die einzige L\u00f6sung darin, mehr Mitarbeiter einzustellen, die sich durch noch mehr Tabellenkalkulationen w\u00fchlten.<\/p>\n\n\n\n

Herausforderung<\/h3>\n\n\n\n

Die Hauptschwierigkeit bestand darin, ein Modell zu entwickeln, das zuverl\u00e4ssig die Liefermengen f\u00fcr den n\u00e4chsten Tag f\u00fcr Tausende von Kombinationen mit sehr unterschiedlichen Nachfragemustern vorhersagen konnte. Die L\u00f6sung musste so genau sein, dass man ihr vertrauen konnte, sie musste einfach zu bedienen und schnell genug sein, um t\u00e4glich ausgef\u00fchrt zu werden, ohne die bestehenden Arbeitsabl\u00e4ufe zu st\u00f6ren.<\/p>\n\n\n\n

L\u00f6sung<\/h3>\n\n\n\n

Wir haben eine statistisches Prognosemodell, das automatisch Empfehlungen f\u00fcr die Lieferung am n\u00e4chsten Tag f\u00fcr jedes Kunden-Produkt-Paar erstellt<\/strong>.<\/p>\n\n\n\n

Das Modell wird als Web-API mit einer \u00fcbersichtlichen Browserschnittstelle bereitgestellt. Ein Benutzer l\u00e4dt die aktuelle Excel-Datei mit den Daten von heute hoch und erh\u00e4lt sie mit der Spalte \"Lieferung morgen\" ausgef\u00fcllt zur\u00fcck - fertig zum Handeln.<\/p>\n\n\n\n

Die Leistung wird anhand historischer Daten unter Verwendung von Standardprognosemetriken validiert.<\/p>\n\n\n\n

Ergebnisse<\/h3>\n\n\n\n
Metrisch<\/th>Auswirkungen<\/th><\/tr><\/thead>
Manuelle Arbeit ersetzt<\/strong><\/td>3 Vollzeitstellen automatisiert<\/td><\/tr>
Beschl\u00fcsse pro Tag<\/strong><\/td>~4.000 Kunden-Produkt-Paare, die in Sekundenschnelle bearbeitet werden<\/td><\/tr>
Konsistenz<\/strong><\/td>Gleiche Logik f\u00fcr alle Kombinationen - keine Bauchgef\u00fchl-Abweichungen mehr<\/td><\/tr>
Verf\u00fcgbarkeit<\/strong><\/td>24\/7 \u00fcber den Webbrowser, keine Excel-Gymnastik erforderlich<\/td><\/tr>
Validierung<\/strong><\/td>Backtesting anhand historischer Daten mit Standardprognosemetriken<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Lassen Sie uns \u00fcber den Prozess sprechen, den Ihr Team noch in Excel durchf\u00fchrt.<\/strong><\/p>\n\n\n\n

Buchen Sie ein Gespr\u00e4ch \u2192<\/a><\/p>","protected":false},"excerpt":{"rendered":"

A mid-sized bakery network automated daily delivery planning for thousands of store-product combinations - replacing a manual, error-prone process with a statistical forecasting model available as a simple web app. Problem The bakery operates a network of several dozen retail points and delivers fresh products daily - including bread, rolls, and pastries with very short […]<\/p>\n","protected":false},"featured_media":0,"template":"","meta":{"_acf_changed":true},"class_list":["post-2326","case-study","type-case-study","status-publish","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/case-study\/2326","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/case-study"}],"about":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/types\/case-study"}],"wp:attachment":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/media?parent=2326"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}