#90: Demand Forecasting bei Krombacher – Mit Dr. Max Schüssler

In dieser Episode sprechen wir mit Max, Team Lead Data Science
bei der Krombacher Brauerei, über Demand Forecasting in der
Konsumgüterindustrie. Gemeinsam beleuchten wir, wie Krombacher
die tägliche Nachfrageprognose für Bier und weitere Produkte
modelliert, von Vorbestellungen über Feature Engineering bis hin
zu Gauß-Prozess-Modellen. Außerdem geht es um Modellgüte, den
Umgang mit Corona-Effekten, Unsicherheitsintervalle und die
Bedeutung von Domänenwissen. Ein weiterer Schwerpunkt liegt auf
der Infrastruktur: vom Custom-Stack auf AWS hin zu einer
skalierbaren Databricks-Plattform.


**Zusammenfassung**


Ziel: Kurzfristige Prognose der täglichen Auslieferungsmenge
(Hektoliter) für die nächsten Werktage

Starker Einfluss von Vorbestellungen, ergänzt durch Features
wie Arbeitsstunden-Abstand, Wochentag und Öffnungszeiten

Einsatz von Gauß-Prozess-Modellen für nichtlineare
Zusammenhänge und perspektivisch Unsicherheitsintervalle

Sliding Window mit 365 Tagen Trainingsdaten und täglichem
Retraining

Benchmark: < 10 % MAPE erreicht für bis zu fünf Werktage
im Voraus

Corona-Effekte über Dummy-Variablen berücksichtigt, besonders
relevant für Gastronomie-Fässer

Wechsel von AWS Custom Stack (SageMaker, MLflow, API) zu
Databricks zur besseren Skalierbarkeit und Wartbarkeit

Zentrale Learnings: Domänenwissen > Modellkomplexität, Use
Case klar definieren, Datenqualität als Fundament



**Links**


Krombacher Brauerei https://www.krombacher.de/

Dr. Max Schüssler auf LinkedIn
https://www.linkedin.com/in/dr-max-schuessler/

databricks https://www.databricks.com/

#88: Anomalie-Erkennung im Loyalty-Programm bei Krombacher –
Mit Fabian Wörenkämper
https://www.podbean.com/ew/pb-apyrq-1a577b8

#29: Die Qual der Wahl: Data Science Plattform vs. Customized
Stack https://www.podbean.com/ew/pb-pep8h-147029f

ML Tutorial: Gaussian Processes (Richard Turner) auf YouTube
https://www.youtube.com/watch?v=92-98SYOdlY



Fragen, Feedback oder Themenwünsche? Schreibt uns gern an:
podcast@inwt-statistics.de