Forecast-Modus: Umsatzprognosen direkt in Gini

Der Forecast-Modus ist eine neue Funktion von Gini by MyTraffic. Sie baut aus Ihrem eigenen Filialnetz ein Prognosemodell und sagt damit Umsatz, Umsatz pro Quadratmeter, benötigte Personalstärke oder jede andere Kennzahl Ihrer Wahl für jede Adresse voraus, die Sie in Gini eingeben. In unseren internen Tests an echten Kundennetzen erreicht er 9 % MAPE (mittlerer absoluter prozentualer Fehler): Der ausgewiesene Wert liegt etwa plus/minus 9 % neben dem, was tatsächlich eintritt. Das ist keine sprachliche Absicherung. Der Forecast-Modus zeigt diese Marge sofort, bevor Sie sich auf die Zahl stützen.

Im Einzelhandel und im Lebensmittelhandel wird diese Rechnung seit Jahrzehnten angestellt. Die Analogmethode von William Applebaum, die einen Standortkandidaten mit vergleichbaren, bereits im Netz vorhandenen Filialen vergleicht, geht auf die 1940er- und 1950er-Jahre zurück. David Huffs Gravitationsmodell folgte ihr eine Generation später und gewichtete Entfernung und Verkaufsfläche, um vorherzusagen, wohin Kunden gehen würden. Beide funktionieren weiterhin. Verändert hat sich das Tempo, in dem ein Team ein solches Modell bauen und ihm vertrauen kann.

Was der Forecast-Modus macht

Der Forecast-Modus setzt bei den Daten Ihres Netzes an: den Standorten, die Sie bereits betreiben, und der Leistung jedes einzelnen. Er trainiert ein Modell auf der Kennzahl, die Sie interessiert: Umsatz, Umsatz pro Quadratmeter, benötigte Personalstärke oder jede andere Zahl in Ihren Daten. Diese Daten verschneidet er mit der Location-Intelligence-Ebene von MyTraffic: Besucherfrequenz, soziodemografisches Profil des Einzugsgebiets, Spitzenzeiten, Wettbewerbsdichte und Anbindung an den öffentlichen Verkehr, neben weiteren Signalen.

Sie erhalten eine klare Zahl samt der Begründung dahinter: das Gewicht jeder Variablen und die Fehlermarge. Das Modell berücksichtigt außerdem die Kannibalisierung mit Ihren nahe gelegenen Filialen, statt den Standortkandidaten isoliert zu bewerten. Eine Prognose, die niemand hinterfragen kann, ist keine Prognose, sondern eine erfundene Zahl, die lediglich Dezimalstellen trägt.

Wie genau ist das konkret

Die Zahl bekommt erst im Vergleich Bedeutung. Eine MarketsandMarkets-Analyse von 2025 verortet traditionelle Prognoseverfahren bei 20 % bis 35 % MAPE und Machine-Learning-Ansätze bei 8 % bis 20 %.

• Traditionelle Prognoseverfahren: 20 % bis 35 % Fehler (MAPE)
• Machine-Learning-Verfahren: 8 % bis 20 %
• Forecast-Modus, interne Tests: 9 %

Der Forecast-Modus gehört damit zu den genauesten Werten der Machine-Learning-Spanne, mit einem etwa dreimal geringeren Fehler als bei den traditionellen Ansätzen. Was diesen Wert von Team zu Team verschiebt: die Menge der eingespeisten Netzdaten, ihre Qualität und die Vielfalt der bestehenden Standorte und Einzugsgebiete. Eine Kette mit 60 Filialen in fünf Formaten liefert dem Modell mehr Lernmaterial als eine mit sechs nahezu identischen Filialen, und die Prognose gibt diesen Unterschied wieder, statt ihn zu übertünchen. Das funktioniert, weil die Besucherfrequenz einer der stärksten Prädiktoren für die künftige Filialleistung ist: Je mehr echte Verhaltensdaten das Modell zu einem Gebiet hat, desto weniger muss es extrapolieren.

So funktioniert es, Schritt für Schritt

1. Öffnen Sie den Forecast-Modus. Reiter Feature links, dann Forecast, dann New forecast.
2. Wählen Sie Ihr Land. Der Forecast-Modus deckt alle 18 in Gini verfügbaren Länder ab, darunter Frankreich, Großbritannien, Spanien und die USA, was zählt, wenn Ihr Expansionsplan mehrere Märkte gleichzeitig umfasst.
3. Laden Sie Ihre Netzdaten hoch. Ihre bestehenden Standorte und die Leistung jedes einzelnen.
4. Lassen Sie Gini bereinigen und geokodieren. Gini erkennt die Bedeutung jeder Spalte und jeder Zeile und setzt jeden Standort auf die Karte, ein Schritt, der einen Analysten in Handarbeit normalerweise mehrere Wochen kostet.
5. Gini trainiert das Modell. Auf der Kennzahl, die Sie gewählt haben, meist Umsatz oder Umsatz pro Quadratmeter.

Der gesamte Ablauf, vom Upload bis zum trainierten Modell, dauert rund zehn Minuten, und niemand im Team braucht einen Data-Science-Hintergrund. Nach dem Training gehört das Modell Ihnen. Es bleibt in Gini und lässt sich auf jede Adresse anwenden, so oft Sie wollen, ohne jedes Mal neu einzurichten.

Ihre Prognose in jeder Gini-Konversation nutzen

Nach dem Training liegt das Modell an derselben Stelle wie alle anderen Standortanalysen. Tippen Sie @, wählen Sie Ihr Modell, geben Sie eine Adresse ein: Gini liefert die Prognose, die Begründung und die Fehlermarge in derselben Konversation.

Nehmen wir eine Lebensmittelkette, die ein Modell für den Umsatz pro Quadratmeter mit ihren 40 Filialen trainiert hat. Ihr Expansionsteam gibt eine Kandidatenadresse in einer Einkaufsstraße in Lyon ein. Gini liefert 4.200 €/m² mit einem Konfidenzbereich von 3.700 € bis 4.700 € und nennt die drei Faktoren, die diesen Wert erklären: die Wohndichte im Umfeld, die Besucherfrequenz am Morgen und das Fehlen eines direkten Wettbewerbers im Radius von 400 Metern.

Das ist eine Zahl, die ein Investitionsausschuss im Detail prüfen kann, nicht bloß abnicken. Dasselbe Modell lässt sich für beliebig viele Adressen wiederverwenden, ohne zusätzliche Einrichtungskosten: Fünf Standortkandidaten zu vergleichen dauert einen Nachmittag statt fünf separater Beratungsberichte.

Was sich an den Prognosezeiten ändert

So sah der frühere Prozess aus. Sie briefen ein Beratungsteam, warten, während es die Daten bereinigt, Prüfungen fährt und die Genauigkeit misst. Es liefert ein Modell, und die Fragen beginnen, weil die Zahl grundsätzlich angezweifelt wird. Passt sie zu dem, was der Kunde vor Ort sieht? Welche Variablen haben sie wirklich bestimmt? Lässt sie sich anpassen? Jede Fragerunde bedeutet eine weitere Schleife, und jede Schleife verschiebt Eröffnungstermin und Entscheidung nach hinten. Beratungsmandate wie die von Buxton brauchen bereits sechs bis neun Monate, um ein erstes Modell zu liefern, und darin ist die anschließende Frage-und-Antwort-Phase noch nicht einmal enthalten.

Der Forecast-Modus streicht die Schleife. Wer das Geschäft kennt, trainiert das Modell, sieht die Fehlermarge sofort und kann es noch am selben Nachmittag auf eine neue Adresse anwenden und im Quartal darauf erneut. Was früher ein Beratungsmandat von wenigen Wochen im besten Fall bis zu neun Monaten für ein vollständig maßgeschneidertes Modell erforderte, läuft jetzt in einem einzigen Gini-Workflow, ohne separate Software für die Standortwahl und ohne eigenen Dienstleistervertrag.

Der Forecast-Modus steht nicht neben den Daten, mit denen ein Flagship-Standort überhaupt ausgewählt wird. Er stützt sich auf dieselben soziodemografischen Daten, dieselbe Besucherfrequenz und dieselbe Wettbewerbsdichte, jetzt in ein Modell integriert statt jedes Mal von Hand zusammengetragen. Was er streicht, sind die Monate Wartezeit, bis jemand anders diese Daten in eine Zahl übersetzt, ob der geprüfte Standort ein einzelnes Flagship ist oder eines von mehreren gleichzeitig geprüften Einkaufszentren in einem länderübergreifenden Expansionsplan.

Häufige Fragen

Wie prognostiziert man den Umsatz eines neuen Standorts?

‍Der Forecast-Modus trainiert ein Modell mit Ihren bestehenden Filialen und deren Leistung und verschneidet das Ergebnis dann mit Location-Intelligence-Daten (Besucherfrequenz, soziodemografisches Profil des Einzugsgebiets, Wettbewerbsdichte), um den Umsatz oder eine andere Kennzahl für eine neue Adresse vorherzusagen.

Welche Daten brauche ich für eine Prognose in Gini?

‍Ihre Netzdaten: eine Liste Ihrer Standorte und deren Leistung bei der Kennzahl, die Sie vorhersagen wollen. Gini bereinigt, geokodiert und strukturiert sie nach dem Upload automatisch, und die gesamte Einrichtung dauert rund zehn Minuten.

Wie genau ist der Forecast-Modus?

‍Unsere internen Tests an echten Kundennetzen verorten ihn bei 9 % MAPE. Eine MarketsandMarkets-Analyse von 2025 verortet Machine-Learning-Verfahren allgemein bei 8 % bis 20 % MAPE und traditionelle Ansätze bei 20 % bis 35 %, womit der Forecast-Modus zu den genauesten Werten der Machine-Learning-Spanne gehört.

Welche Kennzahlen kann der Forecast-Modus vorhersagen?

‍Jede Kennzahl, die in Ihren Daten steckt: Umsatz, Umsatz pro Quadratmeter, benötigte Personalstärke oder einen KPI, der für Ihr Geschäft spezifisch ist.

Worin unterscheidet sich das von einem Analogmodell oder einem Gravitationsmodell?‍

Analog- und Gravitationsmodelle vergleichen einen Standortkandidaten von Hand mit einer Handvoll ähnlicher Filialen und nutzen dabei vor allem Entfernung und Fläche als Signale. Der Forecast-Modus automatisiert diesen Vergleich über Ihr gesamtes Netz, ergänzt ihn um die Location-Intelligence-Ebene von MyTraffic und um Kannibalisierungsprüfungen mit Ihren nahe gelegenen Filialen und weist die Fehlermarge aus statt einer einzelnen ungefilterten Zahl.