Im kapazitätsbeschränkten Online-Lebensmittelhandel entstehen häufig ausge-buchte Lieferzeitfenster, die zu einer sogenannten zensierten Nachfrage (Censored Demand) führen. Wenn sämtliche Slots eines Tages belegt sind, registriert das System keine weiteren Buchungen – obwohl Kunden weiterhin bestellen würden. Solche fehlenden Bestellungen werden von traditionellen Prognosemodellen fälschlicherweise als Nachfragerückgang interpretiert, was zu Personalengpässen, Unter- bzw. Über-planung von Touren und letztlich zu Lieferausfällen führt. Picnic hat dieses strukturelle Problem durch den Wechsel von einem komplexen Temporal Fusion Transformer (TFT) zu einem modularen TiDE-Ensemble gelöst und damit sowohl die Prognosegenauigkeit als auch die operative Effizienz deutlich gesteigert.
Zensierte Nachfrage verstehen
Die Kernursache liegt in der Kapazitätsgrenze: Sobald ein Lieferfenster geschlossen ist, erzeugt das System den Wert “null” für weitere Bestellungen. Ein nicht korrigiertes Machine-Learning-Modell interpretiert diesen Null-Wert als tatsächlichen Nachfragerückgang. Die Konsequenz ist eine systematische Unterschätzung des realen Bedarfs, was besonders in Spitzenzeiten zu zu wenig Fahrern, zu knappen Lagerkapazitäten und zu erhöhten Lebensmittelabfällen führt.
Zitat von Jessie van Schijndel
“Hinter der Abkehr vom Temporal Fusion Transformer steckt ein grundlegendes Dilemma moderner Deep-Learning-Systeme: Höhere Modellkomplexität geht häufig mit extremen Trainingskosten und intransparenter Varianz einher.” – Jessie van Schijndel, Picnic Engineering (2026)
Das Remainder-Modell: Mathematische Rekonstruktion entgangener Bestellungen
Picnic hat ein Remainder-Modell eingeführt, das die zeitliche Auftragseingangskurve separat modelliert und mathematisch rekonstruiert, welche Bestellungen durch geschlossene Lieferfenster verloren gingen. Dabei werden historische Buchungsverläufe, Standort, Wochentag und Lieferzeitraum herangezogen. Das Ergebnis ist ein bereinigter Datensatz, der die eigentliche Kundennachfrage reflektiert, bevor er in das eigentliche Prognosenetz eingespeist wird.
TiDE-Ensemble versus Temporal Fusion Transformer
Der bisherige Temporal Fusion Transformer beruhte auf Self-Attention-Mechanismen, die sehr rechenintensiv sind. Das neue Time-Series Dense Encoder (TiDE) verwendet ausschließlich Multi-Layer-Perceptrons (MLPs). Die wichtigsten Kennzahlen im Vergleich:
- Anzahl paralleler Modelle im Ensemble: 5 TiDE-Modelle (Jahr 2026)
- Back-test-Dauer: von mehreren Wochen auf wenige Stunden reduziert
- Rechenaufwand: wesentlich niedriger, da keine Attention-Layer
- Genauigkeit: vergleichbar mit dem TFT bei Zeitreihen-Prognosen
Durch die Mittelung von fünf unabhängig trainierten Modellen wird die Trainingsvarianz gedämpft und die Stabilität erhöht. Der modulare Aufbau ermöglicht schnelle Iterationen: Neue Modellvarianten können innerhalb weniger Stunden rückwirkend simuliert werden, anstatt wochenlang im Produktivbetrieb zu testen.
Effizienzsprung in der operativen Planung
Die verbesserte Prognose deckt einen Planungsvorlauf von 14 Tagen für Hub-Fahrer und Fulfillment-Schichten ab (Jahr 2026). Das bedeutet, dass Personal- und Tourenplanung bereits zwei Wochen im Voraus verlässlich gesteuert werden kann. Die Hauptvorteile sind:
- Vermeidung von Unter- bzw. Überbesetzung an Spitzentagen
- Reduktion von Leerlaufzeiten und teuren Leerschichten
- Bessere Abstimmung von Lagerkapazitäten auf reale Nachfrage
Ein konkretes Beispiel aus der Praxis: Durch die präzise 14-Tage-Vorhersage konnte Picnic die Quote an unverkauften Lebensmitteln im Vergleich zu stationären Supermärkten um bis zu 85 % reduzieren (Jahr 2023, Unternehmensangabe).
Nachhaltigkeits- und Wirtschaftseffekte
Im E-Food-Sektor entscheidet die Prognosegüte über Warenfrische und Flottenauslastung. Das “Milchmann-Prinzip” in Kombination mit Just-in-Time-Bestellungen sorgt dafür, dass Lebensmittel erst kurz vor dem Lieferzeitpunkt bestellt werden. Die direkte Folge ist ein signifikanter Rückgang von Lebensmittelabfällen – ein klarer Wettbewerbsvorteil in einem margenarmen Markt.
Risiken und Grenzen des Ansatzes
Trotz der Erfolge gibt es kritische Punkte, die berücksichtigt werden müssen:
- Modellannahmen bei unzensierten Nachfragekurven: Die Rekonstruktion stützt sich auf historische Buchungsdaten. Plötzliche Nachfrageschocks, etwa durch extreme Wetterlagen oder Streiks, können zu Abweichungen führen.
- Unterschied zwischen Liefer- und Artikelebene: Das TiDE-Ensemble prognostiziert primär Gesamtlieferungen pro Hub. Auf SKU-Ebene bleiben spezialisierte oder multimodale Modelle nötig, um Überbestände einzelner Frischeprodukte zu vermeiden.
Schnellüberblick:
Was versteht man unter ‘zensierter Nachfrage’ (Censored Demand) im Lieferdienst?
Wenn alle Zeitfenster eines Tages belegt sind, registriert das System null zusätzliche Buchungen. Ein unkorrigiertes ML-Modell interpretiert diesen Zustand fälschlich als mangelndes Kundeninteresse, anstatt eine künstliche Kapazitätsgrenze zu erkennen.
Warum schlägt ein TiDE-Ensemble einen komplexen Transformer?
Time-Series Dense Encoder (TiDE) verzichtet auf rechenintensive Attention-Mechanismen und nutzt dichte Schichten (MLPs). Sie erreichen bei Zeitreihen ähnliche Prognosewerte wie Transformer, trainieren jedoch um ein Vielfaches schneller und stabiler (Das et al., 2023).
Wie wirkt sich die verbesserte Prognose auf die Fahrerschichten aus?
Fahrerpläne müssen in der Regel ein bis zwei Wochen im Voraus fixiert werden. Präzise 14-Tag-Vorhersagen verhindern Unterbesetzungen an Spitzentagen sowie teure Leerlauf-Schichten bei schwächerer Nachfrage.
Quellen
- https://medium.com/picnic-engineering/building-a-modular-demand-forecast-how-we-made-testing-new-ideas-a-breeze
- https://www.stores-shops.de/technologie/logistik/picnic-expandiert-in-deutschland/