Foodsight

Herausforderung

Deutsche Handwerksbäckereien stehen täglich vor einer Gratwanderung: Überproduktion bedeutet Verschwendung (10–15% der Backwaren werden entsorgt), Unterproduktion bedeutet Umsatzverlust und unzufriedene Kunden. Die traditionelle Bestellung basiert auf Bauchgefühl. Foodsight ersetzt Raten durch datengetriebene Nachfrageprognose.

Ansatz

End-to-End-ML-Pipeline mit einer produktionsreifen SaaS-Oberfläche:

1. Datenerhebung — ETL-Pipeline extrahiert Kassendaten (ready2order-Plugin) und Wettervorhersagen (Open-Meteo), staged sie roh → transformiert → trainingsbereit.
2. Feature Engineering — Zeitliche Features (Wochentage, Feiertage, Schulferien), Wetter-Features und Lag-Features via tsfresh und featuretools. Plugin-basierte Kassen-Integrationen.
3. Modelltraining — CatBoost Gradient-Boosted Regressor verarbeitet kategorische Features nativ. Zweimal täglich neu trainiert.
4. Prognosebereitstellung — 7-Tage-Prognosen pro Filiale und Produkt, mit Bestellbereichen (min/optimal/max) die Verschwendung gegen Ausfallrisiko abwägen.
5. Web-Dashboard — Svelte SPA mit Material Design, interaktive Balken- und Kreisdiagramme via Chart.js. Bestellexport als Excel/CSV.
6. API-Schicht — FastAPI mit JWT-Auth, Multi-Filial-Support, REST-Endpunkte für Prognosen, Einstellungen, Bestellungen und Anmeldungen.

Ergebnisse

• Funktionsfähiger Prototyp, der Bäckerei-Partnern in Wiesbaden/Mainz demonstriert wurde
• Multi-Filial-Fähigkeit mit 3 Pilotstandorten getestet
• Full-Stack-SaaS-Architektur: Dockerized, Traefik + Let's Encrypt, Hetzner VPS

Tech Stack

• Backend: Python 3.12, FastAPI, Pandas, Pydantic v2
• Frontend: Svelte 3, SMUI, Tailwind CSS, Chart.js
• ML: CatBoost, scikit-learn, tsfresh, featuretools
• Infra: Docker, Traefik, Hetzner Cloud, OpenTofu