KI-basierte Innenstadtprognose
Die KI-basierte Innenstadtprognose ermöglicht eine datengetriebene Vorhersage des Besucheraufkommens in der Würzburger Innenstadt. Durch die intelligente Verknüpfung von Passantenzählungen, Event- und Kalenderdaten, sowie Wetterinformationen werden Nachfrage- und Aktivitätsmuster frühzeitig erkannt. Die KI-Prognosen unterstützen Händler und Gastronomen bei Personal-, Waren- und Marketingplanung und stärken so gezielt die Attraktivität der Innenstadt.
KI-Prognosen als Planungsgrundlage für die Würzburger Innenstadt
Das Besucheraufkommen der Würzburger Innenstadt ist ein zentraler Einflussfaktor für Handel, Gastronomie und Stadtverwaltung. Das Passantenaufkommen schwankt stark nach Tageszeit, Wochentag und besonderen Ereignissen. Diese Dynamik ist für Innenstadtakteure zwar entscheidend, lässt sich in der Praxis jedoch häufig nur grob einschätzen. Fehlende Prognosen erschweren eine verlässliche Planung und führen zu ineffizienten Entscheidungen auf operativer und strategischer Ebene.
Welche Fragen stellen sich Innenstadtakteure?
Kai Günder, Mitarbeiter am Lehrstuhl für Logistik und Quantitative Methoden in der Betriebswirtschaftslehre
Wie viel Personal?
Wie viele Lebensmittel?
Mehr Verkehrsverbindungen?
Mit KI zur Innenstadtprognose
Der Geschäftsführer des Handelsverbands stellt das Projekt vor
Volker Wedde, Bezirksgeschäftsführer Handelsverband Bayern e.V.
Datengetriebene Lösung
Die Stadt Würzburg verfügt über umfangreiche Daten aus Lasermessungen, die detaillierte Einblicke in Frequenz und Nutzung der Innenstadt ermöglichen. Ergänzt durch Kontextdaten wie Wetter, Veranstaltungen, Vorlesungszeiten an Hochschulen und Feiertage können diese Informationen mithilfe KI-basierter Modelle genutzt werden, um präzise Prognosen des Besucheraufkommens zu erstellen.
Ziel ist es, auf dieser Grundlage belastbare Vorhersagen abzuleiten, die als Planungsgrundlage für Innenstadtakteure dienen. Perspektivisch sollen weitere Datenquellen, etwa Mobilfunkdaten, integriert werden, um die Prognosequalität weiter zu erhöhen.
Zur Analyse und Prognose von Besucher- und Aktivitätsmustern in der Würzburger Innenstadt kommen verschiedene Datenquellen zum Einsatz.
Mittels Machine Learning werden diese Daten genutzt, um Muster im Passantenaufkommen zu erkennen und das Besucheraufkommen zuverlässig vorherzusagen.
Überblick über den bisherigen Verlauf des Projekts
Projektphasen
Phase 1: Passantenprognose
• Verknüpfung stündlicher Passantendaten mit Wetter-, Feiertags-, Event- und Hochschuldaten.
• Entwicklung KI-basierter Prognosemodelle zur Vorhersage des Passantenaufkommens
• Hohe Prognosegenauigkeit mit nur 8–12 % Abweichung
Phase 2: Unternehmensprognose
• Prognose von Umsatz- und Kundenzahlen für teilnehmende Einzelhändler (z. B. EDEKA, TeeGschwendner & Severin) auf Basis der Passantenprognosen
• Nutzung der Passantenprognose zur besseren Abbildung von Verkaufs- und Besuchsdynamiken
• Steigerung der Prognosegenauigkeit gegenüber saisonalen Basismodellen um rund 28 %
Phase 3: Dashboard-Entwicklung
• Entwicklung eines zentralen Dashboards, das Händlern Passantenprognosen für die tägliche Planung bereitstellt
• Intuitive und leicht verständliche Darstellung der Prognosen für den praktischen Einsatz im Handel
• Geplante Erweiterung von Uploads eigener Unternehmensdaten zur Erstellung individueller Umsatz- und Kundenprognosen
Phase 4: Zukunft
• Erweiterung der Datenbasis durch Mobilfunkdaten
• Detailliertere Abbildung der Bewegungsströme in der Innenstadt
• Verbesserung der Prognosequalität durch die zusätzlichen Daten
• Übertragung und Anwendung des Prognosemodells auf weitere Städte
Der Mehrwert
Event-Analyse
Erfolgskontrolle von Sonderöffnungszeiten und Stadtfesten auf Basis valider Daten.
Bedarfsgerechte Personaleinsatzplanung
Durch die stundengenaue Prognose des Passantenaufkommens kann der Personalschlüssel präzise an die erwartete Kundenfrequenz angepasst werden. Dies vermeidet Unterbesetzung zu Stoßzeiten und unnötige Personalkosten in ruhigen Phasen.
Optimiertes Waren- und Bestandsmanagement
Die Verknüpfung von Events (z. B. Stadtfesten) mit Passantenströmen ermöglicht eine bessere Kalkulation des Warenbedarfs, wodurch Out-of-Stock-Situationen oder Überbestände minimiert werden.
Gezielte Marketingsteuerung
Händler können den Erfolg ihrer Werbemaßnahmen objektiv bewerten, indem sie eigene Verkaufsdaten mit den tatsächlichen Passantenströmen und externen Faktoren (wie Vorlesungszeiten) in Relation setzen.
Effizientes Zeitmanagement
Die automatisierte Aggregation komplexer Faktoren (Wetter, Events, Semesterzeiten) spart den Entscheidungsträgern die Zeit für mühsame manuelle Recherchen und Excel-Planungen.
Synchronisation mit dem Stadtleben
Durch die Sichtbarkeit von Vorlesungszeiten und städtischen Events können Händler ihre Angebote und Öffnungszeiten gezielter auf die spezifischen Zielgruppen (z. B. Studierende) ausrichten, die sich gerade in der Stadt aufhalten.
Strategische Wirkung der Prognosen
Transparenz
Detaillierte Einsicht in die
Innenstadtfrequenz auf
Stundenbasis.
Zukunftsplanung
KI-gestützte Vorhersagen des Passantenaufkommens für die Folgewoche.
Wirtschaftlichkeit
Direkte Ableitung von Umsatz-Potentialen und Kundenfrequenzen aus den Bewegungsdaten.
Das Dashboard und seine Funktionen
Der Hauptzweck des Dashboards liegt darin, die Brücke zwischen komplexer Datenanalyse und praktischer Anwendung zu schlagen. Durch die einfache Handhabung erhalten die Akteure der Würzburger Innenstadt ein Werkzeug, das die tägliche Planung und die langfristige strategische Ausrichtung objektiv unterstützt.
Die smarte Innenstadt von morgen
Wie eine smarte Innenstadt in Würzburg in fünf bis zehn Jahren aussehen kann, erläutert der Geschäftsführer des Handelsverbands
Neue Einkaufsgewohnheiten und veränderte Erwartungen der Kundinnen und Kunden eröffnen spannende Möglichkeiten für die Weiterentwicklung der Innenstadt. Mit digitalen und smarten Lösungen lassen sich Planungsprozesse gezielt unterstützen und die Attraktivität der Innenstadt nachhaltig weiterentwickeln.
Herausforderungen während der Projektarbeit
„Die größte Herausforderung bestand darin, Umsatzdaten der letzten 1-3 Jahre zu akquirieren. Für die Modelloptimierung hat sich die Schwarmintelligenz aus den Kaggle-Competitions als entscheidender Erfolgsfaktor erwiesen. Um Praxisnähe und Validität sicherzustellen, setzen wir auf ein kontinuierliches Monitoring der Prognosegüte per Rückschaufunktion sowie auf die Angabe von Konfidenzintervallen zur transparenten Quantifizierung von Unsicherheiten.“
Kai Günder, Leiter der Forschung des Projekts
Welche nächsten Schritte plant die Projektgruppe?
„KI-Regio“ als Unterstützung beim Einstieg in KI
Die Projektarbeit ist ebenfalls Thema einer Podcast-Episode des KI-Regio-Projekts mit Volker Wedde (Bezirksgeschäftsführer, Handelsverband Bayern – Unterfranken) und Kai Günder:
Partner des Projekts
