Advancing Operational Intelligence Forecasting Through ML-Based Meta-Models and Foundation Models

Höchste Prognosegenauigkeit: Die überlegene Performance von ML-basierten Meta-Modellen, insbesondere Gradient Boosting Algorithmen (XGBoost, LightGBM), zur Vorhersage stündlicher Verkaufszahlen.

Robuste Skalierbarkeit: Die Effizienz und Stabilität des hybriden PySpark-Pandas-Ansatzes für horizontales Scaling und periodisches Retraining in großen, verteilten Systemen.

Minimales Feature Engineering: Das aufkommende Potenzial von Foundation Models (Chronos, TimesFM), die wettbewerbsfähige Genauigkeit durch Zero-Shot Inference erreichen.

Reale Herausforderung: Benchmarking von 12 Modellen anhand stündlicher Verkaufsdaten über einen 14-tägigen Horizont von Tausenden deutscher Restaurants.

Konkrete Empfehlungen: Klare Handlungsempfehlungen, ob ML-Meta-Modelle (für Robustheit ohne GPU) oder Foundation Models (für Einfachheit mit GPU) die optimale Strategie sind.

Feature Engineering: Wetter, Kalender, Zeitmuster und die Notwendigkeit minimaler Vorverarbeitung bei Foundation Models.