Mit bedarfsorientierter Personalplanung lassen sich Unter- und Überbesetzungen in der Gastronomie effektiv vermeiden. Grundlage dafür sind zuverlässige und präzise Prognosen des Personalbedarfs.

Diese Arbeit untersucht, wie ein Ansatz für standortübergreifendes maschinelles Lernen die Vorhersagequalität gegenüber einzelnen Modellen verbessern kann - insbesondere bei Datenknappheit, wie sie beispielsweise bei neuen Standorten auftritt. Der Ansatz verspricht nicht nur bessere Planbarkeit bei begrenzten Daten, sondern auch reduzierten Trainings- und Wartungsaufwand. Das Potenzial des Konzepts wird anhand eines Praxisbeispiels der Nesto Software GmbH mit unterschiedlichen Modellen und Szenarien demonstriert.