Prognose von Arbeitsaufkommen & Personalbedarf (Anrufvolumen, Patientenaufkommen)

Jeder Servicebetrieb, der Personal nach eingehender Nachfrage einsetzt – ein Contact Center, eine Notaufnahme, eine Krankenhausstation, ein Ladengeschäft, ein Paketdepot, ein Bürgeramt –, muss Wochen im Voraus entscheiden, wie viele Personen mit welchen Qualifikationen in jedem 15- oder 30-Minuten-Slot anwesend sein müssen. Zu wenige bedeuten Warteschlangen, abgebrochene Anrufe, volle Wartezimmer und ausgebrannte Beschäftigte; zu viele bedeuten Personalkosten ohne Auslastung. Die KI-Prognose sagt aus Historie, Kalender und externen Treibern das Arbeitsaufkommen und seinen Bearbeitungsaufwand je Intervall voraus, liefert Unsicherheitsbänder und rechnet die Prognose in den erforderlichen Personalbedarf um, den die Einsatzplanung (OPT-003) anschließend in Dienstpläne überführt.

Problem & Nutzen

• Wer das Problem hat: Contact Center und Shared-Service-Desks (eingehende Anrufe, Chats, E-Mails, Tickets), Krankenhäuser (Notaufnahmezugänge und Belegung, Aufnahmen, Stationsbelegung, OP-Auslastung), Pflegedienste, Handel und Gastgewerbe (Besucherfrequenz, Transaktionen), Logistik (eingehende Pakete, Kommissioniervolumen), öffentliche Verwaltung (Termine im Bürgerservice, Leistungsanträge, Anrufaufkommen bei 112/116117).
• Heute: Excel mit „gleiche Woche im Vorjahr × Wachstumsfaktor", eingebaute gleitende Mittelwerte im ACD-/WFM-Werkzeug oder feste Personalschlüssel. Planer verbringen viel Zeit damit, manuell für Feiertage, Kampagnen und Einzelereignisse nachzujustieren, und untertägige Überraschungen werden mit Überstunden abgefangen.
• Warum KI hilft: Gradient-Boosting- und Deep-Learning-Modelle und seit 2025 Zero-Shot-Foundation-Modelle für Zeitreihen erfassen mehrfache Saisonalitäten (untertägig × Wochentag × Jahr), Feiertagseffekte und externe Treiber weit besser als saisonale naive Regeln und liefern Quantile, sodass der Personaleinsatz auf ein Risikoniveau statt auf den Mittelwert ausgelegt werden kann.
• Belege: In einer großen Notaufnahme übertrafen N-BEATS und LightGBM bei der Prognose der Belegung 24 Stunden im Voraus die statistischen Vergleichsmodelle um 11 % bzw. 9 %, und DeepAR sagte die Überfüllung am Folgetag mit einer AUC von 0,76 voraus [1]. WFM-Anbieter berichten von Kundenergebnissen wie 20 % weniger Über- und Unterbesetzung (Quinyx) [6] und einer Verbesserung des Service-Levels um 32 % innerhalb von fünf Wochen (Kundenfall von Peopleware) [5] – vom Anbieter berichtete Zahlen, keine unabhängigen Vergleichswerte.

Varianten

• Contact Center / Kundenservice: Volumen + AHT je Warteschlange, Kanal und Qualifikation in 15/30-Minuten-Intervallen; Erlang C/A oder Simulation zur Ermittlung der benötigten Agenten; Multi-Skill und gemischte Kanäle (Sprache, Chat, E-Mail, Messaging), in denen KI-Agenten/Voicebots (CONV-007) einen Teil des Volumens abfangen – die Prognose muss nun das verbleibende menschliche Arbeitsaufkommen nach dem Bot-Abfang vorhersagen.
• Krankenhäuser & Pflege: Notaufnahmezugänge und Belegung, Aufnahmen, Stationsbelegung und Pflegeaufwand; Treiber sind Wochentag, Feiertage, Temperatur/Hitzewellen und die Überwachung von Atemwegsviren. Die Bett- und OP-Planung selbst ist HLTH-008; die Dienstplanung der Pflege ist OPT-003. In Deutschland ist die Pflegebesetzung durch Pflegepersonaluntergrenzen und PPR 2.0 beschränkt, daher speist die Prognose eine regelbasierte Zielgröße.
• Rettungsdienste & Leitstellen: Prognose der Anrufbelastung für Leitstellen von 112/116117 (aggregiert, keine Triage je Anruf – das ist CONV-021; der Einsatz von Rettungsmitteln ist OPT-029).
• Handel, Gastgewerbe, Logistik: Prognose des Personalbedarfs aus Umsatz/Besucherfrequenz (VIS-008), Lieferwellen und Paketmengen; eng gekoppelt an die Absatzprognose PRED-001.
• Öffentlicher Sektor: Termin- und Antragsvolumen in Bürgerämtern und Jobcentern, saisonale Spitzen im Finanzamt, Bürgertelefone (115).
• Strategische Personalplanung (langer Horizont): Personalbedarf und Qualifikationsangebot/-nachfrage über 1–5 Jahre – Arbeitsaufkommensprognose × Produktivität × Fluktuation (PRED-012) × Vorlaufzeiten bei der Einstellung, als Szenarien gerechnet. Die Ableitung von Fähigkeiten und das Qualifikationsinventar gehören zu KNOW-012; der KI-Kern ist hier die Langfrist-Bedarfsprognose plus Szenariosimulation, daher wird sie als Variante dieses Anwendungsfalls behandelt.

So funktioniert es

1. Historie (ACD-/CRM-/KIS-/Kassenprotokolle, je Intervall)
2. Bereinigung (Ausfälle, fehlgeleitete Anrufe, Entdopplung von Abbrüchen & Wahlwiederholungen, Datenlücken)
3. Feature Store (Kalender, Feiertage, Kampagnen, Wetter, Epidemiologie, Web-Traffic)
4. Prognose (Volumen + Bearbeitungszeit/Aufwand, Quantile; hierarchisch: gesamt
5. Warteschlange
6. Intervall)
7. Abstimmung & Korrekturen der Planer (bekannte Ereignisse) ← Mensch-in-der-Schleife
8. Umrechnung in Personal (Erlang C/A, Multi-Skill-Simulation, Verhältnisregeln, Shrinkage)
9. Kapazitätsplan / Einsatzplanung (OPT-003)
10. veröffentlichte Dienstpläne
11. untertägig: Streaming der Ist-Werte
12. Neuprognose alle 15 Min.
13. Warnungen, Vorschläge für freiwilligen Urlaub/Überstunden

• Prognosemotor: Modell-Ensembles – MSTL/ETS/TBATS für starke Mehrfach-Saisonalität, LightGBM mit Kalender- und Treibermerkmalen, Deep-Learning-Modelle (N-HiTS, TFT) für große Portfolios und Foundation-Modelle (Chronos-2, TimesFM, TiRex) für Zero-Shot und neue Warteschlangen ohne Historie. Volumen und Bearbeitungszeit werden getrennt prognostiziert, weil sie auf unterschiedliche Treiber reagieren.
• Umrechnung in Personal: Warteschlangenmodelle (Erlang C geht von wartenden Anrufern aus, Erlang A berücksichtigt zusätzlich Abbrüche) oder ereignisdiskrete Simulation für Multi-Skill-Routing; darauf kommt der Shrinkage-Zuschlag (Pausen, Schulungen, Krankheit) [8].
• Mensch-in-der-Schleife (Human-in-the-Loop): Personalplaner prüfen Prognosen, ergänzen bekannte Ereignisse (Mailings, Störungen, Marketingaktionen) und geben den veröffentlichten Kapazitätsplan frei; Dienstpläne bleiben den Vereinbarungen mit dem Betriebsrat unterworfen. LLM-Assistenten in neueren WFM-Suiten erklären Prognoseänderungen und beantworten „Was-wäre-wenn"-Fragen, ersetzen aber nicht die Freigabe durch den Planer.

Datenaufbereitung

Welche Daten: historische Mengen (Anrufe, Tickets, Patienten, Aufträge, Besucherfrequenz) in stündlicher oder täglicher Auflösung, dazu Kalendereffekte, Kampagnen, Wetter, Dienstpläne, Abwesenheiten und erreichte Service-Level.

Wo sie im KMU liegen: Telefonie- oder Ticketsysteme, Kassen- oder Krankenhausinformationssysteme, ERP, Zeiterfassungs- und Schichtwerkzeuge sowie Excel-Dienstpläne auf Dateiservern.

Typische Lücken: sich ändernde Definitionen eines „Kontakts", Lücken und Ausfälle in Protokollen, durch Kapazität begrenzte Mengen (abgebrochene Anrufe oder abgewiesene Patienten), Kampagnentermine, die nur in den Köpfen der Leute existieren, Dienstpläne in Tabellen und personenbezogene Daten in Schichtaufzeichnungen.

Schritte: 1. Zwei bis drei Jahre Mengen aus den Quellsystemen exportieren (PREP-005). 2. Dienstpläne und Excel-Pläne in saubere Tabellen umformen (PREP-011). 3. Definitionen von Menge, Bearbeitungszeit und Service-Level abgleichen (PREP-012). 4. Einen Ereigniskalender mit Feiertagen, Kampagnen und Schließungen aufbauen. 5. Vor der Modellierung zu anonymen Zählwerten je Intervall aggregieren, damit keine personenbezogenen Daten nötig sind (PREP-022). 6. Einen Zeitraum für das Backtesting zurückhalten (PREP-018).

Aufwandsanteil: rund 30–40 Prozent. Zugekaufte Werkzeuge verbinden sich oft direkt mit Telefonie- und Zeiterfassungssystemen, was die Schritte 1 und 2 verkürzt. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU (A): Werkzeuge für Personaleinsatz- und Schichtplanung mit eingebauter Prognose sind ausgereift, in der EU gehostet und für Standard-Nachfragemuster erschwinglich.
• Großunternehmen (B): Große Betriebe haben mehrere Nachfragetreiber und eigene Planungssysteme, daher passen Prognosen über Cloud-ML-APIs, die in bestehende Personaleinsatzwerkzeuge integriert werden, am besten.
• Entwickler (C): Open-Source-Bibliotheken für Zeitreihen (Prophet, statsforecast, Chronos) laufen auf HW1 und lassen sich leicht einbetten.
• Öffentlicher Sektor (C): Krankenhäuser und Behörden verarbeiten Patienten- oder Bürgerdaten und unterliegen dem Vergaberecht, was eine selbst betriebene oder souveräne Cloud-Lösung begünstigt.

Weg A — Kaufen (empfohlen für die meisten Organisationen)

• WFM für Contact Center: NICE CXone WFM, Verint WFM (Calabrio gehört jetzt zu Verint), Genesys Cloud WFM, Amazon Connect Prognose & Kapazitätsplanung (kurzfristig bis 18 Wochen, langfristig bis 64 Wochen, untertägig alle 15 Min., je Warteschlange gelten Mindestdatenmengen) [4], Assembled, Peopleware (früher injixo; Peopleware GmbH, deutsch) [5], in Five9/Talkdesk integriertes WFM.
• WFM für Handel / Gesundheitswesen / allgemein: ATOSS (Deutschland) mit bedarfsorientierter Dienstplanung für Handel, Gesundheitswesen und Callcenter [7], Quinyx (Schweden) [6], Planday (Dänemark), Legion, UKG, Workday; krankenhausspezifische Dienstplan-Suiten (z. B. Polypoint im DACH-Raum, Dedalus-Module).
• Wählen Sie A, wenn: die Volumenquelle ein Standard-ACD/CCaaS- oder Kassensystem mit Konnektor ist und die Prognose neben der Einsatzplanung liegen muss. Prüfen Sie EU-Hosting, AVV, eine betriebsratsfähige Konfiguration (standardmäßig keine individuelle Leistungsüberwachung) und ob sich Prognosen exportieren lassen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Verwaltete Prognose: Amazon SageMaker Canvas / AutoGluon-TimeSeries auf AWS (Frankfurt), Google BigQuery ML AI.FORECAST mit TimesFM (EU-Multiregion) [3], Azure Machine Learning AutoML Prognose (West Europe/Germany West Central), Nixtla TimeGPT API.
• Integration: Intervalldaten aus Reporting-APIs von ACD/CCaaS, Krankenhausinformationssystemen (HL7/FHIR-Fallfeeds) oder Kassen ziehen; Kurven des Personalbedarfs per CSV/API in das WFM-Werkzeug zurückschreiben.
• Wählen Sie B, wenn: Sie ein Datenteam und spezifische Treiber haben (z. B. Abrechnungsläufe, Epidemiologie, Kampagnendaten), die die Prognose von Standard-WFM-Paketen ignoriert, oder wenn eine einzige Prognose mehrere Einsatzplanungssysteme speisen muss.

Weg C — Selbst betreiben (Open Source)

• Bibliotheken: Nixtla StatsForecast (AutoETS, MSTL, TBATS; schnell bei vielen Reihen) [9], MLForecast (LightGBM), NeuralForecast (N-HiTS, TFT, DeepAR; Apache-2.0) [10], AutoGluon-TimeSeries, Darts, sktime.
• Foundation-Modelle (offene Gewichte): Amazon Chronos-2 (120 Mio., Zero-Shot mit vergangenen/zukünftigen Kovariaten, Okt. 2025) [2], Google TimesFM 2.5/3.0 (3.0 bringt native dynamische Kovariaten, Aug. 2026) [3], TiRex (NXAI, Österreich; xLSTM, 35 Mio.) [11], Salesforce Moirai.
• Personalbedarf: pyworkforce (Erlang B/C/A, Multi-Skill-Personalbedarf, Schichtplanung mit OR-Tools; MIT, Beta) [8]; SimPy für die Simulation von Contact Centern; Timefold/OR-Tools für die Dienstplanung (OPT-003).
• Hardware: HW1 – ein CPU-Server bewältigt tausende Intervallreihen mit statistischen/GBM-Modellen; die Inferenz von Foundation-Modellen läuft bei typischen Portfolios ebenfalls auf der CPU, eine kleine GPU beschleunigt nur das Backtesting. Betrieb: tägliche Batch-Läufe, Überwachung des Prognosefehlers, Pflege der Datenpipeline.

Weg D — Eigenes Training

Lohnt sich nur für große Betreiber (Contact Center mit mehreren Standorten, Klinikverbünde, nationale Post- oder Leistungsbehörden) mit mehrjähriger Intervallhistorie: ein Foundation-Modell per Feintuning anpassen oder ein globales Deep-Learning-Modell über alle Warteschlangen/Standorte trainieren, typischerweise mit mehr als 2 Jahren Intervalldaten je Reihe plus Historie der Treiber. Häufiger kommen die Gewinne aus besseren Treiberdaten (Kampagnenkalender, Störungs-Feeds, Epidemiologie) und aus dem Lernen aus den Korrekturen der Planer als aus einer eigens entworfenen Architektur.

Stand der Technik (2026)

• Foundation-Modelle sind im Mainstream angekommen: Chronos-2 (Okt. 2025) berichtet die besten Ergebnisse unter den vortrainierten Modellen auf fev-bench, GIFT-Eval und Chronos Benchmark II, mit den größten Gewinnen bei Aufgaben mit exogenen Merkmalen [2]; TimesFM 3.0 (Aug. 2026) ergänzt native vergangene/zukünftige Kovariaten und wird in BigQuery ML ausgerollt [3]; TiRex beansprucht Spitzenergebnisse auf GIFT-Eval/fev mit einem kleinen xLSTM-Modell [11]. Die Unterstützung von Kovariaten ist hier wichtig, weil Feiertage, Kampagnen und Wetter den Personalbedarf treiben.
• Probabilistische Personalplanung: Die Planung gegen Quantile (z. B. P80-Volumen) statt gegen den Mittelwert und die Weitergabe der Unsicherheit in die Personalkurve ersetzen die Eingabe einzelner Punktwerte in Erlang.
• Agentisches WFM: Anbieter (NICE, Verint, Peopleware, Assembled) ergänzen LLM-Copiloten, die Prognosen erklären, Szenarien simulieren und untertägige Maßnahmen vorschlagen; der Wert hängt von der Qualität der zugrunde liegenden Prognose ab.
• Bots verändern die Zielgröße: Da KI-Sprach-/Chat-Agenten einen wachsenden Anteil der Kontakte abfangen, muss die Prognose den Bot-Abfang und die schwierigeren verbleibenden Kontakte mit längeren Bearbeitungszeiten abbilden.
• Grenzen: Strukturbrüche (Pandemie, Ausfälle, neue Produkte, regulatorische Fristen) und seltene Ereignisse sind aus der Historie nicht vorhersagbar; kleine Warteschlangen werden vom Rauschen dominiert; Erlang C überschätzt den Personalbedarf bei hohen Abbruchquoten (nutzen Sie Erlang A oder Simulation); Studien zu Notaufnahmen zeigen solide Prognosen der Belegung am Folgetag, aber begrenzte Treffsicherheit bei extremen Überfüllungsspitzen [1].

Gemeinsame Bausteine & Kombinationen

• Gleicher Prognose-Stack (Zeitreihen + tabular-ml, HW1): PRED-001 Absatzprognose, PRED-007 Energielast, PRED-016 Cashflow, PRED-019 Verkehrs- und Mobilitätsnachfrage – ein Feature Store, ein Backtesting-Framework und ein Foundation-Modell-Dienst können alle bedienen.
• Nachgelagerte Optimierung: OPT-003 Personaleinsatz- und Schichtplanung (das natürliche Gegenstück), OPT-035 prädiktives Routing von Kunden zu Agenten, OPT-029 Einsatz von Notfallressourcen, HLTH-008 Bett-/OP-/Personalplanung in Krankenhäusern.
• Vorgelagerte Treiber: PRED-017 Wettereinfluss, PRED-022 Prognose von Nichterscheinen (tatsächliche Terminlast), VIS-008 Zählung der Besucherfrequenz, LANG-012 Ticket-Klassifikation (Arbeitsaufkommen je Qualifikation).
• Strategische Variante: PRED-012 Fluktuationsprognose und KNOW-012 Kompetenzlandkarte speisen langfristige Szenarien zu Personalbedarf und Qualifikationslücken.
• KI im Contact Center: CONV-007 Agentenassistenz und Voicebots verändern AHT und Restvolumen – prognostizieren Sie sie gemeinsam.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen, um die Prognose in einer WFM-Suite zu konfigurieren; die Lizenz kostet typischerweise pro Agent/Beschäftigtem und Monat; der Hauptaufwand sind saubere Historie und Ereigniskalender.
• Weg B/C: 1–3 Monate für eine per Backtest geprüfte Pipeline mit Treibern und WFM-Integration; die Rechenkosten sind vernachlässigbar, die Personalkosten dominieren.
• Weg D: 3–6 Monate mit einem Data-Science-Team; nur bei großem Umfang gerechtfertigt.
• Kennzahlen: Prognosefehler auf Intervallebene (WAPE/MASE je Warteschlange und Intervall, Quantilabdeckung), Service-Level und durchschnittliche Annahmezeit, Abbruchquote, Wartezeiten in der Notaufnahme / Stunden mit Überfüllung, Stunden mit Über-/Unterbesetzung, Kosten für Überstunden und Leiharbeit, vom Planer für Korrekturen aufgewendete Zeit.

Menschen & Veränderung

Früh einbeziehen: die Geschäftsführung (Service-Level, Budget), die Betriebs- oder Teamleitung, der der Dienstplan gehört, IT (Schnittstellen zu Telefonie, Ticketsystem, Zeiterfassung), das Personalwesen (Arbeitszeitregeln) und den Betriebsrat. Beziehen Sie Endanwender ein, die geänderte Schichtvorschläge sehen werden; sie kennen die realen Muster. Ziehen Sie die/den Datenschutzbeauftragte(n) hinzu, wenn individuelle Schicht- oder Abwesenheitsdaten genutzt werden.

Betriebsrat: abhängig. Eine reine Prognose auf anonymen Mengen löst wenig aus, aber sobald sie Dienstpläne speist, individuelle Bearbeitungszeiten verfolgt oder Nutzeraktivität protokolliert, greift die Mitbestimmung (§ 87 Abs. 1 Nr. 6 BetrVG, dazu Nr. 2 und 3 zur Arbeitszeit). Der Betriebsrat ist bei Einführung KI-gestützter Planung zu unterrichten (§ 90 Abs. 1 Nr. 3); ein KI-Sachverständiger kann hinzugezogen werden (§ 80 Abs. 3).

Datenschutz: Eine DSFA ist bei aggregierten Zählwerten meist nicht nötig, prüfen Sie sie aber, wenn individuelle Leistungsdaten in das Modell einfließen. AVV mit jedem SaaS-Anbieter (GUIDE-005).

KI-Kompetenz: Art. 4 der KI-Verordnung verlangt Maßnahmen zur Förderung der Kompetenz; zeigen Sie den Planern, wie man Prognoseintervalle liest (GUIDE-006).

Pilot und Kommunikation: Lassen Sie die Prognose einige Wochen lang für ein Team neben dem aktuellen Plan laufen (GUIDE-009).

Bedenken: Beschäftigte fürchten undurchsichtige Dienstplanung und verlorene Schichtwünsche. Begegnen Sie dem mit transparenten Regeln, veröffentlichter Prognosegenauigkeit und Korrekturrechten der Planer, sodass die Menschen den endgültigen Dienstplan behalten (GUIDE-004, GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Prognose aggregierten Arbeitsaufkommens ist minimales Risiko. Anhang III Nummer 4(b) stuft Systeme als Hochrisiko ein, wenn sie „Aufgaben auf der Grundlage individuellen Verhaltens oder persönlicher Merkmale zuweisen" oder die „Leistung und das Verhalten" von Beschäftigten „überwachen und bewerten" [12] – halten Sie die Prognose also aggregiert und mischen Sie keine individuelle Produktivitätsbewertung bei. Nummer 5(d) (Klassifizierung von Notrufen, Disposition, Patiententriage) ist Hochrisiko, aber die aggregierte Prognose der Anrufbelastung einer Leitstelle ist keine Triage. Die KI-Kompetenz (Art. 4) gilt.
• DSGVO: Die Eingabedaten sind meist aggregierte Zählwerte; rohe ACD-/KIS-Protokolle und individuelle AHT enthalten personenbezogene Daten (Beschäftigte und Kunden/Patienten) – aggregieren Sie früh, pseudonymisieren Sie, wenden Sie Zweckbindung an; Gesundheitsdaten (Art. 9) für Modelle zum Patientenaufkommen verbleiben in der Infrastruktur des Krankenhauses.
• Mitbestimmung (Deutschland): WFM-Systeme, die Verhalten oder Leistung überwachen können, lösen die Mitbestimmung des Betriebsrats nach § 87 Abs. 1 Nr. 6 BetrVG aus, und die Arbeitszeit-/Schichtverteilung nach § 87 Abs. 1 Nr. 2 [13]; schließen Sie vor dem Produktivstart eine Betriebsvereinbarung ab.
• Sektorregeln: Pflegepersonaluntergrenzen und PPR 2.0 in Krankenhäusern und die Grenzen des Arbeitszeitgesetzes gehen jeder prognoseoptimalen Besetzung vor; Erwartungen an die operationale Resilienz nach DORA gelten für Service-Desks im Finanzsektor nur mittelbar.
• Risiken: chronische Unterprognose, die zum Personalabbau genutzt wird, Rückkopplungen (Unterbesetzung → Abbrüche → niedriger erfasste Nachfrage), Nichtbeachtung von Wahlwiederholungen. Gegenmittel: Korrektur um nicht bearbeitete Nachfrage, Personalplanung nach Quantilen und transparente Protokolle der Korrekturen.

Erste Schritte

1. Exportieren Sie mehr als 2 Jahre Intervalldaten (angebotene, bearbeitete, abgebrochene Kontakte und AHT; oder Zugänge/Belegung) und bauen Sie einen Ereigniskalender vergangener Kampagnen, Störungen und Feiertage auf.
2. Legen Sie eine Ausgangsbasis fest (saisonal naiv, aktuelle WFM-Prognose) und messen Sie den WAPE je Warteschlange und Intervall.
3. Testen Sie StatsForecast/LightGBM und ein Foundation-Modell (Chronos-2 oder TimesFM) mit Kalender-Kovariaten per Backtest mit rollendem Ursprung; vergleichen Sie mit der Ausgangsbasis.
4. Rechnen Sie Prognosen mit Erlang A oder Simulation in den benötigten Personalbedarf um und vergleichen Sie mit den tatsächlichen Service-Leveln, um die gesamte Kette zu validieren.
5. Integrieren Sie in das WFM-/Einsatzplanungswerkzeug mit Korrekturmöglichkeit für Planer, vereinbaren Sie eine Betriebsvereinbarung und überwachen Sie den Prognosefehler wöchentlich.

Quellen

1. Tuominen et al. — Forecasting Emergency Department Crowding with Advanced Machine Learning Models and Multivariable Input (arXiv:2308.16544) — https://arxiv.org/abs/2308.16544
2. Amazon Science — Chronos / Chronos-2 forecasting models — https://github.com/amazon-science/chronos-forecasting
3. Google Research — TimesFM (2.5 / 3.0) — https://github.com/google-research/timesfm
4. AWS — Forecasting in Amazon Connect — https://docs.aws.amazon.com/connect/latest/adminguide/forecasting.html
5. Peopleware (formerly injixo) — AI-native WFM suite for contact centres — https://www.peopleware.com/
6. Quinyx — workforce management with AI demand forecasting — https://www.quinyx.com/
7. ATOSS — workforce management and demand-based duty planning — https://www.atoss.com/en/
8. pyworkforce — Erlang C/A/B staffing, shift scheduling and rostering in Python — https://github.com/rodrigo-arenas/pyworkforce
9. Nixtla — StatsForecast — https://nixtlaverse.nixtla.io/statsforecast/index.html
10. Nixtla — NeuralForecast — https://github.com/Nixtla/neuralforecast
11. NXAI — TiRex time-series foundation model — https://github.com/NX-AI/tirex
12. EU AI Act — Annex III high-risk use cases — https://artificialintelligenceact.eu/annex/3/
13. Betriebsverfassungsgesetz §87 (co-determination) — https://www.gesetze-im-internet.de/betrvg/__87.html
14. Verint — Workforce Management (incl. Calabrio ONE) — https://www.verint.com/