KI-Nachfrageprognose: Modellgesteuerter Einkauf, Schichtplanung und Produktion
Aktualisierung vom 26. Okt. 2026: 2 neue FAQs.

Fazit: Eine KI-gestützte Nachfrageprognose ist kein technologischer Luxus, sondern das Nervensystem, das drei Entscheidungen mit direkter Wirkung auf die Liquidität – wie viel eingekauft, wie viele Stunden geplant und wie viel produziert wird – mit der tatsächlichen Nachfrage jedes Zeitfensters abstimmt.
Wer weiterhin aus dem Bauch heraus einkauft, arbeitet im Blindflug, während die Servicelohnkosten einen hohen Anteil am Umsatz ausmachen und die Personalfluktuation in der Branche deutlich über dem Durchschnitt der Privatwirtschaft liegt (U.S. Bureau of Labor Statistics, JOLTS). Das Modell bündelt diese drei Hebel in eine einzige koordinierte Entscheidung: weniger Verluste, weniger ungenutzte Stunden und weniger Engpässe. Der Unterschied zwischen Raten und Modellieren zeigt sich in Prozentpunkten der Prime Cost, nicht in Meinungen.
Dieses White Paper richtet sich an Inhaber, CFO oder Betriebsleiter, die bereits vermuten, dass ihr Restaurant jede Woche Marge liegen lässt, weil zu viel eingekauft, die Schichten schlecht geplant und ohne Blick auf die tatsächliche Nachfrage produziert wird. Es ist kein Software-Handbuch, sondern ein Entscheidungsrahmen, der die Nachfrageprognose als Leitgröße behandelt, die Einkauf, Schichtplanung und Produktion unter einer gemeinsamen Liquiditätslogik ordnet.
Ich schreibe aus dem Betrieb, nicht aus der Theorie. Ich habe Küchen erlebt, die Ware wegwarfen, weil das Denkmodell des Kochs „heute wird es voll“ sagte und die Straße etwas anderes zeigte. Die KI ersetzt das Urteilsvermögen nicht; sie kalibriert es mit der Verkaufshistorie, dem Wetter, dem lokalen Kalender und den Veranstaltungen.
Ziel dieses Dokuments ist, dass ein Entscheider im Sinne von EBITDA und Prime Cost versteht, warum die Prognose die betriebliche Investition mit der besten Rendite für 2026 ist.
Direktvergleich: KI-Nachfrageprognose Restaurants
| Betrieb nach Gefühl (ohne Modell) | Betrieb mit KI-gestützter Prognose | |
|---|---|---|
| Grundlage der Einkaufsentscheidung | ✕Erinnerung des Kochs und Bestellung der Vorwoche (0 externe Variablen) | ✓Historie + Wetter + Kalender + Veranstaltungen (5-8 Variablen) |
| Typischer Inventarschwund | ✕Ein Anteil des Wareneinsatzes durch Überbestellung und Verfall. | ✓Ein geringerer Anteil, mit auf die prognostizierte Nachfrage abgestimmter Nachbestellung. |
| Personalkosten in % des Umsatzes | ✕Nahe oder über 36,5 % (Vollservice, NRA 2024) | ✓Optimiert je Zeitfenster: -2 bis -4 Prozentpunkte durch Planung nach Nachfrage |
| Fehlende Gerichte auf der Karte | ✕Häufig in Stoßzeiten (nicht gemessener Umsatzverlust) | ✓Produktionsvorbereitung je Schicht berechnet, Fehlbestände unter 1 pro Service |
| Genauigkeit der Wochenprognose | ✕Eine breite Fehlerspanne gegenüber den tatsächlichen Umsätzen. | ✓Eine deutlich engere Fehlerspanne mit dem bereits trainierten Modell. |
| Managementstunden für die Planung | ✕4-6 Std./Woche für manuelle Bestellungen und Dienstpläne | ✓1-1,5 Std. für Prüfung und Anpassung des Modells |
| Reaktion auf einen Preisanstieg bei Zutaten | ✕Wird in der Marge aufgefangen, bis es wehtut | ✓Optimiert Einkauf und Karte nach Grenzeffizienz neu |
Kapitel 1 — Warum ist die Nachfrageprognose die Mutter-Variable der Liquidität?
Die KI-gestützte Nachfrageprognose ist die Mutter-Variable, weil sie drei Liquiditätsentscheidungen unter einer einzigen Logik synchronisiert: Einkauf, Schichten und Produktion, ausgerichtet an der wahrscheinlichen Nachfrage jedes Zeitfensters.
Ich habe das in Dutzenden Küchen gesehen. Der Küchenchef kauft für den schlimmsten vorstellbaren Tag ein, und die Straße sagt etwas anderes. Das Modell rät nicht. Es liest Verkaufshistorie, Wetter, lokalen Kalender und Veranstaltungen und liefert eine umsetzbare Zahl. Der Unterschied wirkt direkt auf die Prime Costs. Ohne Modell landen die Personalkosten im Full-Service-Restaurant nahe 36,5 % des Umsatzes (National Restaurant Association, 2024), und der Verlust liegt im oberen Bereich.
Mit Prognose werden jeder Dollar Einkauf, jede Schichtstunde und jede produzierte Portion an die reale Kurve gebunden. Das ist keine Modeerscheinung, sondern das Nervensystem, das den Betrieb ordnet. Der Fehler, den ich immer wieder sehe, ist, jede Entscheidung einzeln zu behandeln, obwohl alle aus denselben Daten entstehen.
Kapitel 2 — Wie stark reduziert modellbasierter statt instinktiver Einkauf den Verlust?
Modellbasierter Einkauf senkt den Verlust von einem beträchtlichen Anteil des Food Cost auf einen deutlich kleineren Anteil. Der Instinkt kauft für die vorgestellte Spitze ein, das Modell dagegen für den wahrscheinlichen Tag mit einem berechneten, nicht emotionalen Puffer.
Die Logik ist einfach, und die Liquidität dankt es: Wenn jeder Einkauf an einer Prognose bemessen wird und nicht an der Angst des Kochs, zu knapp zu sein, bleibt am Ende der Schicht weniger verderbliche Ware übrig. Und das weggeworfene Produkt ist Marge, die nie zurückkommt. Berücksichtigen Sie, dass der Markt für Online-Lieferdienste in den EE. Das Modell wandelt dieses Signal in angepasste Bestellungen um. Bei Masterestaurant behandeln wir diese Verlustreduzierung als ersten greifbaren Ertrag der Prognose, messbar innerhalb von Wochen.
Kapitel 3 — Wie bringt die Prognose Personalkosten-Punkte zurück, ohne den Service zu verschlechtern?
Der Forecast liefert mehrere Prozentpunkte Personalkosten zurück, wenn Stunden auf die Nachfragekurve statt auf Gewohnheit verteilt werden.
Ohne Modell wird der Dienstplan nach Gewohnheit erstellt, und die Personalkosten im Full-Service-Bereich pendeln sich bei etwa 36,5 % des Umsatzes ein (National Restaurant Association, 2024); im Quick-Service-Bereich liegen sie bei 31,7 % (gleiche Quelle). Beide Werte belasten eine Branche, die ohnehin eine deutlich hohe stündliche Fluktuation im Full-Service-Bereich und eine noch höhere im Limited-Service-Bereich trägt.
Einen Dienstplan nach einem Forecast zu erstellen bedeutet, Personal dort einzusetzen, wo die Nachfrage es verlangt – weder eine Stunde zu früh noch zwei zu spät – und den Service in der Spitzenzeit zu sichern. Diego F. Parra fasst das in einem Satz zusammen: Jede halbe Stunde, die falsch besetzt oder überbesetzt ist, ist Marge, die verloren geht. Das Modell entlässt niemanden; es setzt die Stunden, die ohnehin bezahlt werden, besser ein, und das zeigt sich im EBITDA des Monats.
Kapitel 4 — Was passiert mit den Prime Costs, wenn die Inflation bei den Einkaufspreisen zuschlägt?
Gegen Inflation bei den Einkaufspreisen fängt der Instinkt den Anstieg in der Marge auf, während das Modell Einkauf und Speisekarte nach dem Grenzertrag neu optimiert und die Prime Costs unter Stressszenarien schützt.
Der Unterschied liegt in der Methode: Ohne Forecast sieht der Inhaber die Kosten steigen und beißt die Zähne zusammen; mit Forecast berechnet das System neu, was eingekauft wird, in welcher Menge und welche Gerichte aufgrund ihres Deckungsbeitrags pro Portion gezielt verkauft werden sollten. Der Wareneinsatz pro Gericht hat eine Obergrenze von 32 % – ein Maximum, keine Empfehlung – und diese Grenze verteidigt man mit Daten, nicht mit Willenskraft.
Wenn ein großer Teil der Routineaufgaben in der Küche bereits von Robotik übernommen werden kann, liegt das eigentliche Feld des Betreibers in der Entscheidung: einkaufen, Personal einsetzen und mit Präzision produzieren. Der Forecast ist die Ebene, die den Kostendruck in eine kluge Umschichtung verwandelt und nicht in einen stillen Margenverlust Woche für Woche.
Kapitel 5 — Warum lässt sich der modellierte Betrieb delegieren, der instinktgesteuerte aber nicht?
Ein modellierter Betrieb lässt sich delegieren, weil er mit Leitplanken, Schwellenwerten und KPIs arbeitet; ein instinktgesteuerter Betrieb hängt bei jeder Bestellung vom Inhaber ab und bricht an dem Tag zusammen, an dem er fehlt.
Dieser Unterschied liegt in der Unternehmensführung, nicht in der Technik. Ein Restaurant, das «so einkauft, plant und produziert, wie es der Inhaber weiß», hat genau einen Ausfallpunkt. Das ist in einer Branche entscheidend, in der die Führungskräftefluktuation im Full-Service-Bereich im dritten Quartal 2024 auf 38 % gestiegen ist (2019: 31 %) und im Limited-Service-Bereich auf 55 % (Black Box Intelligence, 2024): Lebt das Urteilsvermögen nur in einem Kopf, ist jeder Abgang einer Führungskraft eine operative Krise.
Der Forecast lagert dieses Urteilsvermögen in überprüfbare Regeln aus – Einkaufsschwellen, Stundenobergrenzen, Produktionsziele je Zeitfenster –, die eine neue Führungskraft vom ersten Tag an umsetzen kann. In Masterestaurant nennen wir das, den Instinkt des Gründers in ein System zu verwandeln, das andere führen können, ohne dass die Marge leidet.
Kapitel 6 — Welchen operativen Ertrag kann man 2026 vom Forecast erwarten?
Der Ertrag des Forecasts im Jahr 2026 ist die beste verfügbare operative Investition: Er holt einen erheblichen Teil des Verlusts zurück, spart mehrere Prozentpunkte Personalkosten und sichert die Prime Costs ab, ohne teure Technik zu kaufen oder jemanden zu entlassen.
Es ist Umschichtung, keine Ausgabe. Der Kontext verstärkt das: Die Branche leidet unter einer Personalfluktuation, die weit über dem Durchschnitt der Privatwirtschaft liegt, und unter einer Personalkostenbelastung im Full-Service-Bereich, die weiterhin auf die Marge drückt. Jeder Prozentpunkt, den der Forecast zurückgewinnt, fließt direkt in den EBITDA. Wer heute nach Gefühl einkauft, spart nicht bei der Software, sondern finanziert jede Woche seinen Verlust und sein Personal-Übergewicht.
Diego F. Parra sagt es ohne Umschweife: Der Forecast ist kein technischer Luxus, sondern das Nervensystem, das Einkauf, Dienstpläne und Produktion mit der realen Nachfrage synchronisiert. Der konkrete erste Schritt ist, mit dem Zeitfenster zu beginnen, das am meisten Marge verliert.
Kapitel 7 – Die Unterschiede, die die Marge bewegen
Das Bauchgefühl kauft für den schlimmstmöglichen Tag; das Modell kauft für den wahrscheinlichen Tag, mit einem berechneten, nicht emotionalen Puffer. Ohne Modell wird die Personalplanung nach Gewohnheit getaktet und landet bei Vollservice nahe 36,5 % des Umsatzes, laut National Restaurant Association (2024). Mit Prognose werden die Stunden der Nachfragekurve zugeordnet, und ein Teil dieser Marge wird zurückgewonnen, ohne den Service zu beeinträchtigen. Das Bauchgefühl reagiert auf Preissteigerungen bei Zutaten, indem es sie in der Marge auffängt.
Das Modell optimiert Einkauf und Karte nach Grenzeffizienz neu und schützt den Prime Cost, wenn das Stressszenario eintritt. Der Betrieb nach Gefühl hängt bei jeder Bestellung vom Inhaber ab. Der modellierte Betrieb läuft dagegen mit Sicherungen, Schwellenwerten und KPIs und ist delegierbar. Das ist die Voraussetzung, um von einem Standort auf mehrere Einheiten zu skalieren.
Gefühl vs. Modell: Analyse Kriterium für Kriterium
Betrieb aus dem Bauch heraus
- Einkauf orientiert sich an der Vorwochenbestellung, ohne externe Variablen
- Feste Schichten, die die reale Nachfragekurve je Zeitfenster ignorieren
- Vorbereitung „für alle Fälle“ überdimensioniert → Verschwendung
- Keine Rückverfolgbarkeit zwischen Prognose, Einkauf und tatsächlichem Umsatz
- Der Inhaber ist der Einzige, der „weiß“, wie viel eingekauft wird (nicht delegierbarer Betrieb)
Vom Modell gesteuerter Betrieb
- Einkauf berechnet auf Basis der prognostizierten Nachfrage je Tag und je Artikel
- Schichten nach der realen Stundenkurve geplant, nicht nach Annahmen
- Küchenvorbereitung dosiert auf den erwarteten Service (weniger Verschwendung, weniger fehlende Gerichte auf der Karte).
- Lückenlose Rückverfolgung: Prognose → Einkauf → Produktion → Umsatz
- System läuft ohne den Inhaber, mit Sicherungen und KPIs zur Kontrolle
Zahlen, die die Entscheidung einordnen
“Der Fehler, den ich immer wieder sehe, ist, die Bestellung als Ritual statt als Cash-Entscheidung zu behandeln. Ein Full-Service-Betrieb mit drei Standorten, mit dem ich zusammengearbeitet habe, kaufte jeden Tag Protein für seinen erhofften Freitag ein. Das Modell zeigte, dass Dienstag und Mittwoch 40 % weniger Umsatz brachten. Wir haben Einkauf und Vorbereitung an die prognostizierte Kurve angepasst.
Der Proteinverlust sank innerhalb von elf Wochen von rund 9 % auf 3 % des Wareneinsatzes, ohne ein einziges zusätzliches Ausverkauft (86) in den Stoßzeiten. Wir haben weder die Speisekarte noch das Team verändert. Verändert haben wir, wer entscheidet, wie viel eingekauft wird. Es ist nicht mehr die Erinnerung an den Donnerstag davor, sondern das Modell.”
Fallbeispiel zu Illustrationszwecken: Namen und Zahlen des Falls beschreiben kein reales Unternehmen und sind keine Branchendaten.
90-Tage-Fahrplan zur Einführung der Prognose
Verbinden Sie POS als einzige Quelle der Wahrheit für Umsätze je Artikel und Zeitfenster. Ein integriertes POS ordnet und bereinigt das Signal, das das Modell speist. Frieren Sie eine Ausgangsbasis für Prime Cost, Food-Cost-Abweichung und Personalkosten im Verhältnis zum Umsatz der letzten 8–12 Wochen ein. Ohne Ausgangsbasis gibt es keinen ROI, den Sie gegenüber dem Aufsichtsgremium verteidigen können.
Füttern Sie die Prognose mit Verkaufshistorie, lokalem Kalender, Wetter und Veranstaltungen. Validieren Sie parallel: Das Modell prognostiziert, Sie kaufen wie gewohnt ein, und Sie vergleichen beides. Ziel ist, die Fehlerquote auf einen Bruchteil ihrer anfänglichen Größe zu senken. Hier wird das Urteil des Küchenchefs mit der Maschine kalibriert, nicht ersetzt.
Übergeben Sie die drei Entscheidungen an das Modell: Einkauf je Artikel gegen die prognostizierte Nachfrage, Schichtplanung entlang der stündlichen Kurve (gewinnt 2–4 Punkte Personalkosten zurück, Basis NRA 2024) und Vorbereitung, dosiert auf den erwarteten Service. Richten Sie Sicherungen und Schwellenwerte ein, damit das System ohne den Inhaber läuft.
Messen Sie nach 3, 6 und 12 Monaten: Verlust, Food-Cost-Abweichung, Personalkosten im Verhältnis zum Umsatz, Ausverkäufe auf der Karte und Prognosegenauigkeit. Trainieren Sie das Modell jedes Quartal neu und zusätzlich bei Inflationsschocks bei Zutaten. Optimieren Sie Einkauf und Speisekarte dabei nach Grenzeffizienz.
Und mit künstlicher Intelligenz?
Prognostiziert die Nachfrage, passt Einkäufe an und automatisiert Betriebs-Checklisten. Diego F. Parra ist Experte für KI-Anwendungen in der Gastronomie.
KI-Nachfrageprognose Restaurants: kostenlose Tools
Werkzeuge des Ökosystems Masterestaurant
Die Prognose ordnet die Nachfrage, aber die Marge verteidigt man mit diszipliniertem Costing und Cash-Management. Diese Werkzeuge des Ökosystems Masterestaurant schließen den Kreis zwischen dem, was das Modell vorhersagt, und dem, was der Betrieb tatsächlich einnimmt.
Häufig gestellte Fragen
Wie funktioniert die KI-Nachfrageprognose für Restaurants nach Tag und Zeitfenster?
Wie funktioniert die KI-Nachfrageprognose für Restaurants nach Tag und Zeitfenster?
Die KI-gestützte Nachfrageprognose nach Tag und Zeitfenster liest die Verkaufshistorie, das Wetter, den lokalen Kalender und die Veranstaltungen. Sie schätzt, wie viel Nachfrage jeder Tag und jedes Zeitfenster bringen wird, und übersetzt diese Zahl in Einkauf, Schichten und Produktion. Die Arbeit nach Zeitfenstern ist wichtig, weil die Personalplanung in halben Stunden erfolgt. Jedes schlecht oder überbesetzte Zeitfenster ist Marge, die verdunstet. Beginnen Sie mit Ihrer eigenen Verkaufshistorie je Zeitfenster und überprüfen Sie das Modell jede Woche.
Was ist KI-Nachfrageprognose für Restaurants, und wie funktioniert sie?
Was ist KI-Nachfrageprognose für Restaurants, und wie funktioniert sie?
Die KI-gestützte Nachfrageprognose für Restaurants liest die Verkaufshistorie, das Wetter, den lokalen Kalender und die Veranstaltungen. Sie schätzt die wahrscheinliche Nachfrage jedes Zeitfensters und wandelt sie in Bestellungen, Schichten und Produktionsmengen um. Sie ersetzt Einkauf und Planung nach Gefühl durch eine einzige koordinierte Entscheidung. Die Wirkung zeigt sich bei den Prime Costs: weniger Verlust durch Überkauf, weniger Leerlaufstunden und weniger Ausverkäufe in der Spitze. Beginnen Sie beim Einkauf, denn die Reduzierung des Verlusts ist meist die erste messbare Rendite innerhalb weniger Wochen.
Wie helfen Verkaufshistorie und Wetter bei der Nachfrageprognose eines Restaurants?
Wie helfen Verkaufshistorie und Wetter bei der Nachfrageprognose eines Restaurants?
Verkaufshistorie und Wetter werden kombiniert, um vorherzusagen, wie viele Gäste in jedem Zeitfenster kommen. Mit dieser Zahl wird entschieden, wie viel eingekauft, wie viele Stunden geplant und wie viel produziert wird. Die Historie zeigt das Grundmuster nach Wochentag, Saison und Veranstaltung. Das Wetter korrigiert es, denn Regen, Hitze oder Kälte verändern den Andrang und welche Gerichte bestellt werden. Ein KI-Modell verknüpft beide Signale mit dem Kalender und liefert eine umsetzbare Zahl pro Schicht. Beginnen Sie damit, mehrere Wochen Verkäufe stundenweise zu ordnen und das Wetter jedes Tages zu notieren. Ohne diese saubere Aufzeichnung hält keine Prognose stand.
Wie viele Wochen Daten brauche ich, damit die Prognose verlässlich ist?
Wie viele Wochen Daten brauche ich, damit die Prognose verlässlich ist?
Wenn Sie zum Beispiel mehrere Wochen saubere Verkaufsdaten je Artikel und Zeitfenster sammeln, sinkt der Prognosefehler von einer großen Spanne auf einen deutlich engeren Bereich. Ein integriertes POS beschleunigt das, weil es das Signal vereinheitlicht, das das Modell für eine genaue Prognose braucht.
Ersetzt das Modell das Urteilsvermögen des Küchenchefs?
Ersetzt das Modell das Urteilsvermögen des Küchenchefs?
Nein. Es kalibriert sie. Der Küchenchef bringt Kontext ein, den keine Daten erfassen, etwa ein Fest im Viertel oder einen ausgefallenen Lieferanten. Das Modell bringt Disziplin bei Historie, Wetter und Kalender ein. Der beste Betrieb kombiniert beides: Das Modell schlägt Einkauf und Vorbereitung vor, und der Küchenchef passt die Marge gezielt an.
Wie senken Sie die Personalkosten, ohne den Service zu verschlechtern?
Wie senken Sie die Personalkosten, ohne den Service zu verschlechtern?
Indem Sie Schichten gegen die reale Nachfragekurve je Zeitfenster planen, nicht gegen Annahmen. Die Personalkosten im Full-Service-Restaurant machen laut National Restaurant Association (2024) 36,5 % des Umsatzes aus. Stunden dorthin zu legen, wo Nachfrage existiert, holt einen Teil dieser Marge zurück, ohne in der Spitze unbesetzte Säle zu hinterlassen.
Was passiert, wenn die Einkaufspreise plötzlich um 20 % steigen?
Was passiert, wenn die Einkaufspreise plötzlich um 20 % steigen?
Das Modell optimiert Einkauf und Speisekarte nach Grenzeffizienz, statt den Schlag auf die Marge hinzunehmen. Bei einem Stressszenario mit Inflation bei den Zutaten priorisiert es zum Beispiel die Gerichte mit dem höchsten Deckungsbeitrag und passt Portionsgewichte und Einkauf an, ohne zu improvisieren.
Daten 2026 zu KI-Nachfrageprognose Restaurants
Überprüfbare Benchmarks aus offiziellen und nicht kommerziellen Quellen (Regierung, Branchenverbände und Marktdaten), niemals von Wettbewerbern.
| Datenpunkt | Wert | Quelle |
|---|---|---|
| Anteil der weltweit verfügbaren Lebensmittel, der 2022 im Einzelhandel, in der Gastronomie und in Haushalten verschwendet wurde (Kontext für die Lagerbuchhaltung im Restaurant) | 19 % der verfügbaren Lebensmittel; 1.050 Millionen Tonnen (2022) | BioCycle sobre el UNEP Food Waste Index Report 2024 — UN's 2024 Food Waste Index (2024) |
| Umsatz der Spirituosenlieferanten in den USA im 2025: der Umfang des Spirituosenbestands, den eine Bar kontrollieren muss | 36,4 Mrd. USD in 2025 (−2,2 % pro Jahr) | Distilled Spirits Council of the United States — Annual Economic Briefing (2025) |
| Absatz von Spirituosen in den USA in 2025, in Kisten zu 9 Litern, nützlich zur Dimensionierung der Flaschenzahl einer Bar | 318,1 Mio. Kisten à 9 Liter in 2025 (+1,9 %) | Distilled Spirits Council of the United States — Annual Economic Briefing (2025) |
| Marktanteil der Spirituosen am gesamten alkoholischen Getränkeangebot in den USA für 2025, Kontext zum Anteil der Spirituosen am Barbestand | 42,4 % en 2025 | Distilled Spirits Council of the United States — Annual Economic Briefing (2025) |
| Wachstum der fertig gemischten Cocktails mit Spirituosen (RTD) in den USA 2025, eine weitere Kategorie für das Bestandsblatt der Bar | +16,4 % im Jahresvergleich in 2025 | Distilled Spirits Council of the United States — Annual Economic Briefing (2025) |
| Umsatz mit Tequila und Mezcal in den USA im 2025, eine der wertvollsten Spirituosenkategorien im Bar-Bestand | 6,4 Mrd. USD in 2025 (−4,1 %) | Distilled Spirits Council of the United States — Annual Economic Briefing (2025) |
Laden Sie dieses Dokument als PDF herunter
Der vollständige Text kann auf dieser Seite frei gelesen werden. Um das Unternehmens-PDF mitzunehmen, hinterlassen Sie Ihre Daten — wir senden Ihnen den direkten Link auch per E-Mail.
Verwandte Inhalte
KI-Nachfrageprognose Restaurants, mit der el-Methode von Masterestaurant
Bereits in +8.400 Restaurants in 43 Ländern im Einsatz.
