_Predictive Forecasting Engine
Trend Scout
Vollautonomes KI-Prognosesystem für den saisonalen Handel. Erkennt täglich die stärksten Nachfrage-Signale aus Trend, Wetter, Kalender und News – und liefert konkrete Handlungsempfehlungen, bevor der Peak im Suchvolumen sichtbar wird.
Trend Scout erkennt Nachfrage-Peaks im saisonalen Handel, bevor sie im Suchvolumen messbar werden – und gibt Antwort auf die Frage, die jede Marketingentscheidung voraussetzen sollte: Was wird in den nächsten Tagen gefragt sein? Das System läuft vollständig autonom, trifft Entscheidungen regelbasiert und überprüft jede Prognose sieben Tage später automatisch gegen die Realität.
Täglich um 06:00 Uhr scannt das System 30 Keyword-Kategorien in 6 parallelen Batches. Kein einzelnes Signal entscheidet – vier Quellen werden kombiniert: Google Trends Momentum (14-Punkte-Fenster mit Hard Cap ±300% gegen Ausreißer), aktuelle Wetterdaten für Wien, österreichische Schulferien per Live-Scraper sowie News-Trigger aus heimischen Medien-RSS-Feeds. Erst das Zusammenspiel dieser Signale ergibt eine belastbare Aussage.
Drei spezialisierte Knowledge Bases liefern Domänenwissen, das kein allgemeines Sprachmodell kennt: 22 saisonale Muster des österreichischen Markts, 47 Erfolgs- und Anti-Pattern aus realen Kampagnen sowie ein strukturierter Produktkatalog. Anti-Pattern wirken als aktives Gate – ein starkes Momentum-Signal wird zurückgehalten, wenn historische Daten zeigen, dass dieses Muster in vergleichbaren Situationen regelmäßig scheitert.
Das ist der architektonische Kern des Systems: Trendrichtung, Ampelfarbe, Confidence-Level und Timing-Action werden vollständig regelbasiert berechnet – ohne LLM-Beteiligung. Pattern-Treffer, Anti-Pattern-Gewichtung, Saison-Match, Wetter-Override und Momentum-Schwellen ergeben eine deterministische Timing-Action: von push_now bis monitor. Das Sprachmodell erhält anschließend nur den fertigen decision_trace und formuliert die Begründung – es entscheidet nichts. Das eliminiert Halluzinationsrisiko an der kritischsten Stelle.
Aus den 30 gescannten Keywords identifiziert das System die drei stärksten Opportunitäten des Tages. Das Ergebnis landet als strukturierte HTML-E-Mail im Postfach: Ampelstatus, konkrete Timing-Empfehlung, passende Produktvorschläge und eine nachvollziehbare Begründung für jede Entscheidung. Kein manueller Eingriff nötig – das System läuft, liefert und dokumentiert sich selbst.
Jede Prognose wird sieben Tage später automatisch gegen die tatsächlichen Momentum-Daten geprüft. Der Ground Truth Validator bewertet Richtung und Confidence kombiniert, speichert das Ergebnis strukturiert und aktualisiert das Log. Ein wöchentlicher Accuracy Report misst die Systemleistung nach Confidence-Level und vergleicht sie gegen eine Seasonal Naive Baseline – um zu zeigen, ob das System mehr leistet als eine einfache Saisonheuristik.
Was das System ausgibt
Täglicher Signal-Alert
HTML-E-Mail mit den Top-3 Opportunitäten des Tages: Ampelstatus, Timing-Empfehlung, Produktvorschläge und vollständige Begründung. Automatisch, täglich, ohne manuellen Trigger.
Timing-Action
Regelbasiert berechnete Handlungsempfehlung in vier Stufen – von sofortigem Budget-Einsatz bis zur reinen Beobachtung. Keine LLM-Entscheidung, volle Nachvollziehbarkeit.
Wöchentlicher Accuracy Report
Systemleistung nach Confidence-Level, False Positives, False Negatives und Vergleich gegen Baseline – als automatische Monday-Mail.
Prognose-Logs (JSON)
Jede Prognose wird mit vollständigem Kontext-Snapshot gespeichert: abgerufene KB-Chunks, Wetterdaten, News-Trigger, Validierungsstatus. Jede Entscheidung ist reproduzierbar.
Welche Modelle welche Aufgaben übernehmen
| Mistral Large | Formuliert die Prognose-Begründung auf Basis des deterministisch berechneten decision_trace – erklärt, entscheidet nicht |
| Claude Sonnet 4.6 | Wählt die Top-3 Tages-Opportunitäten aus der Score-Liste nach kontextuellen Signalen |
| Mistral Embed | Vektorisierung aller Knowledge Bases – Saisonmuster, Pattern, Produktkatalog, Prognose-Historie |
Technischer Hintergrund
Architekturprinzip
Regelbasierte Entscheidungslogik, LLM nur als Erklärer. Trendrichtung, Ampel, Confidence und Timing werden deterministisch berechnet – Halluzinationsrisiko an der kritischen Stelle eliminiert.
Workflow-Engine
Dify für Python-Logik, KB-Zugriff und LLM-Nodes. n8n für Scheduling, E-Mail-Versand und externe API-Integrationen.
Wissensarchitektur
4 Knowledge Bases in Qdrant mit Mistral Embed und Vektorsuche. Dataset API als deterministischer, paginierter Zugriff auf Prognose-Logs – unabhängig von semantischer Suche.
Selbstvalidierung
Jede Prognose wird 7 Tage später automatisch gegen reale Momentum-Daten geprüft. Das System verbessert seine Datenbasis kontinuierlich ohne manuelle Intervention.
Kosten & Betrieb
~0.21 USD/Tag für den vollautomatischen Signal Scanner. Self-hosted auf Hetzner VPS – keine Abhängigkeit von Cloud-Diensten für die Kernlogik.
Marktfokus
Österreich (AT) als fester GEO-Parameter. Schulferien, Wetter Wien, heimische Medien-RSS – alle Signalquellen sind auf den österreichischen Markt kalibriert.
Aktueller Stand & Roadmap
Der Kern des Systems läuft produktiv: Signal Scanner, Prognose-Engine, automatische 7-Tage-Validierung und wöchentliches Accuracy Reporting sind vollständig in Betrieb. Das System liefert täglich Ergebnisse und sammelt dabei die Datenbasis, die für die nächsten Entwicklungsstufen benötigt wird.
Was noch aussteht, sind die Schichten, die aus einem funktionierenden Prognosesystem ein messbares Geschäftswerkzeug machen:
- Realer Produktkatalog Anbindung des Live-Shopping-Feeds für vollständige Produktempfehlungen – auch für Kategorien, die bisher keine KB-Abdeckung haben.
- Verkaufsdaten-Integration Historische Umsatzzahlen als Kalibrierungsbasis. Erst damit kann das System nicht gegen Suchvolumen, sondern gegen echten Business Impact optimieren.
- Search-Daten-Integration Wöchentliche Top-Queries aus interner Suche und Google Search Console als zusätzliche Signalquelle und Validierungsgrundlage.
- Calibration Engine Sobald 100+ validierte Prognosen vorliegen: automatische Anpassung der Momentum-Schwellen und Pattern-Gewichtungen auf Basis gemessener Accuracy – nachvollziehbar, versioniert, rollback-fähig.
Am Ende steht ein System, das nicht nur erkennt, welche Kategorien gerade an Nachfrage gewinnen, sondern auch weiß, bei welchen dieser Signale tatsächlich Umsatz entsteht. Prognose-Accuracy und Business Impact werden als getrennte Metriken gemessen und gegeneinander optimiert – mit einer Calibration Engine, die sich monatlich selbst anpasst, aber jede Änderung dokumentiert und rückrollbar hält.