Monatsumsatz
Tagesumsatz (letzte 90 Tage im gewählten Zeitraum)
Täglicher Umsatz
7-Tage-Gleitender Durchschnitt
Top
nach
Top-20 Artikel
Artikel-Tabelle
| # | Artikel | Menge | Umsatz | Ø Preis | ABC |
|---|
Storno-Analyse
Top stornierte Artikel
Basierend auf dem gewählten Zeitraum
| # | Artikel | Restaurant | Stornos | Verlust | Quote |
|---|
Stornoquote % über Monate
Anteil stornierter Artikel an allen bestellten Artikeln
Top
Artikel-Kombinationen
Alle Paare inkl. Getränke/Toppings — All-Time, unabhängig vom Zeitraumfilter
| # | Artikel A | Artikel B | Anzahl | Restaurant |
|---|
Upselling-Empfehlungen
Top 10 Gericht-Gericht-Paare je Restaurant — Getränke, Toppings und Add-ons herausgefiltert
Ø Umsatz nach Wochentag
All-Time-Durchschnitt — unabhängig vom Zeitraumfilter
Ø Belege nach Wochentag
All-Time-Durchschnitt — unabhängig vom Zeitraumfilter
Umsatz nach Tageszeit (Uhrzeit der Buchung)
All-Time-Durchschnitt — unabhängig vom Zeitraumfilter
Aktivität im 15-Minuten-Takt (Ø alle Tage)
All-Time-Durchschnitt — unabhängig vom Zeitraumfilter
Zahlart
Inhaus / To Go
MwSt-Split (Speisen/Getränke)
Zahlart — Umsatz-Verlauf (monatlich)
Inhaus vs. To Go — Umsatz-Verlauf (monatlich)
← Artikel eingeben und auswählen um die Detailanalyse zu sehen.
Monatstrend — Menge
Wochentag-Profil (Ø pro Tag)
Zeitraumfilter aktiv
Tageszeit-Verteilung
All-Time — unabhängig vom Zeitraumfilter
Saison-Verteilung
Preis-Entwicklung — Ø Stückpreis pro Monat
Häufig zusammen bestellt
| # | Partner-Artikel | Restaurant | Gemeinsame Bons |
|---|
Wetter-Korrelation — Temperatur vs. Tagesmenge
Monatsumsatz — Restaurantvergleich
Ø Umsatz nach Wochentag — alle Restaurants
Ø Beleg (€) über Monate
Reservierungs-Historie wird aufgebaut
Die täglichen Reservierungs-Snapshots werden seit Mitte Mai 2026 aus Teburio mitgeschrieben
(raw/reservierungen_history.csv); ältere Monate kommen aus dem
Teburio-Analytics-Backfill als Tages-Schätzung.
Sobald genug Daten erfasst sind, erscheinen hier Trends.
Aktualisieren: node scripts/build-betrieb-historie.mjs
Reservierte Gäste pro Tag — Verlauf
Tageswerte aus echten Teburio-Snapshots; ältere Monate aus Teburio-Analytics geschätzt
Buchungs-Kurve je Restaurant
Ø reservierte Gäste X Tage vor dem Termin — wie früh wird gebucht?
Reservierte Gäste nach Wochentag (Ø)
Endstand-Ø je Wochentag
Wann wird gebucht? — Verteilung je Restaurant
Anteil der Gäste die X Tage vor dem Besuch reservieren (in % der finalen Platzzahl)
Online vs. Intern — Vorlauf im Vergleich
Wie früh buchen Online-Gäste vs. intern aufgenommene Reservierungen?
Vorlauf nach Besuchs-Wochentag
Same-Day vs. 7+ Tage — wann wird spontan, wann im Voraus gebucht?
No-Show-Quote pro Monat
% der reservierten Gäste die nicht erschienen sind (Teburio-Analytics)
Kanal-Verteilung pro Monat
Online vs. Intern vs. Walk-in — monatliche Anteile
Saisonaler Trend — Wie früh wird wann gebucht?
Anteil Same-Day-Buchungen und 7+-Tage-Vorlauf pro Monat (5.236 Buchungen, Juni 2025–Juni 2026)
Umsatz pro Personalstunde
Gesamt-Tagesumsatz (alle 3 Restaurants) ÷ geleistete Personalstunden laut E2N — 7-Tage-Glättung
Personalquote Light
Grobe Personalkostenquote (alle 3 Restaurants zusammen): geleistete E2N-Stunden × Arbeitgeber-Stundenkosten ÷ Umsatz. Richtwert Gastronomie: 30–35 %. Kein Einzellohn — nur ein editierbarer Durchschnitts-Stundensatz.
inkl. AG-Anteil, Urlaub, etc. — nicht der Bruttolohn
€/Personalstunde nach Wochentag
Historischer Durchschnitt Mo–So — bester Tag grün, schlechtester rot
Umsatz pro Sitzplatz-Stunde (RevPASH) nach Wochentag
Ø Tagesumsatz ÷ (Innen-Sitzplätze × Öffnungsstunden laut Schichtplan) — macht kurze (nur Mittag) und lange Tage vergleichbar. Sitzplätze: Madame 72 · Shijō 40 · Aiky 74.
No-Show-Quote: Noch nicht berechenbar — Teburio zeigt nur die aktuelle Reservierungsliste,
nicht ob ein Gast tatsächlich erschienen ist. Für eine verlässliche No-Show-Quote brauchen wir einen
dedizierten Post-Service-Scrape (täglich nach 23:30 Uhr), der die verbliebenen offenen Reservierungen festhält.
Die E2N-Erfassung läuft vollständig — sobald dieser Scrape eingerichtet ist, kann die Quote automatisch berechnet werden.
Kostendaten nicht konfiguriert
Um Kostendaten anzuzeigen:
1. Lege data/lieferanten_kosten.csv an (Format: datum;restaurant;lieferant;kategorie;betrag_netto)
2. Führe python3 scripts/aggregate-kosten aus
3. Dashboard neu laden
Kosten nach Kategorie (monatlich, gestapelt)
Wareneinsatz-% über Monate
Top-Lieferanten nach Gesamtbetrag
Top-Artikel nach Kosten
Preisentwicklung — Artikel
Saisonale Preise — Teuerster vs. günstigster Monat
Google-Bewertungen nicht konfiguriert
Trage Google Place IDs in data/google_place_ids.json ein
und führe node scripts/dashboard-update/bewertungen_maps.mjs aus.
Bewertungs-Trend (monatlicher Ø)
All-Time — unabhängig vom Zeitraumfilter
Neue Bewertungen / Monat
All-Time — unabhängig vom Zeitraumfilter
Häufig erwähnte Begriffe
All-Time — unabhängig vom Zeitraumfilter
Intern-Feedback (Teburio) — direkte Gäste-Kommentare nach dem Besuch