Ride the wave
of demand.
Nalu [nah-loo] — hawaiianisch für Welle.
Entstanden aus einer tiefen Verbindung zum Pazifik, jahrelanger Erfahrung unter Wasser und der Überzeugung, dass Daten denselben Mustern folgen wie das Meer: Saisonalität, Trends, Rauschen — Wellen.
Die richtigen Muster erkennen, die nächste Welle vorhersagen und darauf vorbereitet sein — im Wasser wie in den Daten.
Entwickelt von Maximilian Fischer
Physik & Meteorologie (LMU München) · ML Engineering · München
Baut seit 2016 datengetriebene Systeme.
MeatMind
End-to-End ML & BI Platform
Eigenständig entwickelt · Festanstellung · Müller Fleisch GmbH
Vollständig eigenentwickelte Plattform für Absatzprognosen, Business Intelligence und operative Planung in der Fleischverarbeitungsbranche. Produktiv im Einsatz bei einem mittelständischen Unternehmen mit 770+ Kunden und 900 Artikeln.
Die Plattform verarbeitet über 450.000 Zeitreihen-Datenpunkte und kombiniert ML-gestützte Bedarfsprognosen mit klassischer BI — von der Datenintegration aus SAP R/3 bis zur fertigen Entscheidungsgrundlage für Vertrieb und Einkauf. Generative AI (Ollama, On-Premise) wird für automatisierte Reportgenerierung und einen KI-Chat zur natürlichsprachlichen Datenanalyse eingesetzt. Architektur ist sowohl für On-Premise als auch für Cloud-Umgebungen ausgelegt.
Module
Demand Forecasting
ML-basierte Absatzprognosen auf Artikel- und Kundenebene. Modelle: Temporal Fusion Transformer (PyTorch), LightGBM. Cold-Start-Lösung für neue Artikel über segmentierungsbasierte Global Models.
Produktionsplanung
Automatisierte Planung auf Basis der Forecasts. Integration von Kapazitäten, Mindestmengen und Produktionszyklen.
Schlachtanalyse
Auswertung von Schlachtdaten zur Optimierung von Einkauf und Produktion. Verknüpfung von Schlachtgewichten, Qualitätsdaten und Absatzprognosen.
Einkaufsforecasting
Prognosegestützte Einkaufsplanung für Lebendvieh — welche Tierarten in welcher Haltungsform und Menge eingekauft werden müssen, abgeleitet aus Absatzprognosen und Produktionskapazitäten.
Kundensegmentierung
ABC/XYZ-Analyse auf Kunden- und Artikelebene. Dynamische Segmentierung als Basis für Forecasting und Vertriebssteuerung.
SCM-Modul
Supply Chain Übersicht mit Bestandsentwicklung, Lieferperformance und Engpasserkennung.
KI-Chat
Natürlichsprachlicher Zugang zu Plattformdaten und Analysen. LLM-gestützte Abfragen auf Absatz-, Kunden- und Artikeldaten. Powered by Ollama (On-Premise, keine Daten an Dritte).
Automatisierte Reportgenerierung
LLM-generierte Berichte auf Basis aktueller Forecasts, Segmentierungen und operativer Kennzahlen. Kontextbezogene Zusammenfassungen statt statischer Templates.
Weitere Entwicklungen
ETL & Datenautomatisierung
Vollautomatisierte Pipelines (Dagster/Airflow) für SAP R/3 Datenextraktion, Transformation und Laden ins analytische Data Warehouse.
Interne Tools
Rinder-Ohrmarkensuche mit API-Anbindung an Qualifood — Echtzeit-Abfrage von Herkunfts- und Qualitätsdaten direkt aus der Plattform.
Technische Herausforderungen
Datenqualität SAP R/3
Automatisierte Erkennung und Korrektur von Fehlbuchungen, inkonsistenten Artikelstammdaten und doppelten Einträgen.
Skalierung
450.000+ Zeitreihen effizient trainieren und vorhersagen — gelöst über segmentierungsbasierte Global Models statt individueller Modelle pro Artikel.
Cold-Start-Problem
Neue Artikel ohne historische Daten — Prognose über Zuordnung zu bestehenden Segmenten und Transfer Learning.
REFERENZ
„Die entwickelten Anwendungen sind heute fester Bestandteil der täglichen Abläufe."
Zahlen
0
Kunden
0
Artikel
0
Zeitreihen
0
Wochen bis Go-Live
Stack
Nalu AI
Demand Intelligence Platform — Next Generation
Eigenständig entwickelt
Weiterentwicklung und Generalisierung von MeatMind zu einer branchenunabhängigen Plattform. Mandantenfähige Architektur mit konfigurationsgetriebenem Onboarding — keine hartcodierten Branchenannahmen im Core.
Jeder Kunde erhält eine eigene Instanz, deployed via Docker Compose auf der kundeneigenen Infrastruktur. Keine Kundendaten verlassen den jeweiligen Server.
Übersicht
KW 18 · Mo, 8. Mai
Gesamtabsatz
€ 2.4 M
+8.2 %
Forecast-Genauigkeit
96.2 %
MAPE 7.6 %
Service Level
98.1 %
+1.4 %
Aktive Forecasts
894
12 neue
Absatz vs. Forecast · 12 Wochen
LightGBM · MAPE 7.6 %
ABC/XYZ-Matrix · 894 Artikel
automatisch klassifiziert
Dashboard mit KPIs, Forecast-Chart und ABC/XYZ-Matrix.
Architektur-Highlights
Multi-Tenancy
Jeder Kunde ist eine eigene Instanz mit eigener Konfiguration. Onboarding über config.yaml — keine Code-Änderungen nötig.
Zero-Industry-Assumptions
Core-Code enthält keine Branchenlogik. Spaltennamen, Module und Features komplett konfigurationsgetrieben.
On-Premise oder Cloud
Docker Compose auf eigener Infrastruktur oder Cloud-Deployment. Flexibel je nach Anforderung — keine Vendor-Lock-in, volle Kontrolle über Daten und Betrieb.
ARTIKEL
Nordpils Premium 20×0,5L
BIE-001 · 8-Wochen Forecast
Absatz-Forecast · KW 38 – KW 46
312
P10 · pessimistisch
387
P50 · erwartet
463
P90 · optimistisch
⚡ Empfohlene Bestellung: KW 41 · Menge: ~1.550 Einheiten
Artikel-Forecast mit P10/P50/P90-Intervallen und Modell-Metriken.
Reorder Alerts
heute · 14:32
Salami Mailand 80g
4711-Salami
54
238
2 T
kritischCola Classic 1L
6812-Cola
112
420
3 T
kritischIPA Craft Series 0.33L
9023-IPA
287
360
6 T
WarnungBio Müsli 500g
3401-Müsli
198
240
8 T
WarnungTomaten passiert 400g
7765-Tomaten
642
580
14 T
auf SollReorder Alerts mit Severity-Klassifikation und Push-Benachrichtigungen.
KUNDEN-INTELLIGENZ
Wer kauft wann — und was.
Kaufbereit (30T)
143
Erw. Umsatz
€184k
Churn-Risiko
12
REWE Group
KD-001 · Champion
92%
KW 20
Edeka Südbayern
KD-002 · Loyal
78%
KW 21
Gastro Service Nord
KD-047 · At Risk
34%
—
Metzgerei Huber
KD-089 · Loyal
61%
KW 22
Kunden-Intelligenz mit Kaufwahrscheinlichkeit und Churn-Risiko.
Stack
E.ON
Data Quality & Risk Engineering
Eigenständig entwickelt · Festanstellung
End-to-End Qualitätssicherung kalkulierter Preisdaten — vollständig automatisiert in Python. Validierung regulatorischer Preisanpassungen und Beschaffungskosten im Energiehandel.
Analytisches Framework zur Risikobewertung (Initial Margin) im Commodity Portfoliomanagement.
Stack
Dive Operations Platform
Full-Stack Web App
Eigenständig entwickelt · 2 Jahre · Hawaii · PADI Dive Master
Komplette Digitalisierung eines Tauchshops auf Hawaii während eines Sabbaticals. Alle operativen Prozesse — Buchungen, Kundenverwaltung, Tagesplanung, Zertifikatstracking — von Papier und Whiteboard auf eine zentrale Webanwendung migriert.
Vorher
Papierlisten, Whiteboards, Excel, manuelle Kommunikation
Nachher
Eine App für Buchung, CRM, Tagesplanung, Zertifikate
STACK
ML & Data Science
Generative AI
Backend & APIs
Orchestration
Data & Storage
Frontend
Infrastructure
Cloud
Integration