Nachfrageprognose für Belegung

Das echte Ausmaß des Problems

Revenue Manager in deutschen Hotels verbringen laut einer Studie von HRS (2023) durchschnittlich 8 bis 12 Stunden pro Woche mit manueller Forecast-Erstellung — ein erheblicher Teil davon damit, historische Daten aus dem PMS zu exportieren, in Excel-Tabellen zu verarbeiten und mit Kalender-Ereignissen abzugleichen. Das Ergebnis ist ein Forecast, der bei vielen Häusern im 90-Tage-Bereich eine Abweichung von 15 bis 25 Prozent von der tatsächlichen Auslastung hat.

Eine Abweichung von 20 Prozent klingt abstrakt. In der Praxis bedeutet sie: 20 Prozent zu wenig Housekeeping-Personal an einem Messe-Wochenende. Zu viel F&B-Einkauf für ein leer gebliebenes Midweek-Segment. Preise, die zu früh zu niedrig gesetzt wurden, weil niemand wusste, dass ein Großevent die Nachfrage hochtreiben würde. Jeder dieser Fehler kostet Geld — entweder direkt (Personalüberstunden, Warenverschwendung) oder durch entgangenen Umsatz (zu niedrige Preise in nachfragestarken Perioden).

Besonders teuer ist der blinde Fleck bei Events. Eine Stadt wie Frankfurt hat in einer typischen Woche 3 bis 5 gleichzeitig laufende Messen, Kongresse und Großveranstaltungen, die lokale Nachfragespitzen erzeugen. Wer diese nicht in den Forecast einarbeitet, lässt Umsatz auf dem Tisch: Ein gut auslastetes Stadthotel kann in einer Messewoche bei 30 Prozent höheren Preisen noch immer 95 Prozent Auslastung erzielen — wenn der Forecast es anzeigt, bevor die Fenster zu sind.

So funktioniert es in der Praxis

KI-gestützte Nachfrageprognose arbeitet auf mehreren Datenebenen gleichzeitig — das ist der grundlegende Unterschied zur Excel-Prognose.

Historische Muster + Pickup-Analyse Das Modell analysiert die Buchungshistorie der letzten 2 bis 3 Jahre: Wie viele Zimmer wurden an diesem Datum gebucht, wann wurden sie gebucht (Pickup-Kurve), welches Segment kam? Es erkennt, dass Freitag-Samstag im August traditionell 95 % belegt ist, während Montag-Dienstag im selben Monat 60 % nicht übersteigt. Diese Baseline ist der Ausgangspunkt.

Externe Signale einbeziehen Der Unterschied zu historischen Modellen: KI-Forecasting-Systeme ziehen externe Datenquellen ein. Eventkalender (Messen, Konzerte, Kongresse), Ferientermine aller Bundesländer, Wetterdaten, Wettbewerber-Ratendaten (aus Rate-Shopping-Tools), sogar Social-Media-Signale wie Trending-Events in der Stadt. Diese Signale werden automatisch mit der historischen Baseline kombiniert.

Pickup-Monitoring in Echtzeit Ein Forecast ist keine statische Zahl. Das System überwacht täglich, wie schnell das Buchungstempo ist: Läuft der Pickup schneller als erwartet? Dann wird der Forecast nach oben angepasst und der Revenue Manager bekommt ein Signal, die Preise zu erhöhen. Läuft er langsamer? Der Forecast sinkt, und ein Alert geht raus: Rabattaktion oder Paket-Angebot für diesen Zeitraum erwägen.

Forecast-Outputs für alle Abteilungen Das Ergebnis des Forecasts fließt nicht nur in die Preisentscheidung, sondern auch in Schichtplanung (wie viele Housekeeping-Mitarbeiter brauche ich?), F&B-Einkauf (wie viele Frühstücksportionen plane ich ein?) und Reservierungsstrategie (wann schließe ich welche Buchungsfenster?). Alle auf derselben Datenbasis.

Welche Tools passen hierzu

IDeaS Revenue Solutions — Marktführer für Demand Forecasting im Hotellerie-Segment. IDeaS G3 RMS ist das meistverwandte System in Viersternehotels und Ketten. Vollautomatischer Forecast inkl. Preisempfehlungen, tiefe PMS-Integration. Preise: typisch ab 500–1.500 Euro/Monat, abhängig von Zimmerzahl und Konfiguration.

Duetto — auf Revenue-Intelligence spezialisiert, besonders stark in der Nachfragesegmentierung. Gut für Hotels mit komplexem Segmentmix (Leisure, Corporate, Groups). Integrations-API zu allen gängigen PMS. Preise auf Anfrage, ab ca. 800 Euro/Monat.

Atomize — modernere, leichtere Alternative zu IDeaS, häufig in Boutique-Hotels und unabhängigen Häusern eingesetzt. Gutes Preis-Leistungs-Verhältnis, schnelles Onboarding. Ab ca. 300–600 Euro/Monat.

Microsoft 365 Copilot + Power BI — für Hotels, die noch kein dediziertes RMS haben: PMS-Daten können in Power BI geladen und mit KI-gestützten Forecasting-Funktionen ausgestattet werden. Weniger präzise als spezialisierte Tools, aber deutlich günstiger und als Einstieg geeignet.

Julius AI — für explorative Analysen ohne BI-Setup: PMS-Exporte als CSV hochladen und natürlichsprachige Prognosen erstellen lassen. Gut als Einstieg und Proof-of-Concept, bevor ein vollständiges RMS beschafft wird. Ab 20 USD/Monat.

Was es kostet — realistisch gerechnet

Einstieg (Julius AI + eigene Excel-Analyse, halb-automatisiert)

• Julius AI: 20 USD/Monat
• Zeitaufwand: 4 Stunden/Woche für Datenexport + KI-Analyse statt 10 Stunden
• Forecast-Qualität: deutlich besser als vollständig manuell, aber nicht vergleichbar mit dediziertem RMS

Mid-Range (Atomize oder vergleichbares RMS)

• Lizenz: 300–600 Euro/Monat
• Onboarding: 2.000–5.000 Euro einmalig (PMS-Integration, Datenhistorie einspielen, Training)
• Break-even: typisch nach 3–6 Monaten durch bessere Preisentscheidungen

Enterprise (IDeaS oder Duetto)

• Lizenz: 800–2.000 Euro/Monat
• Onboarding: 5.000–15.000 Euro
• Ergebnis: RevPAR-Steigerungen von 8–15 % in gut implementierten Häusern (IDeaS-Studiendaten, 2023)

ROI-Beispiel: Stadthotel mit 100 Zimmern, durchschnittlicher Belegung 75 % und ADR 120 Euro. Jahresumsatz Zimmer ca. 3,3 Millionen Euro. RevPAR-Steigerung von 8 % durch besseren Forecast und daraus folgende Preisentscheidungen = 264.000 Euro Umsatzzuwachs. Systemkosten (Atomize): ca. 8.000 Euro/Jahr. Die Investition amortisiert sich in Wochen.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Daten-Audit & PMS-Bereinigung	Woche 1–3	PMS-Historiedaten auf Qualität prüfen, fehlende Segment-Codes ergänzen, Datenlücken schließen	Schlechte Datenqualität im PMS — unvollständige Segment-Zuordnung macht Forecast unzuverlässig
RMS-Einrichtung & Kalibrierung	Woche 3–6	Tool-Setup, PMS-Integration, erste automatische Forecasts generieren	PMS-Integration technisch aufwendiger als erwartet — Vendor-Support frühzeitig einplanen
Parallelbetrieb	Woche 6–10	KI-Forecast parallel zur bisherigen manuellen Methode führen, Abweichungen analysieren	Team vertraut dem Forecast nicht — wöchentliche Review-Meetings einplanen
Preisempfehlungen nutzen	Ab Woche 8	Preisempfehlungen des RMS als Basis nehmen, manuell freigeben oder überschreiben	Zu starke Abhängigkeit vom RMS ohne Verständnis der Logik — Schulung ist Pflicht
Vollautomatisierter Betrieb	Ab Monat 4	Automatische Preissetzung für einfache Zeiträume, manueller Override für strategische Fenster	Preisspitzen in Stornobuchungen — Stornobedingungen an Preisempfehlungen anpassen

Häufige Einwände

„Wir haben seit Jahren einen guten Forecaster — warum ein Tool?” Ein erfahrener Revenue Manager ist durch ein RMS nicht ersetzbar. Das Tool übernimmt die Rechenarbeit und das Monitoring. Der Revenue Manager nimmt strategische Entscheidungen, wertet Anomalien aus, steuert Ausnahmen. Die besten Ergebnisse entstehen, wenn Mensch und Tool kombiniert werden: der Mensch bringt Marktkenntnis, das Tool bringt Datenverarbeitung in einer Geschwindigkeit, die kein Mensch erreicht.

„Unsere Saison ist kurz — lohnt sich das?” Für saisonale Häuser mit weniger als 100 Betriebstagen ist ein Vollsystem wie IDeaS tatsächlich überdimensioniert. Hier empfiehlt sich der Einstieg mit einfacheren Prognosetools oder strukturierten Excel-Modellen, die KI-gestützt aufgebaut werden. Aber: Gerade kurze Saisons bedeuten, dass jede Nachfrageentscheidung mehr zählt — der Druck für gute Forecasts ist höher, nicht niedriger.

„Das PMS liefert uns doch schon Statistiken.” PMS-Statistiken sind retrospektiv — sie zeigen, was war. Ein Forecasting-System zeigt, was kommen wird, auf Basis von Pickup-Tempo, externen Signalen und Saisonmustern. Das ist der fundamentale Unterschied. Die PMS-Daten sind die Eingabe ins Forecasting-System, nicht das Forecasting-System selbst.