Nachfrageprognose für Belegung

Das echte Ausmaß des Problems

RevPAR (Revenue per Available Room) ist die wichtigste Kennzahl in der Hotellerie — und seine Steigerung hängt direkt von der Qualität der Nachfrageprognose ab. Wer zu früh zu niedrig bepreist, verkauft Kapazität verschenkt. Wer zu lange wartet, sitzt auf Leerstand.

Laut einer Untersuchung von IDeaS (einem der führenden Revenue-Management-Systemanbieter) erzielen Hotels, die automatisierte Prognosesysteme einsetzen, im Durchschnitt einen RevPAR-Anstieg von 5 bis 12 Prozent gegenüber manuell gesteuerten Häusern — messbar über 12 Monate, verglichen mit dem Vorjahr (laut Herstellerangaben von IDeaS und Duetto).

Das klassische manuelle Problem:

• Vergangene Performanz als Hauptgrundlage: Vergleich mit Vorjahr, ohne aktuelle Marktveränderungen
• Fehlende externe Signale: Veranstaltungskalender, Wetterdaten, Flugdaten und Konkurrenzpreise werden nicht systematisch einbezogen
• Träge Reaktion auf kurzfristige Nachfrageverschiebungen: Eine Großveranstaltung wird drei Wochen vorher am Belegungsanstieg sichtbar — zu spät für optimale Preisanpassung
• Siloed Daten: PMS-Buchungsdaten, Restaurantdaten, Spa-Reservierungen und Gruppenblöcke werden nicht gemeinsam betrachtet

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Prognosen sparen primär keine Arbeitszeit — sie verbessern Entscheidungsqualität. Der Zeitaufwand für Revenue-Management-Entscheidungen ist nach Einführung etwas geringer (weniger manuelle Datenanalyse), aber das ist nicht der Hauptnutzen. Verglichen mit Chatbot, E-Mail-Triage oder Housekeeping-Tools spart dieser Use Case kaum operative Zeit.

Kosteneinsparung — hoch (4/5) RevPAR-Steigerungen von 5 bis 12 Prozent sind direkt umsatzrelevant. Bei einem Hotel mit 1 Million Euro Jahresumsatz sind das 50.000 bis 120.000 Euro zusätzlicher Umsatz — das ist der stärkste Finanzhebel im Hotel-Portfolio nach der dynamischen Preisoptimierung. Der Unterschied zur Preisoptimierung (Use Case 5): Prognose ist die Grundlage, Pricing ist die Aktion.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist der schwierigste Einstieg im gesamten Hotel-Portfolio. Prognosemodelle brauchen mindestens 12–24 Monate historische Buchungsdaten in strukturierter Form, saubere PMS-Datenqualität und eine mehrmonatige Kalibrierungsphase. Wer heute anfängt, hat nach sechs Monaten ein gut funktionierendes Modell — nicht nach sechs Wochen.

ROI-Sicherheit — hoch (4/5) RevPAR ist direkt messbar und standardisiert (STR-Reports). Wenn das System nach 12 Monaten einen messbaren RevPAR-Anstieg zeigt, ist der ROI beweisbar. Kein Use Case in diesem Portfolio hat eine so direkte Verbindung zwischen Systemqualität und Umsatz.

Skalierbarkeit — hoch (4/5) Das Modell verbessert sich mit mehr Daten. Bei Hotelketten kann ein Prognosemodell für mehrere Häuser kalibriert werden — mit teilbaren Lerneffekten bei ähnlichen Marktstrukturen.

Richtwerte — stark abhängig von Datenqualität, Marktgröße und Hotelkategorie.

Was das Prognose-System konkret macht

Ein KI-Nachfrageprognose-System kombiniert mehrere Datenquellen und wendet statistische und Machine Learning-Modelle an:

Interne Datenpunkte:

• Historische Buchungsdaten aus dem PMS (mindestens 2 Jahre, besser 3–5 Jahre)
• Stornierungsraten und Booking-Pace (wie schnell füllt sich ein bestimmtes Datum historisch?)
• Gruppenblöcke und deren Realisierungsrate
• Saisonmuster, Wochentags-Effekte, Feiertage

Externe Signale:

• Veranstaltungskalender (Messen, Konzerte, Kongresse)
• Kompetitordaten (Rate-Shopping, Wettbewerbs-Verfügbarkeit)
• Flugdaten und Tourismusstatistiken
• Wetterdaten (relevant für Ferienhotels)
• Wirtschaftsindikatoren für Corporate-Segment

Das Modell berechnet daraus eine tagesweise Nachfrageprognose für die nächsten 30, 60 und 90 Tage — mit Konfidenzintervallen, die dem Revenue Manager zeigen, wie sicher die Prognose ist.

Was das praktisch bedeutet: Die Revenue Managerin muss nicht mehr vier Exceltabellen vergleichen. Sie öffnet das Dashboard, sieht: „Nächster Samstag: Prognose 87 % Auslastung, hohe Konfidenz. Empfehlung: Rate um 25 Euro erhöhen.” Sie prüft die Begründung (Stadtmarathon, zwei ausgebuchte Wettbewerber), stimmt zu und setzt die Rate. Fünf Minuten statt einer Stunde.

Konkrete Werkzeuge — was wann passt

Duetto — Einer der bekanntesten Revenue-Management-Systemanbieter weltweit. Vollständiges RMS (Revenue Management System) mit Demand-Forecasting, dynamischer Preisgestaltung und Multi-Segment-Optimierung. Integriert mit den meisten PMS-Systemen (OPERA, Protel, Mews, Apaleo). Preis: auf Anfrage, typisch ab 1.000–2.000 Euro/Monat für Einzelhäuser. Für Hotels, die ein vollständiges RMS wollen.

IDeaS G3 RMS — Marktführer im Revenue-Management-Segment. Maschinelles Lernen auf Basis historischer und Echtzeit-Daten. Preis: vergleichbar mit Duetto. Oft erste Wahl für Kettenhotels und größere Einzelbetriebe.

Cloudbeds Intelligence (Cloudbeds) — Für Hotels, die bereits Cloudbeds als PMS nutzen: eingebaute Forecasting- und Pricing-Empfehlungen direkt im PMS. Keine separate Integration nötig. Günstiger, weniger mächtig als Duetto/IDeaS, aber für Häuser unter 100 Zimmer oft ausreichend.

DIY-Ansatz mit Julius AI oder Python — Für Hotels mit Datenzugang und technischem Interesse: Buchungsdaten aus dem PMS exportieren, in Julius AI (KI-gestützte Datenanalyse) oder Python (mit Prophet oder Scikit-Learn) modellieren. Kein laufender SaaS-Kostenblock — aber signifikanter Einrichtungsaufwand und kein automatisches Echtzeit-Monitoring.

Datenschutz und Datenhaltung

Buchungsdaten enthalten personenbezogene Daten von Gästen. Für Prognosezwecke werden diese jedoch typischerweise aggregiert und anonymisiert verwendet — das Modell lernt aus Mustern (Wochentag X, Saison Y → Belegung Z), nicht aus Einzelgastdaten.

Zu klären:

• DSGVO-Konformität: Wenn historische Buchungsdaten an externe Anbieter (IDeaS, Duetto) übermittelt werden, ist ein AVV erforderlich
• Datenaggregation: Die meisten RMS-Anbieter verarbeiten nur aggregierte Buchungsdaten, keine individuellen Gästeprofile — das ist DSGVO-freundlicher als personenbezogene Segmentierungen
• Landes-Beherbergungsgesetze (je nach Bundesland): Meldepflichtdaten bleiben im PMS und werden nicht ans RMS übertragen — das ist zu klären und zu dokumentieren

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Datenqualität prüfen und bereinigen: 2–4 Wochen intern + ggf. externer Datenkonsultant (1.000–4.000 Euro)
• PMS-Integration und RMS-Onboarding: typisch im Anbieter-Onboarding enthalten (1.000–3.000 Euro je nach Anbieter)
• Kalibrierungsphase bis verlässliche Prognosequalität: 3–6 Monate

Laufende Kosten (monatlich)

• Duetto / IDeaS: ab 1.000–2.000 Euro/Monat (Einzelhaus)
• Cloudbeds Intelligence: Teil der Cloudbeds-Lizenz (ca. 150–400 Euro/Monat für das PMS)
• DIY-Lösung: 0–200 Euro/Monat (API-Kosten), aber 40–80 Stunden initiale Entwicklungszeit

ROI-Rechnung Hotel mit 1 Mio. Euro Jahresumsatz: RevPAR-Steigerung von 5 Prozent = 50.000 Euro Mehrumsatz. Kosten des RMS: 12.000–24.000 Euro jährlich. ROI: 2–4x im ersten Jahr, wenn Prognosequalität erreicht ist.

Typische Einstiegsfehler

1. Mit lückenhafter Datenhistorie starten. Wer das Modell mit weniger als 12 Monaten PMS-Buchungshistorie trainiert, erhält bei saisonalen Mustern unbrauchbare Prognosen — sinnvoll sind mindestens 24 Monate, besser 36. Zusätzlich: Mehr als 10 % fehlende Belegungsdaten oder Testtransaktionen im System verfälschen die Muster systematisch. Bevor ein RMS eingeführt wird, PMS-Daten auf Vollständigkeit und Sauberkeit prüfen — das dauert typisch 1–2 Wochen und entscheidet über die Prognosequalität.

2. Das RMS als Black Box akzeptieren. Wenn die Revenue Managerin nicht versteht, warum das System eine bestimmte Preisempfehlung gibt, wird sie ihr nicht trauen — und sie nicht annehmen. RMS-Systeme müssen transparent erklären, welche Signale welche Empfehlung ausgelöst haben. Systeme, die das nicht leisten, erzeugen kein Vertrauen.

3. Das System bei ungewöhnlichen Ereignissen blind laufen lassen. Ein RMS kennt keine lokale Krise, keinen Wettbewerbsaustritt und keine neue Baustelle vor dem Hotel — es sieht nur Buchungsverhalten. Wenn eine Großveranstaltung kurzfristig abgesagt wird und das System weiterhin Höchstpreise empfiehlt, muss die Revenue Managerin sofort manuell eingreifen und das Modell für den betroffenen Zeitraum überstimmen. Wer keinen klaren Eskalationsweg für solche Ausnahmesituationen definiert hat, zahlt den Fehler in leerem Zimmer und Reputationsschaden.

4. Die Modellqualität nach dem Go-live nie überprüfen. Ein RMS, das im Frühjahr gut kalibriert war, kann im Herbst systematisch falsch liegen — weil sich Buchungsmuster, Wettbewerbssituation oder Nachfragequellen verändert haben. Wer das Modell einmal einrichtet und dann nie hinterfragt, merkt die Drift erst, wenn der RevPAR unerwartet einbricht. Ein monatlicher 15-Minuten-Check der Prognosegenauigkeit (Forecast vs. tatsächliche Belegung) ist die minimale Wartung.

Was mit der Einführung wirklich passiert — und was nicht

Der typische Verlauf: Die ersten drei Monate sind frustrierend. Das Modell macht Fehler, die ein erfahrener Revenue Manager nicht machen würde. Das ist normal — das Modell kalibriert sich.

Das gefährliche Reaktionsmuster: Das Team überstimmt das System bei jeder Empfehlung und nimmt am Ende keine Empfehlung mehr an. Dann hat man ein teures System, das die Revenue-Managerin frustriert, ohne ihr zu helfen.

Die richtige Reaktion: Überstimmungen dokumentieren — was war der Grund? Stimmt der Grund eine Woche später noch? Das systematische Feedback verbessert das Modell und zeigt dem Team, wann das System verlässlich ist und wann nicht.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unser Markt ist zu speziell für ein Standard-RMS.” Jeder glaubt, sein Markt ist einzigartig. In der Praxis haben die meisten Märkte strukturelle Muster, die Modelle lernen können. Was tatsächlich einzigartig sein kann: sehr kleine Märkte (unter 200 Hotelbetten gesamt) oder extrem saisonale Destinationen. Für die Mehrheit der deutschen Stadthotels gilt das nicht.

„Wir können uns IDeaS nicht leisten.” Für kleinere Hotels (unter 50 Zimmer) stimmt das für Enterprise-RMS. Die Alternative ist Cloudbeds Intelligence oder ein manuell gebautes Modell auf Basis exportierter PMS-Daten — weniger mächtig, aber ein sinnvoller Einstieg.

Woran du merkst, dass das zu dir passt

• Ihr habt mindestens 2 Jahre saubere PMS-Buchungshistorie
• Revenue-Management-Entscheidungen basieren heute auf Vorjahresvergleich und Bauchgefühl
• Ihr verliert regelmäßig Buchungen durch späte Preisanpassungen (zu günstiger Frühbucher-Preis leer gekauft) oder habt regelmäßigen Leerstand durch zu hohe Preise
• RevPAR ist eine Kennzahl, die aktiv gesteuert wird

Wann es sich noch nicht lohnt: Weniger als 30 Zimmer (Datenbasis zu klein für verlässliche Modelle), weniger als 12 Monate historische Daten, oder wenn Revenue Management bisher gar nicht aktiv betrieben wird — dann ist der erste Schritt Kompetenz, nicht Software.

Das kannst du heute noch tun

Exportiere deine Buchungsdaten der letzten 24 Monate aus dem PMS als CSV und lade sie in Julius AI hoch. Frage das System: „Welche Wochentage und Monate haben historisch die höchste Auslastung? Gibt es saisonale Muster?” Das zeigt dir in 20 Minuten, was deine Daten hergeben — und ob sie sauber genug für ein Prognosemodell sind.

Quellen & Methodik

• RevPAR-Steigerung durch RMS: IDeaS, „The Value of Revenue Management Technology” (2023); Duetto, „RevPAR Performance Study” (2024). Eigene Angaben sollten als Herstellerangaben eingestuft werden.
• Manuelle Prognosegenauigkeit: HSMAI (Hospitality Sales and Marketing Association International), „Revenue Management Benchmarking Report” (2023).
• Durchschnittliche Hotellerie-Kennzahlen Deutschland: STR Global, „Germany Hotel Performance Report” (2024).
• Tool-Preisangaben: Angebotsanfragen und veröffentlichte Startpreise Duetto, IDeaS, Cloudbeds (Stand April 2026).
• DSGVO Art. 28: Datenschutz-Grundverordnung in gültiger Fassung.