Abwanderungs- und Storno-Prognose

Das echte Ausmaß des Problems

Stornierungen sind eine der teuersten Unsicherheiten in der Hotellerie. Laut STR (2024) liegt die durchschnittliche Stornierungsrate in deutschen Stadthotels bei 25 bis 35 Prozent — mit erheblichen Schwankungen je nach Segment (Flex-Rate: bis 50 %, Non-Refundable: nahe 0 %) und Saisonalität.

Das strukturelle Problem: Stornierungen sind nicht zufällig verteilt. Sie folgen Mustern:

• Buchungskanal (OTA-Buchungen stornieren häufiger als Direktbuchungen)
• Rate-Typ (Flexible Rates haben 3 bis 5x höhere Stornierungsrate als Non-Refundable) (Schätzwert aus Praxisberichten)
• Lead-Time (sehr früh oder sehr kurzfristig gebuchte Zimmer stornieren häufiger)
• Segment (Business-Gäste stornieren kurzfristig häufiger als Leisure-Gäste)
• Historische Wiederkehrende vs. Erstbucher

Diese Muster sind erkennbar — aber manuell nicht für jede Buchung einzeln auswertbar.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — sehr niedrig (1/5) Gleichauf mit Predictive Maintenance als niedrigster Zeitnutzen im Portfolio. Das System generiert Prognosen, aber die Entscheidungen (Overbooking-Level, Retentions-Maßnahmen) müssen Menschen treffen. Es spart keine operative Zeit — es verbessert Entscheidungsqualität.

Kosteneinsparung — mittel (3/5) Weniger Leerstand durch besseres Overbooking-Management und Retentions-Maßnahmen ist ein realer Finanzhebel — aber mittlerer Stärke. Verglichen mit dynamischer Preisoptimierung (direkter RevPAR-Effekt) oder Personalplanung (direkte Kostenreduktion) ist der Effekt kleiner, weil er von der Qualität der Reaktion auf die Prognose abhängt.

Schnelle Umsetzung — sehr niedrig (1/5) Stornierungsprognosen brauchen historische Buchungsdaten (mindestens 18–24 Monate) und eine Kalibrierungsphase. Das ist — wie die Nachfrageprognose — kein schneller Win. In der Schwierigkeit gleichauf mit Use Cases 4 und 5.

ROI-Sicherheit — mittel (3/5) Stornoraten sind messbar. Ob das System sie reduziert hat, ist messbar (Vergleich Storno-Rate vor/nach). Aber der Anteil der Reduktion, der auf die KI vs. andere Faktoren (Saisonalität, Raten-Änderungen) zurückzuführen ist, ist schwer zu isolieren.

Skalierbarkeit — hoch (4/5) Für Hotelketten: Ein Stornierungsrisikomodell mit hausübergreifenden Daten lernt schneller und präziser. Das Modell verbessert sich kontinuierlich — je mehr Buchungsdaten, desto besser die Prognose.

Richtwerte — stark abhängig von Stornierungsrate, PMS-Datenqualität und Overbooking-Strategie.

Was das System konkret macht

Buchungs-Scoring: Jede neue Buchung bekommt automatisch einen Stornierungsrisiko-Score (0–100). Das System berücksichtigt: Buchungskanal, Rate-Typ, Lead-Time, Segment, Wochentag, saisonales Muster, historische Stornierungsrate dieses Gastes (falls Stammgast).

Overbooking-Empfehlung: Auf Basis der aggregierten Stornierungsrisiko-Scores gibt das System eine tagesaktuelle Overbooking-Empfehlung: „Für Freitag, 20.09. empfiehlt sich ein Overbooking von 3 Zimmern (Konfidenz: mittel).”

Retentions-Trigger: Buchungen mit hohem Stornierungsrisiko können automatisch eine Retentions-Kommunikation auslösen — eine E-Mail 5 Tage vor Ankunft: „Wir freuen uns auf Ihren Aufenthalt — hier eine Erinnerung mit Ihren Check-in-Infos.” Kein Upselling, keine Werbung — nur eine freundliche Bestätigung, die die Buchungsbindung stärkt.

Was das System nicht entscheidet: Die Overbooking-Strategie selbst ist eine menschliche Entscheidung — mit allen operativen und rechtlichen Konsequenzen (Walk-Kosten, Gästemanagement). Das System gibt die Datengrundlage, nicht die Entscheidung.

Konkrete Werkzeuge — was wann passt

Integrated RMS (Duetto, IDeaS) — Wenn bereits ein Revenue-Management-System vorhanden ist, hat es typischerweise ein Stornierungsrisikomodul. Duetto und IDeaS integrieren Stornierungsprognosen in ihre Empfehlungslogik. Kein separates Tool nötig, wenn RMS vorhanden.

Revinate — Hat Predictive Analytics-Module für Stornierungsrisiko und Gäste-Retention. Gut integrierbar in Pre-Stay-Kommunikation (Use Case 11). Preis: je nach Lizenzmodell.

Custom-Modell mit Python/R — Für technisch affine Hotels oder Ketten: historische PMS-Daten exportieren, logistisches Regressionsmodell oder Random Forest trainieren, Scoring täglich aktualisieren. Kein SaaS-Kostenblock, aber Entwicklungsaufwand (4–8 Wochen, 3.000–8.000 Euro extern).

Julius AI — Als Analysetool: Historische Stornierungsdaten analysieren, Muster identifizieren, Risikogruppen definieren. Kein automatisches Scoring, aber ein Ausgangspunkt für manuelle Mustererkennung.

Datenschutz und Datenhaltung

Stornierungsprognosen arbeiten mit Buchungsdaten und Gästeprofilen — beides DSGVO-relevant:

• Personenbezogene Buchungsdaten: Name, Kontaktdaten, Buchungshistorie in Prognosemodellen → AVV mit dem Tool-Anbieter nach Art. 28 DSGVO
• Profilierung: Wenn Stornierungsrisiko-Scores für einzelne Gäste gebildet werden, kann das als Profilierung nach Art. 4 Nr. 4 DSGVO eingestuft werden → muss in der Datenschutzerklärung dokumentiert sein
• Retentions-E-Mails: Buchungsbestätigungs-Reminder sind transaktional (keine Einwilligung nötig). Werbliche Elemente → Einwilligung nötig
• Overbooking und Gästerechte: Wenn einem Gast das gebuchte Zimmer wegen Overbooking nicht zur Verfügung steht, hat er Anspruch auf gleichwertigen Ersatz und ggf. Entschädigung nach allgemeinem Vertragsrecht (BGB); §§ 280, 241 BGB und AGB des Hotels gelten für Einzelhotelbuchungen (§ 651h BGB gilt primär für Pauschalreisen, EU-Pauschalreiserichtlinie je nach Buchungsart)

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• PMS-Daten extrahieren und bereinigen: 1–3 Wochen intern
• Modell-Entwicklung (Custom) oder RMS-Erweiterung (SaaS): 3.000–8.000 Euro
• Kalibrierungsphase: 2–3 Monate

Laufende Kosten (monatlich)

• Als RMS-Modul: in bestehenden Duetto/IDeaS-Kosten enthalten
• Revinate Analytics: als Add-on zur bestehenden Lizenz
• Custom-Modell: Cloud-Infrastruktur 50–150 Euro/Monat + gelegentliche Wartung

ROI-Rechnung Hotel mit 80 Zimmern, 8 % Last-Minute-Stornierungen, 140 Euro Durchschnittspreis: 80 × 8 % × 140 Euro × 22 Tage = ca. 19.712 Euro monatlicher Umsatz durch Stornierungen gefährdet. Wenn das System 30 % davon durch besseres Overbooking und Retention auffängt (Schätzwert aus Praxisberichten): 5.914 Euro/Monat potenziell zurückgewonnen. Realistische Realisierungsquote: 30–50 % davon (Schätzwert aus Praxisberichten) = 1.774 bis 2.957 Euro/Monat.

Typische Einstiegsfehler

1. Overbooking zu aggressiv einsetzen. Wer das Modell auf maximale Zimmerauslastung trimmt statt auf kalibrierten Puffer, riskiert Walk-Situationen: Ein Gast erscheint mit gültiger Buchung, kein Zimmer frei. Walk-Kosten (Taxifahrt, Hotelrechnung beim Nachbarhotel, Entschädigung) summieren sich auf 150–400 € pro Fall — und der Reputationsschaden in Bewertungen ist nicht bezifferbar. Konkrete Regel: Nur bei Modell-Konfidenz ≥ 75 % und einer eigenen Walk-Protokoll-Vereinbarung im Team Overbooking-Empfehlungen umsetzen. Darunter: lieber Leerstand als Walk.

2. Retentions-Kommunikation als Upselling verkleiden. Eine Buchungserinnerung, die eigentlich ein Upsell-Angebot ist, macht das Gegenteil von dem, was sie soll: Sie erinnert den Gast daran, dass seine Buchung noch offen ist — und gibt ihm gleichzeitig einen Grund, sie zu überdenken. Retentions-Kommunikation muss primär Service sein.

3. Das Modell auf zu wenigen Daten trainieren. 12 Monate Buchungshistorie sind das absolute Minimum. Mit weniger als 18 Monaten hat das Modell keine vollständigen Saisonmuster gesehen und macht systematische Fehler in der Saisonprognose.

4. Das Modell nach der Einführung nie auditieren. Stornierungsmuster verschieben sich — neue Buchungskanäle, veränderte Stornierungs-Policies, wirtschaftliche Rahmenbedingungen. Ein Modell, das beim Start gut kalibriert war, kann nach einem Jahr Muster prognostizieren, die so nicht mehr existieren. Einmal jährlich sollte jemand die Modellqualität (Trefferquote der Hochrisiko-Markierungen) mit aktuellen Daten überprüfen.

Was mit der Einführung wirklich passiert — und was nicht

Overbooking-Strategien sind emotional — das Team hat Angst vor Walks und dem Gästefrust. Das Modell gibt Entscheidungsgrundlagen, aber die organisatorische Bereitschaft, Overbooking-Entscheidungen zu treffen, muss vorher in der Unternehmenskultur verankert sein.

Was hilft: Klare Protokolle für Walk-Situationen entwickeln — wer entscheidet, wie wird der Gast behandelt, welches Nachbarhotel ist die erste Wahl, wer trägt die Kosten. Wer das im Voraus klar hat, traut sich eher, Overbooking zu nutzen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir wollen keine Overbooking-Situation riskieren.” Verständliche Vorsicht. Die Alternative — kein Overbooking — garantiert aber Leerstand durch Stornierungen. Das Modell hilft, den optimalen Puffer zu bestimmen — nicht zu maximieren, sondern zu kalibrieren. Kein System rät zu aggressivem Overbooking; die Empfehlungen werden konservativ kalibriert.

„Unsere Stornierungsrate ist nicht so hoch.” Wenn sie unter 10 Prozent liegt, stimmt das — und dann ist dieser Use Case nicht prioritär. Bei 10 bis 20 Prozent ist die Frage berechtigt. Über 20 Prozent ist die Investition in ein Prognosemodell klar gerechtfertigt.

Woran du merkst, dass das zu dir passt

• Eure Stornierungsrate schwankt stark und überrascht das Team regelmäßig
• Last-Minute-Stornierungen (unter 48 Stunden) machen einen signifikanten Teil aus
• Ihr macht kein Overbooking, obwohl ihr wisst, dass ein gewisser Puffer sinnvoll wäre
• Ihr habt mindestens 18 Monate Buchungshistorie und ein PMS mit exportierbaren Daten

Wann es sich noch nicht lohnt: Stornierungsrate unter 10 Prozent, weniger als 12 Monate Buchungshistorie, Non-Refundable-Strategie (dann ist das Risikoproblem bereits durch die Rate gelöst), oder wenn kein Revenue Manager vorhanden ist, der die Empfehlungen umsetzen kann.

Das kannst du heute noch tun

Exportiere deine Buchungen der letzten 12 Monate als CSV mit: Buchungsdatum, Anreisedatum, Kanal, Rate-Typ, ob storniert (ja/nein), Stornierungsdatum. Lade es in Julius AI oder ChatGPT Code Interpreter hoch und frage: „Welche Buchungsparameter korrelieren am stärksten mit Stornierungen?”

Quellen & Methodik

• Stornierungsraten deutsche Stadthotels: STR, „Germany Hotel Cancellation Analysis” (2024); IDeaS, „Cancellation Pattern Study” (2023). (Anbieter-Studie)
• Stornierungsrisiko nach Kanal und Rate-Typ: Eigene Analyse auf Basis von Projektdaten (8 Hotels, 24 Monate); keine repräsentative Studie.
• § 651h BGB (Rücktritt Reisevertrag): Bürgerliches Gesetzbuch in gültiger Fassung; relevant bei Pauschalreisen.
• Overbooking-Praxis in Deutschland: DEHOGA, Leitfaden Buchungsrecht (2023).
• DSGVO Art. 4 Nr. 4 (Profilierung) und Art. 28 (AVV): Datenschutz-Grundverordnung in gültiger Fassung.
• Tool-Preisangaben: Angebotsanfragen und veröffentlichte Modelle (Stand April 2026).