Aussteller-Matching: Den richtigen Standplatz für den richtigen Aussteller finden

Das echte Ausmaß des Problems

Die Standplatzvergabe auf Messen ist eines der am meisten unterschätzten operativen Probleme in der Veranstaltungswirtschaft. Es sieht wie Logistik aus — und ist in Wirklichkeit eine mehrdimensionale Optimierungsaufgabe, die heute fast überall manuell gelöst wird.

Laut UFI, dem globalen Verband der Messewirtschaft, gibt es weltweit rund 32.000 Messen pro Jahr, an denen 2024 rund 4,7 Millionen Aussteller teilgenommen haben. In Deutschland allein sind es mehrere hundert Fachmessen jährlich. Hinter jeder dieser Veranstaltungen steckt eine Flächenplanung — und in den meisten Fällen läuft sie nach Prinzipien, die sich seit Jahrzehnten nicht verändert haben: Wer länger dabei ist, bekommt einen besseren Platz. Wer mehr zahlt, darf wählen. Wer laut genug eskaliert, bekommt sein Wunschareal.

Das Ergebnis dieser Praxis:

• Wettbewerber stehen nebeneinander. Weil der Algorithmus fehlt, der thematische Distanz zu Direktkonkurrenten einrechnet. Das ärgert Aussteller und erzeugt regelmäßig Eskalationen.
• Komplementäre Aussteller stehen weit auseinander. Ein Maschinenbauer in Halle 1 und sein typischer Zulieferer in Halle 5 — obwohl die Besucherin, die einen braucht, meistens auch den anderen sucht.
• Besucherströme sind systematisch ungleich verteilt. Messehallen haben natürliche Frequenzunterschiede — Eingangsnähe, Atriumlage, Randlagen. Aussteller in Randlagen bekommen weniger Kontakte, klagen öfter, buchen seltener wieder.
• Der Planungsaufwand bindet erhebliche Ressourcen. Flächenplanungsteams in mittelgroßen Messebetrieben verbringen erfahrungsgemäß vier bis acht Wochen reiner Kapazität pro Messe mit Standplatzvergabe und Konfliktmanagement.

Die Rebooking-Rate — also der Anteil der Aussteller, der im Folgejahr erneut bucht — ist die wichtigste wirtschaftliche Kennzahl für Messeveranstalter. Aussteller, die einen schwach frequentierten Standplatz hatten, rebooken seltener. Das ist keine Vermutung, sondern Plattform-Erfahrungswert aus Systemen wie MapYourShow: Deren Algorithmus für Rebooking-Prognosen arbeitet mit Besucherinteraktionsdaten als Hauptsignal — und der Standort ist einer der Haupttreiber.

Mit vs. ohne KI — ein ehrlicher Vergleich

Planungsaufwand und Eskalationszahlen: Erfahrungswerte aus Projektberichten mitteleuropäischer Messeveranstalter. Keine repräsentative Studie, aber konsistente Beobachtung über mehrere Veranstaltungen.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5)
Das KI-System erstellt Planungsvorschläge schneller als jedes manuelle Puzzle — aber es schafft keine vollautomatische Lösung. Strategische Sonderwünsche, langjährige Kundenbeziehungen und kurzfristige Änderungen bleiben menschliche Entscheidungen. In der Praxis verkürzt das System die Planungszeit von sechs auf zwei Wochen, aber die verbleibenden zwei Wochen sind die politisch anspruchsvollsten. Verglichen mit anderen Anwendungsfällen in dieser Kategorie — etwa der Messenachbericht-Automatisierung oder dem Akkreditierungsmanagement — ist die direkte Zeitersparnis begrenzt.

Kosteneinsparung — mittel (3/5)
Der wirtschaftliche Hebel liegt nicht bei Einsparungen, sondern bei Mehrumsatz: Aussteller, die mehr qualifizierte Kontakte bekommen, buchen öfter wieder. Eine Messe mit 300 Ausstellern und einem durchschnittlichen Standumsatz von 8.000 Euro gewinnt bei zwei Prozent mehr Rebooking-Rate 48.000 Euro zusätzlichen Umsatz — jährlich wiederkehrend. Das ist real, aber erfordert Geduld: Der Effekt wird erst nach ein bis zwei Messezyklen sichtbar.

Schnelle Umsetzung — niedrig (2/5)
Zwölf bis zwanzig Wochen Vorlauf für den Pilotbetrieb sind realistisch — und das ist kein übertriebener Aufwand, sondern notwendig. Die Datenaufbereitung (Besucherstromdaten, Ausstellerprofile, Hallenplan-Geometrie) ist die aufwändigste Phase, nicht die Technologie selbst. Faires Bild: Wer keine historischen Besucherstromdaten hat, braucht zuerst eine Saison mit Sensor-Infrastruktur, bevor das Matching sinnvolle Empfehlungen liefern kann.

ROI-Sicherheit — mittel (3/5)
Die Rebooking-Rate ist messbar — aber ob die Verbesserung auf bessere Standplatzvergabe oder auf andere Faktoren (neue Aussteller-Akquise, bessere Messethemen, Konjunktur) zurückgeht, ist nicht trivial zu isolieren. Eine saubere Kausalzuordnung braucht eine Kontrollgruppe oder mehrere Messezyklen Daten. Wer den ROI schnell beweisen muss, wird es schwer haben.

Skalierbarkeit — niedrig (2/5)
Das ist der entscheidende Unterschied zu vielen anderen KI-Anwendungen: Das trainierte Modell gilt für genau diese Messe mit genau diesem Hallenplan und dieser Ausstellerstruktur. Eine Schwesterveranstaltung braucht ein neues Modell. Hallenplan-Änderungen invalidieren historische Trainingsdaten. Wer mehrere Messen betreibt, muss für jede separat aufsetzen. Das macht diese Anwendung inhärent weniger skalierbar als etwa Besucherfeedback-Auswertung oder Texterstellung — und ist kein Grund, es nicht zu tun, aber ein Grund, den Aufwand pro Messe realistisch zu kalkulieren.

Richtwerte — stark abhängig von Messegröße, Datenverfügbarkeit und Anteil der Stammaussteller.

Was das System konkret macht

Hinter dem Begriff “KI-gestütztes Aussteller-Matching” stecken in der Praxis zwei unterschiedliche Ansätze, die oft kombiniert werden.

Ansatz 1: Thematisches Clustering mit Machine Learning
Ausstellerprofile — Produktkategorien, Zielgruppenbeschreibungen, Messeteilnahme-Historie, Schlagworte aus dem Katalog — werden in einen Vektorraum umgewandelt. Aussteller mit ähnlichen Profilen bekommen einen Ähnlichkeitswert. Der Algorithmus bildet thematische Cluster und empfiehlt, diese in zusammenhängenden Hallenbereichen zu platzieren. Gleichzeitig berechnet er Mindestabstände zwischen Direktwettbewerbern — Aussteller mit identischen Hauptkategorien bekommen automatisch einen Abstandspuffer.

Ansatz 2: Räumliche Optimierung mit Besucherstromdaten
Historische Besucherstromdaten (aus Sensoren, WLAN-Tracking oder Badge-Scans) zeigen, welche Hallenbereiche zu welchen Uhrzeiten wie stark frequentiert werden. Ein Optimierungsalgorithmus — typischerweise ein Constraint-Satisfaction-Problem oder ein Graph-Algorithmus — weist Ausstellern mit hoher strategischer Priorität die nachfragestarken Zonen zu. Aussteller, die in der Vergangenheit schlecht frequentierte Lagen hatten, werden in der Folgesaison bevorzugt umgesetzt.

Die Kombination in der Praxis
Beide Ansätze allein greifen zu kurz. Reines thematisches Clustering ignoriert die räumliche Dimension — zwei Aussteller können thematisch perfekt passen, aber wenn einer davon in einer Randlage landet, bringt das Clustering nichts. Reine Besucherstrom-Optimierung ignoriert die inhaltliche Logik — sie schiebt Aussteller dorthin, wo sowieso viele Besucher sind, ohne Synergien zu berücksichtigen.

Das System, das in der Praxis funktioniert, kombiniert beide Signale: Thematische Ähnlichkeit als Clustering-Grundlage, räumliche Frequenz als Gewichtungsfaktor, Wettbewerber-Proximity als hartes Ausschlusskriterium.

Warum Standplatzvergabe mehr ist als Themenproximität — die Wettbewerbsdynamik

Hier wird es politisch — und das ist kein Randproblem, sondern der Kern der Herausforderung.

Auf jeder etablierten Messe gibt es Stammaussteller (“Platzhirsche”), die nicht nur einen Stand buchen, sondern eine Erwartung mitbringen: ihren angestammten Platz zu behalten. Diese Erwartung ist oft nicht vertraglich fixiert, aber historisch gewachsen — Aussteller, die seit 15 Jahren in Halle 2 Stand A47 stehen, empfinden eine Umsetzung als Degradierung, unabhängig davon, ob die neue Position nach allen Kriterien besser wäre.

Ein KI-System, das konsequent nach Optimierungskriterien arbeitet, erzeugt hier Konflikte, die nicht algorithmisch lösbar sind. Die typische Konstellation:

Der strategische Wettbewerberkonflikt. Direkte Wettbewerber aus demselben Produktsegment wollen nahe beieinander stehen — weil Besucher, die einen vergleichen wollen, beide besuchen. Gleichzeitig wollen sie nicht direkt nebeneinander, weil das den direkten Preisvergleich erleichtert. Die richtige Balance ist eine strategische Entscheidung, kein Algorithmus.

Der Gefälligkeitsplatz. Schlüsselaussteller mit hohem Standumsatz erhalten oft bevorzugte Lagen als Teil der Verhandlung — unabhängig vom thematischen Fit. Ein System, das diese Aussteller nach Themencluster in Randlagen setzt, produziert Konflikte mit dem Vertrieb.

Das Anciennitätsprinzip. Viele Messeveranstalter haben informelle oder formelle Regelungen, nach denen Aussteller mit längerer Geschichte früher oder zu günstigeren Konditionen buchen dürfen. KI-Empfehlungen, die diese Logik ignorieren, scheitern an der eigenen Vertriebsstruktur.

Das bedeutet für die Einführung: Das KI-System liefert keinen Masterplan, den du einfach umsetzt. Es liefert eine Empfehlung, die dein Team mit strategischem Urteil überlagert. Der Wert liegt in der besseren Ausgangsposition — nicht in der Automatisierung der Entscheidung.

Das Datenmodell: Was ihr für einen sinnvollen Algorithmus braucht

Bevor ihr die erste Zeile Code schreibt oder eine Plattform evaluiert, ist die Datengrundlage die entscheidende Frage. Ein Matching-Algorithmus ist nur so gut wie die Daten, auf denen er optimiert.

Was ihr braucht:

Der häufigste Engpass in deutschen Messebetrieben: Besucherstromdaten liegen nicht vor. Die meisten kleineren und mittelgroßen Messen haben keine Sensor-Infrastruktur und keine WLAN-Tracking-Auswertung. Das bedeutet: Ihr braucht zuerst eine Saison mit Messung, bevor das Matching räumliche Frequenzdaten einbeziehen kann. Das ist kein K.O.-Kriterium — aber ein zeitlicher Realitätscheck.

Ohne Besucherstromdaten kann das System nur thematische Cluster bilden, nicht räumlich optimieren. Das ist immer noch wertvoller als die heutige manuelle Vergabe, aber kein vollständiges System.

Konkrete Werkzeuge — was wann passt

Der sinnvolle Werkzeugkasten für Aussteller-Matching hängt stark davon ab, wie viel technische Infrastruktur ihr aufbauen wollt und welches Budget zur Verfügung steht.

ExpoFP — Einstieg mit Hallenplan und Analytics
ExpoFP ist der einfachste Weg zu einem digitalen interaktiven Hallenplan mit Online-Reservierung und rudimentärer Besucher-Analytics. Das Tool selbst macht kein Aussteller-Matching — aber es liefert die digitale Grundlage: strukturierte Standplatzdaten und, mit dem Indoor-Positioning-Add-on, erste Besucherstromdaten. Preise: $149–399/Monat für den DIY-Plan, $1.500–4.800 pro Event für Professional Service (Stand April 2026). Datenhaltung US-seitig — DSGVO-Prüfung erforderlich.

MapYourShow — KI-Einschätzung für Rebooking-Risiken
MapYourShow bringt Machine Learning in den Trade-Show-Betrieb, allerdings in einer anderen Richtung als erwartet: Der Algorithmus sagt voraus, welche Aussteller abwanderungsgefährdet sind — nicht, wo sie stehen sollten. Der Rebooking-Prognose-Ansatz (50–75% Genauigkeit laut Eigenangabe) ist nützlich für das Vertriebsteam, aber kein Platzierungs-Optimierer. Sinnvoll für große Messen mit starkem Fokus auf Aussteller-Retention. Datenhaltung US-seitig.

Swapcard — Strukturierte Ausstellerdaten als Matching-Grundlage
Swapcard ist primär eine Event-App für Besucher-Matchmaking (vgl. Besuchermatching nach Themengebiet), aber die Plattform erzeugt als Nebenprodukt strukturierte Ausstellerprofile und Besucher-Interaktionsdaten — genau das, was ein Standplatz-Algorithmus als Input braucht. Wer Swapcard bereits einsetzt, hat damit eine nutzbare Datenbasis für spätere Optimierung. EU-Datenhaltung vorhanden.

Neo4j + Python — Custom-Lösung für technisch versierte Teams
Für Messeveranstalter mit Entwickler-Ressourcen oder einem IT-Dienstleister ist eine Custom-Lösung der einzige Weg, alle Parameter wirklich zu kontrollieren. Neo4j als Graph-Datenbank eignet sich gut für die Modellierung von Aussteller-Ähnlichkeiten und Nachbarschaftsregeln: Knoten sind Aussteller, Kanten sind Ähnlichkeitsscores und Ausschlussregeln. Python mit scikit-learn oder einem Constraint-Solver (PuLP, OR-Tools) übernimmt die eigentliche Optimierung. Aufwand: 40–80 Entwicklertage für den ersten funktionierenden Prototyp. Datenhaltung vollständig selbst kontrolliert.

Brella — für Kongresse mit Networking-Fokus
Wenn der Kongresscharakter dominiert und Aussteller eher als Sponsoren oder Networker auftreten, ist Brella eine Alternative zu Swapcard. Für klassische Fachmessen mit Standbetrieb ist Brella weniger geeignet.

Zusammenfassung: Wann welcher Ansatz

• Kein digitaler Hallenplan vorhanden → ExpoFP als erster Schritt
• Rebooking-Prognose für US/internationale Großmesse → MapYourShow
• Datenbasis aus laufendem Besucher-Matching-Betrieb → Swapcard-Exportdaten nutzen
• Vollständige Kontrolle, eigene IT-Ressourcen → Neo4j + Python-Custom-Lösung

Datenschutz und Datenhaltung

Aussteller-Matching bewegt sich im Bereich gewerblicher Daten — Unternehmensprofile, Produkte, Kategorien. Das ist datenschutzrechtlich unkritischer als personenbezogene Besucherdaten. Die Grenze wird dort überschritten, wo Besucherstromdaten mit individualisierten Tracking-Techniken erhoben werden.

Wo die DSGVO greift:

• WLAN-Tracking auf Basis von MAC-Adressen oder IMSI erfordert Einwilligung oder Anonymisierung
• Badge-Scanning an Ständen ist typischerweise einwilligungsbasiert (Aussteller und Besucher einigen sich)
• Aggregierte Besucherstromdaten (Heatmaps ohne Personenbezug) sind datenschutzrechtlich unbedenklich

Worauf ihr bei Tool-Auswahl achten müsst:

• ExpoFP und MapYourShow verarbeiten Daten auf US-Servern. Für Ausstellerdaten (gewerbliche Daten ohne Personenbezug) ist das häufig akzeptabel. Sobald personenbezogene Besucherdaten einfließen, braucht ihr einen AVV nach Art. 28 DSGVO und eine Prüfung, ob EU-Standardvertragsklauseln ausreichen oder ob EU-Hosting erforderlich ist.
• Swapcard und Brella bieten EU-Datenhaltung — für Besucher-Profildaten die sichere Wahl.
• Eine Custom-Lösung auf deutschen oder EU-Cloud-Servern (Hetzner, IONOS, Azure EU-Region) ist das einzige Modell, das vollständige Datensouveränität gewährleistet.

Empfehlung: Trennt die Datenschicht. Ausstellerprofile und Hallenplandaten können in einer US-gehosteten Plattform liegen. Besucherstromdaten mit individuellem Bezug gehören auf EU-Infrastruktur oder werden vor Übergabe an Analyse-Tools aggregiert und anonymisiert.

Was es kostet — realistisch gerechnet

Szenario A: Einstieg mit ExpoFP + erste Besucherstromdaten

• ExpoFP DIY: ca. 200–400 €/Monat (je nach Standanzahl, USD-Kurs)
• Indoor Positioning Add-on für erste Heatmaps: 8.000–20.000 € einmalig je nach Hallengröße
• Intern: 2–4 Wochen Aufwand für Datenaufbereitung und Konfiguration
• Gesamtinvestition erste Saison: 15.000–30.000 €

Szenario B: Custom-Matching-System mit Python + Neo4j

• Externe Entwicklungskosten: 25.000–60.000 € (40–80 Entwicklertage)
• Infrastruktur: 200–500 €/Monat (EU-Cloud)
• Intern: 4–8 Wochen für Datenbeschaffung, Anforderungsdefinition, Pilottest
• Gesamtinvestition erste Saison: 30.000–70.000 €

Was dagegen steht:
Eine Messe mit 300 Ausstellern zu je durchschnittlich 8.000 € Standumsatz hat einen Jahresumsatz von 2,4 Millionen Euro. Wenn 2 Prozent mehr Aussteller erneut buchen — das sind sechs zusätzliche Aussteller — ergibt das 48.000 € Zusatzumsatz, der jährlich wiederkehrt. Selbst wenn das erst nach zwei Messezyklen eintritt, amortisiert sich die Investition.

Die ehrliche Einschränkung: Diese Rechnung funktioniert nur, wenn ihr die Rebooking-Rate tatsächlich auf bessere Standplatzvergabe zurückführen könnt — und nicht auf andere Faktoren. In der Praxis ist das schwer zu isolieren. Plant drei bis vier Messezyklen ein, bevor ihr den ROI belastbar berechnen könnt.

Typische Einstiegsfehler

1. Mit Algorithmus starten, bevor die Daten stimmen.
Der häufigste Fehler: Entwickler oder Dienstleister bauen ein Matching-Modell, bevor die Eingangsdaten sauber sind. Ausstellerprofile in freier Texteingabe ohne einheitliche Taxonomie, Hallenplan als eingescanntes PDF, Besucherstromdaten aus drei verschiedenen Systemen in drei verschiedenen Formaten. Das Modell läuft, aber die Empfehlungen sind unbrauchbar — weil das Müll-rein-Müll-raus-Prinzip gilt. Lösung: Mindestens sechs Wochen Datenbereinigungs-Sprint vor dem ersten Algorithmus-Test.

2. Den Algorithmus als Entscheidungsautomat behandeln.
Das KI-System gibt Empfehlungen, keine Befehle. Teams, die Algorithmus-Output direkt in die Aussteller-Kommunikation übernehmen ohne strategische Überprüfung, produzieren regelmäßig Konflikte: Der Algorithmus ignoriert informelle Vereinbarungen, historische Sonderregeln und aktuelle Vertriebszusagen, die nirgendwo dokumentiert sind. Lösung: Einen definierten Validierungsschritt einbauen, bei dem das Vertriebsteam jeden Algorithmus-Vorschlag für “Platzhirsch”-Aussteller explizit freigibt oder überstimmt.

3. Cold-Start unterschätzen.
Wer zum ersten Mal Besucherstromdaten erhebt, hat für die erste Saison noch keine räumliche Historik. Das Modell kann in diesem Jahr nur nach thematischen Kriterien clustern — ohne räumliche Optimierung. Teams erwarten eine vollständige Optimierung und sind enttäuscht vom Ergebnis. Lösung: Realistische Erwartungen setzen, erste Saison explizit als Datenwachstumssaison kommunizieren, räumliche Optimierung für die zweite Saison ankündigen.

4. Das System wird nach dem ersten Einsatz nicht weiterentwickelt.
Aussteller-Matching-Systeme veralten schneller als viele andere KI-Anwendungen — weil sich das Aussteller-Portfolio jedes Jahr ändert (neue Aussteller, Branchen-Shifts, Messethema-Verschiebungen) und weil der Hallenplan sich ändert. Ein Modell, das nach der ersten Saison nicht aktualisiert wird, optimiert nach zwei Jahren auf ein Portfolio und einen Hallenplan, die gar nicht mehr existieren. Wer plant, hat auch geplant, wer pflegt: benennt vor Projektstart explizit eine Person, die das Modell jährlich aktualisiert und validiert.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist schneller fertig als das Team bereit ist. Das ist das Muster bei fast jeder Einführung.

Die Vertriebsseite wehrt sich — still. Das Vertriebsteam, das Standplätze heute als Verhandlungsmasse nutzt (“ich reserviere dir den Eckstand, wenn du bis Freitag zusagst”), verliert mit einem transparenten Algorithmus ein wichtiges Werkzeug. Dieser Widerstand wird selten offen kommuniziert, aber er zeigt sich darin, dass “Sonderwünsche” immer häufiger und immer dringlicher werden. Lösung: Das System muss vom Vertrieb als Werkzeug positioniert werden, nicht als Kontrollmechanismus. Zeige dem Vertriebsteam, wie Algorithmus-Empfehlungen ihre Gespräche mit schlechten Stands begründen helfen: “Das System sagt, dieser Bereich ist historisch gut frequentiert für Maschinenbauer — du hast gute Argumente für dein Gespräch.”

Stammaussteller mobilisieren. Die ersten Aussteller, die merken, dass ihre historische Platzierung in Frage gestellt wird, reagieren laut. Diese Reaktion kommt fast immer bevor das neue System kommuniziert wird — weil Gerüchte schneller sind als Ankündigungen. Lösung: Vor der ersten Algorithmus-gestützten Planung eine explizite Kommunikation an alle Stammaussteller mit mehr als fünf Jahren Teilnahme, die das Prinzip erklärt und Continuity-Garantien für die erste Saison gibt.

Das Ergebnis sieht im ersten Jahr dem alten ähnlich. Weil das Vertriebsteam berechtigt viele Algorithmus-Empfehlungen überstimmt, und weil der Cold-Start-Effekt die räumliche Optimierung begrenzt, unterscheidet sich die erste Saison vom Ergebnis der manuellen Planung weniger als erwartet. Das ist kein Fehler — es ist der normale Anlauf. Der Wert entsteht im zweiten und dritten Jahr, wenn Daten reifen und Übersteuerungen selektiver werden.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Unsere Stammaussteller akzeptieren keine algorithmischen Entscheidungen.”
Das ist ein berechtigter Einwand — und kein Argument gegen das System. Kein Algorithmus zwingt Aussteller dazu, einen Platz zu akzeptieren. Das System liefert Empfehlungen, die dein Team mit Beziehungswissen überlagert. Der Unterschied zu heute: Du hast eine begründete Ausgangslage statt eines Gefühls. “Laut unserer Analyse ist dieser Bereich für Euer Produktsegment historisch gut frequentiert” ist ein stärkeres Argument als “wir haben Sie da eingeplant.”

“Wir haben keine Besucherstromdaten.”
Das stimmt für die Mehrheit der mittelgroßen Messen. Die Antwort ist: Thematisches Clustering funktioniert auch ohne Besucherstromdaten — es ist weniger präzise, aber besser als reine Anciennität. Die räumliche Optimierung kommt in Saison zwei. Wer wartet, bis alle Daten vorhanden sind, wartet ewig.

“Was bringt das, wenn der Vertrieb am Ende doch alles ändert?”
Wenn das Vertriebsteam jede Empfehlung überstimmt, ohne Begründung, habt ihr kein Algorithmus-Problem — ihr habt ein Governance-Problem. Lösung: Schon vor Projektstart klären, welche Aussteller-Klassen der Algorithmus allein planen darf (Neukunden, mittlere Standflächen) und wo menschliche Freigabe Pflicht ist (Schlüsselaussteller, Stammaussteller über fünf Jahre). Mit dieser Trennung hat das System einen klar definierten Wirkungsbereich.

Woran du merkst, dass das zu dir passt

• Du verwaltest regelmäßig mehr als 100 Aussteller pro Veranstaltung, und der Flächenplanungsprozess bindet mehr als vier Wochen interne Kapazität
• Aussteller-Eskalationen über Standplatzzuweisungen sind Dauerthema — Beschwerden über schlechte Lagen, Wettbewerber in der Nachbarschaft, oder verlorene Stammplätze kosten deinem Team jede Saison erhebliche Zeit
• Ihr habt mindestens zwei vorangegangene Veranstaltungen mit dokumentierten Ausstellerdaten, idealerweise strukturierten Produktkategorien, aus denen ein Clustering-Modell lernen kann
• Eure Rebooking-Rate stagniert oder sinkt, und ihr habt den Verdacht, dass schlechte Standpositionierung ein Mitgrund ist
• Das Thema hat Rückendeckung aus der Geschäftsführung — ohne Sponsoring für die ersten beiden unvermeidlichen Eskalationen (Stammaussteller, die protestieren) funktioniert die Einführung nicht

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter 60–80 Ausstellern. Bei kleineren Messen überwiegt der Einrichtungsaufwand den Nutzen deutlich. Manuelle Planung mit einer strukturierten Checkliste für Wettbewerber-Proximity ist effizienter. Der Break-Even liegt bei regelmäßig mehr als 100 Ausstellern.

2. Keine historischen Besucherstromdaten und kein Budget für Sensor-Infrastruktur. Ohne räumliche Frequenzdaten kann das System nur nach thematischen Kriterien clustern — das ist wertvoller als reine Anciennität, aber kein vollständiges Matching. Wer das System in dieser Konfiguration einführt, muss die begrenzte erste Saison kommunizieren.

3. Mehr als 50 Prozent der Ausstellerfläche ist durch informelle oder vertragliche Reservierungen gebunden. Wenn der Algorithmus weniger als die Hälfte der Standfläche tatsächlich empfehlen kann, weil der Rest ohnehin vergeben ist, rechnet sich der Aufwand nicht. Bevor ihr das System einführt, müsst ihr die Governance klären: Welche Flächenanteile sollen algorithmusbasiert vergeben werden?

Das kannst du heute noch tun

Fang nicht mit dem Algorithmus an. Fang mit der Taxonomie an.

Öffne deine Ausstellerliste aus dem letzten Jahr. Wie sind die Aussteller kategorisiert? Gibt es einheitliche Produktkategorien, oder jeder Aussteller hat seinen eigenen Freitext? Wie viele Kategorien gibt es, und überlappen sie sich sinnvoll?

Dieser Schritt — eine einheitliche Ausstellertaxonomie zu entwickeln — ist der tatsächliche Flaschenhals für jedes Matching-System, und er kostet nur Zeit und Gesprächsrunden mit dem Vertriebsteam. Du kannst ihn heute starten, ohne Budget und ohne Technologie.

Wenn die Taxonomie steht, hast du auch schon das erste Werkzeug für den folgenden Prompt:

Quellen & Methodik

• UFI Global Exhibition Industry Statistics 2025: https://www.ufi.org/reports/global-exhibition-industry-statistics-may-2025/ — 4,7 Millionen Aussteller, 318 Millionen Besucher, €368 Milliarden wirtschaftliche Wirkung in 2024. Basis für Größenordnungsangaben zur Messewirtschaft.
• MapYourShow MYS Insights — Rebooking-Algorithmus: https://blog.mapyourshow.com/blog/rebooking-and-booth-sales-strategies-that-drive-results — Eigendarstellung des MYS-Algorithmus mit 50–75% Genauigkeit bei Rebooking-Prognosen. Verwendete Quelle für Genauigkeits-Einordnung.
• ExpoFP Preisstruktur: https://expofp.com/pricing — Verifizierte Tarife Stand April 2026. Basis für Kostenangaben in der Sektion “Was es kostet”.
• Messerechtliche Einordnung (Standplatzvergabe): Eventfaq.de und Jansen & Jansen Rechtsanwälte — Überblick zu GewO §70 und Rechten bei Standplatzvergabe. Nicht primäre Quelle, aber Kontext für den Abschnitt zur Wettbewerbsdynamik.
• Planungsaufwand und Eskalationsdaten: Erfahrungswerte aus Projektberichten mitteleuropäischer Messeveranstalter (nicht repräsentative Stichprobe). Keine extern belegte Statistik.

Du planst, Aussteller-Matching in deiner nächsten Veranstaltung einzusetzen und willst wissen, welche Daten ihr jetzt schon sammeln solltet, um in zwei Saisons ein sinnvolles Modell zu haben? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.