Stornierungsrisikoprognose

Das echte Ausmaß des Problems

In der deutschen Hotellerie und bei Reiseveranstaltern liegen die Stornierungsquoten je nach Segment zwischen 15 und 40 Prozent aller Buchungen. Laut einer Studie des Hotel Booking Trend Reports 2024 von SiteMinder werden bei OTA-Buchungen (Booking.com, Expedia) knapp 40 Prozent der Umsätze wieder storniert — nur Direktbuchungen schneiden mit etwa 17 Prozent deutlich besser ab. Deutschland liegt mit einer Stornoquote von 17,74 Prozent im europäischen Vergleich zwar günstiger, aber für ein Berghotel mit 80 Zimmern bedeutet das in der Hochsaison trotzdem 25 bis 40 Stornierungen pro Monat — manche davon 48 Stunden vor der Anreise. In diesem Moment ist eine Wiederbelegung des Zimmers oft nicht mehr möglich. Der entgangene Umsatz pro Last-Minute-Stornierung: 150 bis 400 Euro, je nach Zimmertyp und Saison.

Das rechnerische Problem ist, dass Stornierungen nicht gleichmäßig verteilt sind. Wer eine Buchung sechs Monate im Voraus macht und flexibel stornieren kann, ist ein statistisch höheres Risiko als jemand, der drei Wochen vor Anreise bucht und dabei eine nicht-erstattbare Rate wählt. Diese Risikomuster existieren in den Buchungsdaten — sie werden nur selten systematisch ausgewertet.

Ein weiteres Problem ist der Overbooking-Balanceakt: Hotels und Reiseveranstalter können theoretisch mehr Buchungen annehmen als Kapazitäten vorhanden sind (kalkuliertes Overbook), wenn die erwartete Stornierungsquote bekannt ist. Wer diese Quote falsch einschätzt — zu niedrig oder zu hoch — läuft entweder Gefahr, Gäste ablehnen zu müssen, oder mit Leerstand in die Saison zu gehen. Eine präzise Stornierungsprognose ist damit direkt mit dem Revenue Management verknüpft.

So funktioniert es in der Praxis

Schritt 1 — Historische Stornierungsmuster analysieren Das Modell wird auf Basis historischer Buchungsdaten der letzten zwei bis drei Saisons trainiert: Welche Buchungsmerkmale korrelieren mit Stornierungen? Buchungszeitpunkt (zu weit im Voraus?), Buchungskanal (OTA-Buchungen weisen höhere Stornierungsquoten auf als Direktbuchungen), Zahlungstyp (flexibel vs. nicht erstattbar), Buchungsklasse, Kundenprofil (Erstbucher vs. Stammgast), Wetterlage zum Reisezeitpunkt.

Schritt 2 — Echtzeit-Scoring aktiver Buchungen Das System berechnet täglich für alle aktiven Buchungen einen Stornierungswahrscheinlichkeits-Score. Buchungen über 60 Prozent Stornierungswahrscheinlichkeit werden priorisiert — für proaktive Kommunikation, für Upsell-Angebote oder für die Overbooking-Kalkulation. Der Score aktualisiert sich automatisch, wenn neue Signale einlaufen (z.B. keine Reaktion auf Erinnerungsmail, veränderte Außentemperaturprognose).

Schritt 3 — Proaktive Maßnahmen auslösen Buchungen mit hohem Stornierungsrisiko lösen automatisch definierte Aktionen aus: eine freundliche Erinnerungsmail mit ergänzenden Informationen zur Anreise, ein Upgrade-Angebot zu vergünstigtem Preis (erhöht die emotionale Bindung), eine Kontaktaufnahme durch den Kundenservice. Ziel ist, die Buchung zu sichern — bevor die Stornierung eintrifft.

Welche Tools passen hierzu

Revinate — Spezialisierte Plattform für Hotel-Revenue-Management und Gästekommunikation mit integrierten Stornierungsrisiko-Modellen. Verknüpft Buchungsdaten mit Gästehistorie und ermöglicht automatische Segmentkampagnen für gefährdete Buchungen. Preise auf Anfrage.

Duetto — Revenue-Management-Plattform mit ML-basierter Nachfrageprognose und Stornierungsrisikoanalyse. Besonders stark für Hotels und Hotelketten, die Revenue-Optimierung und Risikosteuerung in einem System wollen. Enterprise-Preise.

Cloudbeds — Hotelmanagement-Plattform mit integrierter Analytics-Suite, die Stornierungsmuster auswerten kann. Für kleinere und mittlere Hotels mit breiterem Funktionsumfang als reine Revenue-Tools. Ab ca. 100 Euro/Monat.

Power BI — Wenn Buchungsdaten aus dem PMS exportiert werden können, lässt sich in Power BI ein Stornierungsrisiko-Dashboard aufbauen, das historische Muster visualisiert und Risikogruppen identifiziert. Keine KI-Automatisierung, aber solide Analyse-Basis. Ab 9 Euro/Nutzer/Monat.

Make.com — Für die Automatisierung von Maßnahmen bei erkannten Risikobuchungen: Wenn das Scoring ein Risiko meldet, kann Make.com automatisch E-Mails, CRM-Einträge oder Aufgaben im Reservierungssystem auslösen. Ab 9 Euro/Monat.

ChatGPT — Für die Entwicklung und den Test von Kommunikationsvorlagen für Risikobuchungen: ChatGPT kann personalisierten E-Mail-Text für verschiedene Risikogruppen generieren, der dann manuell oder automatisch versandt wird.

Was es kostet — realistisch gerechnet

Einstieg (Manuelle Analyse + Kommunikationsautomatisierung)

• Power BI (9 Euro/Nutzer/Monat) + Make.com (9–16 Euro/Monat) + ChatGPT (20 Euro/Monat)
• Einrichtungsaufwand: 3–5 Tage für Dashboard-Aufbau und E-Mail-Automation
• Voraussetzung: Buchungsdaten der letzten 2 Jahre als Export verfügbar
• Erwarteter Effekt: 15–25 Prozent Reduktion der Last-Minute-Stornierungen durch proaktive Kommunikation

Skaliert (Dediziertes Revenue-Management-System)

• Revinate oder Cloudbeds: 100–500 Euro/Monat je nach Hotelaröße
• Einrichtungsaufwand: 5–10 Tage inkl. Datenintegration und Modell-Kalibrierung
• Erwarteter Effekt: 20–35 Prozent Stornierungsreduktion, optimiertes Overbooking-Management

ROI-Beispiel: Hotel mit 60 Zimmern, durchschnittliche Auslastung 70 Prozent, aktuelle Last-Minute-Stornierungsquote 18 Prozent (entspricht dem deutschen Durchschnitt laut SiteMinder 2024). Durchschnittliche Zimmerrate 120 Euro (Benchmark: bundesdeutsche Stadthotels erreichten 2024 im Sommer bis zu 192 Euro ADR). Jährliche Last-Minute-Stornierungen: ca. 1.000. Reduktion um 25 Prozent = 250 Zimmernächte gesichert × 120 Euro = 30.000 Euro zusätzlicher Umsatz bei Tool-Kosten von 2.000–6.000 Euro/Jahr.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Daten-Audit	Woche 1	Buchungshistorie der letzten 2–3 Jahre auf Vollständigkeit prüfen	Stornierungsursachen nicht dokumentiert — Modell kann nur Buchungsmerkmale analysieren
Analyse & Mustererkennung	Woche 2–3	Stornierungsmuster identifizieren, Hochrisiko-Segmente definieren	Zu kleiner Datensatz (<500 Buchungen) für belastbare Muster
Kommunikationstemplates entwickeln	Woche 3–4	E-Mail-Texte für verschiedene Risikogruppen und Intervalle erstellen	Zu werblicher Ton — Erinnerungsmails sollten serviceorientiert wirken
Automatisierung einrichten	Woche 4–6	Make.com-Workflows für automatische Mailings bei erkanntem Risiko aufsetzen	PMS-Schnittstelle nicht offen — manuelle Datenübergabe als Übergangslösung
Kalibrierung & Messung	Ab Monat 2	Stornierungsquoten vor/nach Maßnahmen vergleichen, Schwellenwerte anpassen	Konfundierung mit saisonalen Effekten — Messzeitraum mind. 3 Monate

Häufige Einwände

„Wir können Stornierungen durch höhere Gebühren reduzieren — das braucht keine KI.” Höhere Stornierungsgebühren schrecken auch die ab, die tatsächlich buchen würden. Proaktive Kommunikation mit Hochrisiko-Buchungen ist wirksamer: Ein Upgrade-Angebot oder eine freundliche Erinnerung mit zusätzlichem Mehrwert erhöht die Bindung, ohne neue Buchungen zu verhindern.

„Wir haben nicht genug historische Daten für ein Modell.” Unter 500 historischen Buchungen lohnt sich ein ML-Modell noch nicht. Aber schon eine einfache Segmentierung (OTA-Buchung + flexible Rate + Buchung > 6 Monate im Voraus = Hochrisiko) bringt 60 Prozent des Nutzens eines vollständigen Modells — ohne technischen Aufwand.

„Unsere Gäste wollen keine Mails von uns vor der Anreise.” Relevante, nützliche Kommunikation wird nicht als störend wahrgenommen. Eine Mail eine Woche vor Anreise mit Tipps, Wetterbericht und einem optionalen Zimmer-Upgrade ist kein Spam — es ist Service. Die Öffnungsraten für Pre-Stay-E-Mails liegen laut Revinate-Benchmarks bei 40 bis 60 Prozent, deutlich über normalen Marketing-Mails.