Stornierungsrisikoprognose mit KI

Das echte Ausmaß des Problems

Zu Stornoquoten in der deutschen Hotellerie kursieren viele Zahlen, eine öffentlich einsehbare, belastbare Erhebung haben wir nicht gefunden. Klar ist die Richtung: Buchungen über Portale mit kostenloser Stornierung werden häufiger storniert als Direktbuchungen mit nicht erstattbarer Rate. Deine eigene Quote je Kanal steht im PMS, und sie ist die einzige Zahl, die für deine Rechnung zählt.

Teuer sind nicht alle Stornierungen, sondern die späten: 48 Stunden vor Anreise oder weniger, wenn niemand mehr nachbucht. Im Beispiel oben waren das drei Zimmernächte zu je 220 Euro.

Das rechnerische Problem: Stornierungen sind nicht gleichmäßig verteilt. Eine Buchung sechs Monate im Voraus mit flexibler Stornierung 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 selten systematisch ausgewertet.

Hinzu kommt der Overbooking-Balanceakt: Hotels und Reiseveranstalter können theoretisch mehr Buchungen annehmen als Kapazität vorhanden ist, wenn die erwartete Stornierungsquote bekannt ist. Wer diese Quote falsch einschätzt, 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.

Das Preis-Paradox: Höhere Stornierungsgebühren schrecken auch die ab, die tatsächlich buchen würden. Proaktive Kommunikation mit Risikobuchungen ist rechtlich unkomplizierter als Strafgebühren. Für Pauschalreisen legt § 651h BGB ohnehin fest, dass der Veranstalter beim Rücktritt des Reisenden nur eine angemessene Entschädigung verlangen darf, keinen beliebigen Aufschlag.

Mit vs. ohne KI, ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Der Hauptwert dieses Use Cases liegt in Umsatzsicherung, nicht in Zeitgewinn. Das Team muss auf Risikohinweise reagieren, das erzeugt eher Aufwand als es Zeit spart. Im Tourismus-Vergleich einer der schwächeren Zeiteffekte.

Kosteneinsparung, hoch (4/5) Der Wert liegt im gesicherten Deckungsbeitrag, nicht im Zimmerpreis. Von 120 Euro bleiben nach OTA-Provision und Reinigung rund 70 bis 82 Euro je geretteter Nacht (Rechnung unten). Die Einstiegswerkzeuge kosten rund 35 Euro plus 9 USD im Monat und sind schon mit etwa sieben geretteten Nächten im Jahr bezahlt. Wie viele Nächte es wirklich werden, belegt keine Studie, deshalb keine 5.

Schnelle Umsetzung, niedrig (2/5) Dieser Use Case braucht Anlaufzeit: Buchungshistorie aufbereiten, Risikomuster identifizieren, Modell kalibrieren, Kommunikationsworkflows aufbauen. Realistisch sind 4–8 Wochen bis zu ersten belastbaren Ergebnissen. Wer keine 2 Jahre Buchungshistorie hat, bekommt kein verlässliches Modell.

ROI-Sicherheit, hoch (4/5) Die Wirkung ist messbar, wenn du sauber vergleichst: Jede zweite markierte Buchung bekommt die Serviceerinnerung, die andere Hälfte nicht. Ein reiner Vorher-Nachher-Vergleich vermischt den Effekt mit Saison, Preisstrategie und Kanalmix. Mit Vergleichsgruppe eine solide Messgrundlage.

Skalierbarkeit, mittel (3/5) Das Modell skaliert mit Buchungsvolumen gut, mehr Buchungen bedeuten mehr Trainingsdata und bessere Prognosen. Aber das Modell muss regelmäßig kalibriert werden, wenn sich Buchungsverhalten oder Kanalstruktur ändert. Kein reines Set-and-Forget.

Richtwerte, stark abhängig von Buchungsvolumen, Kanalstruktur und Datensatz-Qualität.

Was das System konkret macht

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 vs. Direkt), Zahlungstyp (flexibel vs. nicht erstattbar), Buchungsklasse, Gästeprofil (Erstbucher vs. Stammgast), Lead-Time.

Schritt 2, Echtzeit-Scoring aktiver Buchungen: Das System berechnet täglich für alle aktiven Buchungen einen Stornierungswahrscheinlichkeits-Score zwischen 0 und 100 Prozent. Buchungen über einem definierten Schwellenwert (z. B. über 60 Prozent) werden priorisiert, für proaktive Kommunikation, Upsell-Angebote oder Overbooking-Kalkulation.

Schritt 3, Automatische Maßnahmen auslösen: Buchungen mit hohem Stornierungsrisiko lösen 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: Buchung sichern, bevor die Stornierung eintrifft.

Konkrete Werkzeuge, was wann passt

Revinate ist eine Hotel-CRM- und Direktmarketing-Plattform: Sie verbindet PMS-Daten mit E-Mail-Kampagnen vor, während und nach dem Aufenthalt. Ein Stornierungsmodell beschreibt der Anbieter nicht. Revinate ist hier das Werkzeug für die Maßnahme, die Pre-Stay-Mail an markierte Buchungen, nicht für die Prognose. Preise auf Anfrage.

Cloudbeds ist ein PMS für unabhängige Hotels mit eigenem KI-Modell (Signals) für Nachfrageprognose und Preisvorschläge. Einen Stornierungs-Score je Buchung nennt unsere Toolseite nicht; die Stornoquote je Kanal liefern die Berichte. Preise auf Anfrage, nach Marktberichten ab etwa 100 USD im Monat.

Power BI ermöglicht den Aufbau eines Stornierungsrisiko-Dashboards aus PMS-Exporten, keine KI-Automatisierung, aber solide Analyse-Basis für manuelle Priorisierung. Pro kostet 12,10 Euro je Nutzer und Monat (jährliche Abrechnung, zzgl. MwSt.), für jede Person, die das Dashboard ansieht.

Make.com automatisiert die Maßnahmen nach erkanntem Risiko: Wenn das Scoring eine Risikobuchung meldet, kann Make.com automatisch E-Mails, CRM-Einträge oder Aufgaben im Reservierungssystem auslösen. Ab 9 USD im Monat (Core, jährliche Zahlung).

ChatGPT hilft bei der Entwicklung der Kommunikationsvorlagen für Risikobuchungen, personalisierter E-Mail-Text für verschiedene Risikogruppen (OTA-Erstbucher, Last-Minute-Flexible-Rate, etc.) in Minuten generiert.

Datenschutz und Datenhaltung

Stornierungsrisiko-Modelle verarbeiten Buchungs- und Gästeprofildaten, hier gelten besondere DSGVO-Anforderungen:

• Automatisierte Entscheidungen: Art. 22 DSGVO betrifft Entscheidungen, die allein automatisiert fallen und Gäste rechtlich oder ähnlich erheblich beeinträchtigen. Eine Serviceerinnerung ist das nicht. Anders, wenn der Score Konditionen verschlechtert, etwa eine Vorauszahlung verlangt oder eine Buchung ablehnt: Dann lass einen Menschen entscheiden, sonst brauchst du eine der Ausnahmen aus Art. 22 Abs. 2, und die Datenschutzinformation muss den Score erwähnen.
• Buchungsdaten-Verarbeitung: Die Analyse historischer Buchungsdaten zur Mustererkennung ist zulässig, wenn sie für legitime Betriebszwecke (Revenue Management) erfolgt. Rechtsgrundlage: berechtigtes Interesse (Art. 6 Abs. 1 lit. f DSGVO) oder Vertragserfüllung.
• Externe Tools: Bei Übermittlung von Buchungsdaten an externe Systeme (Revinate, Power BI Cloud) ist ein AVV (Auftragsverarbeitungsvertrag) nach Art. 28 DSGVO zwingend. Alle genannten Anbieter bieten Standard-AVVs an.
• Gästeprofile: Keine sensiblen Kategorien nach Art. 9 DSGVO (Gesundheit, Religion etc.) in die Risikomodelle aufnehmen, nur Buchungsverhaltensdaten.

Was es kostet, realistisch gerechnet

Einstieg (Manuelle Analyse + Kommunikationsautomatisierung):

• Power BI Pro (12,10 Euro je Nutzer und Monat, für jede Person, die das Dashboard ansieht) + Make.com (9 bis 16 USD im Monat) + ChatGPT Plus (23 Euro im Monat), mit einem Pro-Nutzer zusammen 35,10 Euro plus 9 USD im Monat
• Einrichtungsaufwand: 3–5 Tage für Dashboard-Aufbau und E-Mail-Automation
• Voraussetzung: Buchungsdaten der letzten 2 Jahre als Export verfügbar
• Effekt auf die Stornoquote: nicht belegt, mit Vergleichsgruppe messen (siehe Rechnung)

Skaliert (Dediziertes Revenue-Management-System mit Stornierungsmodul):

• Revinate für die Gästekommunikation: Preis auf Anfrage; Cloudbeds als PMS: Preis auf Anfrage, nach Marktberichten ab etwa 100 USD im Monat
• Einrichtungsaufwand: 5–10 Tage inkl. Datenintegration und Modell-Kalibrierung
• Effekt: bessere Datengrundlage für Overbooking-Entscheidungen; die Stornoquote misst du wie oben

Rechnung mit Deckungsbeitrag statt Zimmerpreis: Hotel mit 60 Zimmern, Auslastung 70 Prozent, Zimmerpreis 120 Euro. Angenommen, 1.000 Zimmernächte im Jahr gehen durch Stornierungen verloren, die zu spät für eine Wiederbelegung kommen; deine echte Zahl steht im PMS.

Eine gerettete Nacht bringt nicht 120 Euro. Das Modell markiert vor allem OTA-Buchungen, und bei denen gehen 15 bis 25 Prozent Provision ab, dazu Reinigung und Wäsche, hier angenommen 20 Euro. Es bleiben 120 mal 0,75 bis 0,85 minus 20, also 70 bis 82 Euro Deckungsbeitrag je Nacht.

Wie viele der 1.000 Nächte proaktive Kommunikation rettet, weiß niemand vorher, eine unabhängige Studie dazu kennen wir nicht. Rettet sie jede zehnte, sind das 100 Nächte mal rund 75 Euro, also rund 7.500 Euro Deckungsbeitrag im Jahr. Davon gehen ab: die Werkzeuge (Einstieg 12 mal 35,10 Euro plus 12 mal 9 USD) und die Kosten der Maßnahmen selbst, also Upgrade-Rabatte und Anrufe, auch bei Gästen, die ohnehin gekommen wären. Die Werkzeuge allein sind mit rund sieben geretteten Nächten im Jahr bezahlt. Ob du darüber liegst, zeigt dir nach einer Saison die Vergleichsgruppe.

Drei typische Einstiegsfehler

Fehler 1, Zu kleiner Datensatz für belastbare Muster. Unter 500 historischen Buchungen, besonders wenn nicht alle mit Stornierungsstatus dokumentiert sind, lohnt sich ein ML-Modell nicht. Hier ist eine einfache Segmentierung (OTA + flexible Rate + mehr als 6 Monate Vorlauf = Hochrisiko) sinnvoller und liefert oft schon die wichtigste Erkenntnis, ohne technischen Aufwand.

Fehler 2, Zu werblicher Ton in der Erinnerungskommunikation. Wenn die proaktive E-Mail an Risikobuchungen sich wie Werbung anfühlt, erreicht sie das Gegenteil: Gäste erinnern sich daran, dass sie buchen wollten, und stornieren dann doch. Service-orientierte Kommunikation (Anreiseinformationen, Wetteraussichten, nützliche Tipps) ist wirksamer als offensichtliche Retention-E-Mails.

Fehler 3, COVID-Jahre in der Trainingsbasis nicht herausfiltern. 2020 und 2021 hatten historisch einmalig hohe Stornierungsquoten und atypische Buchungsmuster. Wenn diese Jahre nicht als Ausreißer behandelt werden, verzerren sie das Modell erheblich. Trainingsdaten ab 2022 verwenden, 2019 nur, wenn sich Kanäle und Raten seitdem kaum verändert haben.

Was mit der Einführung wirklich passiert, und was nicht

Was passiert: Das erste Ergebnis ist oft überraschend einfach: Du erkennst, dass ein bestimmter Buchungskanal (z. B. ein bestimmtes OTA) konsistent höhere Stornierungsquoten hat als andere. Das allein, ohne jedes KI-Modell, erlaubt dir, Preisstrategien je Kanal zu differenzieren oder gezieltere Direktbuchungsanreize zu setzen.

Was nicht passiert: Das System storniert keine Buchungen weg. Es gibt dir 14–21 Tage Vorlauf, proaktiv zu handeln. Was du mit dem Score machst, liegt bei dir.

Typischer Widerstand: Reservierungsleiter, die das Modell nicht vertrauen, weil es einer Buchung einen hohen Stornierungsscore gibt, die intuitiv sicher wirkt. Das ist ein guter Moment: Prüft den Fall, findet die Erklärung im Modell, und entscheidet dann bewusst. Mit der Zeit steigt das Vertrauen in Scorings, die mit der eigenen Erfahrung konsistent sind.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir haben nicht genug historische Daten für ein Modell.” Unter 500 Buchungen lohnt sich ein vollständiges ML-Modell nicht, stimmt. Aber eine einfache Segmentierung nach Kanal und Zahlungstyp zeigt oft schon, wo das Risiko sitzt, ohne technischen Aufwand. OTA + flexible Rate = Hochrisiko ist keine KI, aber es ist ein Anfang.

„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 Wetterbericht, Anreisetipps und einem optionalen Zimmer-Upgrade ist kein Spam. Ob deine Gäste sie lesen, zeigen die ersten Wochen. Zähl dabei Klicks und Antworten, nicht Öffnungen: Seit Apples Mail-Datenschutz melden viele Postfächer Öffnungen, die nie stattgefunden haben.

Woran du merkst, dass das zu dir passt

Das lohnt sich für dich, wenn:

• Du mindestens 500 Buchungen mit vollständigem Stornierungsstatus in deinem PMS hast
• Deine OTA-Stornierungsquote über 20 % liegt
• Du Last-Minute-Stornierungen (24–72 Stunden vor Anreise) in nennenswertem Umfang erlebst
• Du bereit bist, eine proaktive Kommunikationsstrategie aufzubauen, das Modell allein rettet keine Buchung

Noch nicht das Richtige, wenn:

• Dein Buchungsvolumen unter 250 Buchungen im Jahr liegt, dann kommen in zwei Jahren keine 500 Buchungen für belastbare Muster zusammen
• Du hauptsächlich Direktbuchungen mit fester Rate hast, hier ist das Stornierungsrisiko bereits strukturell niedrig
• Dein PMS-System keine Exportfunktion für historische Buchungsdaten hat

Das kannst du heute noch tun

Exportiere aus deinem Buchungssystem die letzten 24 Monate Buchungsdaten (inkl. Stornierungsstatus). Lade die Monatsaggregation (Buchungen pro Kanal, Stornierungsquote pro Kanal) in das folgende Prompt-Template und erhalte eine erste Risikostruktur-Analyse.

Quellen & Methodik

• § 651h BGB: Rücktritt des Reisenden vor Reisebeginn, der Veranstalter darf eine angemessene Entschädigung verlangen.
• Art. 22 DSGVO: Automatisierte Einzelentscheidungen und ihre Ausnahmen.
• Preise: laut unseren Toolseiten, Stand September 2026; die Werkzeuge sind im Text verlinkt.
• Eigene Annahmen: 1.000 späte Stornonächte, 15 bis 25 Prozent OTA-Provision, 20 Euro Reinigung je Nacht und die Rettungsquote von einem Zehntel sind Rechenannahmen, keine Messwerte. Eine unabhängige Studie zur Wirkung proaktiver Kommunikation auf Stornoquoten kennen wir nicht.