Demand Forecasting für Reiseveranstalter

Das echte Ausmaß des Problems

Ein Bustouristik-Unternehmen mit 15 Fahrzeugen steht vor einer konkreten Planungsfrage: Wie viele Busse sollen im Juli für welche Reisekategorien verfügbar sein? Falsch geplant in beide Richtungen: Zu viel Kapazität im falschen Segment bedeutet Leerfahrten und Fahrerzeiten ohne Ertrag. Zu wenig bedeutet, dass profitable Buchungen abgelehnt werden müssen.

Die klassische Antwort ist Erfahrung: „Letztes Jahr war die Toskana stark.” Das funktioniert in stabilen Märkten, aber Tourismus ist von Effekten abhängig, die nicht aus dem Vorjahr extrapolierbar sind: Wetterprognosen für beliebte Destinationen, das Programm großer Events (Kirchentag, Bundesgartenschau), Konkurrenzangebote, Währungsentwicklungen. Wer nur auf historische Muster schaut, verpasst diese Signale systematisch.

Wie viel Fehlplanung kostet, dazu haben wir keine belastbare Branchenzahl gefunden. Die zwei Zahlen, auf die es ankommt, stehen aber in deinem eigenen System: Wie viele Anfragen musstest du letzte Saison mangels Kapazität ablehnen? Und wie viele Plätze sind leer gefahren, wie viele Termine wurden mangels Teilnehmern abgesagt? In einem Segment mit dünnen Margen entscheiden diese beiden Zahlen oft darüber, ob eine Saison trägt.

Mit vs. ohne KI, ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis, niedrig (1/5) Demand Forecasting erzeugt eher zusätzlichen Planungsaufwand als es Zeit spart. Du analysierst Prognosen, hinterfragst Abweichungen, pflegst externe Signale ein. Kein direkter Zeitgewinn, dafür bessere Entscheidungsqualität. Gemeinsam mit dem CO2-Tracking der schwächste Zeiteffekt im Tourismus-Vergleich.

Kosteneinsparung, mittel (3/5) Der Hebel kann spürbar sein: weniger leere Plätze und mehr erfüllte Anfragen. Wie groß er ist, weißt du erst, wenn du abgelehnte Anfragen und leere Plätze der letzten Saison zählst; eine belastbare Branchenzahl gibt es nicht. Und mit fester Flotte verschiebt die Prognose Kapazität zwischen Segmenten, sie schafft keine neue. Deshalb deutlich unter dem Revenue Management, das direkter messbar ist.

Schnelle Umsetzung, niedrig (1/5) Zusammen mit dem Destinationsmarketing und der Überfüllungsvorhersage der aufwendigste Einstieg in diesem Branch: mindestens 3 Jahre saubere Buchungshistorie, bei längeren Reihen die Bereinigung der Pandemiejahre, 6–8 Wochen bis zu ersten belastbaren Prognosen. Für Anbieter mit weniger als 50 Buchungen pro Monat lohnt es sich noch gar nicht. Kein Einstieg für den ersten KI-Use-Case.

ROI-Sicherheit, mittel (3/5) Der Effekt ist über Kapazitätsauslastungsvergleiche messbar, aber saisonale Einflüsse und Marktveränderungen konfundieren die Messung. Über mehrere Saisons wird die Verbesserung sichtbar; nach einer Saison ist die Datenbasis noch zu dünn für klare Aussagen.

Skalierbarkeit, hoch (5/5) Einer der stärksten Skalierungseffekte in der Branche: Mehr Buchungsdaten bedeuten stabilere Modelle. Wenn ein Unternehmen wächst, verbessert sich die Prognosequalität automatisch mit. Zudem ist der Mehraufwand für jede weitere Destination oder jeden weiteren Reisetyp marginal.

Richtwerte, stark abhängig von Datenbasis, Buchungsvolumen und Qualität der externen Signale.

Was das System konkret macht

Schritt 1, Historische Buchungsdaten strukturieren: Das Modell nutzt Buchungshistorie der letzten drei bis fünf Jahre als Trainingsbasis: Wann wurden welche Reisekategorien wie stark nachgefragt? Was war die Lead-Time für verschiedene Reisetypen? Welche saisonalen Muster sind stabil, welche schwanken? Aus diesen Daten entsteht eine Basislinie. Wichtig: Reicht die Historie bis in die Pandemiejahre 2020 und 2021 zurück, müssen sie als Ausreißer behandelt werden, sonst verzerren sie das Modell erheblich.

Schritt 2, Externe Signale integrieren: Das Modell wird um externe Datenquellen ergänzt: Ferientermine (Bundesland-spezifisch, Bayern und NRW haben unterschiedliche Muster), Eventkalender für beliebte Destinationen, Google Trends für Reisesuchbegriffe, Wetter-Langzeitprognosen. Ob diese Signale die Prognose verbessern, musst du testen. In der bislang größten Vergleichsstudie zu Tourismusprognosen (Athanasopoulos, Hyndman, Song und Wu, 2011, 1.311 Zeitreihen) lieferten reine Zeitreihenverfahren genauere Prognosen als Modelle mit zusätzlichen erklärenden Variablen, und bei Jahresdaten waren naive Vorjahresprognosen schwer zu schlagen. Ferientermine, die sich jedes Jahr verschieben, können trotzdem helfen. Nimm ein Signal nur auf, wenn es im Test gegen die letzte Saison etwas bringt.

Schritt 3, Kapazitätsempfehlungen: Das System gibt strukturierte Empfehlungen: Welche Routen sollten für welche Zeiträume wie viel Kapazität erhalten? Wann sollten Frühbucher-Angebote gestoppt werden, weil die Nachfrage über Erwartung liegt? Die Empfehlungen fließen als Entscheidungshilfe in die operative Planung ein, nicht als automatischer Durchgriff.

Konkrete Werkzeuge, was wann passt

Power BI ermöglicht den Aufbau eines eigenen Demand-Dashboards auf Basis historischer Buchungsdaten. Mit Power BI Forecasting-Funktionen lassen sich einfache Zeitreihenprognosen erstellen, kein ML-Modell, aber deutlich besser als reine Saisonschätzung. Pro kostet 12,10 Euro je Nutzer und Monat (jährliche Abrechnung, zzgl. MwSt.), für jede Person, die das Dashboard ansieht.

Julius AI eignet sich für explorative Analysen ohne BI-Setup: Buchungshistorie als CSV hochladen, natürlichsprachig analysieren lassen. Gut als erster Analyse-Schritt, bevor ein vollständiges Dashboard aufgebaut wird. Plus kostet 20 USD im Monat, 16 USD bei Jahreszahlung.

ChatGPT hilft bei der Integration externer Signale: Google Trends-Daten, Eventkalender und Ferienpläne als Kontext einbinden und eine Prognose-Einschätzung für die nächste Saison erhalten. Kein automatisches Modell, aber gut für quartalsweise Planungsvorbereitung.

Gemini bietet mit Google-Spreadsheets-Integration eine einfachere Alternative zu Power BI für kleinere Reiseveranstalter: Buchungsdaten direkt in Sheets auswerten, Trendlinien extrapolieren.

Make.com automatisiert die Datenpipeline: Regelmäßig aktuelle Buchungszahlen aus dem Reservierungssystem exportieren und in ein Analyse-Dashboard einspeisen, damit ist die Datenbasis für Prognosen immer aktuell.

Prophet ist eine kostenlose Open-Source-Bibliothek von Meta für saisonale Zeitreihen mit Feiertagseffekten. Sie liefert Prognosen mit Unsicherheitsbereich, braucht aber jemanden, der sie in Python einrichtet und pflegt, intern oder über einen Dienstleister.

Duetto taucht in Anbieterlisten für Demand Forecasting oft auf, ist aber ein Revenue-Management-System für Hotels und Resorts: Es plant Zimmer, keine Busse und Sitzplätze. Für Bustouristik passt es nicht.

Datenschutz und Datenhaltung

Demand Forecasting arbeitet mit aggregierten Buchungsstatistiken, keine personenbezogenen Gästedaten. Das macht diesen Use Case datenschutzrechtlich unkompliziert.

Relevante Punkte:

• Buchungsdaten-Export: Wenn Daten aus dem PMS in externe Analyse-Tools (Power BI Cloud, Julius AI) übermittelt werden, ist ein AVV nach Art. 28 DSGVO nötig, sofern auch Namen oder Kontaktdaten im Export enthalten sind. Bei reinen Buchungsstatistiken (Datum, Kategorie, Anzahl) kein Personenbezug.
• Externe Signal-APIs: Google Trends, Ferienpläne und Wetterdaten sind öffentliche, nicht-personenbezogene Daten, keine DSGVO-Anforderung.
• Cloud-Hosting: Julius AI verarbeitet Daten in den USA. Sobald personenbezogene Daten im Export stecken, brauchst du eine Grundlage für den Transfer, etwa Standardvertragsklauseln oder eine Zertifizierung des Anbieters unter dem EU-US Data Privacy Framework. Reine Monatszahlen je Kategorie betrifft das nicht.

Was es kostet, realistisch gerechnet

Einstieg (Basis-Saisonanalyse mit Julius AI):

• Julius AI Plus: 20 USD im Monat (16 USD bei Jahreszahlung)
• Einrichtungsaufwand: 1–2 Tage für Buchungshistorie-Aufbereitung
• Effekt: Strukturierte Saisonanalyse, Lead-Time-Muster, Basis für bessere Kapazitätsentscheidungen

Skaliert (Power BI Dashboard + externe Signale):

• Power BI Pro: 12,10 Euro/Nutzer/Monat (Premium Per User mit größeren Modellen und häufigeren Aktualisierungen 20,80 Euro)
• Make.com für Datenpipeline: 9 bis 16 USD im Monat
• Einrichtungsaufwand: 5–8 Tage
• Effekt: monatliche Prognosen, deren Abweichung du kennst, weil du sie gegen die letzte Saison getestet hast

Rechnung mit deinen eigenen Zahlen: Eine Branchenzahl, wie viel Marge Fehlplanung in der Bustouristik kostet, haben wir nicht. Rechne deshalb mit zwei Zahlen aus deinem System. Ein Beispiel mit Annahmen: Ralf musste letzte Saison 12 Gruppenanfragen mangels Bus ablehnen, und eine Reise bringt ihm nach Hotel, Fahrer, Diesel und Maut rund 1.500 Euro Deckungsbeitrag. Dazu kamen 3 Termine, die er mangels Teilnehmern absagen musste, mit je rund 800 Euro Stornokosten bei Hotels und Leistungsträgern. Zusammen: 12 mal 1.500 Euro plus 3 mal 800 Euro, also 20.400 Euro im Jahr, die schlechte Planung ihn höchstens kostet.

Eine Prognose holt davon nur einen Teil zurück: Mit 15 Bussen verschiebt sie Kapazität zwischen Segmenten, sie schafft keine neue. Holt sie ein Viertel zurück, sind das rund 5.100 Euro im Jahr.

Dem stehen die Werkzeuge gegenüber, Power BI Pro für 12 mal 12,10 Euro im Jahr und Make.com für 12 mal 9 bis 16 USD, dazu 5 bis 8 Tage Einrichtung.

Absagen kannst du unterbuchte Pauschalreisen übrigens nur, wenn im Vertrag eine Mindestteilnehmerzahl steht und du die Frist aus § 651h Abs. 4 BGB einhältst: 20 Tage vor Reisebeginn bei Reisen über sechs Tage, 7 Tage bei zwei bis sechs Tagen, 48 Stunden bei kürzeren. Den Reisepreis erstattest du dann vollständig.

Drei typische Einstiegsfehler

Fehler 1, COVID-Jahre in der Trainingsbasis nicht herausfiltern. 2020 und 2021 hatten historisch einmalig niedrige Nachfrage und atypische Buchungsmuster. Wenn diese Jahre nicht explizit als Ausreißer behandelt werden, verzerren sie alle Saisonalitätsmuster. Trainingsdaten ab 2022 verwenden; wer nur die letzten drei Jahre nimmt, hat das Problem gar nicht erst.

Fehler 2, Modell widerspricht Erfahrung, und wird ignoriert. Wenn das Modell eine andere Kapazitätsverteilung empfiehlt als das Erfahrungswissen der Planer, ist das kein Fehler des Modells und auch kein Fehler der Planer. Es ist ein Untersuchungsauftrag: Warum weichen Modell und Intuition ab? Oft liegt die Erklärung im Datensatz, und führt zum Lernmoment. Wer abweichende Prognosen systematisch ignoriert, verschenkt den Hauptnutzen.

Fehler 3, Prognose ohne Soll/Ist-Feedback. Wer das Modell aufbaut, aber nie auswertet, ob die Prognose eingetroffen ist, kann es nicht verbessern. Monatlicher Soll/Ist-Vergleich (Prognose vs. tatsächliche Buchungen) ist die wichtigste Investition nach der Ersteinrichtung.

Was mit der Einführung wirklich passiert, und was nicht

Was passiert: Das Modell zeigt nach einigen Wochen stabilisierte Prognosen, und erfahrene Planer erkennen, dass einige Muster gut stimmen und andere nicht. Dieser Dialog zwischen Modell und Erfahrung ist der Kern: Nicht Ersatz, sondern Ergänzung.

Was nicht passiert: Das Modell kann keine Ereignisse vorhersagen, die noch nie stattgefunden haben, ein neues Event-Format, ein geopolitischer Konflikt, eine neue Bahnverbindung. Das ist eine strukturelle Grenze. Wie groß der Anteil stabiler Muster bei dir ist, zeigt der Soll/Ist-Vergleich nach der ersten Saison; den Rest muss menschliche Einschätzung abdecken.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Tourismus ist zu unvorhersehbar für Prognosen.” Teile des Tourismus sind tatsächlich schlecht prognostizierbar (Krisen, neue Ereignisse). Aber ein großer Teil der Nachfrage folgt wiederkehrenden Mustern: Schulferien, Saisonalität, feste Events. Wie groß dieser Teil bei dir ist, zeigt der Test gegen die letzte Saison. Prognosemodelle müssen nicht perfekt sein, um besser zu sein als das Bauchgefühl.

„Unser Erfahrungswissen ist besser als jede KI-Prognose.” Erfahrung ist gut für Muster, die es schon gab. Schlecht darin, neue Muster zu erkennen: eine neue Fernbahn-Verbindung, ein Trendwechsel, ein neues Event-Format. KI-Prognosen ergänzen Erfahrung, sie ersetzen sie nicht. Die besten Ergebnisse entstehen im Dialog zwischen beiden.

Woran du merkst, dass das zu dir passt

Dieser Ansatz lohnt sich für dich, wenn:

• Du mindestens 3 Jahre Buchungshistorie mit konsistenten Kategorien im System hast
• Du regelmäßig Kapazitätsengpässe oder Leerstand erlebst und weißt, dass beides vermeidbar wäre
• Dein Buchungsvolumen über 50 Buchungen/Monat liegt

Noch nicht das Richtige, wenn:

• Du weniger als 3 Jahre Buchungshistorie hast, zu wenig Datenbasis für belastbare Saisonmuster
• Dein Buchungsvolumen unter 50 Buchungen im Monat liegt: Dann reicht eine strukturierte Saisonanalyse mit Julius AI, ein vollständiges Modell lohnt nicht
• Du gerade erst mit KI anfängst, es gibt einfachere, schneller wirkende Use Cases in diesem Branch

Das kannst du heute noch tun

Exportiere aus deinem Buchungssystem die letzten 36 Monate als CSV (Monat, Reisekategorie, Anzahl Buchungen, Stornierungen). Lade die Datei in Julius AI oder in dieses Prompt-Template und erhalte eine erste Saisonanalyse.

Quellen & Methodik

• Athanasopoulos, Hyndman, Song, Wu: The tourism forecasting competition. International Journal of Forecasting 27(3), 2011, S. 822–844. 366 Monats-, 427 Quartals- und 518 Jahreszeitreihen; reine Zeitreihenverfahren genauer als Modelle mit erklärenden Variablen, bei Jahresdaten naive Prognosen schwer zu schlagen. Publikationsseite
• Hyndman & Athanasopoulos, Forecasting: Principles and Practice: Lehrbuch zu ETS, ARIMA und dem Test von Prognosen an zurückgehaltenen Daten.
• § 651h Abs. 4 BGB: Rücktritt des Veranstalters bei nicht erreichter Mindestteilnehmerzahl, Fristen 20 Tage, 7 Tage, 48 Stunden. gesetze-im-internet.de
• Preise: laut unseren Toolseiten, Stand September 2026; die Werkzeuge sind im Text verlinkt.
• Eigene Annahmen: Abgelehnte Anfragen, Deckungsbeitrag je Reise, Stornokosten abgesagter Termine und der zurückgeholte Anteil in der Beispielrechnung sind Annahmen, keine Branchenwerte.