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.

Laut DRV-Jahresbericht 2024 erreichte die Reisewirtschaft mit 87,9 Milliarden Euro Reiseausgaben einen Rekordwert. Wer bei dieser Nachfrageintensität Kapazitäten falsch einschätzt, verlässt Geld auf dem Tisch. Eine interne Analyse aus der Bustouristik zeigt: Kapazitätsfehlplanungen sind für 18 bis 25 Prozent der nicht realisierten Marge verantwortlich — durch Leerkilometer auf der einen Seite und abgelehnte Buchungen auf der anderen.

Für ein Unternehmen mit 3 Millionen Euro Jahresumsatz sind das 540.000 bis 750.000 Euro jährlich. Das ist nicht der Unterschied zwischen gut und sehr gut — das ist der Unterschied zwischen Rentabilität und Verlust in einem Segment mit dünnen Margen.

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. Im Tourismus-Vergleich der schwächste Zeiteffekt.

Kosteneinsparung — hoch (4/5) Der finanzielle Hebel ist erheblich: Leerkilometer reduzieren (direkte Kosteneinsparung) und mehr Buchungsanfragen erfüllen (direkter Mehrumsatz). Die Zahlenbasis ist real — Kapazitätsfehlplanungen sind messbar und gut dokumentiert in der Bustouristik. Im Vergleich zu Revenue Management (noch direkter messbar) liegt er eine Stufe darunter, weil die Kausalität zur Prognose schwerer ist.

Schnelle Umsetzung — niedrig (1/5) Der anspruchsvollste Use Case in diesem Branch: mindestens 3 Jahre saubere Buchungshistorie, COVID-Bereinigung als Sonderschritt, 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) Der stärkste Skalierungseffekt in der Branche: Mehr Buchungsdaten bedeuten bessere 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: COVID-Jahre (2020–2021) müssen 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. Diese Signale verbessern die Prognosegenauigkeit gegenüber rein historischen Modellen erheblich — besonders für Destinationen, die stark von Wettereffekten abhängen.

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. Ab 9 Euro/Nutzer/Monat.

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. Ab 20 Dollar/Monat.

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.

Duetto ist eine Revenue-Management-Plattform mit Demand Forecasting als Kernfunktion. Für Hotels und Resort-Betreiber stark; für Bustouristik eher als Referenz-Framework sinnvoll. Preise auf Anfrage.

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: Power BI Cloud (Microsoft) und Julius AI (US-gehostet) erfordern SCCs bei EU/US-Datentransfer, wenn personenbezogene Daten übermittelt werden.

Was es kostet — realistisch gerechnet

Einstieg (Basis-Saisonanalyse mit Julius AI):

• Julius AI: 20 Dollar/Monat
• 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: 9–20 Euro/Nutzer/Monat
• Make.com für Datenpipeline: 9–16 Euro/Monat
• Einrichtungsaufwand: 5–8 Tage
• Effekt: Monatliche Prognosen mit 15–25 % höherer Genauigkeit als Vorjahreswerte allein

ROI-Rechnung: Bustouristik, 3 Millionen Euro Jahresumsatz, aktuelle Kapazitätsfehlplanungsquote 20 %. Durch Forecasting 15 % besser ausgelastet: Leerfahrten reduziert (ca. 50.000 Euro Ersparnis) + 3 % mehr Buchungsanfragen erfüllt (90.000 Euro Mehrumsatz) = 140.000 Euro Effekt bei Tool-Kosten von 5.000–10.000 Euro/Jahr.

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 auf 2019 + 2022–2024 beschränken.

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. 70–80 % der Buchungsnachfrage folgt stabilen Mustern (Schätzwert aus Praxisberichten) — 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 70–80 % der Buchungsnachfrage folgt stabilen Mustern (Schätzwert aus Praxisberichten) — Schulferienplanung, Saisonalität, Event-Kalender. 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 2 Jahre Buchungshistorie hast — zu wenig Datenbasis für belastbare Saisonmuster
• Dein Buchungsvolumen unter 30 Buchungen/Monat liegt — eine strukturierte Saisonanalyse mit Julius AI reicht, kein vollständiges Modell nötig
• 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

• DRV — Jahresbericht Reisewirtschaft 2024: Reiseausgaben 87,9 Mrd. Euro, Kapazitätsauslastungsdaten im Bustouristik-Segment.
• Bustouristik-Verband Deutschland (RDA): Kennzahlen zu Kapazitätsfehlplanungsquoten und Margeneffekten im Busreise-Segment.
• Google Trends Tourism Dataset 2024: Suchvolumen-Saisonalität für populäre Reisedestinationen.
• Eigene Einschätzungen: Prognosegenauigkeitsverbesserungen aus Benchmarks des Forecasting-Fachliteratur (Hyndman & Athanasopoulos, Forecasting: Principles and Practice) — adaptiert auf Tourismus-Use-Case.