Skilift Dynamisches Preismodell: Mehr Erlös an Powder Days

Das echte Ausmaß des Problems

Ein Skigebiet ist ein Kapazitätsbetrieb mit unflexiblen Kosten und extrem variablem Umsatz. Liftanlagen, Pistenfahrzeuge, Beschneiungsanlagen und Personal kosten viel Geld — unabhängig davon, ob 800 oder 2.800 Gäste die Hänge befahren. Das macht jeden zusätzlichen Gast, der an einem Spitzentag mehr zahlt, direkt zum Gewinn — ohne Mehrkosten.

Die Realität der meisten mitteleuropäischen Skigebiete sieht anders aus:

• Fixpreis-Systeme mit saisonalen Staffeln (Hochsaison, Nebensaison, Weihnachten) abgebildet mit 2–4 Preisstufen — unabhängig davon, ob es in 3 Tagen Neuschnee geben wird
• Wochenend-Peaks, an denen Lifte an ihre Kapazitätsgrenze stoßen, ohne dass der Preis die Nachfrage steuert
• Schwache Wochentage mit niedrigen Auslastungen, an denen ein Rabatt mehr Gäste bringen würde — aber niemand gibt ihn gezielt
• Frühbucher-Blindheit: Wer eine Woche voraus bucht, zahlt dasselbe wie jemand, der am Morgen an der Tageskasse steht

Laut Branchenanalysen hängt die Zahlungsbereitschaft für Skikarten stark von Schneezustand, Wetterprognose und Wochentag ab — aber weniger als 20 Prozent der mittelgroßen Skigebiete im deutschsprachigen Raum nutzen diese Variabilität systematisch mit KI-gestützten Modellen.

Der Umsatzverlust ist nicht abstrakt: Forschende der EHL Lausanne haben gezeigt, dass Skigebiete mit dynamischer Preissetzung im Vergleich zu Fixpreismodellen 3–10 Prozent mehr Umsatz erzielen — ohne Kapazitätserweiterung, ohne Qualitätseinbußen, allein durch besseres Timing. Das CFO-Team des Skigebiets Engadin St. Moritz berichtete nach der Einführung von Dynamic Pricing im Winter 2018/19 über 12 Prozent Umsatzsteigerung sowie 10 Prozent mehr Erstbesucher — ein Zeichen, dass günstigere Schwachpreise tatsächlich neue Zielgruppen erschließen.

In Nordamerika zeigt Vail Resorts, wie weit die Logik führt: Im Geschäftsjahr 2024 stiegen die Lifterlöse um 1,5 Prozent auf 1,44 Milliarden US-Dollar — obwohl die Besucherzahlen um 9,5 Prozent gesunken waren. Der durchschnittliche Tagespreis (Effective Ticket Price) stieg um 12,2 Prozent. Weniger Gäste, mehr Geld pro Gast.

Mit vs. ohne KI — ein ehrlicher Vergleich

Vergleichswerte basieren auf Branchenberichten von Smart Pricer und Pricenow für Schweizer und österreichische Skigebiete (2022–2024) sowie eigenen Einschätzungen; Einzelergebnisse variieren stark je nach Ausgangssituation.

Einschätzung auf einen Blick

Zeitersparnis — gering (2/5)
Dynamic Pricing spart keine Arbeitsstunden. Im Gegenteil: Die strategische Begleitung des Systems — Preisgrenzen anpassen, Ausnahmen pflegen, Dashboard überwachen — braucht Kapazität. Der Gewinn liegt nicht in der Zeit, sondern im Umsatz. Verglichen mit Use Cases wie dem KI-Chatbot für Buchungsanfragen oder der KI-Personalplanung für Saisonbetriebe ist der direkte Effizienzgewinn für das Team minimal.

Kosteneinsparung — keine (1/5)
Dieser Use Case ist kein Kostenhebel — er ist ein Umsatzhebel. Die Betriebskosten des Skigebiets bleiben unverändert: Liftmechanik, Beschneiung, Pisten, Personal. Das System kostet im laufenden Betrieb sogar Geld (Softwarelizenz, Integrationsaufwand). Die Differenz entsteht ausschließlich auf der Einnahmenseite. Unter den Tourismus-Use-Cases ist das der schwächste Kosteneinsparungseffekt — was ihn auf dieser Achse ehrlich auf Platz 1 von unten setzt.

Schnelle Umsetzung — aufwendig (2/5)
Die Integration in bestehende Zugangssysteme wie SKIDATA oder Axess dauert erfahrungsgemäß 4–8 Monate. Dazu kommt die Kalibrierung des Preismodells auf historische Buchungsdaten, die in der ersten Saison noch nicht vollständig vorliegen. Es ist kein Tool, das man in einem Wochenende einschaltet — es braucht technische Begleitung, klare Preisstrategie und den richtigen Startzeitpunkt (nicht mitten in der Saison).

ROI-Sicherheit — hoch (4/5)
Was diesen Use Case besonders stark macht: Der Return on Investment ist direkt messbar. Ticketverkäufe sind digitale Transaktionen mit Zeitstempel, Preis und Wetterkontext. Wer eine Kontrollgruppe hat — zum Beispiel eine Vergleichsstation mit Fixpreisen oder Vorjahreswerte aus derselben Wetterlage — kann den Effekt exakt isolieren. Das unterscheidet diesen Use Case von vielen anderen, bei denen der Nutzen indirekt oder schwer zuordenbar bleibt.

Skalierbarkeit — begrenzt (2/5)
Das Modell ist auf ein konkretes Skigebiet kalibriert — mit seinen spezifischen Buchungsmustern, Saisoneigenschaften, Wetterregion und Produktkatalog. Es gibt keine Übertragung auf ein anderes Skigebiet ohne komplette Neukalibrierung. Außerdem braucht das Modell jedes Jahr eine Saison an frischen Daten, um sich anzupassen. Das ist kein Fehler, aber es bedeutet: Wer mehrere Skigebiete betreibt, zahlt und kalibriert mehrfach.

Richtwerte — stark abhängig von Skigebietsgröße, Online-Buchungsanteil und vorhandener Datenbasis.

Was das System konkret macht

Der technische Kern ist ein Machine Learning-Prognosemodell, das täglich eine Kaufwahrscheinlichkeitskurve für jeden Tag der Saison neu berechnet. Vereinfacht gesagt beantwortet es folgende Frage: Wie viele Gäste werden für diesen Dienstag eine Tageskarte kaufen — und was ist der optimale Preis dafür?

Die Eingaben dafür kommen aus mehreren Quellen:

Historische Buchungsdaten. Das Modell kennt aus früheren Saisons, wie viele Gäste an jedem Wochentag, in jeder Saisonwoche und bei welchem Wetter gekauft haben. Diese Muster sind sehr stabil: Ein Dienstag nach Neuschnee im Februar ist jedes Jahr ähnlich — wenn man weiß, wo man sucht.

Wettervorhersage. Eine 5-Tages-Wetterprognose fließt direkt in das Modell ein. Kommt Neuschnee? Hohe Temperaturen? Sonnig mit Wärme oder Schneefall mit guter Piste? Das Modell verknüpft Wettersignale mit historischen Buchungsmustern und leitet daraus eine Nachfrageprognose ab.

Schulferienkalender. Der wichtigste externe Faktor. Welche Bundesländer, Kantone oder Länder haben gerade Ferien? Der Einzugsbereich des Skigebiets bestimmt, welche Ferien relevant sind. Ein Skigebiet in Bayern reagiert anders auf sächsische Schulferien als auf österreichische.

Buchungsgeschwindigkeit (Booking Pace). Wie schnell verkaufen sich Tickets für den Zieltag im Voraus? Wenn ein Freitag bereits 7 Tage im Voraus deutlich stärker gebucht wird als erwartet, ist das ein Frühsignal für hohe Nachfrage — und ein Anlass, den Preis moderat anzuheben, bevor die letzten Kapazitäten weg sind.

Das System spielt seine Preisempfehlungen dann vollautomatisch in alle Verkaufskanäle aus: Online-Ticketshop, Kassen vor Ort, Automaten. Manche Systeme bieten auch eine Vorab-Prüfung durch die Betriebsleitung an — der Preis wird vorgeschlagen, muss aber manuell bestätigt werden. In der Praxis gehen die meisten Betriebe nach 1–2 Saisons in den Vollautomatikmodus über, sobald das Vertrauen in die Modellentscheidungen gewachsen ist.

Verbundsystem-Realität: Wenn der Skipass digital wird

Die größte technische Herausforderung bei diesem Use Case ist nicht das ML-Modell — es ist die Anbindung an das Zugangssystem.

Ski-Zugangssysteme wie SKIDATA (Marktführer in der DACH-Region und Alpen) oder Axess (österreichischer Anbieter mit breiter Verbreitung) kontrollieren, welches Ticket an welchem Lift gilt. Sie sind das Herzstück jedes modernen Skigebiets — und gleichzeitig oft die aufwendigste Integration bei Dynamic Pricing.

Das Problem: Das Zugangssystem muss in Echtzeit wissen, welcher Preis gerade gilt, damit die Kasse denselben Preis ausspielt wie der Online-Shop. Wenn ein Gast online um 8:00 Uhr 42 Euro bezahlt und an der Tageskasse um 9:30 Uhr 58 Euro aufgerufen werden, entsteht Verwirrung und Unmut.

Was das konkret bedeutet:

• Der Online-Shop muss über eine API mit dem Preismodell verbunden sein
• Das Kassensystem (oft Teil des Zugangssystems) muss denselben Preis in Echtzeit abrufen
• Ticket-Automaten müssen entweder synchronisiert oder auf Online-Only-Verkauf umgestellt werden
• Gruppenpreise, Kinderkarten und Mehrtages-Tickets brauchen eigene Preislogiken

Die Einbindung in bestehende SKIDATA-Systeme erfordert in der Regel einen zertifizierten Integrationspartner und kostet mehrere Monate Setup-Zeit. Smart Pricer und Pricenow haben diese Integrationen bereits vorkonfiguriert — was einer der Hauptgründe ist, warum Spezialtools gegenüber Eigenentwicklungen klar zu bevorzugen sind.

Feratel, als weiterer Anbieter von Ticketing-Middleware für Skigebiete, bietet ebenfalls Schnittstellen für externe Preismodelle an — aber die Implementierungstiefe variiert je nach Konfiguration des jeweiligen Skigebiets.

Saisonkarten-Kompatibilität: Das heikle Thema

Saisonkarteninhaber sind die treusten Kunden eines Skigebiets. Sie kaufen im Herbst, zahlen im Voraus, sind unempfindlich gegenüber Schlechtwetter und kommen trotzdem. Sie sind das Fundament der Stammkundenbasis.

Dynamic Pricing und Saisonkarten stehen in einer natürlichen Spannung: Wenn Tageskarten an Powder-Days 40 Prozent teurer werden, fragen Saisonkarteninhaber — zu Recht — warum sie dasselbe bezahlt haben wie in einer normalen Saison.

Drei Modelle, die sich bewährt haben:

1. Saisonkarte bleibt Saisonkarte, Tageskarte wird dynamisch. Die einfachste Lösung: Saisonkarten werden vom Dynamic Pricing ausgenommen. Tages- und Mehrtagestickets variieren, die Saison-Pässe nicht. Saisonkarten-Inhaber profitieren weiterhin von freiem Zugang, der Preisdruck entfällt für sie komplett. Dieser Ansatz ist am leichtesten kommunizierbar und empfohlen für den Start.

2. Saisonkarte mit Dynamic-Bonus. In einigen Skigebieten bekommen Saisonkarteninhaber als Vorteil Zugang zu günstigen Buchungsfenstern für zusätzliche Produkte (Ski-Service, Gastronomie, Verleih) — ein indirekter Vorteil des Systems, der den Loyalty-Effekt verstärkt.

3. Vollständig dynamisches Saisonkarten-Angebot. Saisonkarten-Preise variieren nach Kaufzeitpunkt (Frühbucher deutlich günstiger, kurzfristig teurer). Das ist das komplexeste Modell und erfordert klare Kommunikation. Falsch umgesetzt, führt es zu Verwirrung und Ärger bei langjährigen Stammgästen, die plötzlich mehr zahlen als ein Spätentschlossener letztes Jahr.

Empfehlung für den Start: Saisonkarten ausnehmen, Tageskarten-Dynamic-Pricing einführen, nach zwei Saisons Erfahrungen evaluieren.

Konkrete Werkzeuge — was wann passt

Für Skigebiete gibt es zwei spezialisierte Systeme, die im alpinen Markt wirklich eingesetzt werden:

Smart Pricer — für mittelgroße bis große Bergbahnen Smart Pricer hat nachgewiesene Installationen bei Zermatt Bergbahnen AG, mehreren Schweizer und österreichischen Skigebieten (u.a. Sölden/Gurgl) und ist für den Einsatz in SKIDATA-integrierten Umgebungen ausgelegt. Die Software läuft vollautomatisch, bietet tagesaktuelle Preisempfehlungen und hat saisonale Kalenderlogik eingebaut. Das System ist branchenspezifisch und nicht für andere Branchen konzipiert. Preise: auf Anfrage, skaliert nach Ticketvolumen.

Pricenow — Schweizer Spezialist mit Bergbahn-Fokus Pricenow ist bei Televerbier und weiteren Schweizer Bergbahnen im Einsatz. Das System hat eine nachgewiesene Integration mit E-Liberty (Webshop) und SKIDATA (Zugangssystem). Besonders stark im Schweizer Markt. Technisches Onboarding ähnlich wie bei Smart Pricer: 4–8 Monate bis zum Produktivbetrieb.

Was, wenn ihr noch kein dediziertes Ski-Pricing-Tool einführen wollt?
PriceLabs ist eigentlich für Ferienvermietungen (Airbnb) konzipiert, hat aber eine branchenunabhängige Logik für saisonale Nachfragekurven, die als Prototyp-Basis oder Simulations-Tool genutzt werden kann — allerdings ohne native Integration in Ski-Zugangssysteme. Nicht für Produktivbetrieb geeignet, aber für eine erste Modellexploration.

Eigenentwicklung mit Python/ML-Bibliotheken
Für Skigebiete mit eigenem IT-Team und ausreichend historischen Buchungsdaten (mind. 3 Saisons) ist eine Eigenentwicklung mit scikit-learn oder XGBoost theoretisch möglich. Der Aufwand liegt hauptsächlich nicht im Modell, sondern in der Zugangssystem-Integration — und genau dort liegen die meisten gescheiterten Eigenversuche.

Zusammenfassung: Wann welcher Ansatz

• Mittelgroßes bis großes Skigebiet, SKIDATA/Axess → Smart Pricer oder Pricenow
• Schweizer Markt mit E-Liberty-Webshop → Pricenow
• Exploration und Modellierung (kein Produktivbetrieb) → PriceLabs als Simulationstool
• Eigenentwicklung nur bei eigenem IT-Team + mind. 3 Saisons Daten + Zugangssystem-API

Datenschutz und Datenhaltung

Dynamic Pricing verarbeitet keine personenbezogenen Gästedaten im klassischen Sinne — es geht um aggregierte Buchungsvolumen, Wetterprognosen und Zeitstempel, nicht um Namen, Adressen oder Zahlungsdaten.

Dennoch gilt die DSGVO in folgenden Punkten:

Buchungsdaten mit Personenbezug. Wenn Online-Tickets mit einem Nutzerkonto oder einer E-Mail-Adresse verknüpft sind, sind die Buchungstransaktionen personenbezogene Daten — auch wenn das Pricing-Modell sie nur aggregiert nutzt. Der Auftragsverarbeitungsvertrag (AVV) mit dem Softwareanbieter ist Pflicht.

Smart Pricer und Pricenow sind beide in der EU/Schweiz ansässig und bieten AVV für europäische Kunden an. Das ist ein klarer Vorteil gegenüber US-basierten Revenue-Management-Tools, bei denen Standard-Contractual-Clauses zusätzlich zu verhandeln wären.

SKIDATA-Integration: Buchungsdaten, die über SKIDATA-Schnittstellen fließen, müssen im Datenverarbeitungsverzeichnis des Skigebiets dokumentiert sein. Typischerweise sind das: Zeitstempel, Tickettyp, Preis — ohne Namen oder Kontaktdaten. Die Zugangssystem-Integration überträgt in der Regel nur pseudonymisierte Transaktionsdaten.

Wetterprognose-APIs (z.B. von Open-Meteo oder kommerziellen Anbietern) sind kein DSGVO-Thema, da sie keine personenbezogenen Daten verarbeiten.

Empfehlung: AVV mit Pricing-Software-Anbieter vor Go-Live abschließen, Datenflussdiagramm im Verarbeitungsverzeichnis dokumentieren, Datenschutzbeauftragte einbeziehen.

Was es kostet — realistisch gerechnet

Einmalige Implementierungskosten

• Technische Integration (SKIDATA/Axess-Anbindung, Webshop-API, Kassensystem): 15.000–40.000 Euro je nach Komplexität der bestehenden Systemlandschaft
• Strategieberatung und Modell-Kalibrierung: typischerweise im Onboarding-Paket des Anbieters enthalten
• Interner Zeitaufwand für Projektleitung, Datenzulieferung und Schulung: 20–40 Personentage

Laufende Kosten (jährlich)

• Softwarelizenz Smart Pricer oder Pricenow: auf Anfrage; Branchenrichtwert 8.000–25.000 Euro/Jahr je nach Skigebietsgröße und Ticketvolumen
• Jährliche Modell-Rekalibrierung: typischerweise im Wartungspaket inbegriffen
• Interner Aufwand für Monitoring und Strategiepflege: ca. 2–4 Stunden/Woche

ROI-Rechnung (konservativ)
Ein Skigebiet mit 150.000 Skier-Visits/Saison und einem durchschnittlichen Tageskartenpreis von 55 Euro erzielt 8,25 Mio. Euro Tageskartenerlöse. Eine Steigerung um 4 Prozent (unteres Ende der publizierten Spanne) entspricht 330.000 Euro pro Saison — bei Kosten von ca. 20.000–40.000 Euro im ersten Jahr inklusive Implementierung.

Wo der ROI wirklich entsteht:

• An 8–12 Spitzentagen pro Saison, die 15–25% über Saisondurchschnitt bepreist werden
• An 30–50 schwachen Wochentagen, bei denen ein Rabatt 10–20% mehr Besucher bringt
• Durch Frühbucher-Anteil, der von unter 20% auf 40–60% steigen kann — messbar an der Buchungsvorlaufzeit

Wie du den Nutzen beweist:
Vergleiche tagesaktuelle Buchungsvolumen und Durchschnittserlöse mit Vorjahreswerten in identischen Wetterlagen. Am saubersten: Pilot in einem Teilsortiment (z.B. nur Tageskarten Erwachsene, ohne Kinder oder Mehrtages-Tickets), mit Kontrollgruppe aus dem Vorjahr. Nach zwei Saisons ist das Bild in der Regel eindeutig.

Typische Einstiegsfehler

1. Den Start mitten in der Saison planen.
Das Dynamic-Pricing-System braucht historische Buchungsdaten, um gut zu funktionieren. Wer im Dezember startet, hat für den laufenden Winter noch keine Vergangenheitsdaten — das Modell schätzt weitgehend blind. Richtiger Ansatz: Implementierung in der Nebensaison (April–Oktober), Kalibrierung auf Vorjahreswerte, Inbetriebnahme zum Saisonstart November/Dezember.

2. Zu breite Preisspanne in der ersten Saison.
Der Reflex: Wenn das Modell theoretisch zwischen 30 und 90 Euro variieren kann, warum nicht die volle Spanne nutzen? Tatsächlich vergrault ein zu starker Preissprung an einem einzigen prominenten Spitzentag die Stammkunden für mehrere Saisons. Startempfehlung: Preisspanne auf ±20% des bisherigen Listenpreises begrenzen, in der zweiten Saison erweitern wenn die Kommunikation sitzt.

3. Das System als Black Box laufen lassen — ohne Kommunikation.
Wenn Gäste merken, dass der Preis für denselben Tag im Laufe der Woche von 52 auf 68 Euro gestiegen ist, ohne dass sie verstehen warum, entsteht Misstrauen. Das Skigebiet Zermatt kommuniziert Dynamic Pricing offen als Feature: „Frühbucher sparen bis zu X Prozent.” Diese Rahmung dreht die Wahrnehmung um — es ist kein Preiserhöhungs-Signal, sondern ein Belohnungssystem für vorausschauende Gäste.

4. Saisonkarteninhaber vergessen.
An schwachen Wochentagen senkt das System die Tageskarte auf 35 Euro — ein Preis, der Tagesgäste anlockt. Saisonkarteninhaber, die 480 Euro im Herbst bezahlt haben, rechnen nach: Selbst bei 14 Tagen wäre die Tageskarte billiger. Der Schaden ist nicht finanziell, sondern wahrnehmungsmäßig: Das Skigebiet macht seine treuesten Kunden zu Rechenmeistern. Die Lösung liegt in der Kommunikation — Saisonkarte als Komfort-Produkt ohne Planungsaufwand positionieren, nicht als günstigste Option für intensive Nutzer. Und: Das Saisonkarten-Produkt muss klar aus dem dynamischen Bereich herausgehalten werden, damit kein Vergleichspreis entsteht, der die Saisonkarte schlechtstellt.

5. Kein Budget für Modellpflege nach der Inbetriebnahme.
Das gefährlichste Muster: Das System wird eingeführt, läuft eine Saison gut, und dann zieht die IT-Begleitung ab. In der zweiten Saison gibt es neue Wetterextreme (Schneemangel Anfang Januar, unerwarteter Powderrekord im März), die das Modell nicht kennt. Wer keinen zuständigen „Pricing Manager” benennt, hat nach zwei Saisons ein System, das suboptimale Preise ohne Begründung ausgibt — und dem intern niemand mehr traut.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einführung ist in der Regel der einfachere Teil. Das Schwerere ist das Umdenken in der eigenen Organisation und die Kommunikation nach außen.

Intern: Vertrauensaufbau in das Modell.
Die Betriebsleitung und das Kassenpersonal müssen dem System vertrauen, bevor es vollautomatisch läuft. In der ersten Saison ist eine tägliche oder wöchentliche Prüfung der empfohlenen Preise normal — nicht weil das Modell schlecht ist, sondern weil lokales Wissen (z.B. ein Großevent im Tal, der Betrieb einer neuen Gondelanlage) Korrekturen erfordert, die das Modell noch nicht kennt.

Extern: Gäste verstehen den Preiswechsel nicht sofort.
Die erste Welle von Beschwerden kommt fast immer von Gästen, die gestern 48 Euro gezahlt haben und heute 62 Euro sehen. Die Lösung ist nicht weniger Dynamic Pricing, sondern bessere Kommunikation: Preiskalender auf der Website, klare Hinweise im Buchungsprozess, Frühbucher-Kommunikation in Newslettern.

Widerstand im Verkaufsteam.
Kassen-Mitarbeitende, die täglich Fragen zum Preis beantworten, brauchen eine klare Antwort. “Der Preis ändert sich je nach Nachfrage, aber wer früh bucht, zahlt weniger” ist handhabbar. “Das ist ein Algorithmus” ist es nicht. Das Kassenpersonal muss geschult sein und eine einfache Sprachregelung haben.

Was konkret hilft:

• Vor dem Start eine Preis-FAQ für Kassenpersonal und Website vorbereiten
• Frühbucher-Vorteil in der Saison-Kommunikation (Newsletter, Social Media) aktiv bewerben
• In der ersten Saison eine Preisobergrenze setzen, die intern als “Notfallbremse” gilt
• Wöchentliches Pricing-Prüfmeeting mit Betriebsleitung in der ersten Saison

Realistischer Zeitplan mit Risikohinweisen

Realistischer Gesamtrahmen: 6–12 Monate von Projektstart bis Vollbetrieb. Wer im April beginnt, kann zum Saisonstart November/Dezember live gehen. Wer im September beginnt, startet realistisch in der nächsten Saison.

Häufige Einwände — und was dahintersteckt

„Unsere Gäste akzeptieren das nicht — die wollen feste Preise.”
Das ist in dieser Absolutheit nicht belegt. Eine Studie zur Akzeptanz von Dynamic Pricing bei Schweizer Skigebieten zeigt, dass die Zahlungsbereitschaft der Gäste weniger vom Preissystem abhängt als von Schnee und Wetter — was bedeutet: Bei guten Bedingungen kaufen Gäste auch zum höheren Preis. Der Schlüssel ist die Rahmung: “Frühbucher-Rabatt” löst weniger Widerstand aus als “Spitzentag-Aufpreis” — auch wenn es ökonomisch dasselbe ist.

„Wir sind zu klein für so ein System.”
Stimmt — ab einem bestimmten Punkt. Skigebiete unter ca. 50.000–80.000 Skier-Visits/Jahr haben oft nicht genug historische Buchungsdaten, damit das ML-Modell zuverlässige Prognosen liefert. Für diese Größe sind einfachere Preisstaffeln mit 3–4 Niveaus (die manuell gepflegt werden) oft kosteneffizienter als ein vollautomatisches System.

„Das schadet unserem Ruf als bodenständiges Familiengebiet.”
Das ist ein legitimer strategischer Einwand, kein Missverständnis. Wer sich als günstiges, unprätentiöses Familiengebiet positioniert, sollte Dynamic Pricing nicht so einführen, dass Familien an Schulferien-Wochenenden die höchsten Preise zahlen. Die Lösung: Familien-Produkte (Familientageskarte, Kinder-Tickets) vom Dynamic Pricing ausnehmen oder die Preisspanne für diese Kategorien eng halten. Das System kann selektiv eingesetzt werden — nicht alle Ticketkategorien müssen gleichzeitig dynamisiert werden.

„Wir haben keine IT-Kapazität für so ein Projekt.”
Das ist der ehrlichste Einwand. Dynamic Pricing braucht einen Projektverantwortlichen, der die Implementierung begleitet, und danach jemanden, der das System wöchentlich prüft. Wenn beides fehlt, ist der Use Case aktuell nicht sinnvoll — nicht weil das Tool schlecht ist, sondern weil das Werkzeug ohne Bedienung keine guten Ergebnisse liefert.

Woran du merkst, dass das zu dir passt

• Dein Skigebiet hat mehr als 80.000–100.000 Skier-Visits pro Saison — genug Buchungsvolumen für ein ML-Modell mit zuverlässigen Prognosen
• Du hast mindestens 2–3 Saisons digitaler Buchungsdaten auf Tagesebene — das Modell braucht diese Trainingsbasis
• Dein Online-Anteil am Ticketverkauf liegt bei mindestens 20–30 Prozent — der dynamische Preis muss online buchbar sein, sonst funktioniert das Prinzip nicht
• Du hast 8–12 Spitzentage pro Saison, an denen Kapazitätsgrenze und Nachfragepeak gleichzeitig auftreten — das ist der Hebelpunkt
• Du hast intern jemanden, der das System wöchentlich prüft und Preisstrategie-Entscheidungen verantwortet

Drei harte Ausschlusskriterien — wann sich Dynamic Pricing (noch) nicht lohnt:

1. Unter ca. 50.000 Skier-Visits/Saison. Das ML-Modell braucht ausreichend Transaktionsdaten, um saisonale Muster zu erkennen. Bei kleinen Skigebieten sind die Stichproben zu dünn — insbesondere für selten vorkommende Extremwetterlagen. Ein einfaches 3-Stufen-Preismodell (Hoch/Mittel/Tief, manuell gepflegt) ist dann ausreichend und günstiger.

2. Online-Ticketverkauf unter 20 Prozent. Dynamic Pricing funktioniert nur, wenn Gäste die Preisinformation vor dem Kauf sehen und sich danach entscheiden können. Wenn 80 Prozent der Tickets an der Tageskasse gekauft werden, kann der Preis zwar theoretisch täglich angepasst werden — aber die Gäste reagieren nicht darauf, weil sie ihn erst vor Ort sehen, wenn die Anreiseentscheidung schon getroffen ist. Zuerst den Online-Anteil auf 30–50% steigern, dann Dynamic Pricing einführen.

3. Keine historischen Buchungsdaten auf Tagesebene. Wer erst seit einem Jahr digital bucht oder dessen alte Kassen-Daten nur als Wochensummen vorliegen, kann das Modell nicht kalibrieren. Ohne Trainingsdaten auf Tagesgranularität gibt das System in der ersten Saison Schätzungen aus, die kaum besser sind als eine manuelle Preisstaffelung — aber deutlich mehr kosten.

Das kannst du heute noch tun

Simuliere dein Skigebiet mit einem einfachen Excel-Modell, bevor du eine Softwarelösung evaluierst. Dafür brauchst du: Buchungsvolumen pro Tag (aus deinem Kassensystem) und Wetterdaten pro Tag (aus historischen Aufzeichnungen oder einer freien Wetter-API). Das zeigt dir in wenigen Stunden, wie stark deine tägliche Nachfrage wirklich schwankt — und wie viel Erlös du mit einer einfachen 3-Stufen-Preislogik (Hochnachfrage/Normal/Schwach) theoretisch hättest besser abschöpfen können.

Wenn diese Analyse zeigt, dass deine tägliche Nachfrage um mehr als 30–40 Prozent schwankt, ist Dynamic Pricing wirtschaftlich sinnvoll zu diskutieren.

Hier ist ein Prompt, der dir hilft, diese Analyse mit deinen eigenen Daten zu starten:

Quellen & Methodik

• Engadin St. Moritz — 12% Umsatzsteigerung: Smart Pricer, Case Study Engadin St. Moritz (2018/19); CFO-Bericht zu Einführung Dynamic Pricing mit Smart Pricer (veröffentlicht auf smart-pricer.com). Ergänzend: Bericht über 10% Wachstum bei Erstbesuchern im selben Zeitraum.
• Vail Resorts FY2024 — ETP +12,2%, Revenue +1,5% bei −9,5% Besuchern: Vail Resorts Fiscal Year 2024 Earnings Release (August 2024); ETP (Effective Ticket Price) = 82,14 USD. Quelle: Vail Resorts Investor Relations.
• 3–10% Umsatzsteigerung durch Dynamic Pricing: Smart Pricer, Branchenpublikation „Dynamic pricing for ski lifts: Current status, benefits and models” (smart-pricer.com); eigene Einschätzungen aus Skigebiets-Praxis.
• 50% der großen Schweizer Skigebiete nutzen Dynamic Pricing: htr.ch, „Jedes zweite grosse Skigebiet setzt auf dynamische Preise” (2024), basierend auf Branchenerhebung im Schweizer Bergbahnmarkt.
• Wissenschaftlicher Hintergrund: Krösbacher, C. & Sirgut, A. (2020): „Dynamic pricing assuming demand shifting: the alpine skiing industry.” Journal of Sustainable Tourism; sowie Bellut, L. et al. (2021): „Price differentiation in the alpine skiing industry.” Tourism Management Perspectives. Beide Studien beleuchten Kapazitätsbeschränkungen, Preiselastizitäten und Nachfrageverlagerungen.
• Akzeptanzforschung Schweizer Skigebiete: Researchgate-Publikation „Akzeptanz von Dynamic Pricing: Eine Untersuchung am Beispiel von Schweizer Skigebieten” (2019/2020) — Ergebnis: Zahlungsbereitschaft primär wettergetrieben, weniger preissystemabhängig.
• Saisontipps und Konsumentenperspektive: Stiftung für Konsumentenschutz (Schweiz), „Dynamische Preise in Skigebieten” (2024); kritische Außenperspektive auf Transparenz und Preisnachvollziehbarkeit.
• Preisangaben Implementierungskosten: Erfahrungswerte aus Beratungsprojekten und öffentlichen Projektberichten; keine öffentlich verfügbaren Listenpreise für Smart Pricer oder Pricenow — Angaben als Branchenrichtwerte zu verstehen.

Du willst wissen, ob euer Skigebiet die Voraussetzungen für Dynamic Pricing erfüllt — und was der erste Schritt wäre? Meld dich — das klären wir in einem kurzen Gespräch.