Touristenstrom-Überfüllungsvorhersage

Das echte Ausmaß des Problems

Overtourism ist nicht nur ein Problem für Venedig oder Barcelona. In Deutschland sind es die Sylter Strände an Pfingstwochenenden, die Altstädte von Rothenburg ob der Tauber oder Cochem während der Weinlese, die Wanderwege im Nationalpark Bayerischer Wald nach dem ersten Herbstnebel, der Strandabschnitt zwischen Timmendorfer Strand und Scharbeutz an jedem warmen Julitag.

Das strukturelle Problem: Besuchervolumen entsteht nicht zufällig, sondern vorhersehbar — aus dem Zusammentreffen von Wetter, Wochentag, Schulferien, Veranstaltungskalender und kurzfristigen Aufmerksamkeitsspitzen wie einem viralen Social-Media-Post. Diese Faktoren sind bekannt, aber manuell nicht in Echtzeit zusammenführbar.

Die Konsequenzen von reaktiver statt proaktiver Steuerung sind messbar:

• Besucherzufriedenheit sinkt: Umfragen in überfüllten Reiseregionen zeigen, dass der empfundene Komfortabfall — Stau, Warteschlange, volle Parkplätze — die Gesamtbewertung einer Destination um ein bis zwei Bewertungspunkte senken kann, selbst wenn das eigentliche Naturerlebnis unberührt bleibt.
• Lokale Bevölkerung leidet mit: An 15 kritischen Überlasttagen im Jahr passieren mehr Schäden an Natur und Infrastruktur als an 200 normalen Besuchstagen.
• Reaktive Steuerung ist ineffizient: Polizei, Ordnungsamt und Tourist-Information werden an Spitzentagen eingesetzt — nicht weil man sie geplant hätte, sondern weil man muss.

Laut einer OECD-Analyse von 2024 zur KI im Tourismus nutzen erst 11 Prozent der Reiseveranstalter und Tourismusorganisationen mindestens eine KI-Technologie für Steuerungsaufgaben. Im Bereich Besucherstromprognose liegt der Anteil noch deutlich darunter — trotz vorliegender Technik und dokumentierter Pilotprojekte.

Kapazität vs. Komfortschwelle — ein wichtiger Unterschied

Bevor über Vorhersage-KI gesprochen werden kann, muss die richtige Zielgröße definiert sein. Es gibt zwei völlig verschiedene Kapazitätsbegriffe, die in der Praxis verwechselt werden:

Physische Kapazität ist die technische oder gesetzliche Obergrenze: maximale Parkhausplätze, Badegäste pro Strandabschnitt laut Badesicherheitsverordnung, Zuschauer laut Versammlungsstättenrecht. An dieser Grenze schreitet die Behörde ein.

Komfortschwelle ist die niedrigere Grenze, bei der das Erlebnis kippen beginnt: Wenn ein Strand zu 60 Prozent belegt ist, wirkt er für viele bereits voll. In einem Nationalpark-Tal entsteht das Gefühl von Überfüllung, wenn Wanderer ständig aneinander vorbeimüssen — lange bevor irgendeine physische Grenze erreicht ist.

KI-gestützte Besucherstromprognosen sollten auf die Komfortschwelle zielen, nicht auf die physische Kapazität. Sonst ist jede Maßnahme ein reaktives Notfallmanagement statt proaktive Steuerung.

Praktische Konsequenz: Deine Komfortschwellen musst du selbst kennen und definieren — kein Algorithmus kann dir sagen, ab wann ein Besuchervolumen aus Gastsicht ungemütlich wird. Das ist qualitative Arbeit, die vor dem technischen Aufbau steht.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zeitangaben beruhen auf erfahrungsgemäßen Werten aus Pilotprojekten wie dem Wangerland-Projekt (destination.one / METEONOMIQS, 2023). Repräsentative Feldstudien für den deutschsprachigen Raum fehlen noch.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Das System spart keine täglichen Stunden. Der Gewinn liegt in der Qualität der Vorbereitung an Spitzentagen: Personalbesetzung, Kommunikation und Logistik können Tage vorher geplant werden statt im laufenden Betrieb hektisch nachjustiert zu werden. Für eine Destination, die zehn bis zwanzig kritische Überlasttage pro Saison hat, ist das relevant — aber es ist keine tägliche Zeitersparnis wie bei Meeting-Protokoll-Automatisierung oder ähnlichen Prozesstools.

Kosteneinsparung — niedrig (2/5) Direkte Kosteneinsparungen sind kaum zu beziffern: Das System kauft keine teureren Produkte weg, es automatisiert keine Rechnungsverarbeitung. Indirekter Nutzen entsteht über bessere Personaleinsatzplanung, vermiedene Überstunden an ungeplanten Spitzentagen, und — über mehrere Saisons — über Wiederbesuchsraten und Online-Reputation. Das ist real, aber schwer zu monetarisieren. Destinationen, die dynamische Besucherentgelte einführen wollen (z. B. Parkgebühren nach Auslastung), können direktere Erlöseffekte erzielen — das ist aber ein separates Projekt.

Schnelle Umsetzung — sehr niedrig (1/5) Ohne bestehende Sensorinfrastruktur und ohne Datenhistorie gibt es hier keinen Abkürzungsweg. Wer noch keine Besucherzähler hat, braucht 3–6 Monate allein für Installation, Kalibrierung und erste Datensammlung — bevor ein Machine-Learning-Modell überhaupt trainiert werden kann. Das macht diesen Anwendungsfall zum infrastrukturell anspruchsvollsten im Tourismus-Portfolio. Ein Pilot innerhalb von sechs Wochen ist nur möglich, wenn Zählerdaten über mindestens eine Saison bereits vorliegen.

ROI-Sicherheit — niedrig (2/5) Der Nutzen ist real, aber die Verbindung zu messbaren Erlösen bleibt indirekt. Zufriedenheitsscores und Beschwerderaten verbessern sich, wenn Überlastspitzen seltener auftreten — das zeigen die Erfahrungen in Pilotdestinationen. Aber: Ob das in Folgebuchungen, höhere Bewertungen oder mehr Übernachtungen umschlägt, hängt von vielen weiteren Faktoren ab, die das System nicht beeinflusst. Wer ROI-Nachweise für interne Genehmigungsprozesse braucht, sollte konkrete KPIs vorab definieren — Beschwerderate, Parkauslastungseffizienz, Zufriedenheitsindex — und diese über zwei Saisons messen.

Skalierbarkeit — niedrig (2/5) Jede zusätzliche Messstelle, jeder neue Standort, jeder neue Parkplatz benötigt eigene Sensoren, eigene Kalibrierung und eine eigene Datenhistorie. Es gibt keine “Skalierung mit einem Klick” wie bei SaaS-Produkten. Das macht diesen Anwendungsfall zum einzigen im tourismus-Portfolio, der skalierbarkeits-seitig an einer harten Infrastrukturgrenze stößt: Wachstum kostet proportional neue Hardware.

Richtwerte — stark abhängig von vorhandener Sensor-Infrastruktur, Destinationsgröße und Saisoncharakter.

Was das Prognosesystem konkret macht

Das technische Kernprinzip: Predictive Analytics auf Zeitreihendaten. Das Modell lernt, wie sich historische Besuchervolumina zu externen Signalen verhalten — und nutzt diese Korrelationen für Zukunftsprognosen.

Die Eingangsdaten teilen sich in drei Kategorien:

Historische Zählerdaten (die wichtigste Quelle): Stundengenaue Besucherzahlen aus installierten Sensoren — Infrarotzähler an Strandtreppenabgängen, Schleifen im Parkplatzboden, Kameras mit Computer Vision-Auswertung an Engpässen. Diese Daten bilden das Muster, das das Modell erlernt.

Externe Prognose-Signale: Wettervorhersage (Temperatur, Sonnenstunden, Niederschlag), Schulferienkalender, Event-Daten (Konzerte, Märkte, Veranstaltungen im Umkreis), Buchungsauslastung in lokalen Unterkünften, ÖPNV-Fahrplandaten für Zugankünfte.

Kurzfristige Echtzeit-Signale: Social-Media-Erwähnungen und Suchanfragen-Spitzen, die auf organisches Interesse an einem Standort hinweisen. Diese werden für kurzfristige Korrekturen des 7-Tage-Fensters genutzt.

Das Modell — in deutschen Pilotprojekten häufig eine Kombination aus LSTM-Zeitreihenmodellen und Gradient-Boosting-Ansätzen — gibt stundenscharfe Prognosen aus: „Samstag, 11 bis 14 Uhr: Strandabschnitt Nord bei 82 % der Komfortschwelle. Empfehlung: Parkleitsystem auf alternative Parkplätze umstellen, zusätzliche Rangerabsicherung.”

Im Wangerland-Piloten (2023) wurde die Wetterkorrelation präzise quantifiziert: Fünf zusätzliche Sonnenstunden gehen mit 50 Prozent mehr Strandbesuchern einher — mit parallelem 25-Prozent-Rückgang bei der Hallenbadauslastung. Dieses Wissen existierte vorher als Erfahrungswissen einzelner Personen. Das Modell macht es systematisch nutzbar.

Sensorinfrastruktur: Was wirklich vor dem Algorithmus kommt

Der Algorithmus ist das Einfachste an diesem Projekt. Das Schwierige ist die Datengrundlage — und die entsteht nicht von selbst.

Welcher Sensortyp passt wohin?

Infrarot-Lichtschranken (bidirektional): Die einfachste Lösung für klar definierte Ein- und Ausgangspunkte — Strandtreppenabgänge, Museumseingang, Naturpfad-Einstieg. Zählt Personen in beide Richtungen, akkubetrieben, kein Kabel erforderlich. Preis: ab ca. 250 Euro netto pro Sensor (z. B. LoRaWAN-Set IMBUILDINGS B.V., Zenner IoT). Genauigkeit bei geordneter Personenführung: 90–95 Prozent.

WLAN/Bluetooth-Tracking: Erkennt Smartphones in einem Radius von 5–50 Metern und schätzt daraus Personendichten. Keine physische Einbauzwang, geeignet für offene Flächen ohne definierten Zugang. Wichtig: Für den Einsatz in Deutschland ist vollständige Anonymisierung der MAC-Adressen gesetzlich erforderlich (siehe Datenschutzabschnitt). Genauigkeit: 60–80 Prozent (nicht jedes Smartphone ist sichtbar, nicht jede sichtbare Person ist Gast).

Kamera-basiertes Counting: Computer Vision-Auswertung von Kamerafeeds. Höchste Genauigkeit (95–99 Prozent), geeignet für Platzsituationen und breite Zugänge. Erfordert Edge-Computing im Sensor selbst, damit keine Personenbilder übertragen werden — DSGVO-Anforderung. Einstieg ab ca. 800–2.000 Euro pro Kameraeinheit.

Schleifen-/Induktionssensoren im Boden: Für Parkplätze und Fahrbahnen. Zählt einfahrende und ausfahrende Fahrzeuge zuverlässig, gibt keine biometrischen Daten ab. Standardtechnik im Parkraummanagement, kostengünstig in der Anschaffung (100–300 Euro/Stellplatz).

Das Kalibrierungs- und Driftproblem

Sensoren sind keine permanente Installation. Sie driften, haben Ausfälle, und ihre Ausgangswerte ändern sich nach Vandalismus, Wetterschäden oder Verschiebung der Montagepunkte. Im Wangerland-Piloten wurden explizit “fehlende Zählerdaten auf Grund von Stromausfällen, Netzwerkproblemen oder Fehlzählungen” als Datenqualitätsproblem dokumentiert.

Für ein verwertbares ML-Modell gelten folgende Faustregeln:

• Mindestens eine volle Saison (besser: zwei Jahre) konsistente Zählerdaten vor dem ersten Modelltraining
• Regelmäßige manuelle Stichproben: einmal pro Monat 15 Minuten Parallelzählung durch Personal, um Sensordrift zu erkennen
• Ausfallprotokoll: Lücken in den Zeitreihen müssen markiert, nicht mit Nullwerten aufgefüllt werden — ein Sensor-Ausfall ist kein Tag ohne Besucher

Die Sensorinfrastruktur ist keine einmalige Investition — sie ist ein dauerhafter Betriebsgegenstand mit regelmäßigem Wartungsaufwand.

Konkrete Werkzeuge — was wann passt

Die Werkzeugkette besteht aus drei Schichten: Datenerfassung, Prognose, Kommunikation.

Datenerfassung und -übertragung

LoRaWAN-IR-Sensoren (IMBUILDINGS B.V., erhältlich via Zenner IoT) — Für klar definierte Ein- und Ausgangspunkte. Batteriebetrieben, kein WLAN nötig, Reichweite bis 5 km über LoRaWAN-Gateway. Ab 248,90 Euro netto pro Sensor-Set. Für Outdoor-Standorte mit bestehender LoRaWAN-Abdeckung oder nach Aufbau eines eigenen Gateways die günstigste robuste Lösung.

Bluetooth/WLAN-Tracking-Geräte (diverse Hersteller, z. B. TRAVEKOM SmartCity) — Für offene Flächen ohne Eingangscontrolling. Geräte müssen grundsätzlich MAC-Adressen hashen oder nach Zählung sofort verwerfen. Für touristisch bewirtschaftete Naturräume ohne bauliche Kontrolle oft der einzig praktikable Ansatz.

Parkleitsysteme (Induktionsschleifen) — Für Zufahrtsmessung. Bei vielen Destinationen bereits vorhanden; häufig ungenutzte Datenquelle, die ins Prognosesystem eingespeist werden kann ohne neue Hardware.

Prognose-Plattform

METEONOMIQS — Die einzige im deutschsprachigen Raum bekannte spezialisierte Lösung für Tourismusdestinationen, die Frequenzzähldaten mit standortgenauen Wetterprognosen von wetter.com automatisch kombiniert. 7-Tage-Prognosen auf Stundenbasis, API-Auslieferung. Preis auf Anfrage. Setzt vorhandene Zählerdaten voraus. Empfehlung für DMOs, die eine schlüsselfertige Lösung ohne eigenes Datenteam suchen.

Open-Meteo + eigenes ML-Modell — Für Destinationen mit vorhandener IT-Kompetenz oder externem Datenanbieter: Wetterprognose via Open-Meteo (29 Euro/Monat kommerziell), Zählerdaten aus eigener Infrastruktur, Modelltraining in Python oder R. Mehr Kontrolle, aber erfordert Data-Engineering-Aufwand.

DWD Open Data — Kostenlose amtliche Wetterdaten des Deutschen Wetterdienstes als Eingangssignal. Höchste Datenqualität, Deutschland-Hosting, kostenlos unter CC BY 4.0. Erfordert technische Einarbeitung (GRIB2-Formate), aber für Destinationen mit eigenem IT-Dienstleister die DSGVO-freundlichste Wetterdatenquelle.

Kommunikation und Visualisierung

DMO-Plattform-Integration (z. B. destination.one) — Deutsche DMO-Plattformen wie destination.one können METEONOMIQS-Prognosen direkt als Widget einbinden. Für Destinationen, die bereits auf einer solchen Plattform aufgebaut sind, ist das die schnellste Integrationsoption.

Google Maps Platform — Für die Entwicklung eigener Besucherlenkungswidgets und Echtzeit-Karten zur Auslastungsanzeige. DSGVO-Einschränkungen beachten: Standortdaten von Endnutzern dürfen nicht ohne Weiteres an Google weitergegeben werden.

Microsoft Power BI oder Tableau — Für interne Dashboards der DMO-Mitarbeitenden. Verbindet Sensordaten, Prognosen und aktuelle Auslastung in einem Echtzeit-Cockpit für das operative Team.

Zusammenfassung: Wann welcher Ansatz

• Spezialisierte Prognose-Plattform, kein internes Datenteam → METEONOMIQS + vorhandene DMO-Plattform
• Eigene IT-Kapazität vorhanden, maximale Kontrolle gewünscht → Open-Meteo + DWD Open Data + Python-Modell
• Kostenloser Wetterdaten-Einstieg für Pilottests → DWD Open Data
• Öffentliches Widget für Gäste → Google Maps Platform (DSGVO prüfen)
• Internes Controlling-Dashboard → Power BI oder Tableau

DSGVO und Datenhaltung: Wann darf man Besucherströme erfassen?

Die Frage der DSGVO-Konformität ist bei Besucherstromerfassung komplexer als bei vielen anderen KI-Anwendungen, weil Mobilität prinzipiell zu den besonders schützenswerten Verhaltensmerkmalen zählt.

Infrarot-Lichtschranken sind datenschutzrechtlich unproblematisch: Sie zählen Personen ohne jegliche Identifikation. Kein personenbezogenes Datum wird erhoben. Kein AVV erforderlich.

WLAN/Bluetooth-Tracking ist der kritische Fall. Smartphones senden eindeutige MAC-Adressen — und eine MAC-Adresse gilt als personenbezogenes Datum. Der Einsatz ist in Deutschland nur zulässig, wenn:

• MAC-Adressen vor Speicherung sofort und irreversibel anonymisiert (gehashed oder randomisiert) werden
• Nur Aggregatwerte (Personenanzahl, Dwell-Time als Durchschnitt) gespeichert werden
• Keine Wiedererkennung von Personen über die Zeit möglich ist

Das Lübecker-Bucht-Strandticker-Projekt 2020 scheiterte in seiner ursprünglichen App-Form unter anderem an genau dieser Frage: Die geplante Pflicht-App für Strandbesucher hätte DSGVO-Bedenken ausgelöst und Personen ohne Smartphones vom Strandbesuch ausgeschlossen.

Kamera-basiertes Counting ist zulässig, wenn:

• Die Verarbeitung auf dem Gerät (Edge-Computing) stattfindet und keine Bilder oder biometrischen Merkmale übertragen werden
• Das System ausschließlich Zählwerte ausgibt, keine Gesichtserkennung oder Wiedererkennung einsetzt
• Am Eingangsbereich eine Hinweisbeschilderung auf die Erfassung steht

Dynamische Besucherentgelte (z. B. höhere Parkgebühren an Spitzentagen) sind in Deutschland grundsätzlich zulässig. Für öffentliche Parkflächen gilt: Kommunen und Gemeinden dürfen Parkgebühren zeitlich differenzieren, sofern die Gebührenordnung entsprechend beschlossen ist. Für private Betreiber gibt es keine Beschränkung. Wichtig: Keine staatliche Stelle kann heute rechtssicher eine Zugangsbeschränkung für öffentlich zugängliche Natur- oder Küstenabschnitte allein auf Basis eines KI-Prognosemodells durchsetzen — hierfür sind Naturschutzgebiets-Verordnungen, Gemeinderatsbeschlüsse oder andere rechtliche Grundlagen erforderlich.

Was es kostet — realistisch gerechnet

Ein vollständiges System — von der Sensor-Installation bis zur operativen Prognose-Nutzung — lässt sich in drei Investitionsstufen einteilen:

Einstiegslösung: Pilotmessstelle an einer Hauptengstelle

• 3–5 Sensoren (Infrarot/LoRaWAN): 750–1.500 Euro Anschaffung
• LoRaWAN-Gateway falls nicht vorhanden: 300–600 Euro
• Datenplattform für Zeitreihenspeicherung (Cloud): 50–200 Euro/Monat
• Datenhistorie-Aufbau: 1 Saison (keine Prognose möglich, nur Monitoring)
• Gesamteinstieg: 1.500–2.500 Euro + laufende Plattformkosten

Mittlere Lösung: 3–5 Messstellen + Prognosemodell

• 10–20 Sensoren: 2.500–6.000 Euro
• Wetterprognose-Anbindung (Open-Meteo Professional): 99 Euro/Monat
• Prognosemodell-Entwicklung (extern beauftragt) oder METEONOMIQS-Lösung: auf Anfrage (erfahrungsgemäß 5.000–15.000 Euro Einrichtung, 500–2.000 Euro/Monat)
• Gesamtbudget: 10.000–30.000 Euro (erste 12 Monate inkl. Einrichtung)

Regionale Vollimplementierung (wie Smarte Grenzregion Schleswig-Holstein)

• 500+ Sensoren, 35+ optische Einheiten, komplettes Dashboard: mehrjähriges öffentliches Projekt
• Referenzkosten Smarte Grenzregion: Gesamtprojektvolumen 17,2 Millionen Euro (2022–2026) für das Gesamtprojekt inkl. aller Smart-City-Elemente — Besucherstrom ist eine Komponente
• Für vergleichbare reine Besucherlenkungssysteme auf regionaler Ebene: 200.000–500.000 Euro als Richtwert für Planung und erste Betriebsphase

Wie du den Nutzen misst: Definiere vor dem Rollout drei konkrete KPIs:

1. Beschwerdeindex: Anzahl Beschwerden (schriftlich, E-Mail, Social Media) an Spitzentagen — Ziel: Reduktion um 20–30 Prozent nach zwei Saisons
2. Parkauslastungseffizienz: Anteil Tage, an denen alternative Parkflächen genutzt wurden, bevor der Hauptparkplatz überlastet war
3. Gästezufriedenheit: Ergebnis aus regelmäßiger Kurzumfrage (NPS oder 5-Sterne-Rating) an Hotspot-Standorten

Drei typische Einstiegsfehler

1. Das Modell mit zu wenig Datenhistorie starten. Der Klassiker: Sensoren werden im Mai installiert, im Oktober soll das erste Prognosemodell laufen. Nach einer halben Saison gibt es keine belastbaren Muster — das Modell lernt gar nichts. Lösung: Sensor-Installation im Herbst, erste Saison ausschließlich Daten sammeln, Modelltraining erst nach 12 Monaten. Wer sofort handeln muss: Mit Erfahrungswissen und Wetterkorrelation starten — das ist ein Hilfsmittel, kein Ersatz für Trainingsdaten.

2. Das Lübecker-Bucht-App-Problem wiederholen. 2020 plante die Tourismus-Agentur Lübecker Bucht eine Pflicht-Strand-App. Das Projekt wurde eingestellt — weil es Besucher ohne Smartphones ausgeschlossen hätte und DSGVO-Fragen offen blieben. Stattdessen entstand der Strandticker: ein simples, inklusives Web-Widget, das mit Ampel-Signal-System und manuellen Updates funktioniert. Lehre: Technologische Ambition darf nicht auf Kosten von Zugänglichkeit und rechtlicher Belastbarkeit gehen. Eine perfekte KI-App, die 20 Prozent der Besucher nicht erreicht, ist schlechter als ein manuell gepflegtes Widget.

3. Sensor-Wartung als Einmalaufgabe behandeln. Sensoren driften, fallen aus, werden verschoben oder vandalisiert. Wer die Infrastruktur installiert und dann sich selbst überlässt, bekommt nach 12 Monaten Prognosen auf Basis von Rauschen statt Daten. Feste Wartungsintervalle (monatliche Stichprobenprüfung), Ausfallalarme und klare Verantwortlichkeit für die Sensor-Infrastruktur sind Pflicht.

4. Prognose mit Steuerung verwechseln. Das Modell sagt: “Samstag 12–15 Uhr: 90 Prozent Komfortschwelle.” Aber wenn kein Parkleitsystem vorhanden ist, keine Alternativparkplätze kommuniziert werden, und kein Personal für die Besucherlenkung eingeplant ist — ist die Prognose nutzlos. KI-Prognose ist kein Eingriffssystem. Sie liefert die Vorlage; die Organisation muss mit ihr handeln. Vor der Technik steht die Frage: Was tun wir eigentlich, wenn die Prognose “voll” sagt?

5. Die Wetterkorrelation überschätzen. Wetter erklärt viel — aber nicht alles. Ein viraler TikTok-Post kann innerhalb von 24 Stunden eine Destination mit 30 Prozent mehr Besuchern fluten, als jedes Prognosemodell auf Basis historischer Wetterdaten vorhergesagt hätte. Hybride Signale (Social-Media-Monitoring für kurzfristige Korrekturen) machen das Modell robuster.

Was mit der Einführung wirklich passiert — und was nicht

Die ersten Wochen nach Inbetriebnahme der Sensoren sind technisch, nicht strategisch. Die eigentliche Veränderung kommt erst nach 6–12 Monaten, wenn ein vollständiger Saisonzyklus vorliegt.

Was sich tatsächlich verändert: Die Planungskultur in der Destination verändert sich. Wenn das operative Team von wöchentlichen Prognosen sieht, wann Spitzentage kommen, beginnt es anders zu planen — Personalbesetzung, Social-Media-Posts mit Ausweichempfehlungen, koordinierte Hinweisschilder an Ausfahrten. Dieser kulturelle Wandel ist die eigentliche Wirkung — und er passiert nicht über Nacht.

Was nicht passiert: Das System löst das Überfüllungsproblem nicht. Es verlagert es — im besten Fall zeitlich (frühere Kommunikation) oder räumlich (Besucher weichen auf ruhigere Alternativen aus). Die Grundnachfrage nach einem populären Ziel wird durch kein Prognosesystem beeinflusst. Wer hofft, durch KI-Vorhersage den touristischen Druck strukturell zu senken, wird enttäuscht. Der Forscher Hartman et al. (2019) formulierten das in einer vielzitierten Studie als “Mythos der smarten Lösung”: Technologische Symptombehandlung heilt keine Ursachen.

Typische Widerstände im Team:

• Tourismusleitung sieht das System als Aufwand, nicht als Werkzeug: “Wir wissen doch selbst, wann es voll wird.” — Gegenmittel: Prognose und nachträgliche Realität für eine Saison nebeneinanderstellen. Abweichungen dokumentieren.
• Partnerorganisationen (Parkplatzbetreiber, lokale Vermieter, Kurverwaltung) liefern Daten zögernd: Datenschutzbedenken, Angst vor Transparenz über die eigene Auslastung. Gegenmittel: Datenschutzgutachten vorab, gemeinsame Gremienentscheidung, klare Zweckbindung der Daten.
• Gäste nutzen Prognose-Widgets nur bei aktiver Bewerbung: Nur wer vor der Anreise gezielt nach Auslastungsinformationen sucht, nimmt sie wahr. Gegenmittel: Integration in Buchungsbestätigungen, Push-Nachrichten über Gäste-Apps, Google-Maps-Verlinkung.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Wir wissen doch selbst, wann es voll wird.” Stimmt oft — für die offensichtlichen Spitzentage (Pfingsten, Ferienstart, Schönwetterwochenende im Juli). Das Problem sind die nicht-offensichtlichen Spitzen: Wenn ein Influencer mit 200.000 Followern einen Strandabschnitt auf TikTok zeigt, wenn eine Veranstaltung im 30-km-Umkreis abgesagt wird und die Besucher ausweichen, wenn ein Medien-Bericht über “Geheimtipp XY” erscheint. Erfahrungswissen deckt Muster ab, kein Modell kann kurzfristige Überraschungen vollständig vorhersagen. Aber es kann die vorhersehbaren 80 Prozent der Fälle deutlich zuverlässiger machen als individuelle Einschätzung.

“Das ist uns zu teuer.” Die Frage ist, womit man vergleicht. Kosten für einen ungeplanten Kriseneinsatz (Ordnungsamt, Kommunikation, Nachbearbeitung) an einem Spitzentag: 500–2.000 Euro. Kosten für einen dauerhaften Reputationsschaden in der Online-Bewertung: schwer zu beziffern, aber Forschung zu Destinationsimages zeigt, dass eine um 0,5 Punkte schlechtere Google-Bewertung messbare Auswirkungen auf Buchungsvolumina hat. Ein gut kalibriertes System mit drei bis fünf Sensoren und einem Prognose-Widget kostet pro Saison weniger als zwei ungeplante Kriseneinsätze.

“Was ist mit dem Datenschutz?” Berechtigter Einwand — und lösbar. Infrarotsensoren erheben keine personenbezogenen Daten. WLAN-Tracking erfordert konsequente Anonymisierung. Der Fehler der Lübecker Bucht-App war der Versuch, eine Pflicht-App zu bauen — das war rechtlich problematisch. Ein System, das ausschließlich aggregierte Zählwerte verarbeitet und nur Ampel-Informationen für Gäste ausgibt, ist DSGVO-konform und rechtssicher.

Woran du merkst, dass das zu dir passt

Das spricht für euren Anwendungsfall:

• Ihr habt 10–50 Tage pro Saison, an denen die Destination spürbar überlastet ist — nicht nur gelegentlich
• Ihr habt bereits Besucherzähler oder Parkleitsysteme und deren Daten werden bisher kaum ausgewertet
• Es gibt eine klare Ansprechperson für das Thema (DMO-Leitung, Tourismusamtsleiter) mit Budget-Entscheidungskompetenz
• Ihr kommuniziert bereits über digitale Kanäle (Website, Gäste-App, Social Media) und könntet dort eine Prognose-Ampel einbauen

Drei harte Ausschlusskriterien — wann es sich noch nicht lohnt:

1. Keine Datenhistorie (unter 1 volle Saison Besucherzählung): ML-Prognosen ohne Trainingsdaten sind Kaffeesatzleserei. Wer bei null anfängt, beginnt mit Sensoren — und plant das Prognosemodell für 18 Monate später. Kein Abkürzungsweg.

2. Keine Steuerungsoptionen vorhanden: Wenn die Destination keine Möglichkeit hat, auf Prognosen zu reagieren — kein Parkleitsystem, keine Kommunikationskanäle, kein Personal mit Lenkungsfunktion — liefert die Prognose nur Wissen ohne Handlungsoption. Investiere zuerst in die Steuerungskapazität, dann in die Prognose.

3. Zu kleines Tourismusteam (unter 3–5 FTE für Tourismus-Management): Ein laufendes Prognosesystem braucht einen Eigentümer — jemanden, der Sensor-Wartungsalarme bearbeitet, Modellgenauigkeit überprüft, Kommunikationsmaßnahmen koordiniert. Sehr kleine Tourismusorganisationen ohne dediziertes Personal können diesen Aufwand nicht nachhaltig stemmen. Dann ist ein gut gepflegtes manuelles System (wie der Lübecker Strandticker) die ehrlichere Alternative.

Das kannst du heute noch tun

Ohne Sensoren, ohne Budget, ohne technisches Setup kannst du heute Folgendes tun: Lies die öffentlich verfügbaren Wetterdaten des Deutschen Wetterdienstes für deinen Standort der letzten drei Jahre und kombiniere sie mit euren manuell notierten oder aus Buchungsdaten rekonstruierbaren Auslastungswerten der letzten zwei Saisons. Nicht mit KI — mit einer Excel-Tabelle.

Was du lernst: An wie vielen Tagen war Temperatur über X und Sonnenstunden über Y, und wie war die Auslastung? Welche Veranstaltungen korrelierten mit Spitzen? Wie viele eurer Spitzentage wären vorher “erkennbar” gewesen?

Dieser manuelle Audit dauert 2–4 Stunden und ist die qualifizierteste Entscheidungsgrundlage, die du haben kannst — bevor du auch nur einen Euro in Sensor-Infrastruktur investierst.

Für die nächste Saison hilft folgender Analyse-Prompt als Ausgangspunkt:

Quellen & Methodik

• Wangerland-Pilot 2023: destination.one GmbH, „Vorausschauende Besucherlenkung: Die Macht von Sensor- und Wetterdaten” (Blog, destination.one, 2023). Quantifizierte Wetterkorrelation: +5 Sonnenstunden = +50% Strandbesucher. Vendor: METEONOMIQS (wetter.com). URL: destination.one/blog/vorausschauende-besucherlenkung-die-macht-von-sensor-und-wetterdaten

• Lübecker Bucht Strandticker: NIT Institut für Tourismus- und Bäderforschung in Nordeuropa / Tourismus-Agentur Lübecker Bucht, Presseartikel Lübecker Nachrichten (2022), „Pilotregion Lübecker Bucht: Strandticker als bundesweites Vorbild”. System seit Juli 2020, 50 km Küstenlinie, 17 Standorte, 5 Tourismusorganisationen. Scheitern der ursprünglichen Pflicht-App dokumentiert via destinet.de (2020).

• Sensor-Hardware-Preis: LoRaWAN IR Personenfluss-Sensor-Set IMBUILDINGS B.V., ZENNER IoT Shop, April 2026. Preis: 248,90 Euro netto. URL: iot.zenner.shop/LoRaWAN-IR-Personenfluss-Sensor-Set-IMBUILDINGS-B.V.

• Smarte Grenzregion Schleswig-Holstein: Pressemitteilungen der Kreise Schleswig-Flensburg und Nordfriesland sowie smart-country.berlin (2024). Gesamtprojektvolumen: 17,2 Mio. Euro (2022–2026). 500+ Bodensensoren, 35 optische Sensoren als Bestandteil eines breiteren Smart-City-Projekts.

• OECD KI im Tourismus 2024: OECD, „Artificial Intelligence and Tourism: G7” (Dezember 2024). 11 % Nutzungsrate von KI-Technologien in Reisebüros und Reiseveranstaltern.

• Mythos smarter Lösungen: Hartman u.a., „Overtourism in urban destinations: the myth of smart solutions” (ResearchGate, 2019). Hinweis auf Grenzen technologischer Symptombehandlung bei strukturellen Nachfrageproblemen. Bestätigt durch: Tandfonline, „Digital overtourism in AI travel recommendations” (2026).

• Datenschutz WLAN-Tracking: DSGVO Art. 4 (Begriffsbestimmung personenbezogener Daten), Landesdatenschutzbehörden zu MAC-Adressen-Anonymisierung (Standardpraxis: Hashing auf Gerät vor Übertragung).

Du willst wissen, welche Sensortechnik für eure spezifischen Standortbedingungen passt oder ob eure vorhandenen Zählerdaten für ein erstes Prognosemodell ausreichen? Meld dich — das klären wir in einem kurzen Gespräch.