Die 90-Tage-Prognose, die Sie am Montag erstellt haben, ist am Dienstagmorgen bereits falsch. Die ehrliche Frage lautet nicht, ob die Prognose falsch war, sondern um wie viel, woher der Fehler stammt und ob Sie es überhaupt bemerken würden, wenn sich der Wert verdoppeln würde. Für die meisten unabhängigen Hotels, die wir prüfen, lautet die Antwort auf die dritte Frage „nein“, und genau das ist das eigentliche Problem, das dieser Artikel zu lösen versucht.
Die Nachfrageprognose ist die älteste Disziplin im Hotel-Revenue-Management und diejenige mit der größten Diskrepanz zwischen dem, was laut Fachliteratur funktioniert, und dem, was Hotels an einem Dienstagmorgen tatsächlich tun. Die Literatur ist umfangreich, die Anbieterlandschaft lautstark, und die Praxis vor Ort besteht meist aus Tabellenkalkulationen, Bauchgefühl und einem vierteljährlichen Besuch eines Beraters, der seine Präsentation zurückgelassen hat. Dieser Artikel ist eine praktische, fundierte und meinungsstarke Lektüre über die Methoden, die bei Daten im Hotelmaßstab tatsächlich funktionieren, die vier Fehlerquellen, die jede Hotelprognose zunichte machen, die Anbieterangebote, die man ablehnen sollte, und einen 90-Tage-Plan, den ein einzelner Revenue Manager intern umsetzen kann.
Der Stand der Nachfrageprognosen im Hotelgewerbe im Jahr 2026
Weniger als zehn Prozent der unabhängigen Hotels nutzen im Jahr 2026 ein spezielles Revenue-Management-System. Die Branchenumfrage von Skift Research beziffert den Anteil für Hotels insgesamt auf 28 Prozent. Dieser sinkt auf zehn Prozent, wenn man kostenlose Tools wie Expedia Rev+ ausklammert und nur Häuser berücksichtigt, die für fortschrittliche RMS-Technologie bezahlen. Der Großteil der übrigen Hotels erstellt Prognosen in einer Tabellenkalkulation, im Rahmen der Leistungen eines Beraters oder gar nicht.
Die Zahlen für Europa zeichnen ein ähnliches Bild, allerdings mit noch deutlicheren Unterschieden. Roland Scheggs Studie aus dem Jahr 2025, die mehr als 1.500 Hotels in Österreich, Frankreich, Deutschland, Griechenland, Italien und der Schweiz untersuchte, ergab, dass 44 Prozent der Häuser überhaupt über eine formelle Revenue-Management-Strategie verfügen. Von dieser Untergruppe nutzen 44 Prozent ein spezielles RMS, 33 Prozent verlassen sich weiterhin auf Excel und 20 Prozent lagern diese Aufgabe an externe Berater aus. 75 Prozent dieser Hotels nutzen ein PMS und 63 Prozent einen Channel Manager. Die Einführung von RMS hinkt diesen beiden grundlegenden Ebenen um 20 bis 30 Prozentpunkte hinterher.
Was hier auf der Strecke bleibt, ist messbar. Eine Studie der Cornell School of Hotel Administration ergab, dass Hotels, die ein RMS implementierten, einen RevPAR-Anstieg von 4,5 bis 7,5 Prozent verzeichneten. HSMAIs eigene Benchmarking-Ergebnisse beziffern diesen Wert auf 6,5 Prozent im Vergleich zu Nicht-Nutzern, wobei er bei Hotels, die erstmals ein RMS einsetzen, bis zu 15 Prozent beträgt. Für ein Hotel mit 50 Zimmern, einem ADR von 180 Euro und einer Auslastung von 65 Prozent bedeutet ein RevPAR von sechs Prozent einen Unterschied von etwa 2.013.000 und 2.135.000 Euro an Zimmerumsatz pro Jahr, noch bevor man die damit verbundenen Steigerungen bei F&B und Nebenleistungen berücksichtigt.
Der Einwand der Kosten hat an Bedeutung verloren. Die Einstiegspreise von RoomPriceGenie beginnen nun bei 119 Euro pro Monat. Atomize, Pricepoint, BeonPrice und einige andere liegen im gleichen Preisbereich. Die wirklichen Hindernisse für die Einführung liegen nun in der Trägheit der Betreiber, der Angst vor der Automatisierung von Preisentscheidungen und dem berechtigten Verdacht, dass die Demo des Anbieters nicht dem tatsächlichen Produkt entspricht. All dies sind reale Faktoren. Keiner davon rechtfertigt die Lücke. Dieser Artikel geht davon aus, dass der Betreiber erkannt hat, dass Prognosen wichtig sind, und nun eine ehrliche Einschätzung darüber wünscht, was dagegen zu tun ist.
Was eine Hotelnachfrageprognose tatsächlich bedeutet
Hinter einer Hotelnachfrageprognose stehen drei betriebliche Entscheidungen, von denen jede unterschiedliche Anforderungen an das zugrunde liegende Modell stellt.
Die erste betrifft die Preisgestaltung. Sie prognostizieren die uneingeschränkte Nachfrage für eine zukünftige Nacht, um entscheiden zu können, ob Sie Preise öffnen oder schließen, den BAR erhöhen, Beschränkungen der Aufenthaltsdauer aufheben oder ausgehandelte Preise zur Auslastung freigeben. Preisentscheidungen reagieren empfindlich auf kleine Änderungen der erwarteten Auslastung 14, 7 und 3 Tage im Voraus.
Die zweite ist das Inventar. Sie prognostizieren die Nachfrage nach Zimmertypen und Segmenten, um entscheiden zu können, ob Sie Überbuchungen vornehmen, Zimmer für einen Gruppenblock reservieren, eine Reisegruppe annehmen oder einen Vertriebskanal schließen. Inventarentscheidungen reagieren empfindlicher auf die Segmentzusammensetzung als auf das Gesamtvolumen.
Der dritte Faktor ist die Personalplanung. Sie prognostizieren Auslastung, Ankünfte und Abreisen, damit der Geschäftsführer das Housekeeping-Personal einteilen, das F&B-Team Bestellungen aufgeben und die Rezeption den Dienstplan erstellen kann. Personalentscheidungen reagieren empfindlich auf die absolute Auslastung und die Anzahl der Ankünfte, nicht auf den ADR.
Eine Prognose, die die Gesamtbelegung richtig, aber die Segmentzusammensetzung falsch einschätzt, hilft bei der Preisgestaltung, schadet aber dem Inventar. Eine Prognose, die die nächsten 7 Tage richtig, aber die nächsten 90 Tage falsch einschätzt, hilft dem Geschäftsführer, schadet aber dem Vertriebsteam. Das erste praktische Gespräch, das Sie innerhalb des Hotels führen sollten, ist die Frage, welche dieser drei Entscheidungen die Prognose optimieren soll, da kein einzelnes Modell für alle drei Bereiche optimal ist.
Zeithorizonte sind aus dem gleichen Grund wichtig. In der Fachliteratur wird die Prognose der Hotelnachfrage in kurzfristige (null bis dreißig Tage), mittelfristige (dreißig bis neunzig Tage) und langfristige (neunzig Tage bis zum Budget) Zeiträume unterteilt. Verschiedene Methoden schneiden bei unterschiedlichen Zeithorizonten am besten ab. Die Studie von Ampountolas und Legg aus dem Jahr 2024 im Journal of Revenue and Pricing Management verglich vier Methoden über Zeithorizonte von einem bis neunzig Tagen bei mehreren unabhängigen Hotels in den Vereinigten Staaten und berichtete, dass die einfache exponentielle Glättung in vier der getesteten Zeithorizonte am genauesten war, während XGBoost in sieben anderen Fällen, die sich auf den kurzen Zeithorizont konzentrierten, die Nase vorn hatte. Gleiche Daten, unterschiedliche Zeithorizonte, unterschiedliche erfolgreiche Methode. Ein Hotel, das ein einziges Modell für alles einsetzt, verschenkt Genauigkeit in den Zeithorizonten, für die dieses Modell nicht geeignet ist.
Die sieben Methoden, die Sie kennenlernen werden
Sieben Methodengruppen decken 95 Prozent der Praxis der Hotelnachfrageprognose im Jahr 2026 ab. Jede hat ihre eigenen Datenanforderungen, Stärken und Fehlerquellen. Anbieter werden Ihnen eine davon als die beste verkaufen, indem sie die anderen als veraltet darstellen. Die begutachtete Fachliteratur stützt diese Darstellung jedoch nicht.
1. Pickup-Methoden (das Arbeitstier)
Pickup-Prognosen sagen die zukünftige Auslastung voraus, indem sie die bereits gebuchten Buchungen auswerten und die verbleibenden ungebuchten Zimmer auf der Grundlage des historischen Buchungsrhythmus hochrechnen. Es gibt drei Varianten.
Die erweiterte Pickup-Methode geht davon aus, dass das Muster der Buchungsumwandlung von Vorreservierungen in Übernachtungen über die Jahre hinweg stabil ist. Wenn Sie im letzten Jahr in den letzten vierzehn Tagen für dieselbe Woche vierzig Zimmer verbucht haben, gehen Sie erneut davon aus, dass dies der Fall sein wird, und passen dies an die aktuelle Situation der Vorreservierungen an. Einfach zu implementieren, intuitiv zu erklären, liefert jedoch schlechte Ergebnisse, wenn sich das Buchungsfenster verschiebt.
„Delta-Pickup“ prognostiziert den Zuwachs gegenüber dem Vorjahreszeitraum. Weniger empfindlich gegenüber dem absoluten Volumen, empfindlicher gegenüber der Nachfrageentwicklung im Jahresvergleich.
Der kombinierte Pickup mittelt mehrere Varianten, typischerweise mit Gewichten, die aus der Genauigkeit rollierender Backtests abgeleitet werden. Die Kombination schneidet in veröffentlichten Benchmarks durchweg besser ab als die einzelnen Komponenten. Ein Artikel aus dem Jahr 2023 im Journal of Revenue and Pricing Management über die additive Pickup-Methode mit Zeitreihenelementen richtete sich speziell an KMU-Hotels und stellte fest, dass der kombinierte Ansatz bei längeren Zeithorizonten und in Zeiten geringer Auslastung besser abschneidet, wo der naive Pickup tendenziell am meisten danebenliegt.
Pickup ist aus gutem Grund das Arbeitspferd. Es nutzt Daten, über die das Hotel bereits verfügt (aktuelle Buchungen und Historie). Es funktioniert ohne Fachwissen im Bereich maschinelles Lernen. Die veröffentlichte Forschung stellt durchweg fest, dass es für kurze bis mittlere Zeithorizonte stark ist. Wenn Sie nichts anderes haben, bauen Sie dies zuerst auf.
2. Zeitreihen (die akademische Basis)
Zeitreihenmethoden modellieren die historische Auslastung als eine Abfolge mit Trend, Saisonalität und Rauschen. ARIMAExponentielle Glättung, Holt-Winters und Seasonal-Naive sind die kanonischen Varianten.
Die Makridakis-Wettbewerbe, die seit 1982 Prognosemethoden anhand realer Daten bewerten, kommen durchweg zu dem Ergebnis, dass statistisch ausgefeilte Methoden nicht unbedingt genauere Prognosen liefern als einfache, und dass Kombinationen von Methoden im Durchschnitt besser abschneiden als einzelne Methoden. Diese Erkenntnis gilt über Jahrzehnte hinweg, in vielen Bereichen und auch für Hotels.
Speziell für Hotels ist die exponentielle Glättung in ihren verschiedenen Formen (einfach, Holt, Holt-Winters) die überraschend kompetente Standardmethode. Ampountolas und Legg stellten in ihrer Studie von 2024 fest, dass die einfache exponentielle Glättung über mehrere Zeithorizonte hinweg die genaueste Einzelmethode ist. Das ist die Art von Erkenntnis, die Anbieter von Revenue-Technologie nicht auf die Titelseite ihrer Broschüre setzen.
Zeitreihenmethoden benötigen saubere historische Daten und vertragen keine strukturellen Schocks. Der Zeitraum von 2020 bis 2022 hat die historischen Daten für die meisten Hotels verfälscht. Das SME-Papier von 2023 befasst sich ausdrücklich damit, wie man damit umgehen soll: die Jahre komplett weglassen, eine Dummy-Variable für den Strukturbruch verwenden oder den additiven Aufschwung um eine Zeitreihenkomponente erweitern, die gegenüber den jüngsten Schocks robuster ist. Keine der Antworten ist trivial.
3. Regression und multivariate Analyse
Regressionsmodelle prognostizieren die Nachfrage als Funktion benannter Einflussfaktoren: Wochentag, Vorlaufzeit, Saison, Veranstaltungsindikator, Wetter, Preise der Wettbewerber, OTA-Werbeflag, Schulferienindikator. Der Ansatz mit benannten Einflussfaktoren hat den großen operativen Vorteil, dass man das Modell lesen und entscheiden kann, ob die Koeffizienten sinnvoll sind.
Der Nachteil ist, dass man die Einflussfaktoren auswählen muss. Das Modell ist nur so gut wie das Feature Engineering. Die meisten veröffentlichten Regressionsarbeiten für Hotels stammen aus den Jahren 2010 bis 2020, und die Literatur von 2024 bis 2026 hat sich weitgehend weiterentwickelt. Die Technik bleibt für Hotels mit einem starken lokalen Veranstaltungskalender praktikabel, bei denen die Veranstaltungen wichtiger sind als saisonale Schwankungen, aber sie ist im Jahr 2026 selten der empfohlene Ausgangspunkt für eine neue Prognosepraxis.
4. Machine-Learning-Ensembles (Das Arbeitstier mit Hochschulabschluss)
Gradient Boosting (XGBoost, LightGBM, CatBoost), Random Forests und Ensemble-Methoden dominieren mittlerweile die praxisorientierte Literatur zum maschinellen Lernen für Hotelprognosen.
Ein Artikel aus dem Jahr 2022 in „Current Issues in Tourism“ verglich zweiundzwanzig Methoden und stellte fest, dass Machine-Learning-Ansätze den quadratischen Mittelwertfehler bei 1-Tages-Prognosen um bis zu vierundfünfzig Prozent und bei 14-Tages-Prognosen um fünfundvierzig Prozent im Vergleich zur traditionellen exponentiellen Glättung reduzierten. Ein 2025 im Journal of Revenue and Pricing Management veröffentlichter Springer-Artikel verglich Gradient Boosting Regression mit Support Vector Regression und berichtete von einem normalisierten RMSE von 0,044 gegenüber 0,055, was einen knappen, aber konsistenten Vorsprung für GBR darstellt. Ein 2024 in Korea Science veröffentlichter Artikel kombinierte XGBoost mit DTW-K-Means-Clustering, um die Genauigkeit weiter zu verbessern, indem ein globales Modell selektiv mit immobilien- und cluster-spezifischen lokalen Modellen kombiniert wurde.
Die ehrliche Interpretation der Ensemble-Literatur ist konsistent und wenig schmeichelhaft für Deep Learning: Gradient Boosting auf basis von konstruierten Merkmalen schlägt komplexere Methoden bei Datensätzen in Hotelgröße in den meisten veröffentlichten Benchmarks. Die Datenmenge ist zu gering, als dass Deep-Learning-Netzwerke die Muster erlernen könnten, die die einfacheren Methoden bereits erfassen.
5. Deep Learning (Die Schlagzeile, die bei Hoteldaten hinter den Erwartungen zurückbleibt)
LSTMs, Transformers und andere Deep-Learning-Architekturen zeichnen sich bei großen, komplexen Zeitreihendatensätzen aus. Hotels sind weder groß noch im Sinne des Volumens, das Deep Learning bevorzugt. Ein Hotel mit 200 Zimmern und einer fünfjährigen Historie verfügt über weniger als 400.000 Übernachtungen an Trainingsdaten. Das ist für Deep-Learning-Methoden eher wenig.
Eine Ensemble-Studie aus dem Jahr 2024 berichtete von bidirektionalen LSTM-Architekturen mit negativen R-Quadrat-Werten bei Hoteldaten, was darauf hindeutet, dass das Modell saisonale Muster nicht erfassen konnte und überangepasst war. Dieselbe Studie ergab, dass ein Prophet-plus LightGBM plus Ridge-Regressions-Ensemble das LSTM um 10,2 Prozent übertraf. Dies ist das typische Muster für Daten im Hotelmaßstab: gut abgestimmte Ensembles schlagen gut abgestimmte Deep-Learning-Netzwerke.
Deep Learning wird bei Hoteldaten wettbewerbsfähig, wenn entweder viele Objekte vorliegen (ein Portfolio von mehr als fünfzig Hotels, die ein Modell mit Objekt-Embeddings trainieren) oder viele benachbarte Signale (OTA-Preise, Web-Traffic, Suchvolumen, Wetter), die das Deep-Learning-Netzwerk zusammenführen kann. Die Prognose für ein einzelnes Objekt mit einer dreijährigen Historie ist kein Anwendungsbereich, in dem sich die Komplexität der Architektur auszahlt.
6. Fundament-Modelle (die spekulative Front)
TimeGPT, Chronos, Lag-Llama, Moirai und die nächste Welle von Zeitreihen-Grundlagemodellen, die auf vielfältigen Korpora trainiert wurden, sind real und es lohnt sich, sich mit ihnen zu befassen. Chronos, ein 2024 veröffentlichtes Forschungsmodell von Amazon, tokenisiert Zeitreihenwerte und wendet Transformer der T5-Familie an, um probabilistische Prognosen im Zero-Shot-Modus zu erstellen. Veröffentlichte Benchmarks zu zweiundvierzig Datensätzen zeigen, dass Chronos spezialisierte Methoden bei Datensätzen übertrifft, die es während des Trainings gesehen hat, und bei neuen Datensätzen eine vergleichbare oder gelegentlich überlegene Zero-Shot-Leistung erbringt. Chronos-2, veröffentlicht im Jahr 2025, baut diesen Vorsprung weiter aus.
Die ehrliche Einschätzung für einen Hotelier im Jahr 2026: Es gibt keinen veröffentlichten, von Fachkollegen begutachteten Vergleich von Chronos oder TimeGPT mit speziell abgestimmten XGBoost Daten zur Hotelnachfrage. Die vorhandenen Benchmarks beziehen sich auf den Einzelhandel, den Energiesektor, das Wetter und generische Zeitreihen. Mehrere Anbieter haben begonnen, Foundation-Modelle in ihre Prognosestacks zu integrieren. Bislang hat noch keiner unabhängige Genauigkeits-Benchmarks für Hoteldaten veröffentlicht. Die Position ist plausibel, aber unbewiesen.
Überprüfen Sie dies in 24 bis 36 Monaten erneut. Die Technologie entwickelt sich rasant, die wissenschaftliche Literatur holt auf, und die Antwort im Jahr 2028 könnte sich von der Antwort im Jahr 2026 unterscheiden. Zum jetzigen Zeitpunkt bedeutet es, Ihr Revenue-Management-Budget auf einen Anbieter zu setzen, der Foundation-Modelle in den Vordergrund stellt, eine These zu kaufen, nicht ein Ergebnis.
7. Naive Basiswerte (die überraschend wettbewerbsfähige Kontrollgruppe)
Gleiche Woche des Vorjahres. Gleitender 30-Tage-Durchschnitt. Verhältnis der Auslastung des Vorjahres zum aktuellen Tempo. Diese Methoden müssen alle Hotelprognosen übertreffen, um ihre Komplexität zu rechtfertigen.
Die veröffentlichten Forschungsergebnisse zeigen übereinstimmend, dass naive Methoden schwerer zu übertreffen sind, als man erwartet, insbesondere für Hotels mit stabiler Saisonalität und begrenzter Variabilität bei Veranstaltungen. Eine MAPE-Verbesserung von 1,5 bis 3 Prozent gegenüber einer naiven Basislinie entspricht in veröffentlichten Benchmarks einer professionellen Prognose mittlerer Qualität. Eine Verbesserung von 10 bis 15 Prozent entspricht einer hochwertigen Prognose auf der Grundlage von Daten mit starken Frühindikatoren. Wer eine Verbesserung von 30 bis 50 Prozent verspricht, ohne Ihnen die Basislinie zu zeigen, die er übertrifft, stellt die Zahlen falsch dar.
Die Disziplin, eine naive Basisprognose parallel zur tatsächlichen Prognose zu führen, ist das kostengünstigste Einzelinstrument zur Genauigkeitsmessung, über das ein Revenue Manager verfügt. Wenn Ihr 400-Euro-pro-Monat-Anbieter Ihre Daten im Vergleich zur gleichen Woche des Vorjahres nicht konstant um 5 Prozent übertreffen kann, zahlen Sie 4.800 Euro pro Jahr für ein farbiges Diagramm.
Die für ein unabhängiges Hotel wichtigsten Methodenvergleiche kommen zu denselben Ergebnissen: Pickup ist das Arbeitstier, exponentielle Glättung ist die überraschend kompetente Standardmethode, Gradient-Boosting-Ensembles sind bei richtiger Abstimmung auf kurze Sicht überlegen, und Kombinationen von Methoden schneiden im Durchschnitt besser ab als Einzelmethoden. Deep Learning liefert bei Daten einzelner Hotels nicht die erwarteten Ergebnisse. Foundation-Modelle sind spekulativ interessant, aber pragmatisch unbewiesen. Naive Basiswerte sind die Untergrenze, die jede Prognose überschreiten muss, Punkt.
Die vier Dinge, die jede Hotelprognose zunichte machen
Über Methoden wird in Fachzeitschriften diskutiert. Fehlerquellen sind universell. Vier spezifische Probleme sprengen nach unserer Prüfungserfahrung fast jede Hotelprognose, und die veröffentlichte Forschung bestätigt jedes einzelne davon.
1. Gruppenbuchungen
Das Gruppengeschäft ist die größte Verzerrung bei der Prognose für unabhängige Hotels. Die veröffentlichte Forschung zur Gruppenprognose ist älter, aber die Dynamik hat sich nicht geändert. Lees Artikel aus dem Jahr 1999 im Journal of the Operational Research Society bleibt die maßgebliche Studie und berichtete über mittlere absolute prozentuale Fehler von vierzig Prozent zwei Monate vor der Ankunft, dreißig Prozent einen Monat vor der Ankunft und zehn bis fünfzehn Prozent am Anreisetag, mit einer positiven Verzerrung über alle Zeithorizonte hinweg. Eine positive Verzerrung bedeutet, dass die Prognose die Gruppennachfrage überbewertet, was wiederum bedeutet, dass das Hotel Zimmer hält, die es nicht benötigt, was wiederum bedeutet, dass das Einzelgeschäft, das diese Zimmer gefüllt hätte, abgewiesen oder an einen Wettbewerber verwiesen wurde.
„Group Wash“ ist der spezifische Begriff dafür. Der Wash-Faktor ist der Prozentsatz der reservierten Zimmer in einem Gruppenblock, die aufgrund von Stornierungen, Nichtanreisen oder reduzierten Gästelisten nicht in Anspruch genommen werden. Hotels, die den Wash nicht nach Gruppentyp (Geschäfts-, Freizeit-, Hochzeits-, Sport- und Vereinsgruppen) erfassen, werden systematisch zu hohe Prognosen erstellen.
Die praktische Lösung ist eine fortlaufende 12-Monats-Wash-Erfassung nach Gruppensegmenten, wobei die Prognose um den Netto-Wash-Faktor (nicht den Brutto-Wash-Faktor) angepasst wird. Der Wash-Faktor für Hochzeitsgruppen liegt nach unseren europäischen Prüfungserfahrungen bei acht bis zwölf Prozent. Bei Firmengruppen liegt er eher bei vier bis acht Prozent. Bei stark vertraglich gebundenen Vereinsgruppen kann er bis auf zwei bis vier Prozent sinken. Ein Hotel, das eine einheitliche Wash-Annahme zugrunde legt, wird zwölf Monate im Jahr für mindestens ein Segment falsch liegen.
2. Auswirkungen von Stornierungen
Die Stornoraten sind weiterhin über den Werten vor der Pandemie und der Kanalmix spielt eine Rolle. Der „2024 Hotel Distribution Report“ von D-EDGE stellte fest, dass die Stornoraten wieder nahe dem Niveau von 2019 liegen, aber immer noch hoch sind. Die Analyse von SiteMinder von 125 Millionen Buchungen im Jahr 2024 ergab weltweite Stornoraten unter zwanzig Prozent und ein durchschnittliches Buchungsfenster von zweiunddreißig Tagen. Die Kanalaufteilung innerhalb dieser Gesamtzahl ist breit: Direktbuchungen werden zu etwa achtzehn Prozent storniert, OTA-Buchungen zu vierzig bis fünfzig Prozent, wobei Booking.com in einigen D-EDGE-Stichproben sogar über vierzig Prozent Umsatzstornierungen verzeichnet.
Prognosen, die Bruttobuchungen als Nachfragesignal betrachten, werden die Stornorate überschätzen. Prognosen, die alle Kanäle als einen Block behandeln, werden überschätzen, wenn der OTA-Anteil steigt. Die praktische Lösung ist zweigeteilt: Trennung von Brutto- und Netto-Buchungskurven im Prognosemodell und Segmentierung nach Kanälen, damit die Stornoneigung mit dem Segment mitwandert.
Ein spezifisches Fehlermuster: Ein Hotel verlagert den Kanalmix innerhalb von zwölf Monaten von sechzig Prozent Direktbuchungen auf vierzig Prozent Direktbuchungen. Die Stornationsneigung steigt automatisch, da der OTA-Anteil gewachsen ist. Die Prognose, die auf der alten Kanalzusammensetzung trainiert wurde, überschätzt die Nettonachfrage, und das Hotel hält entweder Zimmer zurück, die es freigeben sollte, oder legt die Preise zu früh fest und verliert Marktanteile. Wir beobachten genau dieses Muster so häufig, dass es eine eigene Bezeichnung verdient: die Prognoseabweichung aufgrund des Kanalmixes.
3. Verschiebungen der Vorlaufzeit
Die Verteilung des Buchungsfensters hat sich nach der Pandemie verkürzt und verändert sich weiterhin. Laut den Daten von SiteMinder für 2024 liegt das globale durchschnittliche Buchungsfenster bei 32 Tagen, ein Anstieg gegenüber dem Tiefstand von 2023, aber ein deutlicher Rückgang gegenüber den Werten vor 2020. Interessant ist die Verschiebung innerhalb des Durchschnitts: Kurzfristige Buchungen (null bis sieben Tage) haben überproportional zugenommen, insbesondere bei Freizeitgästen.
Auf ein stabiles Buchungsfenster kalibrierte Auslastungsmodelle versagen, wenn sich das Fenster verschiebt. Die Auslastung 30 Tage im Voraus ist heute ein schlechterer Indikator für die Übernachtungsauslastung als noch 2019, da der Anteil der Nachfrage, der innerhalb von 30 Tagen gebucht wird, gestiegen ist. Eine Prognose, die die Auslastungskurve nicht mindestens vierteljährlich neu kalibriert, wird die Nachfrage systematisch unterschätzen und den bereits gebuchten Anteil überschätzen.
Die praktische Lösung ist eine vierteljährliche Neukalibrierung der Belegungskurve, mit separaten Kurven pro Segment, wenn die Zusammensetzung auf Segmentebene wesentlich ist.
4. Kalenderabweichungen
Der vierte Fehler ist der am leichtesten vermeidbare und zugleich der peinlichste. Veranstaltungen, Feiertage, Schulhalbjahre, religiöse Feiertage und einmalige Marktereignisse (eine Konferenz, eine Sportserie, eine Änderung des Flugplans) sind die größten Treiber für wöchentliche Nachfrageschwankungen. Ein Prognosemodell, das diese nicht als Merkmale einbezieht, wird die Spitzen systematisch übersehen.
Unsere Prüfungsergebnisse zeigen, dass ein typisches unabhängiges Hotel drei oder vier benannte Ereignisse in seiner Prognosetabelle berücksichtigt, sich jedoch keiner weiteren fünfzehn bis zwanzig Ereignisse bewusst ist, die das Modell hätte erfassen müssen. Wir haben erlebt, dass Hotels das lokale Marathon-Wochenende übersehen haben, weil das Ereignis zwar in einer Vertriebsdatenbank, aber nicht in der Prognosetabelle verzeichnet war, mit vorhersehbaren Verlusten in fünfstelliger Euro-Höhe an einem einzigen Wochenende.
Die praktische Lösung ist ein zentraler Kalender. Eine zentrale Quelle, in die Veranstaltungen, Feiertage, Schulferien, Lieferantenveranstaltungen und einmalige Marktveränderungen eingegeben und datiert werden. Das Prognosemodell liest dann daraus. Die meisten modernen PMS- und RMS-Produkte bieten einen integrierten Veranstaltungskalender. Falls Ihr System dies nicht tut, ist die kostengünstigste Maßnahme zur Umsatzsteigerung, die Sie in diesem Quartal durchführen können, die Erstellung einer gemeinsamen Tabelle und die Einführung einer festen wöchentlichen 15-minütigen Besprechung mit dem Reservierungsteam.
Was bei einem unabhängigen Hotel tatsächlich den Ausschlag gibt
Die vier oben genannten Fehlerquellen sind universell. Die Maßnahmen, die die Prognosegenauigkeit eines unabhängigen Hotels tatsächlich verbessern, sind in unseren Prüfungsaufträgen überraschend einheitlich. In der Reihenfolge des Aufwands:
1. Bereinigen Sie die Stornierungsdaten
Dies ist die Grundlage. Jede weitere Verbesserung baut darauf auf. Die Stornierungsflagge in Ihrem PMS muss stornierte Buchungen, No-Shows und Änderungen zuverlässig voneinander trennen. Das Feld für den Stornierungsgrund muss aktiviert und bei jeder Stornierung ausgefüllt werden. Stornierungen, die auf OTA zurückzuführen sind, müssen deutlich von direkten Stornierungen unterschieden werden. Bei den meisten unabhängigen PMS-Implementierungen ist mindestens eine dieser drei Einstellungen falsch konfiguriert. Wir prüfen zwölf bis fünfzehn Hotels pro Quartal, und bei mindestens acht ist diese Korrektur in der Regel erforderlich, bevor Prognosen überhaupt sinnvoll sind.
Kosten: null, dies ist eine Konfigurationsaufgabe. Zeitaufwand: zwei bis fünf Arbeitstage mit Unterstützung des PMS-Anbieters. Auswirkung: Jede nachgelagerte Kennzahl wird vertrauenswürdig.
2. Verfolgen Sie die Buchungsentwicklung nach Vorlaufzeit-Intervallen und Segmenten
Die meisten Buchungskurven werden als eine einzige Zahl ausgewiesen, zum Beispiel verzeichnen wir sechzig Zimmerbuchungen in den letzten vierzehn Tagen für einen typischen Freitag im Juli. Diese Zahl ist ein Durchschnitt über alle Segmente und Vorlaufzeiten hinweg. Die Informationen, die dabei verloren gehen, sind aussagekräftiger als die Zahl selbst.
Die Bucket-Struktur, die für ein unabhängiges Hotel tatsächlich funktioniert, umfasst sechs Vorlaufzeit-Buckets (null bis drei Tage, vier bis sieben Tage, acht bis vierzehn Tage, fünfzehn bis dreißig Tage, einunddreißig bis sechzig Tage, einundsechzig und mehr Tage) und mindestens drei Segmente (Direktbuchungen von Durchreisegästen, OTA-Buchungen von Durchreisegästen, Gruppen). Achtzehn Buchungskurven, die es zu verfolgen gilt, nicht nur eine. Eine Tabelle mit wöchentlicher Zellaktualisierung für jede Kurve reicht aus. Die Detailgenauigkeit zeigt, wo die Prognose versagt, was eine Information ist, die man aus einer einzigen durchschnittlichen Buchungszahl nicht ableiten kann.
3. Erstellen Sie ein 7/14/30/60/90-Tage-MAPE-Scoreboard
Unabhängig davon, mit welcher Methode Sie prognostizieren, sollten Sie die historische Genauigkeit für jeden Zeithorizont kennen. Das MAPE-Scoreboard ist eine Tabelle, die die Prognose mit den Ist-Werten der letzten zwölf Monate für fünf Zeithorizonte (7 Tage, 14 Tage, 30 Tage, 60 Tage, 90 Tage) auf der Ebene der Gesamtbelegung vergleicht. Jede Woche, in der Sie eine neue Prognose erstellen, fügen Sie eine Zeile hinzu.
Die Regel lautet, keine Prognose für geschäftliche Entscheidungen heranzuziehen, bevor Sie nicht zwölf Wochen Scoreboard-Daten gesammelt haben. Das Scoreboard beantwortet die Frage, wie gut Ihre Prognose ist, mit einer Zahl statt mit einem Gefühl. Die meisten unabhängigen Hotels, die wir prüfen, haben diese Zahl noch nie ermittelt. Die Hotels, die dies tun, verbessern ihre Prognosegenauigkeit innerhalb von sechs Monaten um zehn bis zwanzig Prozent, allein dadurch, dass sie operativ erkennen, wo das Modell versagt.
Ein angemessener MAPE-Richtwert für eine Prognose mittlerer Qualität bei einem unabhängigen Hotel mit 50 bis 200 Zimmern: acht Prozent bei 7 Tagen, elf Prozent bei 14 Tagen, fünfzehn Prozent bei 30 Tagen, zweiundzwanzig Prozent bei 60 Tagen, achtundzwanzig Prozent bei 90 Tagen. Wenn Ihre Zahlen innerhalb dieser Bandbreiten liegen, haben Sie eine solide Prognose. Wenn Sie diese Zahlen bei denselben Zeithorizonten verdoppeln, ist etwas Konkretes fehlerhaft, und die Übersicht zeigt Ihnen, wo.
4. Kalibrieren Sie die Gruppenauslastung
Die Standardannahme in den meisten unabhängigen Hotels ist, dass ein bestätigter Gruppenblock zu hundert Prozent der Zimmerliste eintrifft. Die Daten stützen dies nicht, und die veröffentlichte Forschung (Lee 1999, die Whitepapers der Duetto-Gruppe zum Gruppen-Wash, die Meinungsbeiträge von Hospitality Net aus den Jahren 2024 bis 2025) macht dies deutlich.
Die praktische Lösung ist eine rollierende 12-Monats-Wash-Berechnung nach Gruppensegmenten, die vierteljährlich aktualisiert und als Prognoseinput auf das Bruttokontingent angewendet wird. Sechs bis zwölf Prozent Wash für Hochzeitsgruppen. Vier bis acht Prozent für Firmenkunden. Zwei bis vier Prozent für stark vertraglich gebundene Verbandsgruppen. Ihre eigenen Daten werden diese Spannen verfeinern. Die nüchterne Tatsache ist, dass die Berechnung des Bruttokontingents ohne Wash-Abzug den größten einzelnen Prognosefehler in der Revenue-Management-Praxis der meisten unabhängigen Hotels darstellt.
5. Häufigkeit der Neuprognosen
Tägliche Neuprognose für die nächsten 14 Tage. Wöchentliche Neuprognose für die nächsten 30 bis 90 Tage. Monatliche Neuprognose für die nächsten 90 bis 365 Tage. Bei der Häufigkeit geht es nicht darum, die Prognose so oft anzusehen, sondern darum, Verschiebungen früh genug zu erkennen, um darauf zu reagieren.
Ein Revenue Manager, der die 90-Tage-Prognose monatlich aktualisiert, erkennt eine Verschiebung im Kanalmix im vierten Monat. Ein Revenue Manager, der die 90-Tage-Prognose wöchentlich aktualisiert, erkennt sie bereits in der fünften Woche. Die Prognosegenauigkeit ist identisch, die Entscheidungsgeschwindigkeit unterscheidet sich jedoch um zwölf Wochen. Zwölf Wochen kumulativer Umsatzauswirkung bei einer ADR-Abweichung von fünf Prozent in einem Hotel mit 50 Zimmern entsprechen einem fünfstelligen Euro-Betrag pro Quartal.
Die meisten unabhängigen Häuser führen eine monatliche Prognosebesprechung durch, da dies der historische Rhythmus ist, der aus den Berichtszyklen der Eigentümer übernommen wurde. Die praktische Empfehlung lautet, die monatliche Besprechung für die Budgetgespräche beizubehalten und eine fünfzehnminütige Prognoseüberprüfung am Dienstagvormittag für die umsetzbaren Zeiträume hinzuzufügen. Betriebskosten: fünfzehn Minuten pro Woche. Betriebsvorteil: Jede Prognoseabweichung wird in der vierten Woche statt im vierten Monat erkannt.
Die Anbieterlandschaft (Wer macht eigentlich was?)
Bei den HotelTech Awards 2025 belegte Duetto den ersten Platz, RoomPriceGenie den zweiten und Atomize den dritten unter 65 untersuchten Revenue-Management-Lösungen, wobei IDeaS als Zweitplatzierter im Enterprise-Segment positioniert war. Der Markt hat sich um Preisklassen für Großunternehmen, den Mittelstand und KMU konsolidiert, und die Wahl für ein unabhängiges Hotel hängt eher von der Preisklasse und dem Betriebsmodell ab als von der zugrunde liegenden Prognosegenauigkeit.
Enterprise (Duetto, IDeaS)
Duettos GameChanger und IDeaS G3 sind die dominierenden Enterprise-Produkte. Beide sind ausgereift, verfügen über leistungsstarke Gruppenbewertungsmodule, lassen sich in die gängigen PMS-Systeme integrieren und kosten für ein einzelnes Haus im vierstelligen Bereich pro Monat. IDeaS nutzt auf SAS basierende Analysen mit einer längeren Erfolgsgeschichte. Duettos Positionierung betont eine offene Preisgestaltung über Segmente und Kanäle hinweg. Für ein unabhängiges Hotel mit weniger als 200 Zimmern sind beide im Verhältnis zum gebotenen Betriebswert überdimensioniert und überteuert, was keine Kritik an den Produkten, sondern eine ehrliche Einschätzung der Eignung darstellt.
KMU (RoomPriceGenie, Atomize, Pricepoint, BeonPrice)
Im Mittelstands- und KMU-Segment wird die Auswahl für ein unabhängiges Hotel interessant. RoomPriceGenie, Atomize, Pricepoint und BeonPrice liegen alle im Bereich von 100 bis 500 Euro pro Monat und nutzen alle maschinell lernbasierte Preisgestaltung mit integrierten Nachfrageprognosen. Die Unterschiede in der Bedienung sind praktischer Natur: RoomPriceGenie automatisiert am meisten (Preisänderungen werden standardmäßig ohne Eingreifen durchgesetzt), Atomize erfordert mehr Benutzerüberwachung, Pricepoint hat einen starken Fokus auf den europäischen Markt, während BeonPrice seine Wurzeln auf den spanischen und lateinamerikanischen Märkten hat.
Die Prognosegenauigkeit dieser Anbieter wird selten unabhängig überprüft. Keiner hat peer-reviewte MAPE-Werte für seine eigene Prognose veröffentlicht. In der Demo des Anbieters wird Ihnen das Dashboard gezeigt. Ob das Dashboard besser ist als Ihre Tabellenkalkulation, lässt sich nur feststellen, indem Sie die Prognose des Anbieters 60 Tage lang parallel zu Ihrer eigenen laufen lassen und beide mit den Ist-Werten vergleichen. Bestehen Sie auf diesem Test, bevor Sie einen Mehrjahresvertrag unterzeichnen.
Native PMS-Prognosemodule (Cloudbeds Insights, Mews Demand Forecast)
Cloudbeds Insights und Mews haben für 2024 und 2025 native Prognosemodule auf den Markt gebracht, die darauf abzielen, eine brauchbare Prognose innerhalb des PMS für Häuser zu liefern, die kein dediziertes RMS hinzufügen möchten. Ehrlich gesagt sind diese Module für ein Hotel mit weniger als 30 Zimmern sinnvoll, das mehr als eine Tabellenkalkulation benötigt, und für Häuser mit mehr als 100 Zimmern und komplexem Gruppengeschäft, deren Genauigkeit unter der eines optimierten Ensemble-Modells oder eines dedizierten RMS liegt. Nutzen Sie sie als Ausgangsbasis, nicht als Rechtfertigung, um auf ein dediziertes RMS in großem Maßstab zu verzichten.
Die Marketingaussage zur KI-Prognose
Fast jeder RMS-Anbieter vermarktet mittlerweile KI-gestützte Prognosen. Schaut man sich die technische Dokumentation an, handelt es sich bei der zugrunde liegenden Engine fast immer um Gradient Boosting (XGBoost oder LightGBM am häufigsten) mit einer Feature-Engineering-Ebene für Ereignisse, Vorlaufzeit und Kanal. Das ist eine respektable technische Entscheidung und entspricht dem, was laut peer-reviewter Literatur bei Daten in Hotelgröße funktioniert. Das KI-Branding ist als Bezeichnung weitgehend zutreffend, als Differenzierungsmerkmal jedoch weitgehend überbewertet, da jeder seriöse Anbieter in diesem Segment dieselbe Modellfamilie verwendet.
Wenn ein Anbieter proprietäre KI anpreist, ohne bereit zu sein, die Modellfamilie, den Merkmalssatz oder die Backtest-Methodik offenzulegen, kaufen Sie Marketing. Die ehrliche Frage, die Sie bei einem Gespräch zur Anbieterauswahl stellen sollten: Welche Modellfamilie verwenden Sie, welche Merkmale entwickeln Sie, wie hoch ist Ihr gemeldeter MAPE bei 7, 14 und 30 Tagen für ein typisches unabhängiges Hotel mit 100 Zimmern, und können Sie die Methodik offenlegen, wie dieser MAPE gemessen wird? Ein Anbieter, der diese vier Fragen nicht beantworten will, verkauft Ihnen eine Black Box, und eine Black Box im Revenue Management ist eine Black Box bei den folgenreichsten Entscheidungen, die das Hotel täglich trifft.
Ein 90-Tage-Plan für den Eigenbetrieb
Der folgende Plan geht von einem Revenue Manager (oder Eigentümer) aus, der Zugriff auf das PMS, eine Tabellenkalkulation und etwa eine Stunde Zeit pro Tag hat. Barausgaben: insgesamt unter 200 Euro für optionale Tools. Ergebnis: ein funktionierendes Prognoseverfahren, das die Basiswerte der Vorjahreswoche um zehn bis zwanzig Prozent übertrifft und die Grundlage für jede spätere Anbieterbewertung bildet.
Tage 1 bis 14. Bereinigen Sie die Datenbasis. Überprüfen Sie die PMS-Konfiguration auf Stornierungsgründe, No-Show-Kennzeichnungen, Kanalzuordnung und Segmentcodes. Korrigieren Sie alle fehlenden oder falsch konfigurierten Felder. Tragen Sie die historischen Belegungs- und ADR-Daten der letzten 24 Monate nach Datum, Segment und Kanal in eine einzige Tabellenkalkulation ein. Identifizieren und kennzeichnen Sie den COVID-Zeitraum (März 2020 bis Dezember 2022) als strukturellen Bruch. Entscheiden Sie, ob dieser Zeitraum ausgeschlossen oder einbezogen werden soll (das SME-Papier von 2023 empfiehlt, ihn bei Hotels mit kurzer Historie als gekennzeichneten Bruch einzubeziehen). Das Ergebnis ist ein bereinigter Datensatz ohne fehlende Daten und ohne ungeklärten Stornierungsstatus.
Tag 15 bis 30. Erstellen Sie das MAPE-Dashboard. Führen Sie in der Tabelle für die letzten zwölf Monate an jedem Zeithorizont (7, 14, 30, 60, 90 Tage) eine naive Prognose auf Basis der Vorjahreswoche durch. Berechnen Sie für jeden den MAPE-Wert. Dies ist Ihre Basislinie. Jede Methode, die Sie in Zukunft ausprobieren, wird damit verglichen. Fügen Sie eine zweite Registerkarte für die Nachverfolgung von Ist- und Prognosewerten hinzu. Tragen Sie ab dieser Woche die Prognose für jeden Zeithorizont und den Ist-Wert ein, sobald dieser vorliegt.
Tage 31 bis 45. Erstellen Sie die Abholkurven. Berechnen Sie die Abholkurve für jeden der sechs Vorlaufzeit-Bereiche und drei Segmente. Das Ergebnis sind achtzehn Kurven, die die durchschnittliche tägliche Abholung nach verbleibender Vorlaufzeit zeigen. Speichern Sie diese als separate Referenz-Registerkarte. Wenn Sie sie zum ersten Mal erstellen, werden Sie von den Daten überrascht sein. Die meisten unabhängigen Hotels weisen ein klares saisonales Muster in der Vorlaufzeitkurve auf, das sie noch nie explizit visualisiert haben.
Tage 46 bis 60. Erstellen Sie die kombinierte Buchungsprognose. Verwenden Sie die Buchungskurven und den aktuellen Buchungsstand, um eine Vorausschau für jeden der fünf Zeiträume zu erstellen. Führen Sie diese Prognose jeden Dienstagmorgen parallel zur naiven Basisprognose und der Vorjahresprognose für dieselbe Woche durch. Tragen Sie beide in das Scoreboard ein. Berechnen Sie nach vier Wochen den Anstieg der kombinierten Buchungsprognose gegenüber der naiven Basisprognose für jeden Zeitraum.
Tage 61 bis 75. Fügen Sie den Gruppen-Wash-Faktor und das Segment hinzu. Berechnen Sie den rollierenden 12-Monats-Gruppen-Wash-Faktor nach Segment (Hochzeit, Firmen, Vereine, Freizeit, Tour). Wenden Sie den Wash-Faktor auf die Brutto-Gruppenbuchungen in der Prognose als Netto-Wash-Anpassung an. Verfolgen Sie denselben Prognoseanstieg gegenüber der vorherigen Version auf dem Scoreboard. Allein die Wash-Anpassung verbessert die Prognose in der Regel um drei bis fünf Prozent MAPE im 30- bis 60-Tage-Horizont für Häuser mit nennenswertem Gruppengeschäft.
Tage 76 bis 90. Treffen Sie eine Entscheidung bezüglich des Anbieters. Bis zum 90. Tag verfügen Sie über ein funktionierendes internes Prognoseverfahren mit dokumentierter Genauigkeit. Nun können Sie eine evidenzbasierte Entscheidung bezüglich des Anbieters treffen. Ziehen Sie zwei RMS-Anbieter für einen 60-tägigen Vergleichstest heran. Jeder Anbieter liefert jeden Dienstagmorgen eine Prognose für jeden der fünf Zeithorizonte. Tragen Sie deren Prognosen in die Übersicht ein. Vergleichen Sie nach 60 Tagen die MAPE jedes Anbieters mit Ihrer internen Prognose für jeden Zeithorizont. Die Entscheidung fällt leicht. Wenn der Anbieter Ihre internen Zahlen durchweg so deutlich übertrifft, dass sich die monatliche Gebühr rechtfertigt, schließen Sie den Vertrag ab. Wenn nicht, behalten Sie den internen Prozess bei und erwägen Sie, die Entscheidung in zwölf Monaten erneut zu prüfen.
Dies ist das Gegenteil der typischen Anbieterauswahl. Die meisten unabhängigen Hotels bewerten einen Anbieter in einer Demo anhand einer imaginären Basislinie. Die Empfehlung lautet, einen Anbieter in einem direkten Vergleich anhand einer gemessenen Basislinie zu bewerten. Die Daten werden Ihnen sagen, ob Sie investieren sollten.
Wie Prostay die Nachfrageprognose handhabt
Das Prostay PMS verfügt über ein natives Prognosemodul, das auf die praktische Betriebslücke für ein unabhängiges Hotel mit weniger als 150 Zimmern abzielt. Das zugrunde liegende Modell ist eine kombinierte Pickup-Engine mit einer konfigurierbaren Zeitreihenüberlagerung (standardmäßig exponentielle Glättung) und der Option, eine auf Gradient Boosting basierende Residuenkorrektur hinzuzufügen, sobald die Unterkunft über sechs Monate saubere Daten im System verfügt.
Die Felder für Stornierungen und Kanalzuordnung sind vorkonfiguriert, um die Prognose nativ zu unterstützen, sodass die oben beschriebene Datenaufbereitungsarbeit vom ersten Tag an vorhanden ist und keine benutzerdefinierte Datenprüfung erforderlich ist. Das Wash-Faktor-Modul berechnet automatisch den rollierenden 12-Monats-Wash nach Gruppensegmenten, sobald die Segmentcodes eingegeben wurden. Das MAPE-Scoreboard läuft als kontinuierliches Dashboard statt als manuelle Tabelle, mit wöchentlich automatisch berechneter Steigerung im Vergleich zur Basislinie der Vorjahreswoche.
Die Zeithorizonte von 7/14/30/60/90 Tagen werden täglich vorab berechnet und im Umsatz-Dashboard angezeigt. Die Pickup-Kurven werden für jedes Segment und jeden Vorlaufzeit-Bucket ohne manuelle Tabellenkalkulation visualisiert. Der Veranstaltungskalender dient als zentrale Datenquelle für Reservierungen, Verkäufe und das Prognosemodell, wodurch der Fehlermodus der Kalenderinkongruenz konstruktionsbedingt beseitigt wird.
Für unabhängige Häuser, die ein dediziertes RMS bevorzugen, lässt sich Prostay über den Standard-Channel-Manager nativ in RoomPriceGenie, Atomize und Duetto integrieren, was bedeutet, dass die Prognosedaten und Belegungskurven dem RMS ohne separates Integrationsprojekt zur Verfügung stehen. Die native Prognose dient als Basis und nicht als Ersatz. Jedes Haus verfügt vom ersten Tag an über eine Prognose, und die Entscheidung für ein dediziertes RMS wird zu einer parallelen Bewertung, wie sie im 90-Tage-Plan beschrieben ist.
Das soll keineswegs heißen, dass Prostay der einzige Weg ist, dies zu tun. Ein Revenue Manager, der ein modernes PMS einsetzt, kann den internen Plan mit etwas Aufwand umsetzen. Die praktische Erfahrung zeigt, dass die Datenbasis, die Berechnung der Belegungskurve, das Wash-Tracking und das MAPE-Dashboard bei manueller Durchführung pro Objekt und Jahr etwa vier bis sechs Wochen konzentrierter Arbeit erfordern. Eine Plattform, die diese Funktionen standardmäßig bereitstellt, entlastet den Revenue Manager, sodass er seine Zeit für die tatsächliche Nutzung der Prognose nutzen kann, anstatt sie zu erstellen.
Wichtige Erkenntnisse
Die Prognoseerstellung ist die älteste Disziplin im Hotel-Revenue-Management und in der Praxis die am wenigsten instrumentierte. Weniger als zehn Prozent der unabhängigen Hotels nutzen ein dediziertes RMS. Benchmarks von Cornell und HSMAI deuten darauf hin, dass für Objekte, die noch keine systematischen Prognosen erstellen, ein RevPAR-Anstieg von 4,5 bis 15 Prozent möglich ist.
Eine ehrliche Einschätzung der Methoden lautet: Kombiniertes Pickup ist das Arbeitspferd, exponentielle Glättung ist die überraschend kompetente Standardmethode, Gradient-Boosting-Ensembles sind bei richtigem Tuning auf kurze Sicht überlegen, naive Baselines sind schwerer zu schlagen, als Anbieter zugeben wollen, und Kombinationen von Methoden schneiden durchweg besser ab als einzelne Methoden. Deep Learning liefert bei Daten einzelner Hotels nicht die erwarteten Ergebnisse. Foundation-Modelle sind spekulativ interessant, aber in Bezug auf Hoteldaten bis 2026 pragmatisch unbewiesen.
Die vier Fehlerquellen, die jede Hotelprognose zunichte machen, sind Gruppenbuchungen (Lee 1999: MAPE von vierzig Prozent bei zwei Monaten), Stornierungsverzerrungen (OTA vierzig bis fünfzig Prozent gegenüber Direktbuchungen von etwa achtzehn Prozent laut SiteMinder und D-EDGE 2024), Verschiebungen der Vorlaufzeiten (SiteMinder 2024: durchschnittliches Buchungsfenster von zweiunddreißig Tagen und verkürzend) sowie Kalenderabweichungen. Die Lösungen lauten: Bereinigung der Stornierungsdaten, Nachverfolgung der Buchungsaufnahme nach Vorlaufzeit-Bucket und Segment, Erstellung eines 7/14/30/60/90-Tage-MAPE-Scoreboards, Kalibrierung des Gruppen-Wash und Neu-Prognose in dem Rhythmus, den die Entscheidung tatsächlich erfordert.
Die Anbieterlandschaft konsolidiert sich um Duetto und IDeaS im Unternehmensbereich sowie RoomPriceGenie, Atomize, Pricepoint und BeonPrice im KMU-Bereich, wobei native PMS-Prognosen (Cloudbeds Insights, Mews-Nachfrageprognose) das Budgetsegment abdecken. Hinter den KI-Behauptungen fast aller Anbieter verbirgt sich Gradient Boosting, eine technisch korrekte Wahl, die jedoch als Unterscheidungsmerkmal irreführend ist. Stellen Sie jedem Anbieter die vier Fragen im Anbietersek션, bevor Sie einen Vertrag unterzeichnen.
Der 90-tägige interne Plan ist der empfohlene Ausgangspunkt. Die Kosten liegen unter 200 Euro, der Zeitaufwand beträgt eine Stunde pro Tag, das Ergebnis ist eine messbare Basis, die die Anbieterentscheidung von einer Marketingentscheidung in eine datengestützte Entscheidung verwandelt. Prostay liefert standardmäßig die native Prognose und die Datenbasis, was den Aufwand für die manuelle Erstellung eliminiert und dem Revenue Manager die Freiheit gibt, die Prognose tatsächlich zu nutzen, anstatt sie zu erstellen. Eine Live-Demo ist der schnellste Weg, um zu sehen, ob diese Basislinie mit Ihrer tatsächlichen Arbeitsweise übereinstimmt.
