Wenn meine Hotelprognose um 10% danebenliegt, können die Zimmererlöse um etwa 6% sinken. Im Jahr 2026 würde ich mich also auf ein Ziel konzentrieren: einen Prognoseprozess zu entwickeln, der nah an Genauigkeit von 85% bis 90% und wird je nach Buchungszeitraum immer knapper.
Hier ist die Kurzfassung davon, was ich tun würde:
- Behalte die richtigen Zahlen im Blick: Auslastung, ADR, RevPAR und Zimmerumsatz
- So misst du Fehler richtig: behalten MAPE unter 10% wenn möglich, und behalte die Abweichungen in den Vorhersagen im Auge
- Ziele nach Zeitfenster festlegen: Die nächsten 7 Tage dürften viel angespannter sein als die Zeit in 60 bis 90 Tagen
- Reinige zuerst die Eingänge: PMS, CRS, Stornierungen, Nichterscheinen, Segmente und Kanäle
- Verwende den Verlauf der letzten 24 Monate: aber ohne Übernahmen, Schließungen und ungewöhnliche Zeiträume
- Prognose nach Segmenten: Direktbuchungen, OTA-Buchungen, Firmenbuchungen und Gruppenbuchungen laufen nicht auf die gleiche Weise ab
- Buchungsentwicklung nach Vorlaufzeit anzeigen: von 0–3 Tagen bis zu 61+ Tagen
- Marktsignale einbeziehen: lokale Veranstaltungen, Flugkapazitäten, Suchanfragen und ausverkaufte Flüge bei Mitbewerbern
- Überprüfe jede Woche den Prognosefehler: Vergleiche die Prognosen für 90, 60, 30, 14 und 7 Tage mit den tatsächlichen Ergebnissen
- Verwandle Fehlschläge in Preisanpassungen: Wenn die Nachfrage schneller steigt als erwartet, passt die Preise und die Kontrollen frühzeitig an.
Eine einfache Regel hilft dabei: Zuerst die Daten bereinigen, dann das Tempo, dann die Segmentzusammensetzung, dann die Marktüberprüfungen, dann die Fehlerprüfung. Damit habe ich eine Prognose, die ich für die Preisgestaltung, die Personalplanung, die Budgetverwendung und die Berichterstattung an die Eigentümer nutzen kann, ohne raten zu müssen.
Prognosefenster und MAPE-Zielwerte
| Prognosefenster | Gutes MAPE-Ziel | Hauptverwendungszweck |
|---|---|---|
| 0–7 Tage | 8% | Personal, Hauswirtschaft, Preise für Kurzaufenthalte |
| 8–14 Tage | 11% | Preisänderungen, Bestellungen von Speisen und Getränken |
| 15–30 Tage | 15% | Entscheidungen zu Lagerbeständen und Vertriebskanälen |
| 31–60 Tage | 22% | Marketing und Gruppenbesprechung |
| 61–90 Tage | 28% | Budgetüberwachung und Updates für die Eigentümer |
Wenn ich 2026 eine höhere Prognosegenauigkeit erreichen will, brauche ich nicht unbedingt erst ein komplexeres Modell. Ich brauche einen übersichtlichen, reproduzierbaren Prozess, der zeigt, wie sich die Nachfrage entwickelt und wo meine Zahlen immer wieder danebenliegen.
Prognosen für Hotels: 4 Wege zur Vereinfachung und Optimierung
Schritt 1: Schaffe eine solide Grundlage für die Prognose
Bevor du das Modell änderst, bereinige zuerst die Eingabedaten.
Überprüfe die täglichen Daten aus deinem PMS, CRS und Kanalquellen
Überprüfe jeden Tag acht Kernbereiche: Aufenthaltsdatum, Buchungsdatum, verkaufte Zimmer, ADR, Stornierungen, No-Shows, Segment und Vertriebskanal[1]. Wenn auch nur ein Feld fehlt oder inkonsistent ist, gerät die Prognose aus der Bahn.
Verwende in allen Systemen ein einheitliches Datumsformat, zum Beispiel MM/TT/JJJJ[2]. Wenn die Formate nicht übereinstimmen, fängt das Modell an, Lücken mit falschen Annahmen zu füllen. Mach das Gleiche mit den Segmentbezeichnungen. Wenn eine Nachfragequelle unter mehreren Codes auftaucht, werden deine Mix-Daten schnell unübersichtlich.
Über uns 6% bis 8% der verbuchten Reservierungen Dazu gehören Fehler wie Scheingebungen, doppelte Buchungsblöcke oder alte Nichtanreisen [1]. Das reicht schon mehr als aus, um die Belegungsprognosen durcheinanderzubringen.
Erstelle eine historische Basislinie für 24 Monate
Zieh mindestens 24 Monate Tageschronik damit du langfristige Muster erkennen und sich wiederholende Nachfragzyklen verfolgen kannst [2][3]. Aber übertrage diese historischen Daten nicht einfach so in die Prognose. Entferne zunächst Verzerrungen wie vollständige Übernahmen, vorübergehende Schließungen und alle anderen vom Normalbetrieb abweichenden Zeiträume. Wenn du sie drin lässt, wird die Basis verzerrt.
Nimm STLY als Ausgangspunkt, es sei denn, das aktuelle Tempo passt eindeutig besser [3]. Damit hast du eine gute Grundlage für die Arbeit an Tempo und Mix im nächsten Schritt.
Verwende eine Datenbereinigungstabelle, bevor du eine Prognose erstellst
Behebe die häufigsten Fehler, bevor du eine Prognose erstellst:
| Problem mit den Daten | Verzerrungseffekt | Korrekturmaßnahme |
|---|---|---|
| Falsch codierte Unternehmensbuchungen | Gibt die Nachfrage und die Preissensibilität des Segments falsch wieder [2] | Buchungen anhand des Tarifcodes den richtigen Segmentbezeichnungen zuordnen |
| Nicht protokollierte Gruppenwäsche | Positive Verzerrung; übertreibt die Nachfrage, schreckt Durchreisende ab [3] | Wende die gleitenden 12-Monats-Auswaschfaktoren nach Gruppentyp an (z. B. 8–12% für Hochzeiten, 4–8% für Firmenveranstaltungen) |
| Doppelte Buchungen | Verfälscht die Prognosen für die Auslastung und den RevPAR [1] | Führe jede Nacht SQL-Abfragen durch, um Buchungen mit demselben Gastnamen und demselben Anreisedatum zu markieren |
| Nicht abgeklärte Nichterscheinen | Verhindert den Weiterverkauf von Beständen, verzerrt die historische Basislinie [1] | Lösche den „No-Show“-Status jeden Morgen, nachdem das Anreisedatum verstrichen ist |
| Gruppenblöcke wurden nicht freigegeben | Hält Zimmer über den Buchungszeitraum hinaus reserviert, was zu Verlusten führt | Leg Veröffentlichungstermine im PMS und CRS fest und setz sie durch |
Eine einfache Aufteilung funktioniert hier gut:
- Zuweisen tägliche Datenüberprüfungen zu den Reservierungen
- Weise die Wochenrückblick an den Revenue Manager oder Geschäftsführer
Sobald die Daten bereinigt sind, lassen sich das Buchungstempo und die Segmentzusammensetzung in Schritt 2 viel leichter nachvollziehen.
Schritt 2: Verfeinere die Prognose anhand des Buchungstempos, der Vorlaufzeit und der Segmentzusammensetzung
Sobald deine Daten bereinigt sind, nutze das Buchungstempo und die Segmentmuster, um die Zimmernachfrage Tag für Tag zu prognostizieren.
Nutze Buchungsverläufe und Abholkurven nach Aufenthaltsdatum
Ein einfacher Ausgangspunkt sieht so aus:
Prognostizierte Zimmer = Buchungen (OTB) + erwartete Zuwächse basierend auf historischen Entwicklungskurven[1].
Vergleiche dein aktuelles Tempo mit dem gleichen Wochentag und der gleichen Jahreszeit aus den Vorjahren. So bekommst du ein klareres Bild davon, ob die Nachfrage wie erwartet steigt oder vom Kurs abweicht. Wenn die Nachfrage stärker ansteigt als ±5% Wenn du in einer Zeit mit hoher Nachfrage vor oder hinter dem Plan liegst, solltest du dir deine Preise oder Einschränkungen genauer ansehen [1].
Verfolge die Abholung mit Durchlaufzeit-Intervalle:
- 0–3 Tage
- 4–7 Tage
- 8–14 Tage
- 15–30 Tage
- 31–60 Tage
- Noch 61+ Tage
Aktualisiere diese Kurven vierteljährlich, um saisonale Schwankungen zu berücksichtigen [3].
Pace sagt dir wie schnell Die Nachfrage steigt. Der Segmentmix gibt Aufschluss darüber wo woher diese Nachfrage kommt.
Prognose nach Segmenten statt einer einzigen Gesamtzahl
Eine zusammengefasste Prognose kann verschleiern, was tatsächlich vor sich geht. Besser ist es, die Nachfrage nach Kurzzeitbuchungen, OTA-Buchungen, Firmenbuchungen und Gruppenbuchungen jeweils separat zu prognostizieren. [2][4].
Warum ist das wichtig? Weil sich diese Segmente nicht gleich verhalten.
OTA-Buchungen werden oft häufiger storniert als Direktbuchungen [3]. Geschäftsreisende buchen meist erst kurz vor der Anreise und legen weniger Wert auf den Preis, während Urlaubsreisende oft schon früher buchen und stärker auf Preisänderungen reagieren [2].
Dieser Unterschied beeinflusst, wie du die Auslastung einschätzt. Eine Zimmerübernachtung, die über ein Firmenkonto verbucht wurde, ist nicht dasselbe wie eine Zimmerübernachtung aus einer OTA-Buchung, die 30 Tage im Voraus erfolgt.
Tabelle zu Vorlaufzeiten und Segmentmaßnahmen
Die folgende Tabelle stellt einen Zusammenhang zwischen Vorlaufzeitfenstern, dem zu erwartenden Segmentverhalten und den Maßnahmen her, die in der Regel darauf folgen. Nutze sie als wiederverwendbare Referenz bei deiner täglichen oder wöchentlichen Überprüfung.
| Lieferzeit-Intervall | Gemeinsames Segment | Buchungsverhalten | Maßnahmen zur Prognose |
|---|---|---|---|
| 0–3 Tage | Spontane Besuche / Last-Minute-Freizeitaktivitäten | Geringe Preissensibilität bei starker Nachfrage; hohe bei schwacher Nachfrage | Halte die Preise stabil, wenn die Entwicklung vor dem Plan liegt; gewähre Rabatte nur, wenn die Auslastung deutlich hinter dem Ziel zurückbleibt |
| 4–7 Tage | Kurzfristige Freizeitaktivitäten | Hohe Preissensibilität | Setze kleine Rabatte oder Zusatzleistungen nur dann ein, wenn das Tempo deutlich hinter dem Ziel zurückbleibt |
| 8–14 Tage | Planer mit kurzer Vorlaufzeit | Mäßige Empfindlichkeit | Beobachte die Erholung im Vergleich zum erwarteten Tempo; nimm erst dann kleine Abwärtsbewegungen vor, wenn sich die Erholung abschwächt |
| 15–30 Tage | Standard für Freizeit und Geschäft | Mäßige Empfindlichkeit | Haltet die Zinssätze nahe am Leitzins; betrachtet das als Referenzzeitraum |
| 31–60 Tage | Frühbucher / Kleine Gruppen | Gering bis mäßig | Grundpreise beibehalten; Gruppenrabatte überprüfen und die Kontrollen für Spitzenzeiten verschärfen |
| 61+ Tage | Große Gruppen / Leute, die weit im Voraus planen | Geringe Empfindlichkeit | Wende die historischen Waschfaktoren je nach Gruppentyp an; ziehe moderate Frühbucherrabatte in Betracht, wenn das Tempo vor dem Plan liegt |
Wende bei Gruppenblöcken die historischen Wash-Faktoren deines property an. Richte Warnmeldungen für jeden Block ein, der mehr als 20% – historische Waschung[1].
Schritt 3: Anpassung an die Marktnachfrage, lokale Ereignisse und die Komplexität von Multi-Property
Daten aus der Vergangenheit sind zwar hilfreich, können aber nicht jede Veränderung in der Nachfrage erfassen. Deshalb brauchst du zusätzlich zu deinen historischen Daten auch Echtzeit-Marktsignale. So kannst du diese Signale in tagesgenaue Preise umsetzen und mit einem Echtzeit-Ereigniskalender Prognosen erstellen.
Einen lokalen Veranstaltungskalender führen
Betrachte deinen Veranstaltungskalender als ein dynamisches Tool zur Ermittlung von Stay-Date-Terminen und nicht als statische Liste. Erfasse für jede Veranstaltung den Namen, die Art der Veranstaltung, den erwarteten Nachfrageschub sowie die bisherigen Auswirkungen auf die Auslastung und den durchschnittlichen Zimmerpreis im Vergleich zu einem ähnlichen Termin ohne Veranstaltung.
Bei wiederkehrenden Veranstaltungen solltest du diese Aufenthaltsdaten mit den Terminen ohne Veranstaltungen im selben Monat der letzten zwei bis drei Jahre vergleichen. Auf den US-Märkten verzerren manche Zeiträume die Nachfrage so häufig, dass sie eigene Kennzeichnungen benötigen:
- Memorial Day
- 4. Juli
- Tag der Arbeit
- Erntedankfest
- Weihnachten
- Neujahr
- Frühlingsferien und Winterferien nach örtlichem Schulbezirk
- Homecoming- und Abschlussfeier-Wochenenden an der Uni
- stadtweite Großveranstaltungen wie Marathons, große Kongresse und große Konzerte
Vergleiche diese Daten mit Wochen im selben Monat, in denen keine Veranstaltungen stattfanden. Vergleiche sie nicht mit derselben Woche aus dem letzten Jahr, da diese Woche möglicherweise ebenfalls verzerrt war.
Untersuchungen zu Hotels in Indianapolis ergaben, dass an Kongresstagen der durchschnittliche Zimmerpreis (ADR) um etwa $19,93 bzw. 20,7% über dem durchschnittlichen Tagespreis lag und die Auslastung um 13,1 Prozentpunkte stieg. [6]. Ein einfacher Anstieg im Vergleich zum Vorjahr wird diesen Sprung nicht widerspiegeln.
Externe Nachfragesignale nutzen, ohne den Prozess unnötig zu verkomplizieren
Halte diesen Teil einfach. Wähle drei bis fünf externe Kennzahlen aus und besprich sie in deiner wöchentlichen Prognosebesprechung. Gute Beispiele sind die Kapazitäten der ankommenden Flüge an deinem nächstgelegenen Flughafen, das Suchvolumen im Internet für dein Reiseziel sowie ausverkaufte Angebote bei Mitbewerbern oder starke Preissprünge.
Such- und Flugdaten können die Nachfrage bereits bis zu 365 Tage vor der Ankunft widerspiegeln, wobei etwa 170 Tage vor der Abreise ein deutlicher Anstieg bei geplanten Urlaubs- und Veranstaltungsreisen zu verzeichnen ist. [5]. Wenn also die Zahl der Flugsitzplätze für ein bestimmtes Wochenende im Vergleich zum Vorjahr um 20% gestiegen ist, deine Prognose aber immer noch ein normales Wochenende anzeigt, solltest du dir das genauer ansehen. Das ist kein automatischer Grund, die Prognose zu überschreiben. Es ist ein Signal, der Sache auf den Grund zu gehen.
Das Wichtigste ist Konsistenz. Diese Signale helfen nur, wenn jeder property sie auf dieselbe Weise interpretiert.
Den Prognoseprozess der Gruppe vereinheitlichen
Bei Multi-property-Gruppen ist das größte Problem bei der Prognose meist nicht das Modell selbst, sondern uneinheitliche Definitionen.
Wenn ein property die vom Unternehmen ausgehandelten Tarife unter “Transient” erfasst und ein anderer sie unter “Corporate”, stimmt deine Portfolioansicht von Anfang an nicht. Du vergleichst nicht Äpfel mit Äpfeln.
Verwendet ein einheitliches Prognosekonzept für die gesamte Gruppe, damit jedes property-System denselben Definitionen, Buchungshorizonten, KPIs und Übersteuerungsregeln folgt. Lokale Übersteuerungen sollten Teil des Systems sein und nicht wie einmalige Ausnahmen behandelt werden. Wenn ein property-Manager ein neues Ereignis entdeckt oder bemerkt, dass ein Mitbewerber frühzeitig ausverkauft ist, sollte er in der Lage sein, die Prognose anzupassen und den Grund dafür zu protokollieren. Das verschafft der zentralen Führungsebene einen klaren Überblick darüber, was sich geändert hat, warum es sich geändert hat und in welchem Umfang sich die Prognose dadurch verschoben hat.
Nutze dann genau diese gemeinsamen Regeln, um Prognosefehler zu verfolgen und Fehlprognosen mit Preis- und Bestandsentscheidungen in Verbindung zu bringen.
Schritt 4: Verfolge Prognosefehler und nutze sie, um bessere Preisentscheidungen zu treffen
Sobald dein Prognoseprozess läuft, ist der nächste Schritt ganz einfach: Schau mal, wie nah das an der Realität ist und diese Lücke nutzen, um bessere Preisentscheidungen zu treffen.
Führe eine wöchentliche und monatliche Überprüfung der Prognosegenauigkeit durch
Nachdem die Anpassungen bei Tempo, Zusammensetzung und Ereignis vorgenommen wurden, prüfe, ob sie die Prognose tatsächlich verbessert haben. Zeichne jede Prognose an fünf festgelegten Kontrollpunkten auf:
- 90 Tage vor der Ankunft
- 60 Tage vor der Ankunft
- 30 Tage vor der Ankunft
- 14 Tage vor der Ankunft
- 7 Tage vor der Ankunft
Vergleiche dann jede einzelne Prognose mit der tatsächlichen Auslastung, dem ADR und den Zimmererlösen, nachdem das Aufenthaltsdatum vorbei ist. Der Sinn des Fehlerberichts besteht nicht nur darin, zu sehen, ob die Prognose richtig oder falsch war. Es geht darum, dort, wo es leicht bricht.
Der Zeitplan für die Überprüfung sollte mit dem Entscheidungsfenster übereinstimmen. Erstelle täglich eine neue Prognose für die nächsten 14 Tage, überprüfe wöchentlich die Prognose für 30 bis 90 Tage und aktualisiere monatlich die 12-Monats-Prognose. Verlasse dich außerdem nicht zu früh auf den Fehlerbericht. Solange du nicht mindestens 12 Wochen Daten hast, gibt es nicht genügend historische Daten, um zu erkennen, wo das Modell normalerweise danebenliegt. [3].
Manche Muster kommen ziemlich häufig vor. Eine zu hohe Prognose entsteht oft dadurch, dass Gruppenwäsche die nicht gut abgestimmt war oder auf hohe Stornierungsquoten zurückzuführen war. Eine zu niedrige Prognose bedeutet in der Regel, dass du Zimmer zu früh zu niedrigeren Preisen verkaufst.
Verbinde bessere Prognosen mit Umsatzmaßnahmen
Prognosefehler sollten zu Maßnahmen führen. Wenn sich aus dem Trend ergibt, dass die Nachfrage schneller steigt als erwartet, musst du möglicherweise Zinsen anheben, füge Kontrollmaßnahmen ein oder sichere deinen Lagerbestand, bevor die Nachfragespitze vorbei ist.
Hier kann Software helfen. Revenue Management Kurs – kann Preisaktualisierungen basierend auf dem Buchungsaufkommen und der aktuellen lokalen Nachfrage automatisieren und diese Änderungen dann bis zu 24 Mal am Tag an das PMS oder den Channel-Manager übertragen. Hotels, die das System nutzen, berichten von einem Durchschnitt von 19% Umsatzsteigerung und spare etwa 10 Stunden pro Woche zur Preisgestaltung (Verwaltung).
Fazit: Der Prozess zur Prognosegenauigkeit für 2026 wird sich wiederholen
Sobald der Überprüfungszyklus etabliert ist, ist die Prognose nicht mehr reaktiv, sondern wird wiederholbar. Saubere Daten, das Tempo, die Segmentzusammensetzung, Ereignissignale und die wöchentliche Fehlerüberprüfung sind die Faktoren, die dafür sorgen, dass die Prognose in die richtige Richtung läuft.
Verwende ein Dashboard für Umsatzanalysen und Berichterstattung einen für die Überprüfung auf property-Ebene und einen weiteren für Ausnahmen auf Portfolioebene. Führe diesen Vorgang dann jede Woche durch – mit jedem Zyklus bekommst du einen besseren Überblick darüber, wie sich die Nachfrage entwickelt.
FAQs
Wie oft sollte ich meine Hotelprognose aktualisieren?
Aktualisiere deine Hotelprognose täglich wenn sich die Nachfrage schnell verändert und zumindest wöchentlich basierend auf dem Tempo und den in den Büchern erfassten Daten.
Wenn ein großes Ereignis ansteht, wie zum Beispiel ein Konzert, ein Sportspiel oder eine Gruppenstornierung, aktualisiere deine Prognose sofort. In der Hochsaison solltest du sie öfter überprüfen. In ruhigeren Monaten kannst du es etwas ruhiger angehen lassen. RoomPriceGenie kann dir helfen, diese Aktualisierungen zu automatisieren und den manuellen Aufwand zu reduzieren.
Was soll ich tun, wenn sich mein Buchungsrhythmus plötzlich ändert?
Handle schnell und überprüfe, ob die Verschiebung auf ein tatsächliche Nachfrageentwicklung oder einfach nur eine kurzfristige Schwankung, wenn du dein aktuelles Tempo mit dem des letzten Jahres vergleichst.
Wenn das Tempo steigt, überleg dir, ob du deine Bester verfügbarer Preis oder den Bestand auf Kanälen mit geringerer Reichweite zu reduzieren. Wenn sich das Tempo verlangsamt, setz lieber auf gezieltes Marketing oder geschlossene Mobilfunkangebote statt auf breite öffentliche Rabatte.
Aktualisiere deine Prognosen regelmäßig – täglich, wenn der Markt schwankt – unter Verwendung von Echtzeit-Ereignis- und Kursdaten.
Wie kann ich mit begrenzten, aufbereiteten Daten genaue Prognosen erstellen?
Fang damit an, deine Buchungsdaten jeden Tag zu bereinigen. Beseitige Duplikate, Scheingebuche, alte No-Show-Markierungen sowie falsche Stornierungs-, Kanal- oder Segmentcodes.
Erstelle dann eine Tagesprognose anhand der Daten, denen du am meisten vertraust: bisherige Entwicklung, OTB-Reservierungen, erwartete Buchungen und deine geplante Zusammensetzung aus Segmenten oder Zimmertypen.
Man kann sich das so vorstellen, als würde man vor einer Autofahrt eine Route festlegen. Wenn die Karte von Anfang an falsch ist, gerät die ganze Fahrt durcheinander. Genauso ist es bei der Prognose. Falsche Buchungsdaten bringen alles, was danach kommt, durcheinander.
Sobald die Grundlage stimmt, beziehe Marktfaktoren wie Ereignisse und Nachfrage mit ein. Aktualisiere die Prognose regelmäßig und vergleiche sie dann mit den tatsächlichen Ergebnissen, damit du Verzerrungen erkennen und beheben kannst, bevor sie sich zu einem Muster entwickeln.
