Den Preis pro Nacht im Hotel, in der Pension oder im Ferienresort an Nachfrage, Saison und Last-Minute-Verhalten anpassen — leere Nächte und zu billig verkaufte Zimmer beide minimieren.
Kurz gesagt
Kommt Ihnen das bekannt vor?
- Zu Saisonbeginn werden die Preise festgelegt und bleiben gleich; das Wochenende endet leer, während Werktage früh ausverkauft sind
- Bei einem lokalen Event, Festival oder Konzert reagieren Sie zu spät — der Preis hätte 2 Monate vorher hoch, nicht 2 Wochen vorher
- Auf Buchungsplattformen ist jede Preisänderung Klick für Klick — ein Update dauert einen halben Tag
- Sie können die Preisbewegungen benachbarter Häuser nicht regelmäßig verfolgen; Sie liegen zu hoch oder zu tief
- Bei Last-Minute-Anfragen ist 'Rabatt ja oder nein' Bauchgefühl — manchmal wird ein Zimmer, das zum Vollpreis weggegangen wäre, billig verkauft
- Sie unterscheiden nicht zwischen 1–2-Nacht-Gästen und 7+-Nacht-Gästen — es gibt keinen Anreiz für längere Aufenthalte
- Ein- oder zweimal pro Jahr fällt Ihnen auf 'für dieses Wochenende hätten wir letztes Jahr mehr nehmen können' — aber es gibt keine Analytik
Warum es wichtig ist
Wie wird es gelöst?
Technische Tiefe
Wie wird es gelöst?
Technische TiefeIn einem Satz: Statt eines festen Saisonpreises täglich an der Nachfrage justieren — füllen sich die Wochenenden früh, Preis hoch; bleiben Werktage liegen, Preis runter. Ziel ist nicht ‘schnell und billig ausverkaufen’, sondern das beste Verhältnis Auslastung × Rate.
Was die Software wirklich tut: die Saisonpreise, die Sie zu Beginn festlegen, berechnet sie täglich gegen frische Nachfragedaten und Historie neu. Drei Stufen:
1. Nachfragedaten zusammenführen. Historische Auslastung und Preishistorie, Suchanfragen und Lookups von Buchungsplattformen (wie viele User ein Datum angeklickt, gebucht haben), lokaler Veranstaltungskalender (Festival, Konzert, Messe, Schulferien), Preisbewegungen benachbarter Häuser, Saison- und Wochentag-Charakteristik. Die Daten kommen aus dem Property-Management-System automatisch oder werden einmal konfiguriert.
2. Den besten Preis pro Nacht berechnen. Die Software probiert nicht jedes mögliche Preis-Mengen-Paar — das ist mathematisch unmöglich. Stattdessen nutzt sie Nachfrageprognose und dynamische Programmierung — Arbeitsfelder der Operations Research (Disziplin, die mit Mathematik und Computereinsatz Geschäftsentscheidungen löst) —, um die Nachfragekurve pro Zimmerkategorie und Nacht zu schätzen und dann den Preis zu wählen, der Auslastung × Rate maximiert. Nachfrageschwankungen, Aufenthaltsdauer-Präferenzen und Last-Minute-Muster fließen in das Modell ein. Das Ergebnis ist eine Preistabelle für die nächsten 90–180 Nächte, pro Kategorie, in Minuten.
3. Preise fließen automatisch in alle Kanäle. Die Software schickt Raten per API direkt an das Property-Management-System, die Buchungsplattformen und die eigene Website. Manager-Freigabe ist konfigurierbar — ‘automatisch anwenden’ oder ‘Freigabe für jede Änderung über 10 %’. Bei einem lokalen Event oder einer Marktbewegung meldet die Software es, zeigt optional vorgeschlagene Raten, und Sie geben sie frei.
Sie ersetzt das Urteil des Hoteliers nicht; denken Sie an einen Taschenrechner, der die wöchentliche 3–6-Stunden-Preisaufgabe auf 15 Minuten reduziert und den Markt täglich verfolgt. Die Entscheidung bleibt bei Ihnen, aber die Daten und die Empfehlung sind immer aktuell.
Alternativen
Fester Saisonpreis + manuelle Überwachung
KostenlosKostenlos
Für wen geeignet: Unter 10 Zimmer, eine Saison, stabiler Gästekreis
- + Keine Kosten
- + Einfach — Preise ändern sich selten
- + Keine Investitionsentscheidung
- − Keine Reaktion auf Nachfrageschwankungen — leere Nächte oder frühe Billigverkäufe
- − Lokale Event-Chancen verpasst
- − Langsame Reaktion auf Nachbarn
- − Auslastungskurve nicht sichtbar — was funktioniert hat, weiß man nicht
Lokales Property-Management-System mit manueller Preisgestaltung
Enterprise200–1.000 EUR Einrichtung + 50–200 EUR/Monat (regionale KMU-Preise)
Für wen geeignet: 10–40 Zimmer, Verkauf hauptsächlich über Buchungsplattformen
- + Deutsche Oberfläche und Support
- + Channel Manager mit Buchungsplattformen verdrahtet
- + Preisänderung an einer Stelle wirkt auf alle Kanäle
- − Keine Preisempfehlung — Manager entscheidet weiter aus dem Bauch
- − Nachfrageprognose und historische Analytik begrenzt
- − Nachbar-Ratendaten meist nicht enthalten
Internationale spezialisierte Revenue-Management-Software
Enterprise50–300 EUR/Zimmer/Monat Abo oder 25.000–150.000 EUR/Jahr Lizenz
Für wen geeignet: 40–200 Zimmer, saisonaler Betrieb, mehrere Kanäle, hohe Konkurrenz
- + Ausgereift: Nachfrageprognose, dynamische Preise, Nachbarverfolgung, Channel Management voll unterstützt
- + Property-Management-System-Anbindung enthalten
- + Algorithmen über Jahre gehärtet
- − Hohe Lizenz- und Beratungskosten
- − Einführung 2–4 Monate
- − Deutscher Support und Eventkalender-Anpassung können Aufwand bedeuten
Eigenbau auf Open-Source-Solver
Open SourceLizenz kostenlos; 8–16 Wochen interne Entwicklung oder 50.000–200.000 EUR Beratung
Für wen geeignet: Hotelkette oder Mehr-Häuser-Investor mit Data-Team
- + Keine Lizenzkosten
- + Voll anpassbar an Gästekreis und Saisonprofil
- + Cloud oder eigener Server
- − Echte Data-Science-Kapazität im Haus nötig
- − Laufende Wartung ist echte Arbeit
- − Nachfrageprognose und dynamische Preise sind zwei Disziplinen; beide Teams aufzubauen ist teuer
Empfehlung
Im Gespräch fragen
- Welches Modell liegt der Nachfrageprognose zugrunde — historischer Mittelwert, saisonale Zerlegung, fortgeschrittenes statistisches Modell? Wird der lokale Eventkalender ins Modell gespeist?
- Wird die Nachbar-Ratenverfolgung im System gemacht? Aus welcher Quelle, wie häufig aktualisiert?
- Gibt es bidirektionale API-Anbindung an mindestens 3–5 große Buchungsplattformen? Wie schnell propagiert eine Preisänderung?
- Werden Aufenthaltsdauer-(LOS-)Preisstufen unterstützt? Zum Beispiel ein Preis für 3-Nacht-Aufenthalt, ein anderer für 7-Nacht?
- Wird Overbooking-Management angeboten? Wie wird die Risikoschwelle gesetzt, welche Wahrscheinlichkeitsdaten treiben das?
- Ist die Preisempfehlung vollautomatisch oder gibt es ein Regelsystem mit Manager-Freigabe? Lässt sich die Schwelle (z. B. Freigabe bei >10 %) konfigurieren?
- Wie ist der Pilot aufgebaut — wie viele Zimmerkategorien, wie viele Wochen, was ist die Erfolgsschwelle?
- Wenn wir die Zusammenarbeit beenden, wie bekommen wir Reservierungs-, Raten- und Kundendaten zurück? Gibt es einen Standard-Export?
Technische Details
Anmerkung der Redaktion
Im Alltag heißt dieses Problem ‘Ratenpflege’, ‘Saisonpreis’ oder ‘Auslastungssteuerung’. Der akademische Name ist Revenue Management (RM). In den 1970ern in der Luftfahrt entstanden, wurde es auf jede Branche übertragen, die feste Kapazität, verderbliche Inventur und schwankende Nachfrage vereint — Fluggesellschaften, Hotels, Autovermietung, Eventtickets, Fracht. Ohne diese Einordnung lässt sich in einer Demo nicht beurteilen, ob das angebotene ‘Preismodul’ wirklich Nachfrageprognose-getriebene dynamische Preise macht oder nur ’letztes Jahr +5 %’.
Der in diesem Segment am häufigsten übersehene Punkt: viele Produkte werben mit ‘dynamischer Preisgestaltung’, laufen darunter aber nur mit regelbasierten Triggern — etwa ‘wenn Auslastung > 70 %, Preis +10 %’. Das hilft etwas; echtes Revenue Management prognostiziert die Nachfragekurve pro Nacht und preist dagegen. Verlangen Sie in jeder Demo eine transparente Ausgabe: ‘Empfohlene Rate heute ist X, weil …’, untermauert mit 30 Tagen Historie.
Schritt-für-Schritt-Pfad für ein KMU
Phase 1 — Erst messen, dann planen. Über mindestens 12 Wochen vier Dinge erfassen:
- Tägliche Auslastung und Erlös pro verfügbarem Zimmer (RevPAR)
- Lead Time pro Reservierung und Buchungskanal
- Leere Nächte und deren Ursache (Preis zu hoch, Nebensaison, kein Event)
- Nachbar-Raten (auch nur wöchentliche manuelle Stichprobe reicht)
Ohne diese Basislinie können Sie nicht beurteilen, welche Software welches Ergebnis liefert.
Phase 2 — Zimmerkategorie- und Saisontabelle erstellen. Wie viele Zimmerkategorien (Standard, Deluxe, Suite), die Grundpreisspanne je Kategorie, welche Daten ‘Hochsaison’, ‘Zwischensaison’, ‘Nebensaison’, welche Daten Events oder Feiertage tragen. Eine 5–10-Kategorien × 4–5-Saison-Tabelle ist ein guter Start — dieser Katalog ist Ihr Wissenskapital und jeder ernsthafte Anbieter wird ihn zuerst anfordern.
Phase 3 — Pilot. Mit den ein bis zwei umsatzstärksten Kategorien starten, 8–12 Wochen. Erfolgskriterium schriftlich, vor dem Start: z. B. ‘in 90 Tagen Pilot-RevPAR plus 7 %, manuelle Preispflege halbiert’. Wird die Marke nicht erreicht, endet der Pilot — sichern Sie dieses Recht im Vertrag.
Phase 4 — Rollout. Bei erfolgreichem Pilot über 2–3 Monate auf alle Kategorien ausrollen. Manager-Schulung 1–2 Wochen; der Freigabe-Flow (automatisch vs. Freigabe) wird an die Kultur angepasst.
Risiken — was schiefgehen kann
- Schlechte historische Daten. Wenn das Vorjahr eine Pandemie, ein Erdbeben oder eine Schließung enthielt, kann die Historie irreführen. Vor dem Pilot ’normale’ von ‘ungewöhnlichen’ Phasen trennen — ein gutes RMS macht das selbst.
- Gäste-Wahrnehmung von Preisschwankungen. Schwankt der Preis desselben Zimmers binnen zwei Wochen um ±30 %, fühlen sich Gäste ‘manipuliert’. Setzen Sie Leitplanken (z. B. max. 15 % tägliche Änderung).
- Buchungsplattform-Verträge. Manche Plattformen erzwingen Rate-Parity-Klauseln (gleicher Preis auf allen Kanälen); prüfen Sie das. Das RMS muss diese Bedingung im Optimierer berücksichtigen.
- Lieferantenabhängigkeit. Software, die Reservierungen und Ratenhistorie in proprietärem Format speichert, erschwert einen späteren Wechsel. Schreiben Sie in den Vertrag: ‘Wir können unsere Daten jederzeit in offenen Standardformaten (CSV oder ähnlich) exportieren.’
Verwandte Lehre aus der Praxis (wird verlinkt, sobald veröffentlicht): ‘Ein 35-Zimmer-Hotel, das seine Revenue-Management-Software nach 6 Monaten verworfen hat — was übersehen wurde.’
Technischer Blick auf die Lösungsmethode
Dieser Abschnitt enthält, was Sie im Gespräch mit Software-Team oder Berater brauchen. Es ist nicht das, was der Manager auf dem täglichen Bildschirm sieht — es ist der Motor hinter dem Vorhang.
Hauptansätze für Revenue Management:
| Ansatz | Typischer Einsatz | Datenbedarf | Entscheidungslogik |
|---|---|---|---|
| Regelbasiert | Feste Schwellen, einfache Nachfrage | Niedrig | ‘Auslastung > X → Preis + Y’ |
| Nachfrageprognose + EMSR | Klassische Luftfahrt/Hotel | Mittel | Statistisches + probabilistisches Optimum |
| Dynamische Programmierung | Komplexe Mehrstufen-Buchungspfade | Hoch | Stufenweises Optimum |
| Maschinelles Lernen | Große Ketten, viele Treiber | Sehr hoch | Mustererkennung |
| Hybrid (Regeln + Prognose) | KMU-Hotelpraxis | Mittel | Transparenz + Mathematik |
Faustregel: Unter 40 Zimmern mit einfachem Betrieb reichen Regeln plus einfache Prognose. Bei 40+ Zimmern, Saisonschwankung oder starkem Wettbewerb bevorzugt man Nachfrageprognose + EMSR (Expected Marginal Seat Revenue) oder einen hybriden Ansatz. Große Ketten legen eine ML-Schicht obendrauf.
Die Wahl der Zielfunktion verändert die Lösungsform:
- RevPAR (Erlös pro Zimmer): ‘Kapazität effizient bepreisen’ — passt zu saisonalen Häusern
- GOPPAR (Brutto-Betriebsgewinn pro Zimmer): ‘Nach Kosten maximaler Gewinn’ — passt zu Häusern mit Vollpension oder Restaurant
- Erlös × Marktposition: ‘Maximum ohne Marktanteilsverlust’ — passt zu hart umkämpften Gebieten
- Kundensegment-Balance: ‘Nebensaison Freizeit, Hauptsaison Business’ — passt zu Multi-Segment-Boutiquen
Die meisten realen Einsätze verwenden eine gewichtete Mischung der vier.
Akademische Quellen
Im sources-Block dieser Seite gelistet. Revenue Management ist eines der aktivsten Felder der Operations Research seit den 1970ern; aktuelle Arbeit konzentriert sich auf maschinelles Lernen und Echtzeit-Prognose. INFORMS Interfaces und das Archiv von Transportation Science enthalten Fallstudien zu realen Hotellerie-Operationen.
Quellen
- Talluri, K. T. und van Ryzin, G. J. (2004). The Theory and Practice of Revenue Management. Springer. Standardwerk des Revenue Managements.
- Phillips, R. L. (2005). Pricing and Revenue Optimization. Stanford University Press. Praxisorientiertes Grundlagenwerk.
- McGill, J. I. und van Ryzin, G. J. (1999). Revenue management: Research overview and prospects. Transportation Science, Band 33 — der Grundlagenüberblick des Feldes.
- INFORMS Interfaces — Fallstudien zu Revenue-Management-Einsätzen in Hotellerie und Transport. informs.org/Publications/Interfaces
Glossar
- Revenue Management
- Dynamische Preisgestaltung für fixe, verderbliche Kapazitäten (Hotelzimmer, Flugsitze, Eventtickets) auf Basis der Nachfrage.
- Nachfrageprognose
- Quantitatives Vorhersagen zukünftiger Nachfrage anhand von Historie, Saisonalität, Ereignissen und externen Signalen.
- MIP
- Optimierungsmodell, bei dem ein Teil der Entscheidungsvariablen ganzzahlig sein muss (z. B. Anzahl LKW, Anzahl Schichten).