KI hilft Hotels, Stornierungen frühzeitig zu erkennen
Stornierungen gehören zu den größten Ertragsrisiken der Hotellerie. Ein neues KI-Modell, das der Experte Deepesh Kumar Gupta vorstellt, kann nun vorhersagen, welche Buchungen mit hoher Wahrscheinlichkeit storniert werden. So können Hotels planbarer überbuchen, Ausfälle vermeiden und den Umsatz stabilisieren.
iStock EuE-Pictures
Ein KI-Modell soll helfen, Stornierungen vorherzusagen und zu minimieren
Flexible Stornierungsbedingungen haben die Ausfallquote vieler Hotels in den vergangenen Jahren stark steigen lassen. Studien sprechen von bis zu 40 Prozent der Buchungen, die kurzfristig wieder storniert werden. Besonders an Flughäfen sind die Raten mitunter noch höher. Leere Zimmer, kurzfristige Rabatte und hohe Kommissionen drücken die Margen.
Daten statt Bauchgefühl
Ein neues KI-gestütztes Modell will helfen, diese Unsicherheit zu reduzieren. Es analysiert historische Buchungsdaten und erkennt Muster, die auf ein erhöhtes Stornorisiko hindeuten. Faktoren wie Buchungsvorlauf, Saisonzeit, Herkunftsland, fehlende Anzahlung oder frühere Stornierungen werden berücksichtigt, schreibt Gupta in einem ausführlichen Beitrag auf der Plattform Medium. Aufgrund dieser Informationen errechnet das System für jede Reservierung eine Wahrscheinlichkeit, mit der sie ausfallen könnte.
Präzisere Prognosen für das Revenue Management
Das Modell wurde auf Basis von maschinellem Lernen trainiert und erreichte laut den Entwicklern eine Vorhersagegenauigkeit von bis zu 90 Prozent. Hotels können damit überbuchte Nächte besser kalkulieren oder unterschiedliche Maßnahmen für gefährdete Buchungen einleiten – etwa eine Bestätigungsnachfrage, ein Anreiz zum Beibehalten der Reservierung oder gezielte Nachvermarktung.
Beispielhafte Erfahrungen aus der Forschung zeigen, dass sich durch den Einsatz solcher Prognosen die tatsächlichen Stornierungen um bis zu ein Drittel verringern lassen. Neben höheren Auslastungen profitieren Häuser auch von einem stabileren Preisgefüge.
Ein weiterer Schritt zur datengetriebenen Hotellerie
Das Modell arbeitet mit Tools wie Python, Scikit-Learn und XG Boost und kann in bestehende Hotelsoftwares integriert werden. In der Praxis könnte ein Dashboard jede Buchung mit einem farblich markierten Risiko versehen. Ziel ist eine einfache Anwendung im Arbeitsalltag von Revenue-Managern und Reservierungsabteilungen.
Neben der Prognose liefert das System zusätzliche Erkenntnisse: Längere Buchungsvorläufe oder fehlende Anzahlungen erhöhen das Risiko, Stammgäste und Sonderwünsche wirken dagegen stabilisierend. Solche Einsichten können künftig Buchungspolitik und Preissetzung beeinflussen.