Demand Forecasting über Saisons und Schocks hinweg

# Demand Forecasting über Saisons und Schocks hinweg

An einem stark frequentierten Reisetag in den Ferien steht ein Gate Agent einer Airline vor einem vollen Flug, einer Standby-Schlange bis vor die Tür und einem System, das mehr Sitze verkauft hat, als die Maschine hergibt. Wütende Passagiere. Verpasste Anschlüsse. Virale Videos. Diese Szene ist kein Pech. Sie ist ein Fehler im Forecasting.

Airlines und Hotels überbuchen bewusst, weil einige Reisende storniert oder nicht erscheinen. Die Wette geht nur auf, wenn der Forecast der No-Shows stimmt. Wenn das Modell 8% No-Shows erwartet und die reale Zahl 2% beträgt, haben Sie eine Flugzeugladung abgewiesener Kunden und ein PR-Desaster.

In dieser Lektion geht es darum, diese Wette intelligenter zu machen. Modernes AI Forecasting verbindet historische Muster, Wetter, Search Trends und Makrosignale, um Belegung und Personalbedarf Wochen im Voraus zu prognostizieren, sowohl für vorhersehbare Saisons als auch für plötzliche Schocks.

Warum einfaches Forecasting scheitert

Früher lief das über ein Spreadsheet: Man schaute auf die gleiche Woche im Vorjahr und korrigierte nach Bauchgefühl nach oben oder unten. Das scheitert aus drei Gründen.

Saisonalität ist geschichtet. Ein Strandresort hat Jahressaisons (Sommerspitze), Wochenzyklen (Wochenendspitzen) und Event-Effekte (ein Festival in der Nähe). Diese überlagern sich. Ein einzelner Durchschnitt verwischt sie.

Schocks sind für die Historie unsichtbar. Ein Hurrikan, ein Streik, ein viral gegangenes Reiseziel in Social Media oder eine Währungsschwankung erscheint in den Vorjahreszahlen nicht. Historische Durchschnitte setzen voraus, dass die Zukunft der Vergangenheit gleicht.

Auch die Lead Time variiert. Geschäftsreisende buchen Tage vorher. Ferienreisende buchen Monate vorher. Ein Forecast, der ignoriert, *wann* Buchungen eintreffen, liest die Endzahl falsch.

AI hilft, weil sie viele überlagerte Muster gleichzeitig lernen und mit externen Live-Signalen kombinieren kann.

Die Signale, die einen modernen Forecast füttern

Betrachten Sie einen Demand Forecast als Rezept mit mehreren Zutaten.

Historische Booking Curves

Die Booking Curve (auch Pickup Curve genannt) zeigt, wie sich Reservierungen im Zeitverlauf vor einem bestimmten Datum aufbauen. Wenn ein Hotel 30 Tage vorher üblicherweise zu 40% gebucht ist und heute bei 25% liegt, markiert das Modell die schwache Nachfrage früh genug zum Handeln.

Wetter

Wetter treibt Leisure Travel stark. Eine prognostizierte Hitzewelle hebt KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →üstenbuchungen; früher Schneefall hebt Skiresorts. Kostenlose Daten nationaler Wetterdienste und von Aggregatoren wie OpenWeather kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen direkt in ein Modell einfließen.

Search- und Web-Signale

Suchinteresse ist ein Frühindikator. Wenn Queries für ein Reiseziel steigen, folgen Buchungen oft Wochen später. Google Trends bietet einen kostenlosen, öffentlichen Blick auf relatives Suchinteresse nach Region und Zeit.

Makrosignale

Wechselkurse, Kraftstoffpreise, Verbrauchervertrauen und Ferienkalender verschieben alle die Nachfrage. Eine schwächere Landeswährung zieht ausländische Besucher an und drückt einheimische hinaus. Feiertage in einem wichtigen Quellmarkt (etwa die Golden Week in Japan oder Eid in der Golfregion) erzeugen vorhersehbare Spitzen.

Events und Wettbewerbspreise

Konzerte, Konferenzen und Sportveranstaltungen erzeugen scharfe lokale Spitzen. Auch Wettbewerbsraten zählen: Wenn das Hotel nebenan den Preis senkt, verlangsamt sich Ihr Pickup.

Wie die AI das tatsächlich kombiniert

Sie müssen das nicht selbst bauen, aber die Mechanik zu verstehen, hilft beim Einkauf und beim kritischen Hinterfragen dieser Tools.

Ein verbreiteter Ansatz ist ein Gradient-Boosted-Tree-Modell oder ein Time-Series-Neural-Network, das alle Signale als Inputs nimmt und die prognostizierte Nachfrage für jedes kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ünftige Datum ausgibt. Das Modell lernt aus tausenden vergangenen Beispielen, wie stark jedes Signal zählt und wie sie zusammenwirken.

Hier eine vereinfachte Skizze der Feature-Tabelle, die ein solches Modell füttert. Jede Zeile ist ein kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ünftiges Datum für ein Objekt.

# Jede Zeile = ein Forecast-Datum für ein Hotel
features = {
    "days_before_arrival": 30,
    "day_of_week": "Saturday",
    "month": 7,
    "bookings_so_far": 82,      # bereits verkaufte Zimmer
    "same_date_last_year": 140, # final verkaufte Zimmer im Vorjahr
    "search_index": 118,        # Web-Interesse vs. Baseline von 100
    "forecast_temp_c": 31,
    "local_event_flag": 1,      # Festival in der Stadt
    "fx_rate_change_pct": -4.2, # Landeswährung schwächer
    "competitor_avg_rate": 210
}
# Modell prognostiziert: erwartete finale Belegung + eine Confidence Range

Zwei Dinge zählen mehr als der Algorithmus.

Das erste sind Confidence Ranges statt einzelner Zahlen. Ein guter Forecast sagt: „erwartet 88% Belegung, wahrscheinlich zwischen 80% und 94%". Die Range sagt Ihnen, wie sehr Sie der Wette trauen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen. Breite Ranges bedeuten Vorsicht beim Overbooking.

Das zweite ist kontinuierliches Re-Forecasting. Das Modell läuft täglich neu, sobald neue Buchungen und neue Wetterprognosen eintreffen. Eine Prognose, die 60 Tage vorher erstellt wurde, wird bis zur Anreise jeden Tag verfeinert.

Forecasting durch Schocks hindurch

Saisons sind der einfache Teil. Bei Schocks wird Geld gewonnen oder verloren.

Nehmen Sie plötzliche Nachfrageeinbrüche. Ein Sicherheitsvorfall, eine Naturkatastrophe oder eine Reisewarnung kann Buchungen innerhalb von Tagen einbrechen lassen. AI-Systeme achten auf Anomalien: Ein Buchungstempo, das weit unter die prognostizierte Range fällt, löst einen Alert aus. Dieses frühe Signal erlaubt Revenue Teams, Raten zu senken oder Marketing zu verschieben, bevor Zimmer leer bleiben.

Plötzliche Nachfragespitzen funktionieren umgekehrt. Ein Reiseziel geht viral, oder ein konkurrierender Flughafen schließt und Verkehr wird zu Ihrem umgeleitet. Das Modell hat dieses konkrete Ereignis möglicherweise nie gesehen, also übersteuern Menschen. AI erledigt die Routine; Menschen erledigen das wirklich Neue.

Die COVID-19-Pandemie (ab 2020) ist die klarste Lektion. Modelle, die nur auf Vor-Pandemie-Daten trainiert waren, waren von einem Tag auf den anderen nutzlos. Der Neuaufbau lehrte die Branche, externe Schocksignale einzubeziehen und Confidence Ranges in Phasen der Unsicherheit zu verbreitern, statt einer falsch-präzisen Zahl zu trauen.

Vom Forecast zur Entscheidung

Ein Forecast ist wertlos, solange ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → keine Handlung verändert. Hier landen die Zahlen.

Personaleinsatz

Wenn das Modell eine Belegungsspitze am Samstag prognostiziert, werden Housekeeping-, Rezeptions- und Gastronomiepläne Wochen vorher angepasst. Unterbesetzung bedeutet langsame Check-ins und schlechte Bewertungen. Überbesetzung verbrennt Personalkosten. Restaurants nutzen die gleiche Logik, um KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →üchenteams nach prognostizierten Covers (servierten Mahlzeiten) zu planen.

Pricing und Overbooking

Das führt zurück zu unserem Gate Agent. Das Overbooking-Limit sollte sich aus der *prognostizierten No-Show-Rate und ihrer Unsicherheit* ergeben, nicht aus einer festen Regel. Auf Strecken, wo No-Shows stabil und vorhersehbar sind, kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie aggressiv überbuchen. Auf volatilen Strecken halten Sie sich zurück. Wer das falsch macht, produziert das Ferien-Desaster aus unserer Eingangsszene.

Inventory und Marketing

Schwache Nachfrage 45 Tage vorher löst eine Promotion aus. Starke Nachfrage löst Ratenerhöhungen aus und hält Discount-Inventory zurück. Der Forecast entscheidet, wohin die Marketingbudgets gehen.

Was schiefgehen kann

AI Forecasting ist mächtig, aber behandeln Sie diese Tools mit informierter Skepsis.

Garbage in, garbage out. Wenn Ihre Buchungsdaten unsauber sind (Stornierungen zu spät erfasst, Gruppenbuchungen falsch codiert), lernt das Modell Rauschen. Datenqualität ist das unglamouröse Fundament.

Achten Sie auf Feedback Loops. Wenn Sie Preise senken, weil das Modell schwache Nachfrage prognostiziert, und die Nachfrage dann wegen des niedrigen Preises anzieht, liest das Modell womöglich seinen eigenen Effekt falsch. Gute Systeme berücksichtigen die ergriffenen MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßnahmen.

Übermäßiges Vertrauen in Präzision ist eine weitere Falle. Eine Zahl wie „87,3% Belegung" klingt autoritativ. Während eines Schocks kann sie Unsinn sein. Fragen Sie immer nach der Confidence Range und den Annahmen.

Und neue Ereignisse. Kein Modell prognostiziert ein wirklich präzedenzloses Ereignis gut. Halten Sie Menschen für Übersteuerungen im Loop und halten Sie einen Plan bereit für den Fall, dass das Modell klar falsch liegt.

Ein praktischer Weg, einen Vendor zu bewerten

Wenn Sie ein Forecasting-Tool kaufen, stellen Sie diese Fragen.

• Gibt es Confidence Ranges aus, nicht nur Punktschätzungen?
• Welche externen Signale nimmt es auf (Wetter, Search, Events, FX)?
• Wie oft re-forecastet es?
• Wie hat es den letzten echten Schock in unserem Markt gehandhabt?
• Kann unser Team es übersteuern, und wird die Übersteuerung getrackt?

Ein Vendor, der Ihnen nur eine einzelne saubere Zahl für eine stabile Saison zeigt, versteckt den schwierigen Teil.

Key Takeaways

• Overbooking- und Personaldesaster sind Forecasting-Fehler. Die Wette geht nur auf, wenn die prognostizierte No-Show- oder Nachfragerate und deren Unsicherheit stimmen.
• AI verbindet geschichtete Signale: historische Booking Curves, Wetter, Search Trends, Makrofaktoren und Events, und re-forecastet dann kontinuierlich, sobald neue Daten eintreffen.
• Bestehen Sie auf Confidence Ranges, nicht auf Einzelzahlen. Breite Ranges während Schocks sind ein Feature, sie sagen Ihnen, wann Vorsicht angebracht ist.
• AI erledigt Routine-Saisonalität; Menschen erledigen echte Neuheit. Behalten Sie die Übersteuerungsmöglichkeit und tracken Sie, wann sie genutzt wird.
• Datenqualität ist das Fundament. Das intelligenteste Modell kann unsaubere oder falsch codierte Buchungsdaten nicht reparieren.