Guest Identity Resolution: das Problem der einheitlichen Gästesicht lösen

# Guest Identity Resolution: das Problem der einheitlichen Gästesicht lösen

Eine Reisende namens Maria hat in drei Jahren 14 Mal bei derselben Hotelgruppe übernachtet: zweimal als „Maria Garcia“, dreimal als „M. Garcia“, einmal mit Tippfehler („Maria Grcia“) und der Rest wurde von ihrer Assistentin über eine Firmen-E-Mail gebucht. Dazu kommen ein Loyalty-Konto, das bei einer anderen Marke der Gruppe 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 →öffnet wurde, eine Zimmerbuchung für eine Hochzeit und ein Profil in der Mobile App, das über die Autofill-Funktion ihres Telefons entstanden ist. Ergebnis: Die Systeme der Hotelgruppe halten Maria für 12 verschiedene Personen. Bei ihrem 14. Aufenthalt erhält sie eine E-Mail mit „Willkommen, Erstgast“.

Das ist das Problem der einheitlichen Gästesicht, und es kostet die Branche echtes Geld: fehlgeleitetes Marketing, doppelte Loyalty-Punkte und Gäste, die sich trotz jahrelanger Ausgaben wie Fremde behandelt fühlen.

Warum aus einem Gast zwölf Profile werden

Daten in der Hotellerie sind fragmentiert, und zwar konstruktionsbedingt, nicht zufällig. Jedes System wurde gebaut, um ein lokales Problem zu lösen, nicht ein unternehmensweites.

Die wichtigsten Quellen der Fragmentierung:

• PMS (Property Management System): die Datenbank für Rezeption und Reservierungen des Hotels, oft unterschiedlich je Marke oder sogar je Haus in Franchise-Portfolios.
• CRS (Central Reservation System): verarbeitet Buchungen über alle Kanäle, synchronisiert aber möglicherweise nicht perfekt in Echtzeit mit dem PMS.
• Loyalty-Plattform: eine separate Datenbank für Punkte, Tiers und Einlösungen.
• CRM (Customer Relationship Management): die Gästesicht des Marketings, aufgebaut aus E-Mail-Anmeldungen und Kampagnenreaktionen.
• OTAs (Online Travel Agencies) wie Booking.com oder Expedia: Buchungen kommen mit OTA-maskierten E-Mail-Adressen und ohne persistente Gäste-ID.
• POS-Systeme (Point of Sale): Umsätze aus Spa, Restaurant und Minibar, häufig überhaupt nicht mit dem Gästeprofil verknüpft.
• Daten aus Mobile App und Wi-Fi-Login: ein weiterer Identitätsstrang, oft selbst angegeben und inkonsistent.

Eine Franchise-Hotelgruppe mit 5.000 Häusern betreibt möglicherweise Dutzende PMS-Versionen über Marken hinweg, die über Jahrzehnte übernommen wurden (ein gut dokumentiertes Branchenmuster, zu beobachten bei großen Multi-Brand-Gruppen wie Marriott und IHG, die stark durch Zukäufe gewachsen sind). Jede Akquisition bringt ihre eigene Gästedatenbank mit, ihr eigenes ID-Format, ihr eigenes Datenqualitätsniveau.

Die Matching-Logik: wie aus 12 eine 1 wird

Identity Resolution ist der Prozess, algorithmisch zu entscheiden, dass mehrere Datensätze dieselbe reale Person betreffen, und sie dann zu einem „Golden Record“ zusammenzuführen.

Deterministisches Matching sucht nach exakter oder nahezu exakter Übereinstimmung bei starken Identifikatoren:

• Passnummer oder amtlicher Ausweis
• E-Mail-Adresse (exakte Übereinstimmung)
• Loyalty-Kontonummer
• Telefonnummer (normalisiert, um Formatunterschiede zu entfernen)

Das ist hochzuverlässig, aber begrenzt: Es erkennt Marias Tippfehler nicht, ebenso nicht die E-Mail ihrer Assistentin und die Buchung unter ihrem Mädchennamen.

Probabilistisches Matching (auch Fuzzy Matching genannt) bewertet Ähnlichkeiten über schwächere Signale und kombiniert sie zu einem Confidence Score:

• Namensähnlichkeit (Editierdistanz, toleriert „Grcia“ vs. „Garcia“)
• Adressüberlappung
• Payment-Card-TokenTokenA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen → (die letzten vier Ziffern und das Ablaufdatum, da PCI DSS, der Payment Card Industry Data Security Standard, die Speicherung vollständiger Kartennummern verbietet)
• Muster bei Device-ID oder IP-Adresse
• Ähnlichkeit im Aufenthaltsmuster (gleiche Strecke, gleiche Daten, gleicher Zimmertyp)

Eine vereinfachte Version, wie eine Matching-Engine ein Kandidatenpaar bewertet:

score = 0
if email_exact_match: score += 40
if phone_exact_match: score += 30
if name_similarity > 0.85: score += 15
if address_match: score += 10
if payment_token_match: score += 25

if score >= 50: auto_merge
elif 30 <= score < 50: flag_for_human_review
else: keep_separate

Solche Schwellenwerte werden von Data Teams justiert, um zwei Fehlertypen auszubalancieren: False Merges (zwei verschiedene Gäste versehentlich zusammenführen, ein Risiko für Datenschutz und Vertrauen) und False Splits (einen realen Gast nicht zu vereinheitlichen, also das ursprüngliche Problem).

Die Datenqualitätsmetriken, die hier zählen

Identity Resolution steht und fällt mit der Datenqualität. Die zentralen Metriken, die Data Teams verfolgen:

• Match Rate: Anteil der Datensätze, die erfolgreich mit einem Golden Record verknüpft wurden. Ein ausgereiftes Programm kann 85 bis 95 % Match Rate bei wiederkehrenden Gästen anstreben (Schätzung, variiert stark je Gruppe und Datenreife).
• Duplicate Rate: Anteil der Profile, die nicht aufgelöste Duplikate eines bestehenden Gastes sind. Hohe Duplikatraten blähen die wahrgenommene Gästezahl auf und verzerren die Berechnung von Loyalty-Tiers.
• False Merge Rate: wie oft zwei verschiedene Personen falsch zusammengeführt werden, meist entdeckt über Gästebeschwerden („Warum erscheint der Aufenthalt meines Mannes auf meinem Konto?“).
• Field Completeness: Anteil der Golden Records mit gefüllten Schlüsselfeldern (verifizierte E-Mail, Telefon, Consent-Status). Unvollständige Datensätze lassen sich von Anfang an schlecht matchen.
• Data Freshness / Latenz: Zeitverzug zwischen einem Buchungsereignis und seiner Abbildung im Golden Record. Ein Check-in am selben Tag sollte nicht dazu führen, dass der Loyalty-Desk drei Systeme konsultieren muss.

Governance: Consent, Rechtsraum und die juristische Grenze

Identity Resolution ist nicht nur eine technische Übung, sie findet innerhalb realer rechtlicher Vorgaben statt.

Die DSGVO (Datenschutz-Grundverordnung), das EU-Datenschutzrecht, verlangt eine Rechtsgrundlage für die systemübergreifende Zusammenführung personenbezogener Daten und gibt Gästen das Recht, ihr vereinheitlichtes Profil einzusehen, zu korrigieren oder löschen zu lassen. Ein zusammengeführter Golden Record erleichtert grundsätzlich die Bearbeitung eines Subject Access Request (das gesetzliche Recht eines Gastes, die über ihn gespeicherten Daten einzusehen), bedeutet aber auch, dass eine einzige Löschanfrage nun Daten in jedem berührten Quellsystem auflösen muss.

In den USA gibt es kein einheitliches Bundesdatenschutzgesetz als Äquivalent zur DSGVO, aber CCPA/CPRA (California Consumer Privacy Act, aktualisiert durch den California Privacy Rights Act) gewährt Einwohnern Kaliforniens ähnliche Rechte, und national tätige Hotelgruppen wenden den strengeren Standard aus Einfachheitsgründen oft überall an.

Praktische Governance-Fragen für Data Teams in der Hotellerie:

• Welches Quellsystem ist das „System of Record“, wenn zwei Profile widersprüchliche Angaben haben (z. B. abweichende E-Mail-Adressen)?
• Wie wird der Consent-Status zusammengeführt? Wenn Maria unter einem Profil dem Marketing widersprochen hat, unter einem anderen nicht, muss der Golden Record den restriktivsten Consent übernehmen.
• Wie lange werden gematchte Daten aufbewahrt, und setzt das Zusammenführen die Aufbewahrungsfristen zurück?

Eine praxisnahe Einführung in die Anforderungen an die Rechtsgrundlage bietet das britische Information Commissioner's Office mit einem klaren Leitfaden: ICO: Guide to GDPR.

Den Nutzen messen: Analytics-Benchmarks

Wenn Identity Resolution funktioniert, sollte sich das in messbaren Ergebnissen zeigen, nicht nur in saubereren Dashboards.

Wichtige Benchmarks, die Data- und Analytics-Teams nach der Implementierung verfolgen:

• Vereinheitlichte Gästezahl vs. Rohprofilzahl: Das Verhältnis zeigt, wie fragmentiert Ihre Basis war. Eine Gruppe, die von 40 Millionen Profilen auf 28 Millionen vereinheitlichte Gäste kommt, hat rund 30 % Duplikatrate (illustrativ, keine veröffentlichte Branchenzahl).
• Echte Repeat-Guest-Rate: erst messbar, wenn die Identität aufgelöst ist. Viele Gruppen stellen fest, dass ihre Wiederkehrerquote zu niedrig ausgewiesen war, weil Wiederholungsaufenthalte auf nicht gematchte Profile verteilt waren.
• Loyalty-Program-Leakage: Aufenthalte, die für Punkte qualifizieren, aber nicht zugeordnet werden, weil die Buchung nicht dem richtigen Loyalty-Konto zugeordnet wurde. Selbst ein kleiner Prozentsatz Leakage über Millionen Aufenthalte bedeutet erheblichen nicht erfassten Wert und Frust bei den Gästen.
• Personalization Lift: A/B-Tests, ob Gäste mit vollständig aufgelösten Profilen (korrekte Präferenz- und Historiendaten) stärker auf gezielte Angebote reagieren als Gäste mit fragmentierten, dünnen Profilen.
• Time-to-Resolution im Gästeservice: wie lange ein Callcenter-Agent braucht, um die komplette Aufenthaltshistorie eines Gastes abzurufen. Fragmentierte Identität heißt, dass Agents im Blindflug arbeiten oder Gäste ihre Historie wiederholen lassen.

Ein einfaches Rechenbeispiel: Hat eine Hotelgruppe 10 Millionen „Profile“, zeigt die Identity Resolution aber nur 7,5 Millionen eindeutige Gäste, liegt die effektive Duplikatrate bei (10 Mio. − 7,5 Mio.) / 10 Mio. = 25 %. Jede Marketingkampagne, die ohne Deduplizierung versendet wurde, hat die ReachReachThe number of unique people exposed to your message in a given period. Unlike impressions, reach counts each person once, no matter how often they see it.Vollständige Definition ansehen → um ein Viertel überschätzt und möglicherweise denselben Gast dreimal unter drei Namen angemailt.

🎬 [VIDEO: „What is Customer Data PlatformCustomer Data PlatformA Customer Data Platform unifies customer data from all sources into persistent, actionable profiles that other systems can use.Vollständige Definition ansehen → (CDPCDPA Customer Data Platform unifies customer data from all sources into persistent, actionable profiles that other systems can use.Vollständige Definition ansehen →) and Identity Resolution?“ - youtube.com - eine herstellerneutrale Erklärung, wie Identity Graphs in Customer Data Platforms aufgebaut und genutzt werden, direkt anwendbar auf Hotel-Gästedaten]

Key Takeaways

• Gästefragmentierung entsteht durch strukturell getrennte Systeme (PMS, CRS, Loyalty, CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen →, OTAs, POS), nicht allein durch schlampige Datenerfassung; Multi-Brand-Gruppen erben durch Akquisitionen zusätzliche Fragmentierung.
• Identity Resolution kombiniert deterministisches Matching (exakte IDs) mit probabilistischem Matching (Fuzzy Scoring auf Name, Adresse, Payment-TokenTokenA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen →) und braucht justierte Schwellenwerte, um False Merges und False Splits auszubalancieren.
• Zentrale Datenqualitätsmetriken zur Steuerung des Programms: Match Rate, Duplicate Rate, False Merge Rate, Field Completeness und Freshness.
• Governance ist nicht optional: DSGVO und CCPA/CPRA schaffen echte Pflichten rund um die Übernahme von Consent, Löschanfragen und System-of-Record-Regeln beim Zusammenführen von Profilen.
• Der geschäftliche Nutzen ist messbar: vereinheitlichte Gästezahlen zeigen die echten Duplikatraten, korrigierte Repeat-Guest-Raten, geringere Loyalty-Leakage und schnelleren Gästeservice, und all das sollte als laufender Benchmark verfolgt werden, nicht als einmalige Aufräummetrik.