Datenqualitätsmetriken, die Hospitality-Systeme verlässlich halten

# Datenqualitätsmetriken, die Hospitality-Systeme verlässlich halten

Ein Hotel mit 400 Zimmern exportiert für den Night Audit seine Reservierungsdatei aus dem PMS (Property Management System), und die Datei enthält drei Zeilen für denselben Gast, zwei unterschiedliche Zimmertyp-Codes für dasselbe physische Zimmer („DBLK" und „DK", beide für „Double King"), ein Abreisedatum vor dem Anreisedatum und einen Rate Plan, der vor zwei Jahren aus dem System gelöscht wurde. Das ist kein hypothetischer Fall. Das ist ein Dienstag. Und jede nachgelagerte Zahl, RevPAR-Forecasts (Revenue Per Available Room), Loyalty-Punktestände, Housekeeping-Pläne, hängt davon ab, dass diese Datei stimmt.

Diese Lektion zeigt, wie Hospitality-Teams aus „die Daten sehen unsauber aus" einen messbaren, überwachbaren Score machen.

Warum Hospitality-Daten so oft brechen

Hotel- und Reisedaten haben strukturelle Gründe, schmutziger zu sein als etwa Transaktionsdaten im Retail:

• Mehrere Buchungskanäle speisen einen Datensatz. Eine Reservierung kann von der eigenen Hotelseite stammen, von Booking.com, Expedia, einem GDS (Global Distribution System, das Netzwerk der Reisebüros, z. B. Sabre, Amadeus, Travelport) oder aus einem Telefonanruf, jeweils mit eigenen Feldformaten.
• Fragmentierte Systems of Record. PMS, CRS (Central Reservation System), RMS (Revenue Management System), CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen → (Customer Relationship ManagementCustomer Relationship ManagementCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen →) und Loyalty-Plattformen laufen oft bei verschiedenen Anbietern, die zeitverzögert synchronisieren.
• Manuelle Eingabe an der Rezeption. Zimmertyp-Codes, Gastnamen und Corporate Codes werden um 23 Uhr im Stress getippt.
• Übernahmen und Rebrandings. Wenn eine Gruppe ein Hotel oder eine Marke übernimmt, lassen sich historische Codes selten sauber auf den neuen Standard mappen.

Die zentralen Datensätze

Bevor Sie Qualität bewerten, müssen Sie wissen, was Sie bewerten:

| Datensatz | System of Record | Speist |

|---|---|---|

| Reservierungen | PMS / CRS | Revenue Management, Forecasting |

| Rate Plans und Inventar | RMS | Channel Manager, OTAs (Online Travel Agencies) |

| Gastprofile | CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen → / Loyalty-Plattform | Marketing, Personalisierung |

| Folio und Zahlungen | PMS / POS (Point of Sale) | Finance, Audit |

| Housekeeping-Status | PMS / Operations-App | Rezeption, Personaleinsatz |

Jeder hat seine eigene Aktualisierungsfrequenz und seine eigenen Fehlerbilder. Ein Reservierungsdatensatz ist falsch, wenn 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 → dupliziert ist; ein Rate Plan ist falsch, wenn 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 → veraltet ist; ein Gastprofil ist falsch, wenn es unvollständig ist.

Vier Metriken, die „Datenqualität" messbar machen

Datenqualität wird üblicherweise an vier Dimensionen beurteilt. Jede lässt sich in einen Prozentwert übersetzen.

1. Vollständigkeit

Definition: der Anteil der Pflichtfelder, die tatsächlich befüllt sind.

Rechenbeispiel: Ein Batch mit 10.000 Reservierungsdatensätzen erfordert 8 Pflichtfelder (Gastname, Anreisedatum, Abreisedatum, Zimmertyp, Rate Code, Kanal, E-Mail, 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 →). Wenn bei 400 Datensätzen mindestens ein Pflichtfeld fehlt:

Vollständigkeit = (Gesamtdatensätze - Datensätze mit fehlendem Pflichtfeld) / Gesamtdatensätze
= (10.000 - 400) / 10.000
= 96%

Ein häufig genanntes operatives Ziel in Hospitality-Datenteams ist eine Vollständigkeit über 95 bis 98 % für gastbezogene und umsatzkritische Felder (Schätzung aus der Branchenpraxis, keine regulatorische Schwelle).

2. Genauigkeit

Definition: der Anteil der Datensätze, die die Realität korrekt abbilden, geprüft gegen eine vertrauenswürdige Quelle (ein unterschriebenes Folio, eine GDS-Bestätigung, einen Datensatz des Zahlungsdienstleisters).

Rechenbeispiel: Bei einer Stichprobe von 500 Reservierungen gegen die Daten des Zahlungsdienstleisters weisen 15 eine Zimmerrate auf, die nicht dem tatsächlich berechneten Betrag entspricht.

Genauigkeit = (500 - 15) / 500 = 97%

Genauigkeit lässt sich schwerer automatisieren als Vollständigkeit, weil sie einen externen Referenzpunkt braucht. Deshalb arbeiten die meisten Hotelgruppen mit Stichproben statt jeden Datensatz zu prüfen.

3. Konsistenz

Definition: der Anteil der Datensätze, die systemübergreifend denselben Wert, dasselbe Format oder denselben Code für dasselbe Konzept verwenden.

Genau das ist das Zimmertyp-Code-Problem vom Anfang. Wenn das PMS „DBLK" nutzt, der Channel Manager „DK" ausspielt und das RMS „DBL-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 →" für dasselbe Zimmer führt, ist das ein Konsistenzfehler, auch wenn jedes einzelne Feld für sich „vollständig" und sogar „genau" ist.

-- Einfacher Konsistenzcheck: Zimmertyp-Codes finden,
-- die auf dieselbe Beschreibung, aber unterschiedliche Codes verweisen
SELECT description, COUNT(DISTINCT room_code) AS code_variants
FROM room_type_mapping
GROUP BY description
HAVING COUNT(DISTINCT room_code) > 1;

Ein Ergebnis mit mehr als null Zeilen bedeutet Drift in Ihrer Mapping-Tabelle, genau die Art von Problem, die einen Umsatzreport still zerlegt, wenn der „Double King"-Umsatz auf drei Codes verteilt wird, statt in einem zusammenzulaufen.

4. Aktualität (Freshness bzw. Timeliness)

Definition: wie aktuell die Daten in Relation zu dem Zeitpunkt sind, an dem eine Entscheidung sie braucht.

Beispiel: Ein RMS sollte die Belegung der letzten Nacht bis 6 Uhr für die morgendliche Ratenentscheidung abbilden. Wenn der nächtliche Batch-Job, der PMS und RMS synchronisiert, verspätet läuft und erst um 9 Uhr fertig ist, beruhte jede Ratenentscheidung vor 9 Uhr auf veralteten Belegungsdaten. Freshness wird oft als Data Latency getrackt, also der zeitliche Abstand zwischen einem Ereignis (ein Gast checkt aus) und seiner Abbildung im Reporting-System.

Von Scores zu Governance

Ein einzelner Qualitätsscore ist eine Momentaufnahme. Governance verhindert, dass 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 → verfällt. Hospitality-Gruppen betreiben typischerweise:

• Datenqualitäts-Dashboards, bewertet je Datensatz (Reservierungen, Raten, Gastprofile), täglich aktualisiert, mit Schwellenwerten, die Alerts auslösen (z. B. Vollständigkeit fällt unter 95 %).
• Eine Data-Steward-Rolle, jemand, der für die Qualität eines bestimmten Datensatzes verantwortlich ist, häufig angesiedelt zwischen IT und Revenue Management.
• Eine Master-Data-Management-Ebene (MDM), die das eine „Golden Record"-Mapping für Dinge wie Zimmertypen hält, sodass jedes nachgelagerte System aus einer kanonischen Tabelle zieht, statt eine eigene zu pflegen.
• Change Logs auf Referenztabellen, damit bei der Abschaffung eines Rate Codes dokumentiert ist, worauf 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 → historisch verweist, und alte Buchungen nicht „verwaisen" und unlesbar werden.

Das hängt direkt mit gastbezogener Regulierung zusammen: Unter der EU-DSGVO (Datenschutz-Grundverordnung) und vergleichbaren Regelwerken wie dem California Consumer Privacy Act (CCPA) sind Vollständigkeit und Genauigkeit von Gastprofilen nicht nur operativ wünschenswert, sie hängen am gesetzlichen Recht eines Gastes, seine eigenen Daten einzusehen oder korrigieren zu lassen. Ein Gastprofil, das über drei Systeme dupliziert ist, macht dieses Recht in der Praxis schwer einlösbar. Die regulatorische Einordnung finden Sie in der ICO-Guidance zu Datenqualität und Genauigkeit.

Benchmarks: wie „gut" aussieht

Es gibt keine globale Aufsichtsbehörde, die Datenqualitätsschwellen für Hospitality veröffentlicht, die Benchmarks hier sind also Schätzungen aus der Branchenpraxis, kein Gesetz:

• Vollständigkeit: 95 bis 98 % bei Pflichtfeldern in Reservierungen ist ein häufig genanntes internes Ziel großererThe 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 → Hotelgruppen (Schätzung).
• Duplikatsquote bei Reservierungen: Ausgereifte PMS/CRS-Integrationen melden nach Matching-Logik deutlich unter 1 % Doppelbuchungen; schlecht integrierte Multi-Channel-Setups 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 vor der Deduplizierung Duplikatsquoten im niedrigen einstelligen Prozentbereich sehen (Schätzung, stark abhängig von Hotelgröße und Kanalmix).
• Freshness/Latenz: Taggleiche Synchronisation (T+0) zwischen PMS und RMS ist die übliche Erwartung für Ratenentscheidungen; alles jenseits von 24 Stunden Latenz gilt im Revenue Management allgemein als wesentliches operatives Risiko.
• Stichproben zur Genauigkeit: Viele Gruppen prüfen monatlich 1 bis 5 % der Transaktionen auf Raten- und Folio-Genauigkeit, statt vollständig zu prüfen, da ein vollständiger Abgleich mit Zahlungsdienstleistern im großen MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab teuer ist.

Behandeln Sie all das als Richtwerte, nicht als geprüfte Branchenstatistiken.

Ein kurzes Rechenbeispiel, Ende zu Ende

Nehmen Sie den unsauberen Export vom Anfang: 10.000 Reservierungszeilen.

1. Deduplizierung nach Gastname + Anreisedatum + Zimmernummer: 250 exakte Duplikate entfernt. Duplikatsquote = 2,5 %.

2. Vollständigkeitscheck auf den verbleibenden 9.750: bei 380 fehlt ein Pflichtfeld. Vollständigkeit = (9.750-380)/9.750 ≈ 96,1 %.

3. Konsistenzcheck auf Zimmertyp-Codes: Die Mapping-Tabelle zeigt 5 Beschreibungsgruppen mit mehr als einem Code, betroffen sind 620 Datensätze. Konsistenz = (9.750-620)/9.750 ≈ 93,6 %.

4. Freshness-Check: Letzte Synchronisation zum RMS vor 14 Stunden, innerhalb der 24-Stunden-Toleranz, Freshness bestanden.

Ein zusammengesetzter Qualitätsscore (hier ein einfacher Mittelwert über die drei geprüften Dimensionen) läge bei etwa (96,1 + 93,6 + 97,5 duplikatsbereinigt)/3 ≈ 95,7 %, weiterhin unter einem Ziel von 98 %, und markiert die Zimmertyp-Mapping-Tabelle als vorrangigen Fix, nicht die Vollständigkeit der Gastnamen.

Genau diese Priorisierung ist der eigentliche Wert des Scorings: Sie sagt einem Datenteam, wo es begrenzte Aufräumkapazität zuerst einsetzt.

Wichtigste Erkenntnisse

• Datenqualität in der Hospitality wird über vier Kerndimensionen bewertet: Vollständigkeit, Genauigkeit, Konsistenz und Freshness, jede berechenbar als einfacher Prozentwert gegen eine definierte Regel oder Referenzquelle.
• Abweichende Zimmertyp-Codes und doppelte Reservierungen sind Konsistenz- bzw. Vollständigkeitsfehler, und sie potenzieren sich über PMS, RMS, CRS und CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen → hinweg, wenn es keine gemeinsame Golden Source gibt.
• Übliche Zielwerte aus der Branchenpraxis sind 95 bis 98 % Vollständigkeit und taggleiche Datenaktualität für umsatzkritische Datensätze; behandeln Sie diese als Schätzungen, nicht als regulatorische Vorgaben.
• Governance-Instrumente, Data-Steward-Rollen, MDMMDMMaster Data Management (MDM) is the discipline of creating and maintaining a single, consistent, trusted version of an organization's core business entities like customers, products, and suppliers.Vollständige Definition ansehen →-Golden-Records und Change Logs auf Referenztabellen machen aus einem einmaligen Qualitätsscore eine laufende, überwachte Disziplin.
• Die Qualität von Gastprofilen ist nicht nur operativ, sie berührt reale rechtliche Pflichten unter Regelwerken wie der DSGVO rund um das Recht eines Gastes auf korrekte und zugängliche personenbezogene Daten.