Die Forecast-Accuracy ist die Qualitäts-Kennzahl jedes Revenue-Management-Systems. Sie misst, wie präzise die Prognose des RMS für Pickup, Auslastung und Umsatz tatsächlich eintritt. Hohe Forecast-Accuracy ist die Voraussetzung für vertrauenswürdige Pricing-Entscheidungen — niedrige Werte bedeuten, dass das RMS Empfehlungen abgibt, denen das Revenue-Team nicht trauen kann.
Formel und Berechnung
Forecast-Accuracy in Prozent = 100 - (durchschnittliche absolute Abweichung / tatsächlicher Wert) × 100
Die Mean Absolute Percentage Error (MAPE) ist die in der Praxis übliche Metrik. Sauber gemessen pro Vorlaufzeit (1 Tag, 7 Tage, 30 Tage, 60 Tage), pro Segment (Transient vs. Group) und pro Marktphase (Niedrig-, Mittel-, Hoch-Saison getrennt).
Beispiel-Rechnung
Das RMS prognostiziert für Mittwoch in 30 Tagen 78 Prozent Auslastung. Tatsächlich erreicht das Hotel an dem Tag 82 Prozent. Absolute Abweichung: 4 Prozentpunkte. Prozentuale Abweichung: 4 / 82 = 4,9 Prozent. Forecast-Accuracy für diesen Tag = 100 - 4,9 = 95,1 Prozent. Über 30 Tage gemittelt ergibt das die monatliche Forecast-Accuracy.
Forecast Accuracy als Qualitätskennzahl berechnen
Die Forecast Accuracy ist die wichtigste Qualitätskennzahl im Revenue Management: Sie misst, wie genau die Nachfrageprognose die tatsächliche Belegung trifft. Je höher der Wert, desto verlässlicher steuern Preis- und Kapazitätsentscheidungen. So berechnest du die Qualitätskennzahl Schritt für Schritt.
Forecast Accuracy (%) = (1 − | Prognose − Ist | ÷ Ist) × 100
Schritt für Schritt: 1. Absolute Abweichung bilden — Betrag von Prognose minus Ist-Wert. 2. Durch den Ist-Wert teilen (das ergibt den prozentualen Fehler, MAPE). 3. Vom Wert 1 abziehen und mit 100 multiplizieren. Beispiel: Prognose 200 Zimmer, tatsächlich verkauft 180 → (1 − |200 − 180| ÷ 180) × 100 = (1 − 0,111) × 100 = 88,9 Prozent Treffergenauigkeit.
Benchmark-Werte 2026
Mid-Scale-Stadthotels mit modernem RMS: Forecast-Accuracy 85-93 Prozent auf 30-Tage-Sicht, 75-85 Prozent auf 60-Tage-Sicht. Resort-Hotels mit volatiler Demand: 70-85 Prozent. Konzern-Hotellerie mit ausgereifter Datenhistorie: 90-95 Prozent. Werte unter 70 Prozent sind Indikator für RMS-Konfigurations-Probleme oder unzureichende Daten-Historie.
Hotel-Praxis und Steuerungs-Hebel
Forecast-Accuracy wird über vier Hebel beeinflusst: Daten-Historie (mindestens 12-24 Monate Buchungs-Daten für stabile Prognosen), Sondereffekt-Pflege (Events, Messen, Schulferien manuell im RMS markieren), Wettbewerbsdaten-Quelle (OTA Insight, RateGain für Markt-Kontext), Algorithmus-Wahl (Open Pricing bei Duetto vs. klassische BAR-Stufen).
Detail-Tools mit unterschiedlicher Forecast-Reife im RMS-Systeme-Vergleich — IDeaS und Duetto haben enterprise-typisch die ausgereiftesten Modelle, Atomize und Pace sind im Mid-Scale stark.
Verwandte KPIs
Pickup (Buchungs-Geschwindigkeit), RevPAR-Forecast (Erweiterung der Auslastungs-Prognose um Preis-Komponente), Cancellation-Rate (höhere Cancellation reduziert Forecast-Stabilität). Übersicht im Hotel-KPI-Hub.