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.

FORMEL · QUALITÄTSKENNZAHL FORECAST ACCURACY

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.

HÄUFIGE FRAGEN

Was ist Forecast-Accuracy und warum ist sie wichtig?

Forecast-Accuracy misst, wie präzise ein Revenue-Management-System Pickup, Auslastung und Umsatz prognostiziert. Hohe Werte sind essentiell, da das Revenue-Team auf Basis dieser Prognosen Pricing- und Kapazitätsentscheidungen trifft und niedrige Werte bedeuten, dass den Empfehlungen nicht vertraut werden kann.

Wie wird Forecast-Accuracy berechnet?

Die Formel lautet: (1 − |Prognose − Ist| ÷ Ist) × 100. Man bildet die absolute Abweichung zwischen Prognose und Ist-Wert, teilt durch den Ist-Wert und zieht das Ergebnis von 1 ab, multipliziert dann mit 100. Beispiel: Bei einer Prognose von 200 Zimmern und tatsächlich 180 verkauften Zimmern ergibt sich eine Accuracy von 88,9 Prozent.

Welche Forecast-Accuracy-Werte gelten als gut?

Mid-Scale-Stadthotels sollten 85-93 Prozent auf 30-Tage-Sicht und 75-85 Prozent auf 60-Tage-Sicht erreichen, während Resort-Hotels 70-85 Prozent und größere Konzern-Hotels 90-95 Prozent anstreben. Werte unter 70 Prozent deuten auf Konfigurationsprobleme hin.

Welche Faktoren beeinflussen die Forecast-Accuracy?

Die Accuracy wird durch vier Hebel beeinflusst: ausreichende Daten-Historie (mindestens 12-24 Monate), manuelle Pflege von Sondereffekten wie Events und Schulferien, Wettbewerbsdaten von Quellen wie OTA Insight sowie die Wahl des Algorithmus im RMS.
Was denkst du? Schreib uns deine Meinung in die Kommentare — wir lesen jedes Feedback und antworten gern.
Kommentar schreiben →