Zehn Revenue Manager, ein Datensatz, zehn verschiedene Entscheidungen. Was klingt wie ein Qualitätsproblem, ist eigentlich ein Wahrnehmungsproblem: Wer welche Daten für relevant hält, entscheidet vor der Analyse – nicht danach. Dieser Artikel erklärt, warum das so ist und was du dagegen tun kannst.
Du öffnest dein Dashboard. Die Zahlen sind klar. Die Auslastung liegt bei 74 %, der ADR zieht an, Pick-up sieht ordentlich aus. Also: alles gut?
Deine Kollegin im Nachbarbüro sieht denselben Bericht – und dreht die Preise runter. Du ziehst sie hoch. Wer hat recht?
Wahrscheinlich ihr beide. Und genau das ist das Problem.
Daten sind nicht neutral – dein Blick auf sie ist es auch nicht
Revenue Management gilt als datengetriebene Disziplin. Aber die Vorstellung, dass Zahlen objektiv zu einer Entscheidung führen, ist eine Illusion. Zwischen Datensatz und Maßnahme liegt immer ein Mensch – mit Erfahrungswerten, Prioritäten und blinden Flecken.
Der Berater und Revenue-Stratege Thibault Catala beschreibt das Phänomen in seinem viel diskutierten Beitrag so: Gib denselben Datensatz zehn Revenue Managern – du bekommst zehn verschiedene Antworten. Nicht weil die Daten falsch sind. Sondern weil jede Person eine andere Datenkonstellation im Kopf hat: eine persönliche Hierarchie, welche Kennzahl mehr zählt als die andere.
Diese Hierarchie entsteht nicht im Moment der Analyse. Sie ist längst da, bevor du das Dashboard öffnest.
Was eine „Datenkonstellation“ ist – und warum sie deine Entscheidungen steuert
Stell dir vor, du schaust in den Nachthimmel. Die Sterne sind dieselben für alle. Aber wer das Sternbild „Großer Wagen“ sieht, hat gelernt, diese Punkte zu verbinden – und ignoriert dabei Dutzende andere Sterne, die genauso hell leuchten.
Revenue Manager machen dasselbe mit Daten. Wer aus einer RevPAR-getriebenen Unternehmenskultur kommt, gewichtet RevPAR höher als TRevPAR. Wer früh gelernt hat, Pick-up als Leitindikator zu lesen, wird Booking-Pace überproportional vertrauen. Wer schlechte Erfahrungen mit OTA-Abhängigkeit gemacht hat, interpretiert Direktbuchungsquoten pessimistischer.
Das ist keine Schwäche. Es ist menschlich. Aber es ist ein Risiko, wenn es unbemerkt bleibt.
- RevPAR — Klassiker für Hotelperformance, aber blind für F&B und Zusatzumsätze
- TRevPAR (Total Revenue per Available Room) — breiter, aber seltener im Tagesgeschäft genutzt
- Booking Pace / Pick-up — kurzfristiger Indikator, stark abhängig von Markt und Segment
- ADR — zeigt Preisdurchsetzung, sagt aber nichts über Auslastung
- Occupancy — verführt zur Volumen-Optimierung auf Kosten der Rate
- Displacement-Analyse — wird oft übersprungen, weil sie aufwendig ist
Der Workshop-Beweis: Gleiche Daten, verschiedene Prioritäten
Thibault Catala hat dieses Phänomen mit einem Format namens „Dissecting Distribution“ sichtbar gemacht: Gruppen von Revenue Managern erhalten denselben Datensatz und sollen die enthaltenen Kennzahlen nach Wichtigkeit sortieren.
Das Ergebnis: keine zwei Gruppen kommen zur selben Reihenfolge. Nicht weil einzelne falsch liegen – sondern weil jede Gruppe andere Filter mitbringt. Erfahrung, Unternehmenskontext, Märkte, Vorgesetzte, Systeme: All das formt, welche Daten als Signal gelten und welche als Rauschen wegfallen.
Die entscheidende Erkenntnis daraus ist unbequem: Revenue-Entscheidungen sind subjektiver als die meisten Teams zugeben würden.
Warum das in der Praxis selten diskutiert wird
Revenue Management hat ein Selbstbild als exakte Wissenschaft. Dashboards, Algorithmen, KI-gestützte Pricing-Tools – das alles vermittelt Präzision. Wer in diesem Umfeld sagt „ich priorisiere Daten anders als du“, riskiert, als unprofessionell zu gelten.
Dabei wäre genau dieses Gespräch produktiv. Denn die Alternative ist stille Inkonsistenz: Jedes Teammitglied trifft Entscheidungen nach eigener Datenkonstellation, niemand spricht darüber, und am Ende versteht niemand, warum zwei Revenue Manager für dasselbe Hotel zu unterschiedlichen Empfehlungen kommen.
Besonders kritisch wird das in drei Situationen:
- Bei Teamwechseln – neues Mitglied bringt andere Gewichtungen mit, niemand merkt es
- Bei Systemwechseln – neues RMS, neue Datenverfügbarkeit, alte Interpretationsmuster bleiben
- Bei Marktveränderungen – wenn Kennzahlen, denen man vertraut hat, plötzlich in die Irre führen
Was du konkret tun kannst
1. Datenhierarchie explizit machen
Setz dich mit deinem Team zusammen und beantwortet gemeinsam: Welche drei Kennzahlen entscheiden bei uns, ob wir die Preise anheben oder senken – und in welcher Reihenfolge? Wenn die Antworten auseinandergehen, habt ihr ein Gesprächsthema gefunden, das wichtiger ist als das nächste Pricing-Meeting.
2. Annahmen vor der Analyse offenlegen
Bevor ein Revenue Manager eine Empfehlung präsentiert: Welche Annahme steckt dahinter? „Ich gewichte Pick-up höher als den historischen Vergleich, weil unser Markt gerade sehr kurzfristig bucht“ ist eine ehrliche Aussage – und eine, über die man diskutieren kann.
3. Entscheidungslogik dokumentieren
Nicht nur die Entscheidung festhalten, sondern die Begründung – inklusive der Daten, die zur Entscheidung geführt haben, und der Daten, die bewusst nicht priorisiert wurden. Das schafft Lernmaterial für das Team und macht Muster sichtbar.
4. Regelmäßige Kalibrierung einbauen
Quartalweise gemeinsam auswerten: Welche Entscheidungen haben funktioniert? Welche nicht? Und welche Datenkonstellation lag ihnen zugrunde? Dieser Schritt wird in den meisten Revenue-Teams übersprungen – und ist genau deshalb so wertvoll.
- Welche Kennzahl hat bei uns de facto die höchste Priorität – auch wenn das nirgendwo steht?
- Wann haben wir zuletzt eine Pricing-Entscheidung hinterfragt, die sich im Nachhinein als falsch erwiesen hat?
- Nutzen alle Teammitglieder dasselbe Dashboard als Ausgangspunkt – oder arbeiten manche mit eigenen Exports?
- Gibt es Kennzahlen, die wir erheben, aber nie wirklich nutzen?
- Wie gehen wir vor, wenn zwei Teammitglieder zu unterschiedlichen Empfehlungen kommen?
Was das mit gutem Revenue Management zu tun hat
Die besten Revenue Manager sind nicht die, die am meisten Daten lesen können. Es sind die, die wissen, welche Daten sie wie lesen – und die das ihrem Team erklären können.
Technologie hilft dabei, aber sie löst das Problem nicht. Ein KI-gestütztes RMS wie IDeaS, Duetto oder Atomize liefert Empfehlungen auf Basis definierter Algorithmen. Aber wer die Parameter setzt, wer entscheidet, welche Datenpunkte ins Modell fließen, und wer am Ende auf „Übernehmen“ drückt oder nicht – das ist und bleibt ein Mensch mit einer eigenen Datenkonstellation.
Der erste Schritt zu besseren Entscheidungen ist zu akzeptieren, dass Revenue Management keine objektive Wissenschaft ist. Es ist eine Disziplin, die Objektivität anstrebt – und die genau dann scheitert, wenn sie vergisst, wie subjektiv ihre eigene Grundlage ist.