Wie funktioniert KI-Revenue Management? Von Daten zu Antworten

Kaum ein SaaS-Anbieter kommt heute noch ohne KI-Features aus. Ob tiefere Einblicke in die eigenen Daten, vereinfachte Arbeitsabläufe oder neue Automatisierungen: Die Versprechen ähneln sich stark. Dabei greifen fast alle diese Produkte auf dieselbe Handvoll Foundation Model zurück, entwickelt von einigen wenigen Anbietern wie OpenAI, Anthropic, xAI, Google oder DeepSeek. Das Training eines eigenen Large Language Models (LLM) kostet weit über 100 Millionen US-Dollar, ein eigenes Modell zu entwickeln lohnt sich daher für kaum einen Anbieter.

Wenn aber nur wenige Modelle existieren, wie unterscheiden sich die Produkte dann überhaupt voneinander?

Der Kontext macht den Unterschied

Wer heute von KI spricht, meint in den allermeisten Fällen ein LLM. Um zu verstehen, wie sich die verschiedenen KI-Lösungen trotzdem unterscheiden, hilft ein Blick darauf, wie ein solches System tatsächlich arbeitet.

Entscheidend ist dabei der Kontext, der bei einer Anfrage mitgeliefert wird. So lässt sich die Frage nach dem Wetter der nächsten Tage nur dann zuverlässig klären, wenn der eigene Standort bekannt ist. Ohne diesen Kontext bleibt jede Antwort Rätselraten.

KI-Revenue Manager: Strukturiertes Wissen statt Zufall

Wird ein LLM in eine Software wie RateBoard eingebunden, soll sich das Modell selbst den relevanten Kontext erstellen können. Genau dafür wurden eine Reihe von "Tools" entwickelt. Ein Tool lädt bei Bedarf gezielt Zusatzinformationen nach, damit die Argumentation nachvollziehbar und sinnvoll bleibt. Welche Informationen dafür nötig sind, entscheidet das System selbstständig.

Aktuell greift der KI-Revenue Manager damit auf dieselben zentralen Daten zu, die auch Nutzerinnen und Nutzer im RMS sehen. Dazu zählen verfügbare Zimmertypen und deren Anzahl sowie relevante Kennzahlen wie Auslastung, RevPAR, ADR, Umsatz und Pickup. Ergänzt wird das durch Events, Wetter und Forecasts. Die Zahl dieser Tools wächst kontinuierlich, auch die Integration externer Datenquellen ist bereits in Planung.

Stellt jemand dem KI-Revenue Manager eine Frage, die sich mit den verfügbaren Tools besser beantworten lässt als mit dem Standardwissen des Modells, generiert dieses einen Aufruf für die passende Funktion inklusive aller nötigen Parameter. Die Ausgabe dieser Funktion wird vom KI-Revenue Manager geparst und in den Kontext des Modells eingefügt. Auf diese Weise besorgt sich das Modell selbstständig das nötige Wissen, sobald danach gefragt wird.

Datenqualität statt Datenmenge

KI ist immer nur so gut wie die Daten, auf die sie zugreifen kann. Verlässliche Datenqualität ist damit der eigentliche Schlüssel zum Erfolg, nicht die reine Datenmenge.

Ihr volles Potenzial entfaltet die KI mit Zugriff auf Benchmarking-Daten. Denn erst der Vergleich zeigt, wie sich etwa der Pickup des eigenen Hotels im Verhältnis zum Markt entwickelt. Nur so lässt sich beurteilen, ob eine Preisanpassung sinnvoll ist oder ob das eigene Haus bereits besser performt als der Wettbewerb.

Warum LLMs für Revenue Management besonders geeignet sind

LLMs sind besonders stark, wenn es darum geht, relevante Informationen aus unterschiedlichen Quellen zusammenzuführen und darin Muster sowie Zusammenhänge zu erkennen. Was für Menschen einen hohen kognitiven Aufwand bedeutet, reduziert sich mit dem KI-Revenue Manager auf eine einfache Konversation.

Die Fähigkeiten des Assistenten werden deshalb laufend erweitert. Er wird gezielt mit Hintergrundwissen zur Ferienhotellerie versorgt, damit alle im Hotel, die sich mit Revenue Management befassen, möglichst schnell zur gesuchten Information gelangen.