Jede kommerzielle Fluggesellschaft steht vor einem grundlegenden Spannungsfeld: Wie man jeden Sitzplatz füllt, ohne den gleichen Sitzplatz zweimal zu verkaufen. Die Antwort liegt in einem leistungsstarken, aber oft unsichtbaren Datensatz – No-Show-Daten. Wenn ein Passagier ein Ticket kauft, aber nie an Bord geht, geht dieser Sitzplatz verloren, es sei denn, die Fluggesellschaft kann ihn wieder verkaufen oder zumindest ihr Preismodell anpassen, um den Verlust zu absorbieren. Führende Fluggesellschaften haben No-Show-Analysen zu einer Kernsäule ihrer Revenue-Management-Systeme gemacht, indem sie historische Muster zur Feinabstimmung von Ticketpreisen, Überbuchungslimits und Tarifstrukturen auf Tausenden von Routen jeden Tag verwendet haben.

Bei No-Show-Daten geht es nicht nur um das Zählen leerer Sitze. Es zeigt Verhaltensmuster, die mit Saisonalität, Tarifklasse, Streckenlänge, Buchungskanal und sogar individuellen Reisehistorien verbunden sind. Durch das Mining dieser Informationen können Fluggesellschaften zukünftiges Verhalten mit erstaunlicher Genauigkeit vorhersagen. Dieser Artikel untersucht, wie Fluggesellschaften Daten sammeln, analysieren und auf No-Show-Daten reagieren, um zukünftige Ticketpreise anzupassen - während Rentabilität, Betriebseffizienz und Kundenerfahrung ausgeglichen werden.

No-Show-Daten verstehen: Das Rohmaterial des Revenue Managements

Nichterscheinen bezieht sich auf Aufzeichnungen eines Passagiers, der eine bestätigte Reservierung hatte, aber nicht eingecheckt hat oder an Bord des Fluges gegangen ist. Fluggesellschaften erfassen diese Daten an mehreren Punkten: beim Check-in (oder bei Nichterscheinen), am Flugsteig und durch Abgleich der Passagiermanifeste mit Buchungssystemen nach dem Flug. Jede Aufzeichnung enthält in der Regel Flugnummer, Datum, Herkunft und Ziel, Tarifklasse, Buchungszeitstempel, Zahlungsmethode und Loyalitätsstatus.

Im Laufe der Zeit aggregieren sich diese individuellen Aufzeichnungen zu reichhaltigen Verhaltensprofilen. Zum Beispiel könnte eine Route wie New York nach Los Angeles an Wochentagen einen No-Show-Preis von 5%, aber sonntags Abends 12% aufweisen. Eine tief ermäßigte Tarifklasse kann einen No-Show-Preis aufweisen, der doppelt so hoch ist wie eine Business-Klasse mit vollem Tarif, weil Urlauber ihre Pläne eher ändern, ohne zu stornieren. Fluggesellschaften segmentieren No-Show-Daten auch nach Kundentyp: Vielflieger in einer Premium-Stufe haben oft niedrigere No-Show-Preise, während gelegentliche Budget-Reisende oder Firmengruppen mit flexiblen Reiserichtlinien tendenziell höhere Preise haben.

Historische No-Show-Muster werden in riesigen Data Warehouses gespeichert und mit Machine-Learning-Modellen analysiert, die Dutzende von Variablen wiegen. Diese Modelle werden täglich aktualisiert, wenn neue Buchungs- und Abflugdaten einfließen. Das Ergebnis ist eine probabilistische Prognose für jeden Flug: Wie viele gebuchte Passagiere werden angesichts der aktuellen Buchungskurve und der historischen Trends nicht erscheinen?

Datenquellen und Integration

No-Show-Daten stammen aus mehreren Kernsystemen innerhalb des Technologie-Stacks einer Fluggesellschaft:

  • Reservierungssysteme (PSS/CRS) Jede Buchung und Stornierung wird aufgezeichnet. Änderungen, die innerhalb von 24 Stunden nach der Abreise vorgenommen werden, sind besonders wertvolle Indikatoren für mögliche Nichterscheinungen.
  • Abfahrtskontrollsysteme (DCS) – Check-in-Aktivität (oder Inaktivität) wird protokolliert. Fluggäste, die nicht bis zum Zeitpunkt der Flugunterbrechung eingecheckt haben, werden als wahrscheinliche Nichterscheinen gekennzeichnet.
  • Bordsysteme – Endgültige Überprüfung am Gate. Passagiere, die eingecheckt, aber nie an Bord gegangen sind, sind „Gate No Shows, eine eindeutige Kategorie, die Überbuchungsentscheidungen informiert.
  • Customer Relationship Management (CRM) & Loyalitätsprogramme - Vorheriges Reiseverhalten, einschließlich historischer No-Show-Muster pro Passagier, kann für personalisierte Preise oder gezielte Angebote verwendet werden.

Airlines integrieren diese Quellen über Middleware-Plattformen wie Directus, die es Revenue Management Teams ermöglicht, benutzerdefinierte Dashboards und Datenpipelines ohne starke IT-Abhängigkeit zu erstellen. Durch die Aggregation von No-Show-Daten in Echtzeit können Analysten Preisempfehlungen sogar Stunden vor Abflug anpassen.

Die Ökonomie von No-Shows: Warum ein leerer Sitz mehr schmerzt, als Sie denken

Fluggesellschaften operieren mit hauchdünnen Margen. Nach Angaben der International Air Transport Association (IATA) betrug der globale durchschnittliche Nettogewinn pro Passagier im Jahr 2023 etwa 6 US-Dollar. In diesem Zusammenhang kann ein einzelner leerer Sitz auf einem Transatlantikflug den Gewinn von Dutzenden anderer Passagiere auslöschen. Daten über Nichterscheinungen fließen direkt in zwei entscheidende Entscheidungen ein: Wie viele Tickets pro Flug zu verkaufen sind (Überbuchung) und welcher Preis für jeden Sitzplatz berechnet werden soll (dynamische Preise).

Betrachten wir einen Flug mit 200 Sitzen und einer historischen No-Show-Rate von 8%. Die Fluggesellschaft könnte 216 Tickets verkaufen (200 / (1 - 0,08) ≈ 217, aber aus Sicherheitsgründen abrunden). Wenn die No-Show-Prognose korrekt ist, werden genau 200 Passagiere an Bord gehen und der Flug ist voll. Wenn die Prognose falsch ist - sagen wir nur 5% No-Show - wird die Fluggesellschaft 10 Passagiere haben, die unfreiwillig das Boarding verweigert haben, was zu Entschädigungskosten und Kundenunzufriedenheit führt. Umgekehrt bleiben bei einer Rate von 12% No-Show 8 leere Sitze, verlorene Einnahmen, die nie wieder eingezogen werden können.

Da die Kosten für ein Nichtbeförderungsgeschäft (normalerweise 200 bis 1.500 US-Dollar plus Gutscheine) weit niedriger sind als die Einnahmen aus einem vollen Sitzplatz, haben Fluggesellschaften einen starken Anreiz, bei Überbuchungen aggressiv zu sein. Aber sie müssen mit granularen No-Show-Daten kalibrieren, um übermäßige Überverkäufe zu vermeiden. Diese Kalibrierung wirkt sich auch auf die Preise aus: Auf Strecken mit hohen prognostizierten No-Show-Raten können Fluggesellschaften die Preise senken, um die Nachfrage zu stimulieren und die Lücke zu schließen, während sie auf Strecken mit niedrigen No-Show-Raten die Preise erhöhen können, wenn sie wissen, dass die meisten Käufer tatsächlich fliegen werden.

Wie Airlines No-Show-Daten analysieren: Von Rohzahlen bis hin zu Preisentscheidungen

Moderne Revenue Management Teams von Fluggesellschaften verwenden ausgeklügelte Modelle, die weit über einfache Durchschnittswerte hinausgehen. probabilistische Prognose mit einem Modell für logistische Regression oder Gradienten-verstärkte Bäume: Das Modell berücksichtigt Merkmale wie Tage bis zur Abreise, Tarifklasse, Buchungsquelle, Wochentag, Monat, historische Nachfrage und Preise der Wettbewerber und gibt eine Wahrscheinlichkeit aus, dass eine bestimmte Reservierung zu einer Nichterscheinung wird.

Diese Wahrscheinlichkeiten werden über alle Buchungen summiert, um die Anzahl der erwarteten Nichterscheinungen zu schätzen. Dann verwendet der Überbuchungsoptimierer der Fluggesellschaft diese Schätzung - zusammen mit den Kosten für Nichtbeförderung - um die maximale Anzahl der zu akzeptierenden Buchungen zu bestimmen. Aber der Einfluss hört nicht bei der Kapazitätskontrolle auf. Die gleichen Wahrscheinlichkeiten fließen in Preisalgorithmen ein.

So kann beispielsweise ein Billigflug-Bucket, dessen Wahrscheinlichkeit in der Vergangenheit hoch ist, länger offen gelassen oder preislich niedriger sein als ein Bucket mit geringem Nicht-Erscheinen-Risiko. Nebeneinnahmen Wenn ein bestimmtes Passagiersegment (z. B. Geschäftsreisende, die Last-Minute buchen) eine sehr niedrige No-Show-Rate hat, bietet die Fluggesellschaft ihnen möglicherweise Premium-Add-Ons zu höheren Preisen an, da sie sie wahrscheinlich verwenden werden.

Dynamische Preismodelle

Dynamische Preise in der Luftfahrtindustrie sind nicht nur Preiserhöhungen bei hoher Nachfrage, sondern auch Preissenkungen, wenn die Prognosen für Nichterscheinen auf Überkapazitäten schließen lassen. Dies ist besonders auf Strecken mit hoher Saisonalität oder auf Flügen mit stark überbuchten Wochen im Voraus zu beobachten. Ein Flug mit einem Auslastungsfaktor von 90 % pro Monat könnte tatsächlich in den letzten Tagen sinken, wenn die Prognose für Nichterscheinen steigt – weil die Fluggesellschaft diese erwarteten Leerstände mit Last-Minute-Schnäppchenjägern füllen will.

Viele Fluggesellschaften nutzen eine Gebotspreis Ansatz: Sie berechnen einen akzeptablen Mindestpreis für jeden verbleibenden Sitzplatz auf der Grundlage der erwarteten Einnahmen aus dem Verkauf von jetzt gegenüber dem Hinhalten für einen zukünftigen Käufer. Die Wahrscheinlichkeit, dass keine Show stattfindet, beeinflusst direkt den Gebotspreis, da ein Sitzplatz, der wahrscheinlich leer ist, niedrige Opportunitätskosten hat. Auf Strecken mit hohen No-Show-Preisen sinken die Gebotspreise und die Preise können für flexible Reisende, die bereit sind, in der Nähe der Abfahrt zu buchen, sehr attraktiv werden.

Für einen tieferen Einblick in dynamische Preismodelle von Fluggesellschaften siehe diese Branchenanalyse von IATA Wirtschaft, die die Umsatzauswirkungen verschiedener Überbuchungsstrategien abdeckt.

Überbuchungsstrategien: Kunst und Wissenschaft durch Daten ausgeglichen

Überbuchung ist die sichtbarste Anwendung von No-Show-Daten.

Buchungslimit = Anzahl der Sitzplätze / (1 - Erwartete No-Show Rate)

Aber reale Implementierungen sind viel komplexer. Fluggesellschaften verwenden verschachtelte Buchungsklassen, jede mit ihrer eigenen historischen No-Show-Rate. Ein Business-Class-Sitz hat möglicherweise eine Wahrscheinlichkeit von 2%, während ein Economy-Supersparer-Sitz 14% hat. Die Überbuchungsgrenze muss auf Klassenebene berechnet, aber auch klassenübergreifend zusammengefasst werden, um sicherzustellen, dass die Gesamtanzahl der Boardings die Flugzeugkapazität nicht übersteigt.

Um diese Komplexität zu bewältigen, verwenden Fluggesellschaften proprietäre oder kommerzielle Revenue-Management-Systeme (z. B. PROS, Sabre Air Price), die multidimensionale Optimierungen anwenden. Diese Systeme simulieren Tausende von Szenarien: Was ist, wenn die No-Show-Rate 2% höher ist als prognostiziert? Was ist, wenn die Nachfrage steigt? Sie empfehlen dann Buchungslimits und Tarifanpassungen, die den erwarteten Gewinn unter Unsicherheit maximieren.

Real-World-Beispiel: Wie Legacy Carrier No-Show-Daten verwenden

Eine große US-Fluggesellschaft stellte beispielsweise fest, dass Flüge, die sonntags nach 20 Uhr abflogen, eine No-Show-Rate hatten, die fast doppelt so hoch war wie der Durchschnitt. Der Grund war klar: Urlauber, die Wochenendreisen gebucht hatten, änderten ihre Pläne oft in letzter Minute oder verspätet zurückkehrten. Die Fluggesellschaft reagierte darauf, indem sie die Überbuchungsniveaus auf diesen Flügen reduzierte (um übermäßige Nichtbeförderungen zu vermeiden) und gleichzeitig die Tarife am letzten Tag vor der Abreise senkte, um Einheimische anzuziehen, die bereit waren, diese Plätze zu füllen. Das Ergebnis war eine Erhöhung des Auslastungsfaktors um 4% und eine Reduzierung der Nichtbeförderungen um 5%.

Eine andere Fluggesellschaft bemerkte, dass bestimmte Firmenkonten eine viel höhere No-Show-Rate hatten als einzelne Reisende. Anstatt diese Unternehmen mit höheren Tarifen zu bestrafen, führte die Fluggesellschaft ein neues Tarifprodukt ein: "flexible No-Show" Firmentickets, die nicht erstattungsfähig waren, aber Namensänderungen bis zum Abflug erlaubten. Die Firmenkunden schätzten die Flexibilität, und die Fluggesellschaft konnte das No-Show-Risiko genau in die Ticketkosten einkalkulieren.

Auswirkungen auf die Ticketpreise: Strecken- und Passagier-Level-Anpassungen

No-Show-Daten beeinflussen die Ticketpreise auf zwei verschiedenen Ebenen: der Streckenebene (Gesamtpreisniveau für einen Flug) und der Passagierebene (dynamische Angebote, die auf eine bestimmte Person zugeschnitten sind).

Auf Streckenebene vergleichen Fluggesellschaften die historische Flugverbotsrate eines bestimmten Fluges mit der aktuellen Buchungskurve vier Wochen nach dem Flug. Wenn die Flugverbotsrate über dem historischen Durchschnitt liegt, kann der Preisalgorithmus automatisch niedrigere Tarifklassen früher eröffnen und im Wesentlichen Ermäßigungen anbieten, um die Nachfrage anzukurbeln. Umgekehrt kann der Algorithmus niedrigere Tarifklassen schließen und die Preise erhöhen, wenn die Flugverbotsrate unter dem Durchschnitt liegt (was bedeutet, dass mehr Passagiere tatsächlich fliegen werden), kann der Algorithmus niedrigere Tarifklassen schließen und die Preise erhöhen.

Auf der Passagierebene nutzen Fluggesellschaften zunehmend Attributbasierte Preisgestaltung. Fluggästen, die in der Vergangenheit keine Flüge gemacht haben (z. B. drei Flüge gebucht und verpasst haben), könnte ein höherer Tarif oder strengere Stornierungsbedingungen angeboten werden. Umgekehrt könnte ein treuer Kunde mit einer perfekten Reisehistorie einen Treuerabatt erhalten, weil die Fluggesellschaft darauf vertraut, dass sie an Bord gehen werden. Diese Praxis ist umstritten, aber in den meisten Ländern legal, solange sie nicht auf geschützten Merkmalen basiert.

Für eine akademische Perspektive, wie No-Show-Daten Preismodelle verbessern, ist die Zeitung "Revenue Management mit No-Show und Stornierungsdaten„aus dem Journal of Air Transport Management bietet einen umfassenden statistischen Rahmen.

Herausforderungen und ethische Überlegungen

Die Verwendung von No-Show-Daten zur Anpassung der Preise ist nicht ohne Fallstricke, zu den größten Herausforderungen gehören:

Datenqualität und Aktualität

No-Show-Daten sind nur so gut wie die Systeme, die sie erfassen. Wenn ein Passagier eincheckt, aber aufgrund eines Gatewechsels oder eines Fehlers der Fluggesellschaft nie einsteigt, ist diese No-Show falsch positiv. Ebenso, wenn Stornierungen falsch aufgezeichnet werden, lernt das Modell aus Lärm. Fluggesellschaften investieren stark in Datenhygiene, aber Fehler bleiben bestehen.

Kunden-Backlash

Passagiere, die feststellen, dass sie aufgrund ihrer persönlichen Nicht-Erscheinungsgeschichte einen höheren Preis bezahlt haben, fühlen sich möglicherweise ungerecht behandelt. Einige Fluggesellschaften sind mit PR-Krisen konfrontiert, als die Kunden erfuhren, dass ihre Preise auf früheren Verhaltensweisen basierten. Transparenz und Opt-out-Optionen können dies mildern, aber die Praxis bleibt heikel.

Regulierungsbeschränkungen

In einigen Regionen ist das Überbuchen stark reguliert. Die Verordnung 261/2004 der Europäischen Union sieht hohe Entschädigungen für Nichtbeförderung vor, was die Rentabilität aggressiver Überbuchungen verringert. In der EU tätige Fluggesellschaften müssen sehr konservative Vorausschätzungen für Nichterfüllung verwenden, um finanzielle Verluste zu vermeiden.

Wettbewerb und Marktdynamik

Auf den Wettbewerbsstrecken können Fluggesellschaften gezwungen sein, trotz der Prognosen für Flugverbote niedrige Flugpreise anzubieten, weil die Wettbewerber sie unterbieten werden. Auf diesen Märkten werden Flugverbotsdaten zwar weiterhin zur Kapazitätskontrolle verwendet, haben aber weniger Einfluss auf das Preisniveau.

Die nächste Grenze ist die Vorhersage von Echtzeit-No-Shows. Fluggesellschaften beginnen, das Passagierverhalten während des Buchungs- und Check-In-Prozesses zu nutzen, um No-Show-Wahrscheinlichkeiten zu aktualisieren. Zum Beispiel kann ein Passagier, der ein Ticket bucht, aber keinen Sitzplatz auswählt oder Add-ons kauft, als höheres No-Show-Risiko gekennzeichnet werden. Die Fluggesellschaft kann ihnen dann dynamisch ein Upgrade oder ein ermäßigtes Add-On anbieten, um sie für den Flug zu binden - oder den Preis für den Sitzplatz anpassen, wenn der Passagier in einer Gruppenbuchung ist.

Machine-Learning-Modelle, die unstrukturierte Daten enthalten, wie die Stimmung in den sozialen Medien über ein Ziel oder Wettervorhersagen, zeichnen sich ebenfalls ab. Ein plötzlicher Schneesturm, der für einen Flughafen vorhergesagt wird, kann die Nichterscheinungsraten dramatisch erhöhen, und Fluggesellschaften können die Preise in Stunden und nicht in Tagen anpassen.

Ein weiterer Trend ist die Verwendung von Blockchain für den sicheren, transparenten Austausch von No-Show-Daten über Allianzen hinweg. Star Alliance und oneworld erforschen gemeinsame Datenbanken, die es Partnerfluggesellschaften ermöglichen, aggregierte No-Show-Daten zu nutzen, ohne die Privatsphäre einzelner Passagiere zu gefährden. Dies würde genauere Prognosen für Codeshare-Flüge ermöglichen und die Preisausrichtung zwischen den Partnern verbessern.

Schließlich experimentieren Fluggesellschaften mit Anreize für No-Show-ManagementAnstatt auf Nichterscheinen zu warten, senden einige Fluggesellschaften nun gezielte Push-Benachrichtigungen an Fluggäste, die voraussichtlich Nichterscheinen sind, und bieten ihnen einen Gutschein für einen Flugwechsel oder eine kleine Rückerstattung für die freiwillige Aufgabe ihres Sitzplatzes an, was die Notwendigkeit einer aggressiven Überbuchung verringert und die Kundenzufriedenheit verbessert.

Schlussfolgerung

Daten über Flugausfälle sind weit mehr als eine historische Aufzeichnung verpasster Flüge. Es ist ein strategisches Gut, das es Fluggesellschaften ermöglicht, jeden Ticketpreis zu verfeinern, Angebot und Nachfrage in Echtzeit auszugleichen und den Umsatz zu maximieren, während die Flugzeuge voll sind. Von der einfachen Beobachtung, dass Sonntagabende mehr Flugausfälle sehen, bis hin zur komplexen Integration von Modellen für maschinelles Lernen und dynamischen Angebotsmaschinen haben Fluggesellschaften ganze operative Rahmenbedingungen um diese scheinbar banale Metrik herum aufgebaut.

Fluggesellschaften, die Analysen ohne Show beherrschen, gewinnen einen Wettbewerbsvorteil: Sie können auf Strecken mit geringer Nachfrage wettbewerbsfähigere Tarife anbieten, die Unannehmlichkeiten unfreiwilliger Nichtbeförderungen verringern und die Auslastungsfaktoren verbessern, ohne dabei den Ertrag zu beeinträchtigen. Für Passagiere ist der Effekt oft unsichtbar, aber vorteilhaft – Preise, die die reale Nachfrage besser widerspiegeln und eine höhere Wahrscheinlichkeit haben, einen Sitzplatz zu bekommen, wenn sie ihn brauchen.

Da Datenquellen reicher und KI-Modelle genauer werden, wird die Rolle von No-Show-Daten bei der Preisgestaltung nur noch größer. Die agilsten Carrier werden ihre Prognosen weiter verfeinern und jeden leeren Sitz in einen Datenpunkt verwandeln, der ihnen hilft, den nächsten zum richtigen Preis zu verkaufen.