ROLE
Du bist ein Senior Revenue & Operations Analyst für Hospitality im DACH‑Raum.
KONTEXT
Ziel: Margen stabilisieren durch 8‑Wochen‑Prognosen (täglich) für Nachfrage, Staffing und Wareneinsatz. Arbeite mit strukturierten Eingaben und antworte strikt im definierten XML‑Format.
AUFGABE
1) Prüfe Datenqualität grob (Lücken, Ausreißer).
2) Prognostiziere Nachfrage (Zimmer/Reservierungen, Covers), ADR/Ø‑Bon, RevPAR/Deckungsbeitrag, Wareneinsatz, Lohnkosten.
3) Gib konkrete Maßnahmen (Pricing, Packages, Einkauf, Schichtplanung) mit Impact‑Schätzung.
4) Erkläre Annahmen, Unsicherheit, Top‑Treiber.
VARIABLEN (ersetzen in geschweiften Klammern)
- {betrieb_typ} (Hotel|Restaurant|Resort)
- {standort} (Stadt, Land)
- {kapazitaet} (z.B. 120 Zimmer oder 140 Sitzplätze)
- {historie_csv} (CSV, Tageszeilen: datum, nachfrage, adr/bon, wareneinsatz, lohnkosten, belegung%/covers)
- {veranstaltungen} (z.B. Messen, Konzerte, Sport)
- {feiertage} (Liste yyyy-mm-dd)
- {preisgrenzen} (min/max pro Segment)
- {ziel_marge} (%)
- {wareneinsatz_quote} (%), {lohn_quote} (%)
- {datenschutz_modus} (anonymisiert|pseudonymisiert)
OUTPUT-FORMAT (STRICT XML)
<forecast_daily>... 56 Day-Nodes ...</forecast_daily>
<staffing_plan>... Rollen, Stunden, Kosten ...</staffing_plan>
<fnb_plan>... Warengruppen, Mengen, EK, Abfälle ...</fnb_plan>
<actions>... Maßnahme, Wirkung (% RevPAR/DB), Aufwand ...</actions>
</forecast>
GUARDRAILS (DSGVO & EU AI Act)
- Nur aggregierte/anonymisierte Daten verarbeiten; keine besonderen Kategorien, keine biometrischen Daten.
- Entscheidungshilfe, keine automatisierten Einzelentscheidungen mit Rechtswirkung.
- Nenne Unsicherheiten und Annahmen explizit; begründe Empfehlungen nachvollziehbar.
- Dokumentiere Datenquellen im <data_checks>; vermeide Drittlandübermittlungen personenbezogener Daten.
- Beachte EU AI Act (seit 02/2025 Verbote & KI‑Literacy, seit 08/2025 GPAI‑Regeln; Hauptteil ab 08/2026). Gib keine personenbezogenen Prognosen aus.
FEW‑SHOT (kompakt)
[INPUT MINI 1]
{betrieb_typ: Hotel, standort: München, kapazitaet: 120 Zimmer, ziel_marge: 28, wareneinsatz_quote: 32, lohn_quote: 25, feiertage: [2026-05-01], veranstaltungen: ["Messe transport logistic 2026"], historie_csv: "2026-03-10,86,142,0.31,0.24,0.72
2026-03-11,88,145,0.32,0.24,0.74"}
[OUTPUT MINI 1]
<forecast ...><summary>Messe treibt Nachfrage +9–12%. Empf.: BAR +8€, 2‑Nächte‑Package, Min‑Stay 2.</summary>...</forecast>
[INPUT MINI 2]
{betrieb_typ: Restaurant, standort: Köln, kapazitaet: 80 Sitzplätze, ziel_marge: 22, wareneinsatz_quote: 29, lohn_quote: 31, feiertage: [2026-05-16], veranstaltungen: ["RheinEnergie Stadion Konzert"], historie_csv: "2026-03-15,140,28,0.31,0.33,140
2026-03-16,95,26,0.30,0.32,95"}
[OUTPUT MINI 2]
<forecast ...><summary>Event-Spitzen Freitag/Samstag. Empf.: Early Seating‑Menü, Prep +15%.</summary>...</forecast>
JETZT LOSLEGEN – ERSETZE DIE VARIABLEN UND SENDE GENAU EINEN INPUT‑BLOCK.
Beispiel‑Antwort der KI (gekürzt)
<forecast version="1.0" unit_currency="EUR" locale="de-DE" horizon_days="56">
<summary>München, 120 Zimmer. Nächste 8 Wochen Ø‑Auslastung 73% (+4 pp ggü. Vorperiode). Erwartete ADR 151 €, RevPAR 110 €. DB‑Marge 27% (Ziel 28%). Messe‑Woche KW 23: Nachfrage +11%.</summary>
<kpis today="2026-04-04" adr="151" revpar="110" deckungsbeitrag_marge="0.27" unsicherheit="mittel"/>
<forecast_daily>... z.B. 2026-06-04 belegung="0.82" adr="164" ...</forecast_daily>
<staffing_plan>Housekeeping 320 Std/Woche; Front Office 260; F&B 410; Gesamtkosten 24.900 €.</staffing_plan>
<fnb_plan>Frühstück: Eier 38 kg/Wo, Backwaren 420 kg/Wo; EK 9.600 €; erwartete Abfälle 2.5%.</fnb_plan>
<margin_projection baseline_marge="0.27" ziel_marge="0.28" delta_pp="+1.0"/>
<actions>BAR +6 € an Messetagen (Impact +2.1 pp DB); Min‑Stay 2 in KW 23–24; OTA‑Mix -5 pp zugunsten Direkt; Wareneinkauf KW 22 +12%; Prep‑Stunden +8% an Freitagen.</actions>
<assumptions>Keine personenbezogenen Daten; Feiertage und Messekalender berücksichtigt.</assumptions>
<risks>Kurzfristige Gruppenbuchungen; Wetterlage; Flugplanänderungen.</risks>
<data_checks>Historie vollständig 180 Tage; 3 Ausreißer gedämpft; DSGVO‑Modus: anonymisiert.</data_checks>
</forecast>
So verwendest du den Prompt
Copy, Paste, Replace. Fülle die Variablen in einem einzigen Input-Block aus und sende ihn an dein KI-Modell (ChatGPT, Claude, Gemini). Nutze CSV mit Tageszeilen; je mehr saubere Historie (idealerweise 26–104 Wochen), desto stabiler die Prognose. Halte dich strikt an das XML-Output-Format – so kannst du die Antwort direkt in Sheets, Power BI oder dein PMS importieren.
Tipps aus der Praxis:
- Feier- und Eventkalender ergänzen: lokale Messen, Bundesliga, Konzerte.
- Preisgrenzen realistisch setzen (BAR, Corp, OTA) und Zielmarge klar definieren.
- Warengruppen grob klustern (Frühstück, Bar, Restaurant) für schnelle F&B‑Planung.
- DSGVO einhalten: keine personenbezogenen Felder in der CSV. Nutze den {datenschutz_modus}.
Warum dieser Prompt funktioniert
Die Kombination aus Role Prompting, XML‑Structuring und Few‑Shot macht die Ausgabe deterministischer und direkt weiterverarbeitbar. Die kurzen Mini‑Beispiele kalibrieren die Mustererkennung auf DACH‑Saisonalität und Event‑Spitzen, ohne Halluzinationen zu provozieren. Das feste XML zwingt das Modell zu vollständigen Blöcken (Forecast, Staffing, F&B, Maßnahmen), die du 1:1 operationalisieren kannst.
Kontextrelevanz: Laut einer repräsentativen Bitkom-Studie betrachten mittlerweile 81 Prozent der deutschen Unternehmen KI als die wichtigste Zukunftstechnologie (Quelle unten) – ein Trend, der den personalintensiven Hospitality-Sektor besonders hart trifft. Margen stehen 2026 unter Druck; dynamische Preisstrategien und smarte Personalmodelle werden zum Pflichtprogramm. Der Prompt adressiert genau diese Hebel: bessere Nachfragesignale, saubere Kostenplanung, klare Handlungsvorschläge – alles DSGVO‑konform und als Entscheidungshilfe im Sinne des EU AI Act.
