{"id":20728,"date":"2022-03-18T09:47:21","date_gmt":"2022-03-18T06:47:21","guid":{"rendered":"https:\/\/quicklizard.wpenginepowered.com\/blog\/online-travel-agency-case-study\/"},"modified":"2026-09-30T08:48:05","modified_gmt":"2026-09-30T05:48:05","slug":"fallstudie-uber-ein-online-reiseburo","status":"publish","type":"post","link":"https:\/\/quicklizard.com\/de\/blog\/online-travel-agency-case-study\/","title":{"rendered":"Online-Reiseb\u00fcro Fallstudie"},"content":{"rendered":"

Der Kunde<\/h2>\n<\/div>\n\n\n

Ein in Europa ans\u00e4ssiges Online-Reiseb\u00fcro. 70% der Verk\u00e4ufe werden \u00fcber Metasuchmaschinen get\u00e4tigt. Die verbleibenden 30% des Umsatzes stammen aus direktem Verkehr, der sich aus organischem Verkehr, Keyword-Werbung und SEO zusammensetzt.<\/p>\n\n\n

Die wichtigsten Herausforderungen<\/h2>\n<\/div>\n\n\n

Online-Reiseagenturen sind bei der dynamischen Preisgestaltung an der Spitze. Sie m\u00fcssen alle verf\u00fcgbaren Informationen nutzen, um ihre Gewinnmargen zu steigern und gleichzeitig wettbewerbsf\u00e4hig zu bleiben.<\/p>\n\n\n\n

F\u00fcr verschiedene Produktarten (Fl\u00fcge, Hotels, Pauschalreisen, Autos, Kreuzfahrten) und Kan\u00e4le (organische Suchmaschinenwerbung, SEO, SEM, Social Media, Meta-Suchmaschinen) k\u00f6nnen unterschiedliche Strategien eingesetzt werden.<\/p>\n\n\n

\n
\n

Die Buchungsmaschine<\/p>

Der Kunde entwickelte eine erweiterte Buchungsplattform, die Ergebnisse aus mehreren GDSs, Billigfluggesellschaften und Charterfl\u00fcgen kombiniert und Reisenden die g\u00fcnstigsten Optionen auf dem Markt bietet.<\/p>\n<\/div> <\/article>\n

\n

Vor Quicklizard<\/p>

Ihr eigenes System erforderte jedoch, dass Preismanager manuell die Provisionen aus den Nettokosten errechneten. Die Preismanager nahmen die Preise der Wettbewerber nicht in Betracht oder ber\u00fccksichtigten keine Umweltfaktoren wie Tageszeit oder Wetterbedingungen bei der Preisgestaltung und f\u00fchrten \u00c4nderungen nur selten durch, da dies durch die Einschr\u00e4nkungen manueller Arbeit erschwert war.<\/p>\n<\/div> <\/article>\n <\/div>\n<\/div>\n\n

Die QL-L\u00f6sung<\/h2>\n<\/div>\n\n
    \n
  1. \n

    Konvertierungsvorhersage und Preissimulation<\/p>

    Die Firma QuickLizard implementierte einen Hybridansatz aus maschinellem Lernen und A\/B-Testing. Die Plattform prognostizierte anhand des Nutzerverhaltens und der Preiskonkurrenz die Wahrscheinlichkeit einer Conversion f\u00fcr jeden Kunden. Anschlie\u00dfend empfahl ein Simulator den optimalen Preis f\u00fcr jede Kombination.<\/p>\n<\/div> <\/li>\n

  2. \n

    Eine genaue Kostenfunktion<\/p>

    Dar\u00fcber hinaus wurde eine genaue Kostenfunktion angewendet, um Parameter zu ber\u00fccksichtigen, die nicht in den Nettentarif enthalten sind, darunter Zusatzbuchungen, Quoten-Pr\u00e4mien von Anbietern und Halo-Effekt-Verk\u00e4ufe.<\/p>\n<\/div> <\/li>\n

  3. \n

    Ein Bieter f\u00fcr Meta-Suche<\/p>

    Die empfohlenen Markup-Einstellungen wurden von den Preismanagern mithilfe des bestehenden, eigenen Systems angewendet. Der Meta-Suchverkehr nutzt ein separates Preisberechnungs-Tool. QL implementierte einen Bietern, der maschinelles Lernen und Verst\u00e4rkungslernen nutzt, um die niedrigste Gebotswertung des Wettbewerbs f\u00fcr jeden Reiseplan vorherzusagen. Unser Kunde nutzte diese Informationen, um eine Reihe von Regeln und Einschr\u00e4nkungen zu erstellen, um einen Preis anzubieten.<\/p>\n<\/div> <\/li>\n <\/ol>\n<\/div>\n\n

    Das Ergebnis<\/h2>\n<\/div>\n\n