Case Study · anonymisiert
Multi-Property-unabhangige Gruppe: AI-Concierge-Deflection steigt von 45% auf 72%
Unabhangige Gruppe, 4 Properties (140 Zimmer gesamt), ADR ~EUR 95, mehrsprachiger Gastemix (DE, EN, PL, ES)
Die Herausforderung
Die Gruppe empfing taglich etwa 250 eingehende Gastnachrichten uber Email, WhatsApp und Property-Website-Chat. Front-Desk-Personal verbrachte 90-120 Minuten taglich mit repetitiven Fragen (Fruhstucks-Cutoff, spates Check-in, WiFi-Passwort, Restaurantempfehlungen). Die Gruppe wollte Routine-Fragen deflektieren, war aber von einem fruheren Chatbot-Projekt verbrannt, das bei 35% Deflection stagnierte.
Der Ansatz
Das Team implementierte eine AI-Concierge-Plattform mit hospitality-getuntem Modell und Vier-Property-Setup. Die bewusste Prozessdisziplin war eine 20-Minuten-Freitags-Review durch den Front-Desk-Manager an jeder Property: AI-Transcript-Log abrufen, die Top-5 unbeantworteten Fragen der Woche identifizieren, sie zur Knowledge Base hinzufugen.
Gemessene Outcomes
Deflection-Rate, Monat 1
Vorher: n/a
Nachher: ~45% bei Vendor-Template-Knowledge-Base
Deflection-Rate, Monat 3
Vorher: ~45%
Nachher: ~72% nach wochentlichen KB-Reviews
Front-Desk-Minuten pro Tag bei Routine-Nachrichten
Vorher: 90-120 Minuten
Nachher: ~25-35 Minuten (Resi-Queries)
Das Fehler-Muster und der Fix
Das naive fruhere Projekt scheiterte, weil niemand zugewiesen war, die Knowledge Base zu warten; die AI antwortete "Ich bin mir nicht sicher, lassen Sie mich Sie mit unserem Team verbinden" auf jede Frage ausserhalb des Vendor-Templates. Der Fix war die 20-Minuten-wochentliche Disziplin. Die Plattform sass auf dem bestehenden PMS (Mews), sodass Gastkontext in die Konversation floss.
Was wir gelernt haben
Die 45%-zu-72%-Ramp entspricht der veroffentlichten Deflection-Kurve von Hotel Tech Report fur AI-Concierge-Plattformen mit aktiver KB-Wartung. Die Lektion ist operativ statt technisch: das AI-Modell ist gut genug; der Engpass ist, ob jemand die unbeantwortete-Query-Queue jede Woche reviewt.
Anonymisierungs-Hinweis
Dieser Fall verwendet anonymisierte Property-Daten: Segment, Zimmer-Band, Marktregion und Outcome-Metriken. Die Property wird nicht namentlich genannt.