So funktionieren OTA-Ranking-Algorithmen wirklich

So funktionieren OTA-Ranking-Algorithmen wirklich

Das Missverständnis

Fragt man einen Revenue Manager, wie Booking.com Hotels sortiert, heißt es meist: „Vor allem der Preis.“

Stimmt nicht. Dieses Missverständnis kostet Hotels Sichtbarkeit auf OTA-Plattformen und — paradox — die strategische Klarheit, die sie brauchen, um OTA-Abhängigkeit zu reduzieren.

OTA-Ranking-Algorithmen sind anspruchsvolle Machine-Learning-Systeme, die Plattformumsätze optimieren — nicht faire Sichtbarkeit für Hotels. Wer versteht, wie sie wirklich arbeitet, ändert die gesamte Vertriebsstrategie. Dazu kommt etwas, das viele Hoteliers übersehen: Die Signale für Ihr OTA-Ranking hängen eng mit denen zusammen, die bestimmen, ob Sie bei Google, KI-Plattformen und überall dort erscheinen, wo Reisende Hotels entdecken.

Was Booking.coms eigene Forschung zeigt

Booking.com ist — für eine OTA — ungewöhnlich offen über seine Systeme. Die wichtigste Quelle ist „150 Successful Machine Learning Models: 6 Lessons Learned at Booking.com“ (Bernardi, Mavridis, Estevez), präsentiert auf der ACM SIGKDD 2019.

Das Paper beschreibt rund 150 ML-Modelle im Produktiveinsatz, entwickelt von Dutzenden Teams, ausgesetzt bei Hunderten Millionen Nutzern, validiert per randomisierten kontrollierten Studien. Kernerkenntnis: Modellleistung ist nicht gleich Geschäftserfolg. Booking.com optimiert nicht das abstrakt „beste“ Hotel für den Reisenden, sondern das Ergebnis mit dem größten Plattformwert.

Ein Begleitpaper, „Beyond Algorithms: Ranking at Scale at Booking.com“ (Mavridis u. a., RecSys 2020), vertieft die Architektur. Es gibt keinen einzelnen Algorithmus, sondern ein Ensemble spezialisierter ML-Modelle. Jedes sagt andere Metriken voraus: Klickwahrscheinlichkeit (pCTR), Konversionswahrscheinlichkeit (pCVR), wahrgenommene Qualität. Eingesetzt werden Gradient-Boosting-Entscheidungsbäume im LambdaMART-Rahmen mit Tausenden von Features aus Nutzerprofilen, Objektattributen und Kontext.

Ein Engineering-Blogpost von 2024 bestätigt: statische Features — Standort, Ausstattung, Zimmertypen — und dynamische Features in Echtzeit, etwa aktuelle Preise und Live-Verfügbarkeit.

Kernaussage: Der Preis ist eine Variable unter Hunderten. Er zählt, ist aber längst nicht die ganze Geschichte.

Die Kernformel: Was Ranking wirklich treibt

2025 analysierte MyDataValue 621 Unterkünfte auf Booking.com über drei Monate (Januar–März 2025) und entwickelte das bisher detaillierteste öffentliche Modell. Die Logik lässt sich auf einen Erwartungsgewinn bringen:

Erwartungsgewinn = (Anzahl Reservierungen × durchschnittlicher Verkaufspreis × Provisionsprozent) − Akquisitionskosten

Diese Formel — bestätigt auch durch Otamiser — zeigt, wessen Interessen der Algorithmus vertritt: Umsatz pro Suche für Booking.com maximieren, nicht faire Sichtbarkeit verteilen.

1. Konversionsrate

Der wichtigste Einzelfaktor: Wie oft buchen Nutzer nach Aufruf Ihres Listings? Viel Traffic bei wenigen Buchungen wird abgestraft — das System interpretiert das als schlechte Relevanz oder Qualität.

Die MyDataValue-Studie fand +1,8 Punkte Gesamt-Ranking-Score durch bessere Konversion — mit Verstärkereffekt, weil höheres Ranking mehr Impressionen bringt, was bei gleicher Conversion wieder das Ranking hebt.

Richtwert: typisch 2–5 % Konversion. Unter 2 % deuten oft Preise, Listing-Inhalt oder Reibung im Buchungsprozess hin.

2. Preisgestaltung & Promotion

Über 35 % der Ranking-Faktoren betreffen laut MyDataValue 2025 Preiseinstellungen und Promotionen, die zum Gäateverhalten passen. Es geht nicht nur um Billigkeit, sondern um Wettbewerbsfähigkeit im Markt, Teilnahme an Programmen (Genius, Mobile Deals, Last-Minute) und Tarifflexibilität.

ADR-Basisverbesserung lieferte den stärksten Einzelfaktor (+2,8 Punkte) — aber im Sinne von Preis für Konversion optimieren, nicht nur senken.

Entscheidend: Dynamische Preise allein decken nur etwa 10–40 % des Wegs zu optimalem Net-RevPAR auf Booking.com. 60–90 % hängen von Nicht-Preis-Faktoren ab.

3. Provisionsstufe

Der unbequemste Faktor: Höhere Provision bringt messbar mehr Sichtbarkeit. Booking.coms Transparenzseite listet die Provisionsexplizit als Ranking-Faktor.

Preferred Partner (höhere Provision gegen bessere Platzierung): durchschnittlich 65 % mehr Seitenaufrufe, 40 % mehr Buchungen. Genius: 29 % mehr Buchungen für teilnehmende Objekte. Visibility Booster: temporär höhere Provision für bessere Position.

Die Seite „How We Work“ sagt es klar: Ranking hängt davon ab, „wie viel Provision sie uns pro Buchung zahlen“ und „wie schnell sie normalerweise zahlen“.

4. Bewertung, Volumen & Aktualität

In einem Update 2025 änderte Booking.com die Bewertungslogik. Aktualität zählt stark. Statt gleicher Gewichtung nutzt die Plattform einen rollierenden 36-Monats-Durchschnitt mit Schwerpunkt auf neuen Bewertungen. Starke aktuelle Scores bringen 15–20 % höhere Buchungskonversion.

Ein Hotel mit 9,2 und 40 Bewertungen in sechs Monaten kann eines mit 9,4 aus älteren Reviews schlagen. Review-Geschwindigkeit — wie viele neue Bewertungen pro Monat — ist genauso wichtig wie die Zahl selbst.

5. Property Page Score (Inhaltsqualität)

Booking.com vergibt einen „Property Page Score“ für Vollständigkeit und Qualität: Beschreibung, Ausstattung, vor allem Fotos.

Eigene Experimente zeigen: 24+ hochauflösende Fotos und etwa 4 Fotos pro Zimmertyp (mind. ein Bad) verbessern die Konversion stark. Weniger oder schlechtere Bilder drücken Klickraten und Ranking.

6. Verfügbarkeit & Stornierung

Kostenlose Stornierung rankt besser — weniger Buchungsrisiko für Gäste. Objekte mit weiter voraus liegender Verfügbarkeit (ideal 12+ Monate) bekommen mehr Impressionen, was Konversion und Ranking speist.

7. Antwortrate & -geschwindigkeit

Viele Hoteliers übersehen das: langsame Bestätigungen, häufige Ablehnungen, träge Nachrichtenantworten signalisieren Unzuverlässigkeit. Das Ranking sinkt — nicht immer dramatisch auf einen Schlag, aber still und kumulativ.

Die Personalisierungsschicht

OTA-Algorithmen wirken undurchsichtig wegen der Personalisierung. Das Paper „Learning to Match“ (Mavridis, 2018) beschreibt Nutzerprofile mit Flexibilitätsscores — Daten, Objekttyp, Preissensibilität, Lagepräferenz.

Die Suchergebnisse für einen Reisenden aus Singapur auf dem Smartphone unterscheiden sich fundamental von denen für jemanden aus Deutschland am Desktop — bei gleichem Ziel und Datum. Gewichtet werden Suchverlauf, Nationalität, Gerät, Buchungsverhalten, sogar Verhalten in der aktuellen Session.

Eine Hotelub-Analyse 2025 bestätigt ein Ranking-Paradoxon: Selbst wenn das Hotel auf der eigenen Website günstiger anbieten darf, kann der Algorithmus die Listing-Position strafen, wenn er Unterbietung erkennt. Eine Google-Hotels-Studie 2025: Offizielle Hotelwebsites ranken in 75 % der Fälle unter OTAs.

Expedia: ähnliche Architektur, anderer Schwerpunkt

Expedia Group veröffentlichte Ende 2024 eigene Ranking-Forschung. Das System arbeitet zweistufig: Kandidatengenerierung, dann rechenintensives Ranking mit tiefen neuronalen Netzen.

Wie Booking.com: Learning-to-Rank auf historischen Shopping-Daten. Unterschiede: starker Gewicht der Provisionsmarge (Listings mit höherem Plattformumsatz bevorzugt), stärkere Relevanz (Keywords in Texten helfen), flexible Stornierung über das gesamte Expedia-Ökosystem hinweg priorisiert.

Das Muster bei allen OTAs

Trotz Unterschieden gilt: Plattformumsatz pro Suche maximieren.

Unbequeme Wahrheit: Algorithmen sind darauf ausgelegt, maximalen Wert aus Hotels herauszuholen — nicht faire Sichtbarkeit. Wer das versteht, spielt strategischer; wer nicht, fliegt blind.

Bedeutung für Ihre Direktbuchungsstrategie

Was viele OTA-Artikel vermissen: OTA-Ranking-Signale hängen eng mit Sichtbarkeit überall sonst zusammen.

• Review-Tempo wirkt auf OTA, Google und KI-Empfehlungen.
• Content-Qualität wirkt auf OTA- und Website-Konversion und darauf, was KI-Systeme über Ihr Haus extrahieren.
• Markensuchvolumen — aus allen Kanälen gespeist — beeinflusst OTA-Personalisierung für Reisende, die Sie schon kennen.

Deshalb ist reine OTA-Optimierung eine Verluststrategie. Sie kämpfen auf einer Plattform, die auf maximale Provision ausgelegt ist. Hotels verbessern ihre Buchungsmixe nicht durch härteres „Gambling“ am OTA-Algorithmus, sondern weil dieselben Sichtbarkeitssignale — Inhalt, Reviews, Social, Suchautorität — sich über alle Kanäle verstärken — inklusive des fragmentierten Discovery-Umfelds aus unserer SiteMinder-2026-Analyse.

Die Frage ist nicht nur: Wie ranken wir bei Booking.com? Sondern: Wie sichtbar ist unser Hotel im gesamten Discovery-Ökosystem? Wer überall sichtbar ist, reduziert OTA-Abhängigkeit von selbst. Wer nur auf OTAs sichtbar ist, zahlt dauerhaft Maut.

---

Quellen & weiterführende Literatur

Wissenschaft & Branche

• Bernardi, Mavridis & Estevez. „150 Successful Machine Learning Models: 6 Lessons Learned at Booking.com.“ ACM SIGKDD 2019.
• Mavridis et al. „Beyond Algorithms: Ranking at Scale at Booking.com.“ RecSys 2020.
• Mavridis. „Learning to Match.“ arXiv:1802.03102, 2018.
• MyDataValue. „Cracking the Booking.com Ranking Algorithm.“ 621 Objekte, Q1 2025.
• Expedia Group Technology. „Choosing the Right Candidates for Lodging Ranking.“ Medium, Dezember 2024.
• Expedia Group Technology. „Channel-Smart Property Search.“ Medium, Juli 2024.

Plattform

• Booking.com Partner Hub. „Search results, ranking, and visibility.“
• Booking.com. „How We Work“ Transparenzseite.
• Booking.com Engineering. „The Engineering Behind High-Performance Ranking Platform.“ Medium, Juli 2024.
• GuestTouch. „Booking.com 2025 Review Score Updates.“ Februar 2025.

Branchenanalyse

• Otamiser. „How to Boost Your Ranking on Booking.com“ und „Does Every OTA Determine Their Ranking Differently?“ 2025.
• Hotelub. „Booking.com: A Strategic Guide for Owners.“ Dezember 2025.
• Lighthouse. „The Top 3 OTA Trends of 2025.“ Oktober 2025.