KI gegen No-Shows: verpasste Termine vorhersagen

Klassische No-Show-Abwehr — Erinnerungen, Anzahlungen und klare Stornoregeln — wirkt flächendeckend. Doch nicht jede Buchung trägt dasselbe Risiko. Ein Neukunde, der am Freitagabend eine teure Behandlung für Montagmorgen bucht, ist ein völlig anderer Fall als eine Stammkundin, die seit drei Jahren zu Ihnen kommt. KI erkennt diesen Unterschied und passt Ihre Reaktion entsprechend an.

Dieser Beitrag baut auf der allgemeinen Anleitung No-Shows im Salon reduzieren auf und konzentriert sich rein darauf, was künstliche Intelligenz hinzufügt: Vorhersage, Timing und Zielgenauigkeit. Falls Sie die Grundlagen noch nicht aktiviert haben, fangen Sie dort an — KI ist eine Schicht obendrauf, kein Ersatz.

Was ein „Risiko-Score“ einer Buchung wirklich bedeutet

Ein Risiko-Score ist schlicht die Wahrscheinlichkeit, dass ein Termin in einem No-Show endet, ausgedrückt als Zahl oder Farbe (grün/gelb/rot). Das Modell lernt sie aus Ihrer eigenen Buchungshistorie. Es ist keine Kristallkugel — es ist Statistik, die Muster sichtbar macht, die ein Mensch über Hunderte Termine hinweg nie von Hand verknüpfen würde.

Die stärksten Signale sind meist:

• Die Historie des einzelnen Kunden — wie viele Termine er versäumt hat und wie lange er schon Kunde ist.
• Buchungsvorlauf — weit im Voraus gebuchte Termine bergen mehr Risiko, weil sie leichter vergessen werden.
• Tageszeit und Wochentag — Montagmorgen und späte Freitage verhalten sich anders als Mittwochnachmittage.
• Leistungsart und Preis — lange, teure Behandlungen treiben anderes Verhalten als ein kurzer Schnitt.
• Buchungskanal — ein Neukunde aus einer Anzeige ist riskanter als eine Empfehlung von einem Stammkunden.

Je sauberer Ihre Kundendaten, desto schärfer der Score. Deshalb lohnt es sich, von Tag eins an eine ehrliche Historie zu jedem Kunden zu führen.

Smartes Erinnerungs-Timing

Erinnerungen sind die wirksamste Waffe gegen Vergesslichkeit, aber „24 Stunden vorher“ ist nur ein Durchschnitt. KI kann das Timing individualisieren: Ein riskanterer Termin erhält die Erinnerung früher und wiederholt, während ein zuverlässiger Kunde nicht mit unnötigen Nachrichten überhäuft wird.

In der Praxis sieht das so aus:

1. Eine Bestätigung sofort nach der Buchung für jeden Termin.
2. Bei rotem Score eine Erinnerung 48 Stunden vorher plus eine am Morgen des Termins, idealerweise über den Kanal, den der Kunde am häufigsten öffnet.
3. Bei grünem Score genügt eine einzige Erinnerung am Vortag.

Wie man Kanäle und Formulierungen wählt, behandelt der Beitrag über SMS- und E-Mail-Erinnerungen. KI bringt hier keinen neuen Kanal — sie entscheidet nur, wer wann und wie oft erinnert wird.

Anzahlungen gezielt bei Risikoterminen

Eine pauschale Anzahlung bei jeder Buchung schreckt auch zuverlässige Kunden ab. Eine gezielte, vom Score gesteuerte Anzahlung ist deutlich eleganter: Das System verlangt sie nur dort, wo das Risiko real ist — bei einem Neukunden, einer teuren Behandlung oder einem weit im Voraus gebuchten Termin. Die treue Stammkundin geht reibungslos durch; die riskante Buchung erhält eine Verbindlichkeit.

In einem Buchungssystem legen Sie das als Regeln fest: „Neukunde + Leistung über 90 Minuten = 30 % Anzahlung“. Die KI liefert das Eingangssignal (wer riskant ist), die Regel liefern Sie. Online-Buchung mit integrierter Zahlung erledigt den Schritt dann ohne ein einziges Telefonat.

Vernünftiges Overbooking

Fluggesellschaften managen Overbooking seit Jahren, und ein Salon kann es vorsichtig ebenfalls nutzen — aber nur dort, wo das Modell die No-Show-Quote zuverlässig schätzt. Wenn in einem bestimmten Slot dauerhaft 15 % der Buchungen ausbleiben, können Sie in diese Risikofenster einen leichten Überschuss freigeben und die Stühle gefüllt halten.

Ein paar Regeln, damit kein Chaos entsteht:

• Überbuchen Sie nur Slots mit genügend historischen Daten, nie zufällige.
• Halten Sie immer einen Plan B bereit (kürzere Leistung, andere Fachkraft), falls alle erscheinen.
• Überbuchen Sie nie lange, teure Behandlungen, bei denen eine Kollision das Erlebnis ruinieren würde.
• Rechnen Sie damit, dass ein Teil der Kunden zu spät kommt — siehe wie Sie verspätete Termine reduzieren.

Overbooking ist eine fortgeschrittene Technik. Bevor Sie sie aktivieren, sollten Sie Doppelbuchungen zuverlässig verhindern, damit ein bewusster Überschuss nie mit einem Kalenderfehler verwechselt wird.

Welche Daten KI wirklich braucht

Ein Modell ist nur so gut wie die Daten, mit denen Sie es füttern. Das sinnvolle Minimum zum Erfassen:

• Eine vollständige Buchungshistorie, inklusive Stornierungen und No-Shows.
• Ein Kundenprofil (wie lange er kommt, wie oft, welche Leistungen).
• Zeitdaten (wann gebucht wurde versus wann der Termin ist).
• Reaktionen auf Erinnerungen (geöffnet, bestätigt, ignoriert).

Ihr Buchungssystem erfasst das meiste davon vermutlich bereits und nutzt es nur nicht. Ein solides Online-Buchungssystem ist deshalb die Grundvoraussetzung — ohne digitale Spur hat die KI nichts zum Lernen.

Realistische Erwartungen

KI wird No-Shows nicht ausrotten. Vorhersage arbeitet in Wahrscheinlichkeiten: Auch ein „roter“ Termin erscheint manchmal, und ein „grüner“ kann ausnahmsweise ausfallen. Was KI wirklich liefert, ist eine bessere Ausrichtung Ihrer Maßnahmen — weniger nervige Nachrichten für zuverlässige Kunden, ein stärkeres Sicherheitsnetz für riskante.

Erwarten Sie auch kein Wunder über Nacht. Das Modell braucht ein paar Monate Daten, bis der Score Sinn ergibt, und die ersten Ergebnisse sind grob. Betrachten Sie es als Werkzeug, das sich mit der Zeit verbessert, nicht als Schalter, den Sie umlegen.

Wenn Sie noch abwägen, wo Sie mit Automatisierung anfangen, durchstöbern Sie den Überblick über KI-Tools für Salons und den eigenen Beitrag zum KI-Chatbot für Terminbuchungen, der riskante Kunden schon im Moment der Buchung abfangen kann. No-Show-Vorhersage ist nur ein Teil eines größeren Bildes — und sie ergibt erst Sinn, wenn Ihre Grundlagen solide sind.