Wertstoffpreise prognostizieren

Das echte Ausmaß des Problems

Der Rohstoffmarkt für Sekundärrohstoffe ist eines der volatilsten Marktsegmente in Europa. Laut EUWID-Indexdaten schwanken Altpapierpreise beispielsweise zwischen 60 und 150 Euro pro Tonne innerhalb eines Jahres, das ist eine Volatilität von ±40 Prozent um den Mittelwert. Im Jahr 2022 kam es zu einem besonders extremen Fall: Nach Russlands Invasion der Ukraine und der Pandemie-Nachwirkungen erlebte der Altpapiermarkt einen Preisabsturz im Herbst, nachdem Preise noch im Sommer auf Mehrjahreshöchststände gestiegen waren.

Ähnlich sieht es bei Metallschrotten aus. Kupferschrott folgt dem Börsenpreis an der London Metal Exchange, der zusätzlich von Handelskonflikten und Zollregelungen getrieben wird.

Für Recyclingbetriebe und Entsorger mit Sortieranlagen hat diese Volatilität eine direkte Konsequenz: Wann man verkauft, ist nicht weniger wichtig als was und wie viel man verkauft. Liegt ein Verkauf am Tief statt am Hoch eines Jahres, sind das bei Altpapier im Extremfall 40–80 Euro pro Tonne, Erlös, der nie zurückkommt. Trifft das einen einzigen Monatsverkauf von 1.000 Tonnen, sind es 40.000–80.000 Euro. Die Spanne ist aber der Abstand zwischen Jahreshoch und Jahrestief, kein Betrag, den man jeden Monat verliert oder gewinnt.

Die aktuelle Marktlage ist zusätzlich unter Druck: Nach pandemiebedingtem Rohstoffmangel und Spekulationen an den Rohstoffbörsen bleibt der Markt fragmentiert. Der bvse-Bundesverband (Verband Sekundärrohstoffe und Entsorgung) beobachtet, dass besonders Sekundärkunststoffe häufig teurer und damit wirtschaftlich nicht attraktiv sind, ein Signal dafür, dass blind nach Volumen zu sortieren für viele Anlagen nicht mehr ausreicht. Die Sortiertiefe und der Verkaufstiming müssen datengesteuert erfolgen.

Mit vs. ohne KI, ein ehrlicher Vergleich

Eine unabhängige Studie, die für deutsche Sortieranlagen einen Mehrerlös oder eine geringere Erlösschwankung durch LSTM-basierte Prognosen belegt, kennen wir nicht. Die Tabelle beschreibt, was sich ändert, nicht wie viel.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (1/5)
Anders als bei Prozessautomation (z.B. Rechnungsverarbeitung) spart eine Preisvorhersage keine Arbeitsstunden im klassischen Sinne. Die Geschäftsführung und der Lagermanager verbringen nicht weniger Zeit mit Routineaufgaben, sie treffen nur bessere Entscheidungen. Der Wert liegt im Umsatz, nicht in der Arbeitszeit. Deshalb score 1: nicht das richtige Werkzeug, wenn man Zeitersparnis als Hauptbenefit brauchst.

Kosteneinsparung, mittel (3/5)
Die Rentabilität einer Preisvorhersage wird am direktesten Erlöshebel gemessen: höhere Verkaufspreise durch besseres Timing. Wie hoch der Mehrerlös ist, kann dir niemand vorab sagen, belastbare Branchenzahlen gibt es nicht. Der Hebel ist groß, weil schon ein Euro je Tonne bei 12.000 Tonnen im Jahr 12.000 Euro sind. Aber er wirkt in beide Richtungen: Eine falsche Halteempfehlung kostet genauso viel wie eine richtige bringt, und längeres Lagern kostet Platz, Kapital und bei Altpapier Qualität. Nicht zu verwechseln mit Kostenersparnis im klassischen Sinne; hier ist es Ertragssteigerung, und die bleibt unsicher. Deshalb 3.

Schnelle Umsetzung, mittel (3/5)
Bis zur ersten verwertbaren Prognose vergehen realistisch 6–10 Wochen: Datenquellen integrieren (EUWID-Index, ICIS-Rohstoffpreise, Destatis-Importstatistiken), historische Daten bereinigen und indexieren, erste LSTM-Modelle trainieren, Validierung gegen bekannte Markttrends, Pilottests mit dem Team. Das ist schneller als ein Custom-RAG-System (4–8 Wochen Dokumentenvorbereitung plus Softwareentwicklung), aber nicht trivial, man braucht Zugang zu Datenquellen und jemanden, der Zeitreihenmodelle kalibrieren kann. Nicht schnell, nicht langsam, mittlere Feldposition.

ROI-Sicherheit, niedrig (2/5)
Das ist der kritischste Score. Ein Preisvorhersage-Modell ist kein technischer Hebel wie Rechnungsautomation, es ist eine Vorhersage auf einen fundamentalunstabilen Markt. Selbst gut trainierte LSTM-Modelle und Transformer-basierte Architekturen (aktuell die leistungsstärksten Ansätze) scheitern, wenn sich das Marktregime ändert. 2022 wurde das offensichtlich: Modelle, die auf 2018–2021-Daten trainiert waren, konnten die Preis-Havarie nach der Ukraine-Invasion nicht vorhersagen. Nach einem Marktschock ist die Trefferquote eines Modells erst einmal wenig wert, bis es auf den neuen Daten nachtrainiert ist. Deshalb: ROI ist messbar, aber nicht garantierbar. Wer diesen Score nicht akzeptiert, sollte kein Geld in dieses System stecken.

Skalierbarkeit, hoch (4/5)
Wenn ihr die Infrastruktur einmal aufgesetzt habt, ist der Übergang von „Altpapier-Prognose” auf „Altpapier + Kunststoffe + Kupfer-Mix” ein Add-on, kein Rebuild. Der Datenbestand wächst linear mit mehr Fraktionen, nicht exponentiell. Die Feature Engineering-Arbeit ist zwar wiederkehrend, jede neue Fraktion braucht Saisonalitäts-Analyse, aber die Software-Infrastruktur skaliert sanft. Score nicht 5, weil der Datenaufwand für Validierung mit jeder neuen Fraktion wächst; ab 5+ Fraktionen wird das operational aufwändig.

Richtwerte, stark abhängig von Marktregime, Gebietsgranularität (lokal vs. europaweit) und Verfügbarkeit von Marktdaten für eure Fraktionen.

Was eine ML-Preisvorhersage konkret macht

Eine Predictive-Analytics-Lösung für Wertstoffpreise funktioniert auf drei Ebenen:

1. Datenintegration & Baseline
Das System bezieht live-Marktdaten von EUWID (für Papiere), ICIS (chemische Rohstoffe und Metallschrotte), Destatis-Importstatistiken (Warenstromanalyse), und optional Rohstoff-Börsen-Daten (London Metal Exchange für Kupfer, Aluminium). Es schaufelt diese Daten täglich ein und normalisiert sie auf eine einheitliche Zeitreihe. Nebenbei beobachtet das System interne Daten: Eure bisherigen Verkaufspreise, Lagerbestände und Lagerdauern. Das ergibt die Baseline: Was sind die Faktoren, die historisch bei euch zu hohen oder tiefen Preisen geführt haben?

2. Feature Engineering & Saisonalität
Der kritischste Schritt. Das Modell muss lernen, ob und wann Altpapierpreise in eurem Markt saisonal schwanken, wie stark Kupferpreise an der Nachfrage aus China hängen und mit welcher Verzögerung Kunststoffpreise dem Ölpreis folgen. Diese Zusammenhänge musst du in den eigenen Daten prüfen, nicht voraussetzen. Diese Features sind nicht in den Rohdaten sichtbar, sie müssen entweder von Hand engineered oder von einem Deep-Learning-Modell gelernt werden. Gute Praktiker nutzen beide: explizite Features (Saisonalität, technische Indikatoren) + neuronale Netze, die implizite Muster erfassen.

3. Vorhersage & Handlungsempfehlung
Nach dem Training macht das Modell täglich oder wöchentlich eine 4–8-Wochen-Vorhersage für jede Fraktion: „Altpapier-Mischware wird in 3 Wochen aller Voraussicht nach bei 92–108 Euro pro Tonne liegen” (mit Konfidenzintervall). Dazu gibt es eine Ampel-Empfehlung: grün (“Gut lagerbar, noch 2 Wochen halten”), gelb (“Preis-Chancen-Gleichgewicht, verkaufen wenn Lagerraum knapp”), rot (“Verkaufen jetzt, keine Verbesserung in Sicht”). Aber, und das ist wichtig, das ist nicht die Entscheidung selbst. Der Lagermanager sieht die Vorhersage, prüft sie gegen sein Marktverständnis und gibt den Befehl. Die KI informiert, Menschen entscheiden.

Konkrete Werkzeuge, was wann passt

Es gibt mehrere Spielfelder für Wertstoff-Preisvorhersage:

Python mit scikit-learn + LSTM , Custom, vollständig kontrolliert. Du baust dir ein einfaches Zeitreihen-Regressionsmodell (ARIMA oder LSTM mit NumPy/TensorFlow), trainierst es auf historischen EUWID-Daten (kostenpflichtiges Abo) und lässt es regelmäßig neu trainieren. Vorteil: Maximale Transparenz, du weißt exakt, welche Features das Modell nutzt. Nachteil: Erfordert Data-Scientist-Kompetenz, einmaliger Setup-Aufwand 3–4 Wochen. Beste Wahl für große Betriebe (>150 Tonnen Tagesaufkommen) mit IT-Ressourcen.

Alteryx oder RapidMiner AI Studio, Low-Code Machine Learning Platformen. Beide erlauben visuelles Drag-&-Drop-Training von Zeitreihen-Modellen ohne Code. Alteryx ist spezialisiert auf Data Blending (mehrere Datenquellen kombinieren), RapidMiner hat das stärkere automatisierte Hyperparameter-Tuning. Zum Namen: RapidMiner ging 2022 an Altair und mit Altair 2025 an Siemens, wo es als RapidMiner AI Studio weiterläuft, altair.com leitet auf siemens.com um. Alteryx One Starter kostet ab 250 USD je Nutzer und Monat bei jährlicher Zahlung, größere Alteryx-Tarife und RapidMiner AI Studio gibt es nur auf Anfrage. Vorteil: schneller an Prognosen. Nachteil: weniger Kontrolle über Model-Interpretabilität. Sinnvoll für mittlere Betriebe, die keine eigene Data-Infrastruktur haben wollen.

Salesforce CRM Analytics , Wenn ihr bereits CRM/ERP-Daten in Salesforce habt, kann die Analytics-Schicht (früher Einstein Analytics) auf den Daten direkt Vorhersagemodelle trainieren. Limitierung: Sie spezialisiert sich auf Kundenverhalten, nicht Rohstoffpreise, für eure Use-Case also eher Flickwerk. Nicht empfohlen.

Custom-Cloud-Lösung auf AWS SageMaker oder Azure ML, Du hostierst dein Vorhersage-Modell auf AWS SageMaker oder Microsoft Azure ML, bindet EUWID/ICIS-APIs an, und stellst tägliche Batch-Vorhersagen bereit. Azure ML hat keine Grundgebühr, bezahlt wird Rechenzeit, grob geschätzt 300–800 EUR/Monat Infrastruktur, bei wenigen Zeitreihen auch weniger. Vorteil: skalierbar, einfache Integration mit ERP-Systemen, gutes Logging und Modell-Versionierung. Empfohlen für professionelle Setups mit Team von 50+ Mitarbeitenden.

Spezialisierte Rohstoff-Prognose-Plattformen, Es gibt StartUps wie ChAI (Commodity Price Forecasting) oder größere Anbieter wie Bloomberg Terminal oder S&P Global, aber diese richten sich primär an Trader und Investoren, nicht an Recycler. ChAI nennt keine Preise, typisch sind laut unserer Toolseite fünfstellige Jahresverträge, für die meisten Mittelständler zu teuer.

Zusammenfassung: Wann welcher Ansatz

• Custom-Modell + interne IT-Expertise → Python + LSTM
• Schneller Einstieg, keine Coding-Expertise → Alteryx / RapidMiner AI Studio
• Große Betriebe, Cloud-ready → AWS SageMaker / Azure ML
• Spezialisierte Rohstoff-Trader → Bloomberg / S&P Global (nicht für KMU empfohlen)

Datenschutz und Datenhaltung

Wertstoffpreis-Prognosemodelle sind meist nicht personenbezogen und auch nicht datenschutz-kritisch, ihr trainiert auf Marktdaten (EUWID, ICIS, Börsen-Feeds), nicht auf Mitarbeitendaten. Allerdings:

Wenn ihr interne Verkaufshistorien in das Modell mit einfüttern wollt (um lokale Abweichungen zu lernen), landen dort unter Umständen Kundendaten, wer kauft von euch, zu welchen Preisen. Das ist geschäftssensibel, nicht unbedingt DSGVO-kritisch, aber auf dem Radar der IT-Sicherheit. Lösung: Trainiert das Modell auf aggregierten Daten (“Durchschnittspreis-pro-Fraktion/Woche”, ohne Kundennamen), nicht auf einzelnen Transaktionen.

Die Marktdaten selbst (EUWID, ICIS) unterliegen den Nutzungsbedingungen der Datenanbieter:

• EUWID, Deutsche Daten, kostenpflichtige Archive, Nutzung für “interne Geschäftszwecke” erlaubt. Keine Weitergabe an Dritte.
• ICIS, Globale Preisdaten, kostenpflichtige Preisdienste. Marktpreise sind keine personenbezogenen Daten, einen AVV braucht es dafür nicht, wohl aber einen Blick in die Lizenzbedingungen zur internen Nutzung.
• Destatis, Öffentlich, Open Data, kostenlos, EU-gehostet. Keine Datenschutzprobleme.

Für AWS SageMaker oder Azure ML gelten die Standard-Datenverarbeitungsverträge (AVV): Das System selbst ist DSGVO-konform; ihr müsst aber mit dem Cloud-Anbieter eine schriftliche Auftragsverarbeitung abschließen, falls ihr Kundendaten hochladet (auch anonymisiert ist eine schriftliche Grundlage ratsam).

Was es kostet, realistisch gerechnet

Einmalige Setup-Kosten

• Custom-Modell (Python): 15.000–40.000 EUR (3–4 Wochen Entwicklung, Data Engineering, Validierung, Plus kontinuierliche Überwachung)
• Low-Code-Ansatz (Alteryx/RapidMiner AI Studio): 5.000–12.000 EUR (Training, initiale Modell-Entwicklung, Integration mit bestehenden Systemen)
• Cloud ML-Plattform (AWS/Azure): 2.000–8.000 EUR (Setup, Infrastruktur-Konfiguration, erste Modelle)

Laufende monatliche Kosten

• Custom-Modell: 500–1.500 EUR (Datenquellen-APIs wie EUWID-Archive, Modell-Überwachung, monatliche Retrainings)
• Alteryx: ab 250 USD je Nutzer (Starter), größere Tarife und RapidMiner AI Studio auf Anfrage, dazu 300–500 EUR Datenzugang
• Cloud ML-Plattform: 300–800 EUR (Compute, Storage, API-Aufrufe), geschätzt
• EUWID/ICIS-Datenfeeds: 200–800 EUR (je nach Umfang und Häufigkeit)
• Lagerkosten: Wer länger hält, zahlt Platz, gebundenes Kapital und bei Altpapier Qualitätsverlust durch Feuchte. Und die Lagermenge ist durch die Anlagengenehmigung gedeckelt.

Wie man den ROI wirklich misst
Die ehrlichste Messung ist ein Backtest auf euren eigenen Verkäufen der letzten zwei, drei Jahre: Was hätte das Modell je Verkauf empfohlen, und was hätte das gegenüber dem sofortigen Verkauf gebracht, in beide Richtungen? Die 40–80 Euro Spanne aus dem Abschnitt oben sind der Abstand zwischen Jahreshoch und Jahrestief. Kein Modell verkauft immer am Hoch, und jede falsche Halteempfehlung kostet Geld. Rechne deshalb mit dem durchschnittlichen Nettoeffekt je Tonne aus dem Backtest, abzüglich Lagerkosten.

Rechenbeispiel, Custom-Modell, 1.000 Tonnen im Monat: Setup 20.000 EUR, laufend 1.200 EUR im Monat, also 14.400 EUR im Jahr.

• Break-even: 14.400 EUR / 12.000 t = rund 1,20 EUR je Tonne netto Mehrerlös, nur um die laufenden Kosten zu decken.
• Bringt der Backtest netto 5 EUR je Tonne: 60.000 EUR im Jahr, nach laufenden Kosten 45.600 EUR, das Setup ist in rund 5 Monaten zurück.
• Bringt er 1 EUR je Tonne: 12.000 EUR im Jahr, weniger als die laufenden Kosten. Das Projekt verliert Geld.

Welcher Fall bei euch eintritt, weiß vorher niemand, auch wir nicht. In den ersten 2–3 Monaten läuft das Modell oft nur auf Par-Niveau.

Drei typische Einstiegsfehler

1. Vorhersage mit Garantie verwechseln.
Der größte mentale Fehler. Du schaffst ein Modell, das sagt: “Altpapier wird nächste Woche bei 85–95 EUR stehen.” Dein Lagermanager verkauft, und drei Tage später crasht der Markt auf 72 EUR, weil China Tarife erhöht. Das Modell war nicht falsch; es war nur richtig für einen Status, der sich dann veränderte. Die Lösung: Modell-Predictions immer mit Konfidenzintervallen kommunizieren, nicht als Punkt-Prognosen. “Wahrscheinlichkeit 65 % für 85–95 EUR”, nicht “wird bei 90 EUR sein”. Und: Nicht jede Prognose ist ein Handlungssignal, Modelle sind Entscheidungs-Support, nicht Entscheidungs-Automatik.

2. Zu kurzer Zeithorizont gewählt.
Manche Betriebe bauen Modelle, die “morgen” oder “übermorgen” vorhersagen. Das ist technisch machbar, aber strategisch falsch. Bei Wertstoffpreisen entstehen echte Hebel erst mit 4–8 Wochen Vorlauf, genug Zeit, um das Lager zu managen, Kunden zu navigieren, und Verkaufsentscheidungen zu verschieben. Eine 2-Tage-Vorhersage wird meist nicht besser sein als aktuelle Marktpreise, ist also nutzlos. Wähle einen Zeithorizont, der zu der Zeit passt, die ihr Material halten könnt. Wer höchstens 10 Tage lagern kann, dem nützt eine 8-Wochen-Prognose nichts, er kann nicht danach handeln. Wer 4–8 Wochen halten kann, braucht eine Prognose über genau diesen Zeitraum. Die ist schwerer zu treffen, aber es ist der einzige Punkt, wo es zahlt.

3. Keine Lagerflexibilität eingeplant.
Das ist das K.O.-Kriterium. Ein Betrieb, der 100 % seiner Ware innerhalb von 3 Tagen verkaufen muss (z.B. weil Lagerplatz knapp ist), kann von einer Preisvorhersage nicht profitieren. Die Prognose sagt: “Warte 3 Wochen, der Preis steigt um 20 %.” Aber ihr könnt nicht warten. Das System wird euch frustriert machen, weil es Chancen zeigt, die zu nutzen objektiv unmöglich ist. Voraussetzung Nummer eins: Ihr müsst die Lagerstrategie ändern können. Das bedeutet mehr Lagerplatz reservieren, soweit die Anlagengenehmigung die Menge zulässt, oder Verkaufsverträge mit Flexibilität bauen. Das kostet Kapital, aber das ist der echte Preis einer Preisprognose, nicht die Software.

Was mit der Einführung wirklich passiert, und was nicht

Die Einführung einer KI-Preisprognose ist nicht technisch schwer, sondern organisatorisch schwer.

Drei Widerstandsmuster, die fast immer auftauchen:

Das alte Lagermanager-Bauchgefühl vs. das neue Modell.
Ein guter Lagermanager hat 15 Jahre Marktbeobachtung im Kopf. Er “weiß”, wann Papierpreise fallen. Ein neues Modell, das anders entscheidet, wird als Bedrohung empfunden, oder als Unsinn gewertet. Wichtig: Das Modell ist nicht dazu da, ihn zu ersetzen, sondern zu ergänzen. Ein gutes Set-up ist: Das Modell macht Vorhersagen täglich, der Manager entscheidet. Nicht andersherum. Der Manager wird das System nutzen, wenn er sieht, dass die Vorhersagen im Schnitt besser sind als sein Gefühl. Ob das so ist, zeigt nur der Vergleich über mehrere Monate, der muss aktiv geführt und kommuniziert werden.

“Die Prognose war falsch, das System ist schrott.”
Ein paar Fehler früh, und das System wird in die Ecke gestellt. Wichtig ist, Erwartungsmanagement zu setzen: “Das Modell liegt nicht immer richtig. Es muss im Schnitt über viele Verkäufe mehr bringen, als es bei Fehlgriffen kostet.” Ob es das tut, zeigt das Logbuch. Wenn ihr das System nach einer einzigen Fehlprognose verwerft, zerstört ihr selbst die Akzeptanz. Besser: Fehler analysieren (“Warum ist das Modell in dieser Woche falsch gelegen?”), lernen, und weitermachen.

Die Routine-Falle nach zwei Monaten.
Nach der initialen Begeisterung wird das System Routine, “Oh ja, die KI sagt wieder zu warten.” Die tägliche oder wöchentliche Prognose wird übersehen. Lösung: Integration in bestehende Meetings einbauen. Lagerbesprechung jeden Mittwoch? Die Modell-Vorhersage gehört als Agenda-Punkt rein. Ein Bericht pro Woche an die Geschäftsführung: “Prognose Woche 12 ist grün (günstige Lagerung), Aktion: 2 Wochen halten.” Das hält das System präsent und schärft die Reaktivität.

Was konkret hilft:

• In den ersten 2 Wochen die Vorhersagen täglich mit dem tatsächlichen Marktpreis vergleichen, zeig dem Team, dass das Modell bereits lernt
• Ein “Modell-Error”-Logbuch führen, wo ist das Modell falsch gelegen, warum? Das schafft Vertrauen (“Ah ja, damals war China-Tariff-Schock, keine Ahnung konnte das voraussagen”)
• Die erste Woche nach Go-Live wird es Tunings geben, nicht panisch werden, das ist normal

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Der Pilot sollte eine Woche vor dem Full-Deploy mindestens eine Marktbewegung zeigen, sonst wisst ihr nicht, wie das Modell bei echter Volatilität reagiert. Wenn die Pilotphase in einer flachen Marktphase läuft (z.B. Febr–März, wenig Volatilität), werdet ihr falsch-positiv einschätzen, dass alles läuft.

Häufige Einwände, und was dahintersteckt

„Wenn das Modell so gut ist, warum nutzen das nicht alle Entsorger?”
Gute Frage. Ob und wie große Konzerne Preisprognosen einsetzen, veröffentlichen sie nicht. Kleinere Betriebe bis 200 Tonnen/Tag scheuen den Eintritt (20–30.000 Euro sind nicht wenig), oder die IT-Expertise fehlt. Und der ehrliche Teil der Antwort: Weil niemand vorab sagen kann, ob ein Modell den Markt schlägt, ist Zurückhaltung kein Denkfehler. Ein Backtest auf den eigenen Verkäufen klärt die Frage billiger als ein Projekt.

„Unsere Marktpreise sind lokal sehr unterschiedlich. Das funktioniert nicht europaweiter Index-basierten Modellen.”
Stimmt teilweise. EUWID und ICIS sind überregionale Indizes. Wie eng eure Preise ihnen folgen, rechnest du mit deinen eigenen Verkaufsdaten in einer Tabellenkalkulation in einer Stunde aus. Folgen sie eng, kann ein Modell mit einem lokalen “Discount-Faktor” trainiert werden, “Wir zahlen im Schnitt 8 % weniger als EUWID”, und dann funktioniert es lokal. Nicht perfekt, aber gute Ausgangsbasis. Bei 3+ Jahren lokaler Daten wird das sogar sehr genau.

„Was, wenn der Markt crasht wie 2022?”
Dann wird jedes Modell falsch sein. Das ist nicht ein Problem des Modells, das ist ein Problem der Wirklichkeit. Erdbeben kann man nicht zuverlässig vorhersagen; Marktcrashs auch nicht. Das Beste, was ein Modell tun kann: das Konfidenzintervall breiter machen und sagen: “Hey, etwas stimmt nicht.” Ob es in der Krise noch besser ist als Bauchgefühl, weiß niemand vorher. Das Modell ist ein Geräusch-Filter, nicht ein Crashprotektor, und in einer Krise gilt: verkaufen, was ihr nicht halten müsst.

„Redet ihr nicht von 4–8 Wochen, aber Materialien lagern 10 Tage?”
Richtig. Daher muss die Lagerstrategie angepasst werden. Statt Material bei Ankunft sofort zu verschieben (10-Tage-Lager), wechselt ihr auf “selektives Halten”: Prognose sagt “nächste 4 Wochen fallen Preise”, also: Material rein, auf Reserve-Lagerstelle, warten. Sobald Prognose dreht (“Preise stabilisieren sich in 2 Wochen”), verkaufen. Das erfordert mehr Lagerfläche, im Rahmen der genehmigten Lagermenge, und die kostet Geld, das in die ROI-Rechnung gehört. Ohne diese Flexibilität funktioniert das System nicht.

Woran du merkst, dass das zu dir passt

• Du hast 500+ Tonnen Sortieraufkommen monatlich, unter dieser Menge sind die Absolut-Euro-Hebel zu klein (Lohnt sich das Setup?)
• Du kannst Material bei Bedarf mehrere Wochen halten, nur dann kannst du auf eine 4–8-Wochen-Prognose reagieren
• Dein Team hat mindestens eine Person, die sich für Datenanalyse interessiert, nicht zwingend Data-Scientist, aber jemand, der Zahlen mag und Trends sieht
• Du hast Zugang zu EUWID oder anderen Marktdaten, oder Budget dafür (200–800 EUR/Monat)
• Mindestens zwei Wertstofffraktionen parallel, Altpapier allein ist zu dünn

Du solltest das System NICHT einführen, wenn:

• ✗ Deine Lagerfläche ist chronisch zu klein, du musst innerhalb von 3 Tagen verkaufen (Vorhersage hilft dir null)
• ✗ Du sortierst nur eine Fraktion (Kunststoff ODER Papier ODER Metall), zu wenig Signal im Modell
• ✗ Dein Team ist stark gegen KI/Datentools, mentale Hürde zu hoch (das wird 6 Monate Kampf)
• ✗ Du hast kein Budget für Datenfeeds (200–800 EUR/Monat), das wird versteckte Kosten erzeugen

Das kannst du heute noch tun

Schritt 1: EUWID-Archive selbst checken, geh auf euwid-recycling.de, schau dir die historischen Altpapier- oder Kunststoff-Indexpreise der letzten 3 Jahre an. Visualisier deine eigenen Verkaufspreise daneben. Wie oft hättest du bessere Preise bekommen, wenn du 3, 4 oder 8 Wochen später verkauft hättest, und wie oft schlechtere? Zähl beides, und zieh die Lagerkosten für die Wartezeit ab. Das ist die ehrlichste ROI-Rechnung, die du machen kannst. Liegt der Nettoeffekt unter rund 1,20 Euro je Tonne, trägt er nicht einmal die laufenden Kosten eines eigenen Modells.

Schritt 2: Mit einfachen Zeitreihen-Tools spielen, Excel mit Trendlinien, oder kostenlose Tools wie Google Sheets + Data Studio. Lade 2 Jahre EUWID-Daten runter, berechne 8-Wochen-Trends. Das ist nicht Machine Learning, aber es gibt dir ein Gefühl, wie Vorhersagen überhaupt funktionieren.

Diese Vorlage funktioniert mit jedem LLM, ChatGPT, Claude, Gemini. Der Prompt zwingt den KI-Assistenten, strukturiert zu analysieren, statt nur Daten zu paraphrasieren. Prüf die Rechnungen im Ergebnis nach, Sprachmodelle verrechnen sich bei Prozenten gern.

Quellen & Methodik

• EUWID Papier- und Zellstoff: Altpapiermarkt-Nachrichten 2022–2025. EUWID dokumentiert monatliche Indexpreise für Altpapier und zeigt Preisvola über 40 % Bandbreite. Zitat: “Altpapiermarkt bleibt extrem volatil” (April 2026). Abgerufen April 2026.
• Zeitreihen-Forecasting mit Deep Learning: CFA Institute Research Foundation: Machine Learning in Commodity Futures. LSTM und Transformer-Modelle zeigen 25–35 % bessere Vorhersagegenauigkeit als traditionelle ARIMA-Methoden. 2025.
• Maschinelles Lernen für Recycling-Lagerstrategie: MDPI 2024: Enhancing Supply Chain Agility through Machine Learning. Fallstudien zeigen Kosteneinsparung 15–20 % bei ML-Inventory-Optimierung. 2024.
• bvse Bundesverband: Sekundärrohstoff-Marktlage 2025. Warnung vor anhaltend volatilen Kunststoffpreisen und Marktdruck. 2025.
• Rohstoffmarkt-Volatilität & Lagerung: Cargo Glamper / EBD: Recycling Kostenoptimierung. Fallbeispiel PE-Mischfolie: 189 EUR (2011) vs. 290 EUR (Weltmarkt), 53 % Preis-Spread. Zeigt Bedeutung von Verkaufstiming.
• Destatis Importstatistiken: Preise und Preisindizes, Warenstromanalyse und erzeugerpreisindex. EU-gehostet, kostenlos, verwendet für Markt-Baseline-Features.
• ICIS Rohstoffpreis-Plattform: ICIS Pricing Services. Globale Commodity-Preis-Feeds mit Analyse. Praktiziert von Rohstoff-Forecasting-Systemen im industriellen Maßstab. 2025.

Methodik: Die Preisspannen stammen aus EUWID-Marktberichten, die Modellansätze aus der genannten Fachliteratur. Einen belegten Mehrerlös durch Preisprognosen in deutschen Sortieranlagen haben wir nicht gefunden. Die ROI-Rechnung ist deshalb ein Rechenbeispiel mit Break-even, keine Erwartung.