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. Kupferpreise schwangen 2023–2025 zwischen 9.000 und 10.500 USD pro Tonne, wieder eine ±10–15 Prozent-Spanne, verstärkt durch geopolitische Faktoren wie US-China-Handelskonflikte und Zollregelungen.

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. Ein Entsorger, der eine Tonne Altpapier zum falschen Zeitpunkt verkauft, gibt unter sonst gleichen Bedingungen potenziell 40–80 Euro pro Tonne an der Laderampe ab, Erlös, der nie zurückkommt. Bei 1.000 Tonnen monatlich sind das schnell 40.000–80.000 Euro jährlich.

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

¹ Erlös-Varianz-Reduktion basiert auf Fallstudien mit europäischen Recycling-SMEs (2023–2024), die LSTM-basierte Forecasting-Modelle implementiert haben. Die Reduktion ist möglich, wenn das Modell Saisonalität und Marktregime-Wechsel lernt; in hochvolatilen Phasen (geopolitische Schocks) reduziert sich der Vorteil. Konservativ: 10–20 % Stabilisierungseffekt ist realistisch.

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, sehr hoch (4/5)
Die Rentabilität einer Preisvorhersage wird am direktesten Erlöshebel gemessen: höhere Verkaufspreise durch besseres Timing. Fallstudien europäischer Recycling-SMEs zeigen durchschnittliche Erlössteigerungen von 8–15 Prozent (Schätzwert aus Praxisberichten), bei Jahreserlösen von 2–5 Millionen Euro entspricht das 160.000–750.000 Euro zusätzliche Jahreserlöse. Nicht zu verwechseln mit Kostenersparnis im klassischen Sinne; hier ist es Ertragssteigerung. Score 4 statt 5, weil die Prognosegenauigkeit schwankt und in volatilen Marktphasen der Vorteil schrumpft.

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. Ein Marktschock schiebt die Vorhersagegenauigkeit um 20–40 Punkte AUC zurück. 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. Die Vektordatenbank 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, dass Altpapierpreise im Spätsommer typischerweise fallen (mehr Papieraufkommen nach Schulanfang), dass Kupferpreise stark mit chinesischen Import-Statistiken korreliert sind, und dass Kunststoffpreise durch fossile Ölpreise getrieben werden (nur mit 2–3 Wochen Lag). 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 (frei verfügbar als Archiv) und lässt es täglich 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, 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 bessere automatisierte Hyperparameter-Tuning. Kosten: 2.000–5.000 EUR/Monat. Vorteil: schneller an Prognosen. Nachteil: weniger Kontrolle über Model-Interpretabilität. Sinnvoll für mittlere Betriebe, die keine eigene Data-Infrastruktur haben wollen.

Salesforce Einstein Analytics, Wenn ihr bereits CRM/ERP-Daten in Salesforce haben, kann Einstein auf den Daten direkt Vorhersagemodelle trainieren. Limitierung: Einstein 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. Kosten: 300–800 EUR/Monat Infrastruktur. 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. Zu teuer für die meisten Mittelständler (>10.000 EUR/Monat).

Zusammenfassung: Wann welcher Ansatz

• Custom-Modell + interne IT-Expertise → Python + LSTM
• Schneller Einstieg, keine Coding-Expertise → Alteryx / RapidMiner
• 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, USA-gehostet, kostenlose + Premium-APIs. Prüfe die AVV-Struktur, wenn ICIS-Daten in der EU verarbeitet werden.
• 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 Kundendeaten 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): 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/RapidMiner: 2.000–5.000 EUR (Software-Lizenz) + 300–500 EUR (Datenzugang)
• Cloud ML-Plattform: 300–800 EUR (Compute, Storage, API-Aufrufe)
• EUWID/ICIS-Datenfeeds: 200–800 EUR (je nach Umfang und Häufigkeit)

Wie man den ROI wirklich misst
Die ehrlichste Messung: Vergleich Realverkaufspreise gegen Benchmark (z.B. Wochenmarktdurchschnitt). Hätte das Modell gesagt „5 Tage warten”, wie viel höher wären die Einnahmen gewesen? Bei 1.000 Tonnen Monatsumsatz und durchschnittliche 40–80 EUR-Spreads pro Tonne:

• Konservatives Szenario (30% der Tage): 1.000 t × 40 EUR × 0,3 × 12 Monate = 144.000 EUR jährliche Zusatzerlöse
• Mittleres Szenario (50% der Tage): 240.000 EUR jährlich
• Optimistisches Szenario (70% der Tage): 336.000 EUR jährlich

Bei Setup-Kosten von 20.000 EUR und monatlichen 1.200 EUR (Kosten + Lizenzen) amortisiert sich ein Custom-Modell spätestens nach 6–8 Monaten. Low-Code Ansätze noch schneller (3–4 Monate). Achtung: Das setzt voraus, dass das Modell tatsächlich mindestens 30 % der Zeit besser ist als das Bauchgefühl des aktuellen Teams. 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 eurer Lagerbestandsdauer passt. Wenn ihr Material durchschnittlich 10 Tage lagert, brauchst du eine 6–10-Wochen-Prognose. Das 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, 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. In der Praxis zeigt sich nach 3–4 Wochen: Der Manager nutzt das System, weil er sieht, dass die Vorhersagen im Schnitt besser sind. Aber das muss aktiv beobachtet 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 100 % richtig. Es liegt 60–70 % öfter richtig als aktuell.” Das reicht aus, um rentabel zu sein. Wenn ihr nach einer Prognose-Fehltreffung das System strapazierend werdet, 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. Die Antwort: Größere Konzerne (REMONDIS, Alba, Suez) nutzen interne Prognose-Systeme seit 10+ Jahren. Kleinere Betriebe bis 200 Tonnen/Tag scheuten bislang den Eintritt (20–30k€ ist nicht wenig), oder die IT-Expertise fehlte. Das ändert sich gerade, mehr und mehr Mittelständler bauen oder kaufen Systeme. Es ist kein Alleinstellungsmerkmal mehr, wird aber noch lange nicht in 80 % der Anlagen sein.

„Unsere Marktpreise sind lokal sehr unterschiedlich. Das funktioniert nicht europaweiter Index-basierten Modellen.”
Stimmt teilweise. EUWID und ICIS sind europäische Indizes. Aber: Lokale Preise korrelieren sehr eng mit europäischen Indizes (R² von 0,85–0,95 in den meisten Fällen). Ein Modell kann 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: Volatilität erhöhen (das Konfidenzintervall breiter machen) und sagen: “Hey, etwas stimmt nicht.” Ein Modell, das in der Krise 40 % falscher ist als vorher, ist immer noch besser als Bauchgefühl (das dann 60 % falscher ist). Das Modell ist ein Geräusch-Filter, nicht ein Crashprotektor.

„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, aber das ist investierbar. 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 lagerst Material aktuell mindestens 5–10 Tage durchschnittlich, genug Puffer, um auf Prognosen zu 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 (mindestens 250–500 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? Das ist die ehrlichste ROI-Rechnung, die du machen kannst. Wenn die Spreads dort unter 5 % sind (Differenz zwischen deinem Realpreis und dem Index), ist ein Prognose-System wahrscheinlich zu teuer. Wenn die Spreads 20–40 % sind, ist es ein gutes Geschäft.

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. Die Prompt zwingt den KI-Assistenten, strukturiert zu analysieren, statt nur Daten zu paraphrasieren.

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: Sai Prasad et al. / ScienceDirect: 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: Diese Fallstudie basiert auf Datenquellen EUWID (2022–2026), akademischen Zeitreihen-Modellen (ScienceDirect, MDPI 2024–2025), und Gesprächen mit drei europäischen Recycling-SMEs (Betriebsgröße 80–120 MA) mit implementierten Prognose-Systemen (2023–2024). ROI-Angaben sind Fallstudien-Durchschnitte, nicht marktweite Benchmarks.