Wertstoffhof-Anlieferungen per KI-Vorhersage steuern

Das echte Ausmaß des Problems

Deutschland betreibt rund 6.600 kommunale und private Wertstoffhöfe (laut Bundesverband der Deutschen Entsorgungswirtschaft, BDE). Die große Mehrheit davon sieht dasselbe operative Muster: Freitagnachmittag und Samstagvormittag absorbieren überproportional viele Besuche, in vielen Anlagen zwischen 35 und 50 Prozent des gesamten Wochenvolumens in einem Zeitfenster von weniger als sechs Stunden.

Kommunalwirtschaft-Fachveranstaltungen (u.a. Kommunalwirtschaft-Forum 2024) dokumentieren übereinstimmend: Wartezeiten von 20 bis 40 Minuten sind an Samstag-Spitzen keine Ausnahme, sondern Norm. An den drei bis vier Wochenenden rund um Frühjahrsputz, Schulferienstart und Herbstgartenarbeit erreichen einzelne Standorte Staus, die bis auf Kreisstraßen oder Bundesstraßen zurückreichen, mit der entsprechenden Freude bei Anliegern und Straßenverkehrsämtern.

Was das operativ bedeutet:

• Samstag-Überbesetzung vs. Wochentagsleerlauf. Um Stau-Spitzen zu puffern, planen viele Betriebe samstags Vollbesetzung, auch wenn das Wetter schlechter wird und das Volumen einbricht. Gleichzeitig laufen Dienstag- und Mittwochschichten oft mit Überkapazität.
• Ungeplante Containerleerungen. Container an Problemfraktionen (Grünschnitt, Sperrmüll, E-Schrott) werden nach Gefühl geleert oder nach starrem Wochenplan, nicht nach tatsächlichem Füllstand und prognostizierter Nachfrage.
• Überstundenpflicht in Spitzenzeiten. Unerwartet hoher Samstagsandrang erzwingt ungeplante Verlängerungen, die mit Wochenend- und Überstundenzuschlägen vergütet werden müssen.
• Bürgerunzufriedenheit als Reputationsrisiko. Eine 40-minütige Warteschlange bei 8 °C verändert die Zufriedenheit mit der kommunalen Infrastruktur nachhaltig. In Nutzerbefragungen der AWM München ist Wartezeit regelmäßig der am häufigsten genannte Kritikpunkt.

Die VKU-Infoschrift 114 „Künstliche Intelligenz im Einsatz” (2025) benennt Besuchersteuerung und Andrangsglättung explizit als einen der zentralen KI-Hebel für kommunale Entsorgungsbetriebe, neben Tourenoptimierung und Sortiererkennung.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Verbesserungen in der dritten Spalte setzen voraus, dass eine belastbare Datenhistorie vorhanden ist und die Bürgerinformation aktiv genutzt wird, beide Voraussetzungen brauchen Vorlaufzeit.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Die Schichtverantwortlichen sparen rund 1–2 Stunden Planungsaufwand pro Woche, weil eine Prognose die Diskussion „brauchen wir Samstag eine Verstärkung?” ersetzt. Operativ ist der Gewinn größer als der individuelle Zeitgewinn: weniger Chaos an Samstag-Spitzen bedeutet weniger Improvisation im laufenden Betrieb. Aber: Im Vergleich zu anderen Entsorgungsanwendungen, etwa Tourenoptimierung, ist die tägliche Zeitentlastung für einzelne Mitarbeitende gering.

Kosteneinsparung, mittel (3/5) Wenn Überstunden-Zuschläge und ungeplante Containerleerungen um 30–40 % zurückgehen, sind für einen Wertstoffhof mit acht Mitarbeitenden realistisch 5.000–15.000 Euro Einsparung jährlich erreichbar. Das ist real, aber nicht spektakulär, und stark davon abhängig, wie schlecht die aktuelle Planung tatsächlich ist. Wer ohnehin schon gute Schichtplanung betreibt, spart weniger.

Schnelle Umsetzung, niedrig (2/5) Das ist die kritische Stelle. Ein ML-Modell, das Besuchervolumen verlässlich vorhersagt, braucht mindestens 12–18 Monate digitale Besuchshistorie, mit Wochentag, Uhrzeit, Wetter und saisonalen Ereignissen. Wer diese Daten heute nicht hat, kann nicht morgen anfangen. Physisch braucht es außerdem eine Zählanlage oder ein Buchungssystem als Datenquelle. Damit gehört dieses Projekt zu den aufwendigeren Einführungen in der Entsorgungsbranche.

ROI-Sicherheit, hoch (4/5) Wartezeiten sind messbar. Andrang ist zählbar. Du kannst sechs Monate vor und sechs Monate nach der Einführung vergleichen, mit konkreten Zahlen. Das macht diesen Use Case für Kommunen und private Betreiber gleichermaßen attraktiv: Es gibt keine abstrakte Wirkungsdiskussion, weil der Vorher/Nachher-Beweis direkt aus der Anlage kommt.

Skalierbarkeit, hoch (4/5) Ein Modell, das auf einem Wertstoffhof trainiert wurde, lässt sich auf weitere Standorte übertragen und verbessert sich mit jedem zusätzlichen Standort. Betreiber mit drei oder mehr Anlagen können zentral planen und Ressourcen flexibler einsetzen, zum Beispiel Springer, die je nach Prognose an verschiedenen Standorten eingesetzt werden.

Richtwerte, stark abhängig von Standortgröße, Datenverfügbarkeit und vorhandener IT-Infrastruktur.

Was das System konkret macht

Das technische Fundament ist Predictive Analytics auf Zeitreihendaten. Das klingt komplizierter als es ist: Das System lernt aus der Vergangenheit, unter welchen Bedingungen wie viele Fahrzeuge kommen.

Ein trainiertes Modell verknüpft typischerweise folgende Signale:

Historische Besuchsdaten, Wann kamen in den letzten 18 Monaten wie viele Bürgerinnen und Bürger? Das ist die wichtigste Grundlage. Ohne sie hilft kein Modell.

Wetterdaten (aktuell und Forecast), Sonnenschein nach Regentagen treibt Gartenabfälle. Erste 15-Grad-Tage im März lösen Frühjahrsputz aus. Frost reduziert Grünschnitt auf nahezu null. Diese Korrelationen sind robust und statistisch gut belegbar.

Kalender: Feiertage, Brückentage, Schulferien, Ferien verändern den Wochentags-Rhythmus erheblich. Erster Schultag nach Sommerferien: Eltern sind wieder befreit für den langen aufgeschobenen Besuch. Ferienende + schönes Wetter: klassische Spitzenkombination.

Lokale Ereignisse, Stadtteilfest im Nachbarquartier, Sperrmülltermin in einem Stadtteil, kommunale Kampagne zur Altgeräteabgabe, all das kann einmalig als Ereignis eingepflegt werden, damit das Modell die Abweichung nicht als Messfehler interpretiert.

Was das Modell ausgibt: Eine rollierende Andragsprognose für die nächsten 7–14 Tage, aufgelöst nach Stunden. Daraus leiten sich zwei parallele Anwendungen ab:

Interne Schichtplanung, Schichtleiterin Miriam weiß am Mittwoch, dass der kommende Samstag ein mittlerer Tag wird (Schauer erwartet, keine Ferien), und hält die Normbesetzung. Für den übernächsten Samstag dagegen meldet das System eine Spitze: erster Sonnentag nach einer Schlechtwetterwoche, letzter Tag vor Herbstferien. Zwei Springer werden disponiert.

Bürgerinformation, Auf der Website und am Eingang des Wertstoffhofs zeigt eine einfache Ampel: Grün (jetzt wenig Andrang), Gelb (mittlerer Andrang, ca. 15 Minuten Wartezeit), Rot (Spitzenstunde, kein guter Zeitpunkt). Optional können Bürgerinnen und Bürger einen 15-Minuten-Anliefertermin buchen, um die Wartezeit zu eliminieren.

Die Grenzlinie zwischen KI-Prognose und einfacher statistischer Auswertung ist dabei fließend: Ein gut gepflegtes Excel-Modell mit Wetter-Lookup kann für kleinere Betriebe schon 60–70 Prozent des Prognosewerts liefern. Der echte Mehrwert von Machine Learning zeigt sich vor allem in der Kombination vieler Signale, in der Erkennung nicht-linearer Muster und in der automatischen Modellpflege, wenn sich Besucherverhalten über die Jahre verändert.

Bürger als kritische Gleichung

Die Technologie ist der einfachere Teil. Der schwierigere Teil: Bürgerinnen und Bürger verhalten sich nicht nach Modellprognosen, sie sind die Prognose.

Das klingt tautologisch, hat aber eine konkrete Konsequenz: Das Modell sagt vorher, wann Andrang entsteht, es verändert den Andrang nicht. Der Andrang verändert sich nur, wenn Bürgerinnen und Bürger ihr Verhalten ändern. Und das tun sie nur, wenn sie einen Grund dafür haben.

Das hat die Mülheimer Entsorgungsgesellschaft (MEG) 2022 mit ihrer Einführung einer Live-Wartezeit-Anzeige, entwickelt gemeinsam mit dem IT-Dienstleister regio iT, direkt erlebt: Die Kamera am Eingang misst Fahrzeugpositionen in Echtzeit, die App zeigt die aktuelle Warteschlange in vier Stufen an. Nach einem Jahr: weniger Tage mit langen Wartezeiten. Aber das Ziel war nicht das Zählen, das Ziel war, dass Bürgerinnen und Bürger die Information nutzen, um zu anderen Zeiten zu kommen. Das funktioniert, aber es braucht:

1. Sichtbare, zugängliche Information. Eine App, die niemand kennt, ändert nichts. Eingangsampel, Hinweistafeln, kommunale Website, Pressemitteilung zum Launch.
2. Echten Anreiz. „Kein Warten” ist der stärkste Anreiz. Terminbuchungssysteme, wie das von REMONDIS Digital entwickelte MAEX-System, das seit 2024 am Frankfurter Wertstoffhof Nord läuft (246 Buchungen/Monat, 10-Minuten-Slots), funktionieren, weil sie keinen Zeitverlust bedeuten: Wer bucht, wartet nicht.
3. Zeit. Verhaltensänderung auf Bevölkerungsebene dauert 6–18 Monate. Ein Terminbuchungssystem, das nach sechs Wochen 5 % Adoption hat, ist kein Misserfolg, es ist in der Anlaufphase. Versmold berichtet von 3.000 registrierten Nutzern und 300 monatlichen Buchungen nach rund einem Jahr Betrieb.

Operativ heißt das: Die Prognose ist das Rückgrat. Aber sie entfaltet ihren vollen Wert erst, wenn das Bürgerinformationssystem greift. Wer nur intern plant und nach außen keine Andrangs-Information kommuniziert, holt sich 40 % des möglichen Nutzens, wer beides kombiniert, holt 100.

Datengrundlage: Was du brauchst, bevor KI helfen kann

Das ist der Abschnitt, den die meisten Anbieter-Präsentationen übergehen. Die Wahrheit über Besucherstromprognosen bei Wertstoffhöfen: Sie brauchen eine belastbare digitale Vergangenheit. Wer diese nicht hat, baut keine KI, er baut eine Datenbasis, aus der irgendwann eine KI entstehen kann.

Was du konkret brauchst:

Besucherzählung mit Zeitstempel, nicht nur „Montag: 47 Fahrzeuge”, sondern stündliche oder halbstündliche Auflösung, über mindestens 12 Monate, idealerweise 18–24 Monate (um zwei Saisonen abzudecken). Quelle: Schrankensystem, Lichtschranke, Buchungssystem oder manuelle Strichliste mit Uhrzeiten.

Wetterdaten für denselben Zeitraum, verfügbar über den Deutschen Wetterdienst (DWD) als Open Data, rückwirkend abrufbar. Kein Mehraufwand, wenn man es direkt am Anfang koppelt.

Feiertags- und Schulferienkalender, variiert je Bundesland. Bayern und Sachsen haben andere Ferienrhythmen als NRW. Ein Modell, das diese Unterschiede ignoriert, macht systematische Fehler.

Was du nicht brauchst (und was dich teuer kommen kann):

• Personenbezogene Daten der Besuche, für eine Andragsprognose reicht anonyme Zählung vollständig aus
• Ein vollständiges Buchungssystem als Voraussetzung, du kannst mit Lichtschranken und Wochentag-Auflösung beginnen

Die häufigste Datenfalle: Schulferien-Anomalien. Prognosemodelle, die auf 12 Monaten Daten trainiert sind, unterschätzen systematisch den ersten Samstag nach langen Schulferien. Der Grund ist statistisch einfach: Ferienende-Effekte sind selten genug, um im Training unterrepräsentiert zu sein. Ein Modell, das dieses Muster nicht explizit als Feature kodiert, gibt hier eine Prognose aus, die 20–30 % unter dem tatsächlichen Andrang liegt. Die Lösung: Ferienende-Indicator als separates Feature einbauen und entsprechend historische Ferien-Endtage markieren, um dem Modell das Muster zu zeigen.

Konkrete Werkzeuge, was wann passt

Es gibt keine einzige „KI-Lösung für den Wertstoffhof”, das Thema setzt sich aus drei Bausteinen zusammen, für die unterschiedliche Werkzeuge optimal sind.

Baustein 1: Terminbuchung und Bürgerinformation

sensis+wiegon (Digitaler Wertstoffhof), Die spezialisierte Plattform für kommunale Wertstoffhöfe in Deutschland und Österreich. Über 50 Kommunen, mehr als drei Millionen Buchungen. Modularer Aufbau: von der einfachen Terminbuchungs-App bis zur vollständig autonomen Anlage mit Self-Service-Terminal und automatischer Kennzeichenlesung. Zeigt historische Auslastungsdaten je Wochentag und Stunde. Limitierung: keine eigene KI-Prognose auf externen Signalen, die Andrangsvorhersage basiert auf Buchungshistorie, kein Wetter- oder Ferienkalender-Einbezug. Preise auf Anfrage.

Baustein 2: KI-gestützte Schichtplanung mit Demand Forecasting

Quinyx, Workforce-Management-Plattform mit dem Optimize-Modul für KI-Demand-Forecasting. Das Modul kombiniert historische Betriebsdaten mit externen Faktoren (Wetter, Veranstaltungskalender) und gibt Prognosen, aus denen direkt Schichtvorschläge entstehen. EU-Datenhaltung, 4–8 EUR/Mitarbeiter/Monat Basismodul, Optimize als kostenpflichtiges Zusatzmodul. Wichtig: Quinyx hat keine native Wertstoffhof-Anbindung, die Besuchszahlen müssen aus einem Zählsystem oder Buchungssystem übertragen werden. Gut geeignet für Betriebe mit 15–50 Mitarbeitenden über mehrere Standorte.

Aplano, Deutsche Schichtplanungslösung ohne KI-Forecasting, aber mit sehr niedrigem Einstiegspreis (Core ab 0,50 EUR/Nutzer/Monat) und einfacher Bedienung. Für kleinere Wertstoffhöfe, die zunächst die Schichtplanung digitalisieren wollen, ohne in ein Forecasting-System zu investieren. Kein integriertes Demand-Forecasting, die Prognose-Ergebnisse müssten manuell eingesteuert werden.

Baustein 3: Eigenes ML-Modell für Betriebe mit Daten und IT-Ressourcen

Azure Machine Learning, Für größere kommunale Entsorgungsbetriebe oder Kreise, die eine eigene Prognose-Engine aufbauen wollen. Prophet (Meta) oder LightGBM sind Standardbibliotheken für Zeitreihenprognosen, die auf Azure ML laufen und mit DWD-Wetterdaten sowie dem kommunalen Schranken-Daten-Export kombiniert werden. Erfordert eine:n Datenanalysten oder IT-Dienstleister. Monatliche Infrastrukturkosten: 50–200 EUR je nach Aufruffrequenz und Modellgröße.

Microsoft Power BI, Für die Visualisierung: Auslastungs-Dashboards, Prognose vs. Ist, Wochentag-Heatmaps. Power BI ist in vielen kommunalen IT-Umgebungen bereits lizenziert (Microsoft 365) und kann ohne Zusatzaufwand als Reporting-Schicht genutzt werden. Kostenlos im M365-Plan enthalten.

Empfehlung je nach Betriebsgröße:

• Kleiner Wertstoffhof (1–2 Standorte, unter 200 Besucher/Tag): Buchungsplattform + Aplano; Forecast manuell aus Wochentagsanalyse
• Mittlerer Betrieb (3–8 Standorte): Buchungsplattform + Quinyx mit Optimize-Modul
• Kreis oder Betriebsverband (8+ Standorte, eigene IT): Eigenes Modell auf Azure ML + Power BI Dashboard

Datenschutz und Datenhaltung

Die Besucherstromprognose am Wertstoffhof ist datenschutzrechtlich unkomplizierter als viele andere KI-Anwendungen, wenn sie richtig umgesetzt wird.

Was kein Personenbezug ist: Anonyme Fahrzeugzählung (wie viele Autos kommen zu welcher Zeit), Andragsprognosen auf Aggregatebene, Schichtpläne ohne Mitarbeiterdaten. Für diesen Teil der Anwendung greift die DSGVO nicht, es gibt keine natürliche Person, die identifiziert wird.

Was personenbezogene Daten erzeugt: Terminbuchungssysteme, die Name und Kennzeichen verknüpfen; Kennzeichenleseanlagen, wenn das Kennzeichen gespeichert wird (und nicht nur zur Schrankenkontrolle genutzt und sofort verworfen wird).

Für Buchungssysteme gelten:

• Ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO mit dem Plattformanbieter ist Pflicht, bevor Buchungsdaten übertragen werden
• Kennzeichendaten gelten als personenbezogen und dürfen nur so lange gespeichert werden, wie es der Verarbeitungszweck erfordert (Zugangskontrolle → nach Verlassen des Geländes löschen)
• Für kommunale Betriebe gilt zusätzlich das Kommunaldatenschutzrecht des jeweiligen Bundeslandes

Für die Schichtplanung: Wenn Quinyx oder ein vergleichbares Workforce-Management-System eingesetzt wird, handelt es sich um Mitarbeiterdaten, damit ist der Betriebsrat nach § 87 BetrVG einzubeziehen (Mitbestimmung bei Personalplanung und Leistungsüberwachung). Das ist kein bürokratisches Hindernis, aber ein Schritt, der vor dem Pilotbetrieb passieren muss, nicht danach.

Alle genannten Werkzeuge sind mit EU-Datenhaltung verfügbar. sensis+wiegon hostet in Deutschland, Quinyx hostet in der EU. Azure Machine Learning lässt sich explizit in der Region West Europe oder Germany North betreiben.

Was es kostet, realistisch gerechnet

Szenario A: Digitale Buchungsplattform + einfache Schichtplanung (Einstieg)

• Buchungsplattform (z. B. sensis+wiegon): Einrichtung ca. 8.000–20.000 EUR (Schranke, Software, Installation) + laufende Lizenz auf Anfrage
• Schichtplanungstool (Aplano): ca. 30–50 EUR/Monat für 8–10 Mitarbeitende
• Zeitaufwand intern: ca. 4–8 Wochen für Einführung, Bürgerinformation, Testbetrieb
• Gesamtinvestition Jahr 1: ca. 10.000–22.000 EUR

Szenario B: KI-Forecasting + Workforce Management (mittlerer Betrieb)

• Buchungsplattform + Zählanlage: wie Szenario A
• Quinyx mit Optimize-Modul: ca. 6–12 EUR/Mitarbeiter/Monat, für 25 Mitarbeitende (3 Standorte) ca. 1.800–3.600 EUR/Jahr
• Datenvorbereitung und Modellkonfiguration (externer Dienstleister): einmalig 5.000–15.000 EUR
• Gesamtinvestition Jahr 1: ca. 25.000–45.000 EUR

Was du dagegen rechnen kannst:

Ein Wertstoffhof, bei dem samstags im Schnitt 8 ungeplante Überstundenstunden anfallen, 4 Samstage pro Monat, Bruttostundensatz mit Zuschlag ca. 25–35 EUR:

ca. 200–280 EUR pro Samstag, ca. 9.600–13.400 EUR pro Jahr allein durch Überstunden an Samstagen.

Dazu: Eine Containerleerung außerhalb des Fahrplans kostet je nach Dienstleister 150–400 EUR. Bei vier ungeplanten Leerungen pro Monat kommen weitere 7.200–19.200 EUR/Jahr zusammen.

Konservativ gerechnet, 50 % dieser Einsparungen werden tatsächlich realisiert, ergibt sich ein Einsparungspotenzial von 8.000–16.000 EUR/Jahr für einen mittelgroßen Standort. Damit rechnet sich Szenario A innerhalb von zwei Jahren, Szenario B braucht zwei bis vier Jahre.

Wie du den ROI tatsächlich misst: Nicht per Kalkulation, sondern per Messung. Zähle vier Wochen lang die Wartezeit an Spitzensamstagen, die Anzahl ungeplanter Containerleerungen und die Überstunden. Dann führe das System ein. Messe dieselben Werte sechs Monate später. Die Differenz ist dein Nutzen, nicht der theoretische, der wirkliche.

Drei typische Einstiegsfehler

1. Das Modell beginnen, bevor die Daten bereit sind. Der häufigste Fehler: Ein Betrieb kauft ein Forecasting-Tool und stellt nach zwei Monaten fest, dass die eigenen Besuchsdaten in Papierform vorliegen, keine Zeitstempel haben oder nur als Tagesaggregat erfasst wurden. Ein Modell, das auf solchen Daten trainiert, gibt keine belastbaren Prognosen, es gibt statistische Artefakte. Lösung: Zuerst die Datenerfassung etablieren, dann das Modell. Dieser Vorlauf dauert ein Jahr. Wer ihn überspringt, kauft sich in ein System ein, das erst nach der Einführung anfängt zu lernen.

2. Das Terminbuchungssystem einführen und die Bürgerinformation vergessen. In Versmold und Frankfurt wurde Adoption durch aktive Kommunikation erreicht, Pressemitteilung, Hinweistafeln an der Anlage, Hinweis auf kommunaler Website. Betriebe, die das System still einführen und auf organische Nutzung warten, berichten nach einem Jahr von 2–5 % Buchungsrate. Das ändert den Andrang kaum. Lösung: Bürgerinformation als eigenes Teilprojekt planen, mit Kommunikationsplan, Testphase und Evaluationszeitraum.

3. Das Modell einmalig trainieren und nie wieder anfassen. Besucherverhalten verändert sich: Ein neues Wohngebiet im Einzugsgebiet, eine neue Wertstoffhof-Öffnungszeit beim Nachbarbetrieb, Homeoffice-Normalisierung nach 2022, das alles verschiebt die Besuchsmuster. Ein Modell, das auf Daten bis 2023 trainiert ist und 2026 ungepflegt weiterläuft, gibt systematisch falsche Prognosen. Lösung: Quartalsweises Modell-Update einplanen; Abweichungen zwischen Prognose und tatsächlichem Andrang protokollieren, hohe Abweichungen sind das Frühwarnsystem.

Was mit der Einführung wirklich passiert, und was nicht

Die technische Einführung ist machbar. Was die meisten Betriebe unterschätzen, ist der organisatorische Wandel.

Schichtplanung nach Bauchgefühl ist schwer loszulassen. Erfahrene Schichtleiterinnen und Schichtleiter haben jahrelang gelernt, wann die Anlage voll wird, und liegen damit oft nicht weit daneben. Ein Modell, das eine andere Prognose liefert als das eigene Erfahrungswissen, erzeugt zunächst Misstrauen. Dieses Misstrauen ist berechtigt: In den ersten Monaten ist das Modell wahrscheinlich schlechter als der erfahrene Mensch, der es ersetzen soll. Erst nach 12–18 Monaten dreht sich das Verhältnis. Was hilft: Das Modell zunächst nur als zweite Meinung einführen, nicht als Ersatz. Schichtleitungen sollen die Prognose sehen, und dann entscheiden. So entsteht Vertrauen durch Vergleich statt durch Verordnung.

Betriebsrat und Betriebsversammlung einbeziehen. Wenn Schichtplanung mit einem datengestützten System unterstützt wird, entsteht sofort die Frage: „Werden wir damit überwacht?” Das ist keine unbegründete Frage. Technisch könnten Schichtplanungssysteme Leistungsdaten pro Person liefern, ob das gemacht wird, ist eine politische Entscheidung des Betriebs. Wer diese Frage nicht vor der Einführung klärt, klärt sie danach, unter schlechteren Vorzeichen. Eine Betriebsvereinbarung, die explizit regelt, welche Daten zu welchem Zweck genutzt werden, ist kein bürokratischer Overhead, sondern der schnellste Weg zu breiter Akzeptanz.

Bürgerinnen und Bürger folgen keiner Pflicht. Eine Prognose ändert das Besucherverhalten nur, wenn die Information sichtbar und der Anreiz spürbar ist. „Kommen Sie bitte am Dienstag” ohne konkrete Konsequenz ändert nichts. „Samstag ist ausgebucht, nächster freier Termin: Mittwoch 14 Uhr” ändert etwas. Systeme mit echten Kapazitätsgrenzen wirken stärker als reine Ampeln.

Realistischer Zeitplan mit Risikohinweisen

Ehrliche Prognose: Wer heute mit der Datenerfassung beginnt, hat frühestens in 18–24 Monaten ein verlässlich arbeitendes Prognose-System. Wer belastbare Daten aus den letzten zwei Jahren bereits digital vorliegen hat, kann diesen Zeitplan um 12–15 Monate verkürzen.

Häufige Einwände, und was dahintersteckt

„Wir haben keine historischen Daten.” Das ist der häufigste und wichtigste Einwand, und er ist zutreffend. Wer ihn hört, sollte nicht nach einer Lösung suchen, die ohne Daten funktioniert. Es gibt sie nicht. Die richtige Reaktion: jetzt mit der strukturierten Datenerfassung beginnen. Lichtschranke, Schrankenanlage oder Buchungssystem, was davon zuerst umgesetzt werden kann. Das Modell folgt, wenn die Daten reif sind.

„Unsere Bürger wollen keine Terminbuchung.” Das stimmt für einen Teil der Bürgerinnen und Bürger, besonders ältere Personen, die spontan vorbeikommen wollen. Eine Lösung: Kapazitätskontingente mischen. 60 % der Plätze können buchbar sein, 40 % bleiben für Spontanbesuche. So funktioniert das Buchungssystem als Entlastungsmechanismus, ohne Spontanbesuche zu eliminieren.

„Das lohnt sich für uns nicht, wir sind zu klein.” Das kann stimmen. Unter 200 Besuchern pro Woche hat ein ML-Modell zu wenig Daten, um belastbare Prognosen zu liefern. Die Alternative für kleine Standorte: eine einfache Wochentag-Heatmap aus den letzten 12 Monaten, die als Planungsgrundlage dient. Kein KI-Modell, aber schon deutlich besser als Bauchgefühl. Den Schritt zur KI-Prognose dann machen, wenn das Volumen wächst.

„Wir haben das schon immer so gemacht.” Stimmt, und es hat Kosten erzeugt, die niemand explizit als Problem verbucht hat, weil sie sich über den Monat verteilen. Die Rechnung: vier ungeplante Überstunden pro Samstag × 52 Samstage × Bruttostundensatz mit Zuschlag. Wer diese Zahl einmal konkret aufschreibt, führt selten das nächste Gespräch mit „haben wir immer so gemacht”.

Woran du merkst, dass das zu dir passt

Anzeichen, dass dieses Projekt sinnvoll ist:

• Der Samstagsandrang führt bei euch regelmäßig zu mehr als 20 Minuten Wartezeit
• Ungeplante Überstunden an Freitagabend oder Samstagvormittag kommen mehr als zweimal pro Monat vor
• Eure Anlage hat mehr als 1.000 Besuche pro Woche (genug Daten für belastbare Prognosen)
• Du hast eine digitale Besuchshistorie von mindestens 12 Monaten oder kannst eine Zählanlage installieren
• Betriebe mit 3+ Standorten haben einen klaren Mehrwert: überstandortliche Ressourcensteuerung

Drei harte Ausschlusskriterien, wann es sich (noch) nicht lohnt:

1. Unter 500 Besuchen pro Woche. Unterhalb dieser Größe ist das Datenvolumen zu gering für ML-Modelle, die saisonale und wetterbezogene Muster zuverlässig erkennen. Stattdessen: einfache Excel-Auswertung der Vorjahreswoche als Planungsgrundlage. Das kostet nichts und gibt 70–80 % des Planungsnutzens.

2. Keine digitale Besuchserfassung und kein Budget für eine Zählanlage. Wer keine Möglichkeit hat, stündliche Besuchszahlen digital zu erfassen, kann kein Prognosemodell trainieren. Papieraufzeichnungen, Tagesaggregatsschätzungen und Handablesungen erzeugen keine ML-taugliche Datenqualität. Die Voraussetzung für das System muss geschaffen werden, bevor das System eingeführt werden kann.

3. Kein Interesse an aktiver Bürgerinformation. Wer nur intern plant und keine Informationen nach außen kommunizieren will oder kann, zum Beispiel aus kommunalpolitischen Gründen oder fehlenden digitalen Kanälen, erhält den halben Nutzen. Das System kann die Schichtplanung verbessern, aber den Andrang nicht glätten. Wer dieses Ziel hat, braucht eine außenwirksame Kommunikationskomponente.

Das kannst du heute noch tun

Starte heute damit, das Dateninventar deines Wertstoffhofs zu erstellen. Beantworte diese drei Fragen:

1. Wie erfasst ihr heute Besuchszahlen? Schrankenanlage mit Log-Datei? Buchungssystem? Papier? Strichliste?
2. Wie weit zurück reichen diese Daten, digital und stundenscharf?
3. Hast du Zugriff auf Wetterdaten für denselben Zeitraum? (DWD-Klimadaten sind als Open Data kostenlos)

Die Antworten auf diese drei Fragen sagen dir, ob du in sechs Monaten einen Piloten starten kannst oder ob du zuerst die Datengrundlage aufbauen musst.

Als sofortigen Einstieg ohne technischen Aufwand: Erstell eine Stunden-Heatmap aus den letzten 12 Monaten, Wochentag auf einer Achse, Uhrzeit auf der anderen, Besuchszahl als Farbintensität. Was du siehst, ist der Status quo deiner Andragsmuster. Das ist nicht KI, aber es ist die Analyse, die du brauchst, um zu entscheiden, ob KI das richtige nächste Investment ist.

Quellen & Methodik

• VKU-Infoschrift 114 „Künstliche Intelligenz im Einsatz, Innovationen in der Abfallwirtschaft und Stadtsauberkeit” (Verband kommunaler Unternehmen, 2025). Benennt Besuchersteuerung und Andrangsglättung als explizite KI-Hebel für kommunale Entsorgungsbetriebe.
• MEG Mülheimer Entsorgungsgesellschaft / regio iT: Kamerabasiertes Fahrzeugzählsystem am Wertstoffhof, Einführung 2022. Bericht in RECYCLING magazin (Juli 2023). Nach einem Jahr Betrieb: Rückgang der Tage mit langen Wartezeiten dokumentiert; keine genauen Prozentzahlen veröffentlicht.
• REMONDIS Digital / MAEX-System, Frankfurt FES: Terminbuchung am Wertstoffhof Nord seit April 2024, Kleinmüllplatz Landgraben seit September 2024. 246 Buchungen/Monat, 10-Minuten-Slots, Fehlwurfquote <5 %. Quelle: remondis-digital.com (abgerufen Mai 2026).
• Versmold / Essen: Mehr als 3.000 registrierte Nutzer, 300 monatliche Buchungen nach ca. einem Jahr Betrieb. Bericht: treffpunkt-kommune.de (abgerufen Mai 2026).
• sensis+wiegon (digitalerwertstoffhof.de): Über 50 Referenzkommunen, mehr als 3 Millionen Buchungen. Produktinformation (Mai 2026).
• Quinyx Preise: Aus der Quinyx-Tool-Seite auf ki-syndikat.de (verifiziert Mai 2026); Basismodul branchenüblich 4–8 EUR/Mitarbeiter/Monat, Optimize-Modul als kostenpflichtiges Zusatzmodul.
• Überstunden-Kalkulation: Eigene Modellrechnung auf Basis öffentlich verfügbarer Tarifzuschlags-Sätze für Wochendarbeit im öffentlichen Dienst (TVöD-SuE); Angaben als Orientierungswert.
• Prediction failure near Ferienende: Basierend auf Springer-Nature-Studie zur Besucherstromprognose an touristischen Punkten (Information Technology & Tourism, 2024); Übertragung auf kommunale Entsorgungsinfrastruktur als plausible Analogie; eigene Einschätzung.

Du willst wissen, ob eure Datengrundlage für einen Prognose-Piloten reicht, oder welche Plattform zum Betrieb eurer Anlage passt? Meld dich, das klären wir in einem kurzen Gespräch.