Rohstoffprognose: Altpapierpreise und Celluloseversorgung vorhersagen

Das echte Ausmaß des Problems

Die deutsche Papierindustrie ist in einem Ausmaß von Altpapier abhängig, das außerhalb der Branche kaum bekannt ist. Laut dem PAPIER 2025 Leistungsbericht des Verbands der Deutschen Papierindustrie lag die Altpapiereinsatzquote 2024 bei 84 Prozent — vier von fünf Tonnen Papier, die in Deutschland produziert werden, basieren auf Sekundärrohstoff. Dabei ist Deutschland mit einem Nettoimport von 3,7 Millionen Tonnen Altpapier im Jahr 2024 kein Selbstversorger mehr: der heimische Markt reicht nicht aus.

Das bedeutet: Die Beschaffungskosten für Altpapier und Zellstoff machen in vielen Betrieben 40 bis 60 Prozent der Gesamtkosten aus. Gleichzeitig ist der Markt hochvolatil. Zwischen 2020 und Q2 2022 stiegen die Preise für OCC (Old Corrugated Cardboard, der wichtigste Standardrohstoff für Verpackungspapier) von rund 15 Euro auf über 86 Euro pro 1.000 Kisten — ein Anstieg von mehr als 500 Prozent in weniger als zwei Jahren, laut Marktdaten von Fastmarkets und dem europäischen Branchenindex. Ab Q4 2022 folgte ein ebenso rasanter Einbruch.

Diese Extreme sind keine Anomalie. Sie sind die Norm. Was sie antreibt:

• Containerfrachtkosten: Wenn Frachtraten weltweit steigen, werden exportierte Altpapiermengen teurer — das reduziert das inländische Angebot und drückt die Preise nach oben
• Asiatische Nachfrage: Chinesische und südkoreanische Großabnehmer ziehen im Wiederaufbau von Lagerbeständen massiv Mengen ab — oft mit wenig Vorankündigung
• Saisonale Muster: Altpapieraufkommen sinkt in den Sommermonaten (weniger Handel, weniger Kartonagen), was Preisdruck erzeugt
• Energie- und Produktionskosten: Wenn Mühlen wegen hoher Energiekosten die Produktion drosseln, sinkt gleichzeitig die Nachfrage nach Altpapier — mit sofortigem Preiseffekt
• Regulierung und Sortenqualität: Steigende Anforderungen an Fasersauberkeit (REACH, Lebensmittelkontakt) verändern die relativen Preise zwischen den Altpapierqualitäten

Kein menschlicher Einkäufer kann alle diese Signale gleichzeitig im Blick haben und daraus konsistente Kaufentscheidungen ableiten. Das ist nicht mangelnde Kompetenz — das ist strukturelle Überforderung.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ MAPE = Mean Absolute Percentage Error. Werte für Altpapier-Prognosen 4–8 Wochen im Voraus — basierend auf vergleichbaren Commodity-Prognosemodellen (laut Fastmarkets-Methodik und akademischen Reviews zu Rohstoffprognose-Modellen, 2023–2024). Keine herstellerspezifische Garantie.

Der entscheidende Unterschied liegt weniger in der Prognosegenauigkeit als im Einkaufsfenster: Ein Modell, das sechs Wochen im Voraus eine Hochpreisphase signalisiert, gibt dem Einkauf Zeit zu handeln. Eine Trendlinie in Excel, die man erst sieht, wenn der Trend schon läuft, kommt zu spät.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Das Modell beschleunigt die Recherche, ersetzt sie aber nicht vollständig. Einkäuferinnen und Einkäufer müssen Modellergebnisse immer noch mit aktuellem Marktkontext abgleichen — eine wöchentliche Analyse bleibt nötig. Der operative Zeitgewinn ist begrenzt; der echte Wert liegt im besseren Timing, nicht in weniger Arbeitsstunden. Andere Anwendungsfälle in der Papierindustrie — etwa die automatische Ausschuss-Ursachenanalyse oder die Papierbandriss-Vorhersage — sparen direkt operative Stunden. Dieser Anwendungsfall spart Geld, nicht Zeit.

Kosteneinsparung — hoch (4/5) Beim richtigen Timing von Rohstoffeinkäufen sind 3–8 Prozent Einsparung realistisch — bei 10 Mio. Euro Rohstoffvolumen bedeutet das 300.000–800.000 Euro pro Jahr. Dieser direkte finanzielle Hebel ist in der Papierindustrie unter den analysierten Anwendungsfällen einer der stärksten. Einzige Einschränkung: Die Einsparung setzt voraus, dass der Einkauf tatsächlich Spielraum hat — wer zu 100 Prozent auf Langfristkontrakte setzt, profitiert weniger.

Schnelle Umsetzung — hoch (4/5) Öffentliche Preisreihen für Altpapier (EUWID, Fastmarkets, Statistisches Bundesamt) sind strukturiert verfügbar. Ein erstes Pilotmodell auf Python-Basis oder mit ChAI lässt sich in 4–6 Wochen aufbauen. Verglichen mit Produktionsprozess-KI, die Sensordaten und Maschinenanbindung voraussetzt, ist der Datenzugang hier erheblich einfacher. Ein Wert von 4 bei der schnellen Umsetzung ist in der Papierindustrie selten — er ist hier gerechtfertigt, weil keine Werks-IT, keine OT-Anbindung und keine Sensor-Hardware benötigt werden.

ROI-Sicherheit — niedrig (2/5) Das ist der ehrlichste Punkt. Rohstoffpreismodelle prognostizieren Tendenzen, keine Preise. Wenn ein exogener Schock kommt — Sanktionen, Naturkatastrophen, pandemische Lieferkettenunterbrechungen — versagen historisch trainierte Modelle strukturell. Der ROI ist real, aber nicht garantierbar: Er tritt nur ein, wenn das Modell die richtigen Tendenzen erkennt und der Einkauf die Spielräume hat, darauf zu reagieren.

Skalierbarkeit — sehr hoch (5/5) Ein einmal aufgebautes Prognosemodell lässt sich für beliebig viele Rohstoffe, Werke und Märkte erweitern. Altpapier heute, Zellstoff morgen, Stärke und Kaolin übermorgen. Die Infrastruktur skaliert ohne proportionalen Mehraufwand — das macht diesen Anwendungsfall langfristig zu einem der wertvollsten Hebel im Einkauf.

Richtwerte — stark abhängig von Rohstoffvolumen, Vertragsstruktur und Prognosemodell-Reife.

Was das Prognosemodell konkret macht

Das Modell kombiniert zwei Typen von Eingabedaten: öffentliche Marktdaten und interne Unternehmensdaten.

Öffentliche Marktsignale bilden die Grundlage:

• Wöchentliche Altpapierpreisreihen nach Fraktion und Region (EUWID, Fastmarkets)
• Containerfrachtindizes (Baltic Dry Index, SCFI für Fernostrouten)
• Wechselkurse EUR/USD und EUR/CNY — weil Asien-Exporte Altpapierpreise beeinflussen
• Energie-Futurepreise — weil Papierproduktionskosten die Nachfrageseite treiben
• Altpapieraufkommensstatistiken (bvse, Destatis, CEPI)
• Saisonale Dummy-Variablen (Wochentag, Quartal, Ferienperioden)

Interne Unternehmensdaten verfeinern das Modell:

• Tatsächliche Einkaufspreise aus dem ERP-System der letzten 24–36 Monate
• Lagerbestände und Reichweiten (verhindert Panikentscheidungen)
• Vertragsrestlaufzeiten bei Lieferanten (definiert den Spielraum für Spotmarkt-Käufe)

Das Machine Learning-Modell — typischerweise Prophet für kürzere Horizonte oder XGBoost/LSTM für mehrere Wochen — lernt aus historischen Mustern: Wie haben sich diese Signale in der Vergangenheit zusammen entwickelt? Welche Kombination von Frachtkosten-Anstieg + saisonaler Schwäche hat historisch innerhalb von 4–6 Wochen zu einem Preisanstieg geführt?

Das Ergebnis ist keine punktgenaue Preisvorhersage, sondern eine Tendenzprognose mit Konfidenzintervall: “In den nächsten 4–6 Wochen ist mit 70-prozentigem Wahrscheinlichkeitsintervall ein Preisanstieg von 5–15 €/Tonne zu erwarten.” Das gibt dem Einkauf eine Entscheidungsgrundlage — nicht das Ergebnis.

Datenquellen und Signale: Was das Modell braucht

Das ist die kritischste Phase dieses Anwendungsfalls — und die, die am häufigsten unterschätzt wird. Prognosemodelle sind nur so gut wie ihre Eingabedaten. Für den Altpapier-Einkauf gibt es eine klare Prioritätsreihenfolge.

Pflichtdaten (ohne diese kein sinnvolles Modell):

• EUWID Papier und Zellstoff: monatliche Altpapierpreise für 9 Fraktionen auf dem deutschen Markt; Jahresabonnement, kein API-Zugang, manueller Daten-Import notwendig
• Statistisches Bundesamt / Destatis: kostenlose Großhandelspreisindizes für Altpapier (zurück bis 2005, aber 2022 eingestellt)
• Interne ERP-Einkaufshistorie: mindestens 24 Monate, möglichst 36–48 Monate, mit Menge und tatsächlichem Einstandspreis

Signaldaten (verbessern die Prognose messbar):

• Containerfrachtindizes: kostenfrei auf Freightindex.com oder über LMIU/Drewry
• EUR/USD-Kurse: über jede öffentliche Finanz-API (z. B. ECB Data Portal, Yahoo Finance)
• Faserbilanzberichte: CEPI (Confederation of European Paper Industries) veröffentlicht quartalsweise Produktions- und Verbrauchsdaten

Optionaldaten (für Fortgeschrittene):

• Energiefutures (EEX Phelix-DE, TTF Gas): relevant, wenn das eigene Werk energieintensiv ist
• Schiffsbewegungsdaten (AIS): Häfen mit hohem Altpapierumschlag (Hamburg, Antwerpen, Rotterdam) als Frühindikator

Eine häufige Falle: Zu viele Datenquellen zu früh integrieren. Ein Modell mit 5 gut gepflegten Indikatoren schlägt fast immer ein Modell mit 20 schlecht gepflegten Quellen. Mit der Einkaufshistorie und zwei bis drei externen Preisreihen anfangen — erst dann erweitern.

Konkrete Werkzeuge — was wann passt

Die richtige Toolwahl hängt vom technischen Reifegrad des Teams und vom Einkaufsvolumen ab.

ChAI (Commodity Price Forecasting) — Spezialisierte KI-Rohstoffprognose aus Großbritannien. Deckt Papiermärkte ab, kombiniert Preisreihen mit Satellitenbildern und Frachtdaten, liefert 1/3/6/12-Monats-Forecasts mit erklärbaren Treibern. Preis: Enterprise-Jahresvertrag, typisch fünfstellig — ab rund 60.000 €/Jahr. Kein deutschsprachiger Support, UK/US-Hosting. Lohnt sich ab etwa 20–30 Mio. € Altpapiervolumen pro Jahr. Für Mittelständler mit zwei bis drei Fraktionen oft überdimensioniert.

Prophet (Meta, Open Source) mit internen Preisdaten — Die pragmatische Mittelstandslösung. Prophet modelliert saisonale Muster, Trends und bekannte Ereignisse ohne tiefes ML-Wissen und lässt sich in Python in wenigen Tagen auf EUWID-Daten anwenden. Kein Lizenzpreis, aber Entwickleraufwand: Setup und Erstmodell kosten 10.000–20.000 € an externem Data-Science-Aufwand. Wartung typisch 5.000–10.000 €/Jahr. Vollständige Datenkontrolle, EU-konform, keine Vendor-Abhängigkeit.

Julius AI — Für den Einstieg ohne Programmieraufwand: Monatliche EUWID-Preistabellen als CSV hochladen, in natürlicher Sprache nach Mustern, Ausreißern und Trendlinien fragen. Julius schreibt Python im Hintergrund und liefert Visualisierungen ohne Code. Kein Ersatz für ein Prognosemodell, aber ein wertvolles Explorationstool für Einkäuferinnen ohne Data-Science-Hintergrund. Kosten: ab 20 USD/Monat. Einschränkung: US-Hosting, keine EU-Datenresidenz.

Dataiku — Für Papierwerke mit IT-Team: Low-Code-ML-Plattform, die Zeitreihenmodelle visuell konfigurierbar macht und ERP-Anbindung unterstützt. Französischer Anbieter mit EU-Hosting und On-Premise-Option — DSGVO-konform. Geeignet, wenn das Prognosemodell in eine breitere Einkaufs-Analytics-Umgebung eingebettet werden soll. Preise: Free Edition lokal, Enterprise ab 60.000 USD/Jahr.

NotebookLM als ergänzendes Werkzeug — Nützlich für die Auswertung von EUWID-Berichten, bvse-Marktberichten und CEPI-Faserbilanzen: Berichte als PDFs hochladen, direkt nach Preistreibern, Marktkommentaren und Ausblick befragen. Kein Prognose-Tool, aber ein erheblicher Recherchebeschleuniger. Kostenlos nutzbar.

Wann welcher Ansatz:

• Einstieg ohne IT-Aufwand → Julius AI für Datenexploration, NotebookLM für Berichtsanalyse
• Volumen 5–20 Mio. €, eigenes IT-Team → Prophet-Eigenmodell mit Data-Science-Support
• Volumen 20+ Mio. €, mehrere Fraktionen → ChAI oder Dataiku mit Eigenmodell
• Konzern-Einkauf mit Hedging-Bedarf → ChAI mit ChAI Protect (FCA-regulierte Preisversicherung)

Modellreife und Retraining-Kadenz

Das ist der am häufigsten ignorierte Teil dieses Projekts. Ein Rohstoffpreismodell, das im Januar kalibriert und dann sich selbst überlassen wird, ist im September oft bereits unbrauchbar — ohne dass jemand es bemerkt.

Warum? Weil sich die Einflussfaktoren auf Altpapierpreise verändern. Was 2021 galt (stabile Energiepreise, offene Handelsrouten), galt 2022 nicht mehr. Was 2022 galt (Russland-Sanktionen, Containerfrachtchaos), gilt 2024 nicht mehr. Dieses Phänomen heißt Konzeptdrift: Das Muster, das das Modell gelernt hat, ist nicht mehr das Muster, das die Realität bestimmt.

Wann ein Retraining ausgelöst werden sollte:

• Zeitbasiert: Mindestens alle 3–4 Monate mit neuen Preisdaten nachtrainieren
• Ereignisbasiert: Sobald ein exogener Schock eintritt (neue Sanktionen, Hafenstreik, chinesische Importrestriktionen) — das Modell muss wissen, dass etwas Grundlegendes passiert ist
• Leistungsbasiert: Wenn die tatsächlichen Preise systematisch aus dem Konfidenzintervall des Modells fallen — dreimal hintereinander → sofortige Überprüfung

Wer ist verantwortlich? Im Mittelstand typischerweise eine Person im Einkauf in Absprache mit dem Data Scientist oder IT-Partner. Diese Person muss die Modellergebnisse aktiv lesen — nicht blindlings umsetzen, aber auch nicht ignorieren. Das klingt selbstverständlich, ist es aber in der Praxis nicht: Viele Einkaufsteams nutzen das Modell in den ersten Monaten intensiv, gewöhnen sich dann an seine Ausgaben und hören auf, sie kritisch zu hinterfragen. Wenn das Modell in einer Marktphase falsch liegt, aber niemand es bemerkt, hat man einen Autopiloten in einer Kurve.

Datenschutz und Datenhaltung

Altpapier-Einkaufsdaten sind in der Regel nicht personenbezogen — es handelt sich um Preise, Mengen und Lieferantenbeziehungen. Die DSGVO ist damit nur partiell relevant. Dennoch gibt es wichtige Datenschutz-Überlegungen:

Interne Einkaufshistorie: Enthält Lieferantenkonditionen und Vertragspreise — das sind Geschäftsgeheimnisse, keine personenbezogenen Daten. Trotzdem sollten diese Daten nicht in US-Cloud-Dienste ohne vertragliche Absicherung fließen.

Externe Modellplattformen: Wer seine Einkaufsdaten an ChAI oder Julius AI übergibt, muss vertragliche Vertraulichkeit (NDA, Datenverarbeitungsvereinbarung) sicherstellen. Julius AI speichert Daten in den USA, ChAI ebenfalls — für reine Marktpreisdaten ohne Unternehmensgeheimnisse ist das meist akzeptabel, für vertrauliche Kontraktpreise sollte das mit der Rechtsabteilung abgestimmt werden.

DSGVO-konformes Setup: Ein Prophet-Eigenmodell auf eigenem Server (oder EU-Cloud wie Hetzner, AWS Frankfurt) mit lokalem Datenbankzugriff auf das ERP-System ist die datenschutzrechtlich sauberste Lösung. Dataiku bietet ebenfalls On-Premise-Betrieb und EU-Hosting — für Papierwerke mit bestehender IT-Infrastruktur eine gute Wahl.

Mindestmaßnahme: Vor jedem externen Tool-Einsatz mit Unternehmensdaten einen Auftragsverarbeitungsvertrag (AVV gemäß Art. 28 DSGVO) abschließen. Auch für B2B-Daten ohne Personenbezug empfiehlt sich ein NDA-geprägter Datenverarbeitungsvertrag.

Was es kostet — realistisch gerechnet

Ansatz 1: Eigenmodell mit Data-Science-Dienstleister (Mittelstandslösung)

• Einmalige Entwicklung (Python + Prophet/XGBoost, Datenanbindung): 15.000–30.000 €
• EUWID-Datenabonnement: ca. 3.000–5.000 €/Jahr
• Wartung und Retraining (extern): 5.000–10.000 €/Jahr
• Gesamtkosten Jahr 1: 23.000–45.000 €

Ansatz 2: Spezialisierte Plattform (ChAI)

• Jahresvertrag: ab ca. 60.000 €/Jahr (Enterprise, keine öffentliche Preisliste)
• Daten inkludiert
• Gesamtkosten: 60.000+ €/Jahr

Was du dagegenrechnen kannst: Ein mittelgroßes Verpackungspapierwerk kauft 20.000 Tonnen OCC pro Jahr. Aktueller Marktpreis: 100 €/Tonne. Jährliches Rohstoffvolumen: 2 Mio. Euro.

Eine Timing-Verbesserung von 3 Prozent bedeutet: 60.000 Euro Einsparung pro Jahr. Bei 5 Prozent: 100.000 Euro. Das ist konservativ — und bereits ausreichend, um Ansatz 1 im ersten Jahr zu amortisieren.

Bei einem Werk mit 15 Mio. Euro Altpapiervolumen sieht die Rechnung entsprechend anders aus: 3 Prozent = 450.000 Euro. Das ist die Größenordnung, die in der Branche erfahrungsgemäß erreicht wird — wenn das Einkaufsteam tatsächlich Spielraum hat, auf die Prognosen zu reagieren.

Was das Ergebnis schwächer macht:

• Hohes Maß an Langfristkontrakten (kein Spot-Spielraum)
• Falsche Marktphasen, in denen das Modell danebenliegt
• Einkaufsteam, das Modellempfehlungen ignoriert oder nicht versteht

Wie du den ROI tatsächlich misst: Nicht über eine Kalkulation — sondern über eine Kontrollgruppe. Führe das Modell als Empfehlung parallel zur bestehenden Einkaufspraxis für sechs Monate, ohne Änderung. Vergleiche dann: Bei welchen Käufen lag das Modell richtig? Bei welchen falsch? Wie hoch war der realisierte vs. der mögliche Preis? Diese Auswertung ist der einzige ehrliche Nachweis des Nutzens.

Vier typische Einstiegsfehler

1. Mit Prognose statt mit Datenbasis starten. Der häufigste Fehler: sofort ein Modell aufbauen wollen, ohne die Einkaufshistorie bereinigt zu haben. Wenn die ERP-Daten der letzten drei Jahre Preise in verschiedenen Einheiten enthalten (€/Tonne vs. €/Kiste), Lieferantennummern mehrfach erfasst wurden, oder Frachtkosten mal eingeschlossen sind, mal nicht — dann trainiert das Modell auf Datenmüll. Der erste Schritt ist immer die Datenbereinigung. Das dauert typischerweise zwei bis vier Wochen und ist mühsamer als erwartet.

2. Das Modell als Orakel behandeln. “Das Modell sagt, wir sollen nicht kaufen” ist keine Entscheidung — es ist eine Hypothese. Prognosemodelle für Rohstoffpreise haben strukturelle Grenzen: Sie sehen keine Ereignisse voraus, die außerhalb des historischen Musters liegen. Die Katastrophe: Ein Einkaufsteam, das dem Modell in einer ruhigen Phase mehrfach gefolgt ist, vertraut ihm auch in einer turbulenten Phase — obwohl das Modell längst in einer für es unbekannten Marktsituation steckt. Die goldene Regel: Das Modell ist ein Berater, kein Autopilot. Finale Entscheidung liegt immer beim Einkauf.

3. Kein Retraining-Prozess einplanen. Siehe Abschnitt “Modellreife”. In der Praxis wird das Retraining immer wieder verschoben — weil das Modell ja “noch funktioniert”. Es wird erst offensichtlich, dass es nicht mehr funktioniert, wenn es bereits mehrfach danebengegriffen hat. Lösung: Retraining-Termine fest im Einkaufskalender verankern, auch wenn das Modell scheinbar gut läuft.

4. Den Spot-Spielraum nicht kennen. Ein Prognosemodell gibt nur dann Einsparungen, wenn der Einkauf in der Lage ist, früher oder später zu kaufen als geplant. Wer 80 Prozent des Volumens auf 12-Monats-Kontrakte gebunden hat, kann mit dem restlichen 20-Prozent-Spielraum ohnehin nur begrenzt handeln. Bevor das Modell aufgebaut wird: genau definieren, wie viel Flexibilität der Einkauf realistisch hat. Das definiert auch, welches ROI-Ziel erreichbar ist.

Was mit der Einführung wirklich passiert — und was nicht

Prognosemodelle für Rohstoffpreise haben ein spezifisches Akzeptanzproblem, das sich von anderen KI-Einführungen unterscheidet: Das Modell gibt Empfehlungen, für die niemand die Verantwortung übernehmen will.

Wenn ein erfahrener Einkäufer falsch liegt und 200.000 Euro zu viel bezahlt, ist das bedauerlich — aber es war sein Urteil. Wenn das Modell falsch liegt und 200.000 Euro zu viel bezahlt wurden, stellt sich sofort die Frage: Wer hat das zu verantworten? Die Person, die dem Modell gefolgt ist? Der Data Scientist, der es gebaut hat? Die Geschäftsführung, die die Einführung beschlossen hat?

Diese Verantwortungsdiffusion ist das größte Einführungshindernis. Was hilft:

Klare Verantwortlichkeit vor dem Launch: Das Modell gibt Empfehlungen. Die Einkaufsleiterin entscheidet. Punkt. Diese Rollentrennung muss schriftlich festgehalten und mit der Geschäftsführung abgestimmt sein — bevor das erste Modell läuft.

Pilotphase ohne Konsequenzen: In den ersten drei Monaten läuft das Modell parallel zum bestehenden Prozess. Die Empfehlungen werden dokumentiert, aber nicht umgesetzt. Das gibt dem Team Zeit, zu verstehen, wann das Modell warum wie liegt — ohne dass falsche Entscheidungen teuer werden.

Typisches Widerstandsmuster: “Die Altpapierpreise sind zu komplex für ein Modell — da spielen so viele Faktoren rein, die kein System erfassen kann.” Das stimmt teilweise. Aber es ist keine Ausrede, auf Basis von weniger Information zu entscheiden. Das Modell muss besser sein als der Status quo — nicht perfekt.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Altpapierpreise sind nicht vorhersagbar — zu viele unbekannte Faktoren.” Das stimmt für punktgenaue Prognosen. Es stimmt nicht für Tendenzprognosen. Die Frage ist nicht: “Wird der Preis in sechs Wochen exakt 87,50 Euro betragen?” Die Frage ist: “Steigt oder fällt der Preis in den nächsten vier Wochen?” Diese Richtungsfrage lässt sich mit vernünftiger Trefferquote beantworten — nicht immer, aber häufig genug, um den Einkauf besser zu informieren als eine Excel-Trendlinie.

“Wir haben das schon intern versucht und es hat nicht funktioniert.” Was genau hat nicht funktioniert? Wenn ein erstes Modell auf drei Monate Preishistorie trainiert wurde und keine belastbaren Vorhersagen lieferte — war das kein Modellversagen, sondern zu wenig Datenbasis. Wenn das Modell im ruhigen Markt 2021 gut funktionierte und 2022 abgestürzt ist — war das Konzeptdrift durch einen exogenen Schock, kein Indikator für strukturelle Unvorhersagbarkeit. Die Lessons from Failure sind fast immer informativ: Was genau war das Problem?

“Wir haben zu wenig Daten.” 36 Monate Einkaufshistorie plus öffentliche Preisreihen, die bis 2005 zurückreichen, sind eine ausreichende Datenbasis für ein erstes Modell. Nicht für ein perfektes Modell — aber für einen aufschlussreichen Piloten. Weniger als 24 Monate interne Daten sind tatsächlich zu wenig; dann mit dem Prognosemodell warten und zuerst die Einkaufshistorie strukturiert erfassen.

Woran du merkst, dass das zu dir passt

• Du kaufst mindestens 5 Mio. Euro Altpapier oder Zellstoff pro Jahr — darunter rechnet sich die Investition selten
• Du nutzt aktuell Excel oder manuelle Trendbeobachtung für Einkaufsentscheidungen — es gibt keine strukturierte Datenbasis
• Du hast Spot-Spielraum: Mindestens 20–30 Prozent des Einkaufsvolumens liegt nicht auf fixen Langfristkontrakten — nur dann kannst du auf Prognosen reagieren
• Deine Einkaufshistorie ist digital und mindestens 24 Monate verfügbar — ohne Datenbasis ist kein Modell möglich
• Du hast eine Person im Einkauf, die bereit ist, wöchentlich mit Modellergebnissen zu arbeiten — das System läuft nicht von selbst

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Rohstoffvolumen unter 3–5 Mio. Euro pro Jahr. Bei 2 Mio. Euro Altpapiervolumen und 3 Prozent Timing-Verbesserung sind das 60.000 Euro. Die Entwicklungskosten für ein Eigenmodell liegen jedoch bereits bei 15.000–30.000 Euro — der Break-even ist eng und setzt voraus, dass das Modell sofort gut trifft. Wer unter dieser Schwelle liegt, investiert die Zeit besser in strukturierte Einkaufskalender und regelmäßige EUWID-Auswertungen.

2. 100 Prozent Langfristkontrakte ohne Spot-Spielraum. Wenn alle Rohstoffmengen auf 12-Monats-Preisbindungen laufen, nützt die beste Prognose nichts — es gibt kein Fenster, in dem die Entscheidung getroffen werden kann. Zuerst die Vertragsstruktur prüfen: Welcher Anteil des Volumens liegt tatsächlich im Spotmarkt oder in kurzfristiger Bindung?

3. Keine strukturierte digitale Einkaufshistorie. Ein Prognosemodell braucht als Trainingsgrundlage die eigenen historischen Einkaufspreise. Wenn diese in PDFs, Excel-Dateien ohne Struktur oder ausschließlich in Papierform vorliegen, muss zuerst die Datenbasis aufgebaut werden — das dauert deutlich länger als das Modell selbst. In diesem Fall: 6–12 Monate historische Daten digital erfassen, dann mit dem Prognoseansatz starten.

Das kannst du heute noch tun

Lade die letzten drei EUWID-Altpapierberichte als PDF herunter (erhältlich im EUWID-Abonnement oder als Probeexemplar). Lade sie in NotebookLM hoch. Stelle die Frage: “Welche Preistreiber werden in diesen Berichten für die nächsten 8 Wochen genannt? Was sind die wichtigsten Risikofaktoren?”

Das dauert 20 Minuten. Du bekommst eine strukturierte Zusammenfassung der von Marktexperten genannten Einflussfaktoren — und einen ersten Eindruck, ob und wie systematisch diese Faktoren in der Branchenkommunikation diskutiert werden. Das ist kein Prognosemodell, aber ein sofort umsetzbarer Schritt, um Marktinformation strukturierter zu nutzen.

Für den nächsten Schritt — eine erste explorative Analyse deiner eigenen Preishistorie — nutze Julius AI: Exportiere die letzten 24 Monate Altpapiereinkäufe als CSV (Datum, Preis, Menge, Lieferant), lade sie hoch und frage: “Gibt es saisonale Muster in meinen Einkaufspreisen? Wann war ich systematisch günstig, wann teuer?”

Wenn du mit einem Data Scientist oder KI-Dienstleister sprechen willst, der diesen Ansatz für dein Werk konkretisieren kann — hier ist ein Briefing-Prompt, der das Gespräch strukturiert:

Quellen & Methodik

• Verband Deutscher Papierfabriken (VDP): PAPIER 2025 — Ein Leistungsbericht. Altpapiereinsatzquote 84%, Nettoimport 3,7 Mio. Tonnen. papierindustrie.de
• Fastmarkets / Packaging Warehouse: OCC-Preisentwicklung 2020–2023. OCC-Faseranteil stieg von ca. 15 €/1.000 Kisten (2020) auf 86 € (Q2 2022), Rückgang ab Q4 2022. packaging-warehouse.com sowie fastmarkets.com
• ResearchGate / MDPI: Wachstum der wissenschaftlichen Literatur zu Machine Learning in der Beschaffungsoptimierung: von 17 Publikationen (2021) auf 30 (2024). Studie “Machine Learning Applications in Procurement Forecasting” (2025). researchgate.net
• EUWID Papier und Zellstoff: Markt-Preiserhebung für 9 Altpapierfraktionen, monatlich, deutsche und europäische Märkte. euwid-papier.de
• bvse Bundesverband Sekundärrohstoffe: Altpapiermarktbericht 2024/2025 — Marktentwicklung und Preisstrukturen. bvse.de
• Vergleichbare Forecast-Genauigkeit (MAPE 8–15%): Aus PMC/Nature-Studien zu Deep-Learning-Commodity-Prognosen (Agricultural Commodity Price Forecasting, 2024/2025) und ChAI-Fallstudie (MAPE ~9% nach 18 Monaten, illustrativ konstruiert).
• Kosten für Eigenmodell (15.000–40.000 € Einrichtung): Orientierungswerte aus dem ChAI-Tool-Blatt im KI-Syndikat-Katalog (Mai 2026) und vergleichbaren Data-Science-Projekten im Mittelstand.

Du willst wissen, ob ein Prognosemodell für dein Einkaufsvolumen und deine Datenbasis wirtschaftlich sinnvoll ist? Meld dich — das klären wir in einem konkreten Gespräch ohne Bullshit.