KI für Rohstoffpreise: So funktioniert die Analyse

KI für Rohstoffpreise soll den industriellen Einkauf bei Preisprognosen und Beschaffungsentscheidungen unterstützen. Datasphere Analytics verknüpft dafür historische Marktdaten mit weltweiten Nachrichten. Wir haben mit Lukas Haemisch von Datasphere Analytics gesprochen.

TECHNIK+EINKAUF: Herr Haemisch, was unterscheidet Ihren Ansatz von etablierten Anbietern im Einkauf?

Im Einkauf arbeiten die meisten etablierten Player mit Konsensusmethodiken – also Expertenmeinungen und Befragungen, um vorherzusagen, wohin sich ein Markt bewegt. Das hat lange gut funktioniert, weil Märkte über Jahrzehnte ähnliche Dynamiken hatten. Das Problem heute ist, dass die Welt so komplex geworden ist und Lieferketten an so vielen globalen Ereignissen hängen, dass die Muster der letzten 20 Jahre nicht mehr eins zu eins greifen.

Um Volatilitätsrisiken zu reduzieren, sollten verlässliche Preisprognosen in Budgets und Finanzpläne im Einkauf einbezogen werden.

Helfen die bestehenden Tools nur mäßig?

Es gibt zwar viele Tools, die Einkäufern helfen, Informationen zusammenzutragen – aber keines davon verbindet Preisdaten systematisch mit weltweiten Nachrichtendaten, so wie wir das tun. Unser Ansatz: Wenn man sich die historische Preisentwicklung eines Rohstoffs anschaut, stecken darin automatisch schon die Auswirkungen vergangener Ereignisse. Wir koppeln diese Preisdaten mit rund 20 Jahren an Nachrichtendaten, um abzuleiten, was einen bestimmten Preispunkt tatsächlich getrieben hat – ein Krieg, Corona, Ernteausfälle, geschlossene Stahlwerke oder auch streikende Lkw-Fahrer in Thailand. So lässt sich Korrelation von Kausalität unterscheiden. Wir nennen das "Causal Intelligence": eine Verbindung von Weltereignissen der letzten Jahrzehnte mit Preisdaten, die die Entwicklung der Welt täglich neu einpreist. Jede Nacht um vier Uhr rechnen unsere Modelle durch, was in der Welt passiert ist, was historisch den Preis getrieben hat und wie sich der Preis morgen entwickeln könnte.

Gewürzmetalle: Was die Beschaffung so schwierig macht

Gewürzmetalle stecken in Smartphones, Elektromotoren und Mikrochips. Obwohl sie nur in geringen Mengen benötigt werden, bestimmen sie wichtige Produkteigenschaften. Das stellt die Industrie bei Beschaffung und Recycling vor Herausforderungen.

Redaktion TECHNIK+EINKAUF

Wie funktioniert das technisch – wie wird aus einer Nachricht ein Preissignal?

Der Prozess beginnt mit der sogenannten Event Extraction. Stellen Sie sich vor, Sie lesen morgens mehrere Fachmedien, bilden sich dabei automatisch eine Meinung über Autor und Quelle eines Textes – genau das übernimmt bei uns die KI. Wir analysieren das Sentiment eines Artikels – positiv, negativ oder neutral – und übersetzen den Text in numerische Werte, so genannte Embeddings, aus denen sich die ursprüngliche Nachricht rekonstruieren lässt.

Der große Vorteil: Wir versuchen über die Event Extraction, die ursprünglichste und ehrlichste Quelle einer Nachricht zu identifizieren – zum Beispiel ein lokales Blatt in Thailand, das über einen Lkw-Fahrer-Streik wegen hoher Energiekosten berichtet. Diese extrahierten Ereignisse fließen dann in unsere Causal Intelligence, die Preis- und Nachrichtendaten verbindet und Zusammenhänge erkennt – etwa dass das Wetterphänomen El Niño gerade großen Einfluss auf den Kaffeepreis hat, was wir in den aktuellen Ernteberichten aus Brasilien sehen können     .

Welche konkreten Anwendungsfälle bedienen Sie für Einkäufer?

Wir sehen im Wesentlichen drei Anwendungsfälle. Der erste ist reine Informationsbeschaffung und -auswertung. Je nach Rohstoffklasse – Kunststoff, Metall, Energie – gibt es sehr unterschiedliche, oft teure Datenanbieter mit eingeschränkten Nutzungsrechten. Da wir auf öffentlich verfügbaren Nachrichten- und Börsendaten arbeiten, können wir unseren Kunden diese Auswertung anbieten, ohne dass sie viele einzelne Abonnements benötigen. Manche Kunden nutzen ausschließlich diesen Teil: Sie öffnen morgens unseren Chat und fragen etwa, warum der Kaffeepreis gerade so stark gestiegen ist, und bekommen eine fundierte Auswertung – statt zwanzig Tabs und zehn Abonnements parallel zu pflegen. Das Tool bewertet dabei auch, wie relevant eine Nachricht für den jeweiligen Einkäufer überhaupt ist.

Der zweite Anwendungsfall ist die Eindeckung, also die Frage: Wann beschaffe ich? Ein Stadtwerk etwa, das seinen Grundbedarf für 2027 einkauft, handelt dafür bestimmte Kontrakte und deckt sich in den Wintermonaten kurzfristig zusätzlich ein. Wir versuchen, Einkäufern – egal ob im Energie-, Kunststoff- oder Metallbereich – aufzuzeigen, welche Menge sie bestellen sollten, wie ihre Lieferantenverträge und Lieferzeiten aussehen und wann aus unserer Sicht der beste Einkaufszeitpunkt ist. Das ist in der Praxis sehr granular und wird individuell je nach Anwendungsfall des Kunden erarbeitet.

Der dritte Fall geht Richtung Trading: Wir bieten kurzfristige Prognosen, etwa für Rohöl, auf stündlicher bis hin zu 15-minütiger Basis, auf deren Basis am Finanzmarkt mit Commodities und Derivaten gehandelt werden kann. Das betrifft vor allem größere Unternehmen, die neben dem klassischen industriellen Einkauf auch eigene Trading Desks haben.

Wie sieht Ihr Geschäftsmodell aus? Wie kann man sich die Zusammenarbeit vorstellen?

In der Regel starten wir mit einem Pilotprojekt über drei bis sechs Monate, meist anhand eines konkreten Rohstoffs und Anwendungsfalls, etwa der Beschaffung von Aluminium. Ziel ist, dem Kunden den Mehrwert einer guten Prognose zu zeigen und vor allem Vertrauen in die KI aufzubauen – das ist für uns ein zentrales Thema. Wer seit 20 oder 30 Jahren im Einkauf sitzt, muss erst ein Gefühl dafür entwickeln, dass die Informationen des Tools zuverlässig eintreffen. Nach der Pilotphase arbeiten wir mit einem monatlichen Retainer, einer klassischen Subskriptionsgebühr, deren Höhe sich nach dem Anwendungsfall richtet: Trading kostet etwas mehr als reine Informationsbeschaffung, eine Einkaufsstrategie liegt preislich dazwischen.

Sie sprachen das Vertrauen in KI-Prognosen an – wie stellen Sie das sicher?

Wir alle im Gründerteam sind seit Jahren im KI-Bereich unterwegs und haben viele industrielle Projekte begleitet. Die zentrale Herausforderung ist immer der Vertrauensaufbau, und der gelingt nur über Zeit und tägliche Zusammenarbeit. Wir verstehen uns dabei als eine Art Data-Science-Sparringspartner: Wir schauen uns gemeinsam mit dem Einkäufer seine bestehende Excel-Tabelle an, fragen, woher seine Daten kommen und was er im Tool sehen möchte. Je stärker der Einkäufer in diesen Prozess eingebunden ist und an der Tool-Entwicklung mitwirkt, desto mehr Vertrauen entsteht – und desto mehr identifiziert er sich mit dem Ergebnis. Am Ende sieht er im Tool zum Beispiel seine gewohnten Finanzdaten, den Wetterbericht und aktuelle Pressemitteilungen seines Wettbewerbs an einem Ort.

Einkäufer müssen ihre Entscheidungen intern oft begründen. Unterstützen Sie auch dabei?

Das ist ein extrem wichtiges Thema. Ich muss ja nicht nur selbst Vertrauen in die Prognose haben, sondern in einer Commodity-Panel- oder Einkaufsstrategie-Sitzung auch begründen können, warum ich so einkaufe. Bislang haben sich Einkaufsteams dafür auf ihre Expertise, gemeinsame Teamentscheidungen oder externe Berater verlassen. Bei uns liefert das Modell diese Begründung mit: Zu jedem Preispunkt lässt sich nachvollziehen, wie sich der Preis zusammensetzt – etwa warum gerade der Erntebericht oder die LNG-Speicherstände besonders ins Gewicht fallen. Der Nutzer bekommt eine detaillierte, prozentual aufgeschlüsselte Auswertung.

Dazu kommt unser Chat-Feature, mit dem man gezielt Rückfragen stellen kann – wir nennen das "Ask the Market". Die Vision dahinter ist, den Markt direkt befragbar zu machen: Statt Informationen mühsam zusammenzusuchen, kann der Einkäufer einfach fragen, warum ein Preis gestern so stark gestiegen ist, und bekommt eine direkte Antwort. Das Ganze lässt sich zudem als PDF exportieren und etwa der Geschäftsleitung zur Verfügung stellen – über ein Reporting-Modul, das verschiedene Stakeholder im Unternehmen einbindet.

Kupferpreis über 15.000 USD: Geht die Rally weiter?

Der Kupferpreis erreicht - wieder einmal - historische Höhen. Was steckt hinter dem rasanten Anstieg? Drei zentrale Faktoren sind dafür verantwortlich. Noch wichtiger aber: Geht der Preisanstieg weiter?

Dörte Neitzel

Herr Haemisch, stellen Sie uns Datasphere Analytics kurz vor: Wer steckt dahinter?

Datasphere Analytics wurde im Juli letzten Jahres ins Handelsregister eingetragen. Gegründet haben das Unternehmen Professor Dr. Reiner Kurzhals, der seit 20 Jahren als Unternehmer im KI-Bereich tätig und Professor für Machine Learning an der FH Münster ist, Patrick Petter, der als unser "Datenkopf" die Modelle und die Plattform entwickelt, und ich selbst auf der Business-Seite. Wir sitzen mittlerweile in Berlin und haben zusätzlich einen kleinen Standort in Münster.

Wo haben Sie sich kennengelernt und wie kamen Sie auf die Idee?

Kennengelernt hat sich das Gründerteam bei Thyssenkrupp: Wir haben dort drei Jahre lang gemeinsam gearbeitet, Patrick als Head of Innovation, ich durfte gemeinsam mit Reiner Kurzhals die Thyssenkrupp-Tochter pacemaker.ai mit aufbauen. Aus dieser Zusammenarbeit heraus entstand über mehrere Monate die Idee, uns statt mit klassischem Forecasting stärker mit Rohstoffpreisen zu beschäftigen – ein Feld, in dem Patrick schon viele Jahre Erfahrung hat.: Helfen die bestehenden Tools nur mäßig?

Es gibt zwar viele Tools, die Einkäufern helfen, Informationen zusammenzutragen – aber keines davon verbindet Preisdaten systematisch mit weltweiten Nachrichtendaten, so wie wir das tun. Unser Ansatz: Wenn man sich die historische Preisentwicklung eines Rohstoffs anschaut, stecken darin automatisch schon die Auswirkungen vergangener Ereignisse. Wir koppeln diese Preisdaten mit rund 20 Jahren an Nachrichtendaten, um abzuleiten, was einen bestimmten Preispunkt tatsächlich getrieben hat – ein Krieg, Corona, Ernteausfälle, geschlossene Stahlwerke oder auch streikende Lkw-Fahrer in Thailand. So lässt sich Korrelation von Kausalität unterscheiden. Wir nennen das "Causal Intelligence": eine Verbindung von Weltereignissen der letzten Jahrzehnte mit Preisdaten, die die Entwicklung der Welt täglich neu einpreist. Jede Nacht um vier Uhr rechnen unsere Modelle durch, was in der Welt passiert ist, was historisch den Preis getrieben hat und wie sich der Preis morgen entwickeln könnte.