KI-Preiskalkulation: Einkaufspreise vorhersagen

TL;DR

KI-basierte Preisvorhersage im Einkauf spart mittelständischen Fertigungsbetrieben 6 bis 12 % der Materialkosten. ML-Modelle prognostizieren Rohstoffpreise 4 bis 12 Wochen voraus und empfehlen den optimalen Bestellzeitpunkt. Bei einem Einkaufsvolumen von €3 Millionen bedeutet das €180.000 bis €360.000 Einsparung pro Jahr.

Warum der Einkauf im Mittelstand Geld verschenkt

Einkaufsabteilungen im Mittelstand arbeiten überwiegend reaktiv. Bestellt wird, wenn der Bedarf da ist oder der Mindestbestand unterschritten wird. Der Bestellzeitpunkt orientiert sich am Verbrauch, nicht am Preis.

Die Folge: Materialkosten schwanken um 15 bis 25 % je nach Bestellzeitpunkt, ohne dass der Einkäufer darauf reagiert. Ein Metallverarbeiter in Süddeutschland (62 Mitarbeiter, €4,2 Millionen Materialeinkauf pro Jahr) analysierte seine Beschaffung rückwirkend und fand:

• 38 % der Bestellungen erfolgten zu einem Zeitpunkt, an dem der Preis über dem 3-Monats-Durchschnitt lag
• Stahlbleche wurden im Schnitt 8 % teurer eingekauft als beim günstigsten Zeitpunkt im jeweiligen Quartal
• Kunststoffgranulat-Preise schwankten um 22 % innerhalb von sechs Monaten, ohne dass der Einkauf darauf reagierte
• Kupfer und Aluminium wurden zu Spotpreisen bestellt statt bei Preistiefs bevorratet

Die errechnete Verschwendung: €285.000 pro Jahr bei €4,2 Millionen Einkaufsvolumen.

Wie KI Einkaufspreise vorhersagt

ML-Modelle für Preisvorhersage nutzen historische Preisentwicklungen, externe Marktdaten und betriebsinterne Bedarfsprognosen, um den optimalen Bestellzeitpunkt zu berechnen.

Datenquellen für das Prognosemodell

Die Qualität der Vorhersage hängt von der Datengrundlage ab. Relevante Quellen:

Interne Daten:

• Historische Einkaufspreise (aus ERP: Bestellungen, Rechnungen, Rahmenverträge)
• Verbrauchsdaten und Bedarfsprognosen
• Lieferantenbewertungen und Lieferzeiten
• Lagerbestände und Reichweiten

Externe Daten:

• Rohstoff-Börsenpreise (LME für Metalle, Platts für Kunststoffe)
• Energie- und Transportkosten (Öl, Gas, Frachtindizes)
• Wechselkurse (EUR/USD, EUR/CNY)
• Branchenindizes (Stahlindex, Chemie-Index EUWID)
• Makroökonomische Indikatoren (PMI, Industrieproduktion)

Datenquellen-Setup:
  Interne Daten (ERP-Export):
    - SAP/proALPHA/Sage: Bestellhistorie (min. 3 Jahre)
    - Artikelstamm: Materialgruppen, Lieferanten, Mengeneinheiten
    - Verbrauchsdaten: Monatlicher Bedarf pro Material
    - Format: CSV oder API (OData, REST)
  Externe Daten (APIs):
    - LME-Preise (Kupfer, Aluminium, Zink, Nickel): Daily
    - Platts Polymer Prices (PE, PP, PA): Weekly
    - EUWID Stahlpreise: Weekly
    - ECB Wechselkurse: Daily
    - Baltic Dry Index (Fracht): Daily
  Aktualisierung:
    - Interne Daten: Täglich (automatisch aus ERP)
    - Externe Daten: Täglich bis wöchentlich (API-Abfragen)
  Kosten externe Daten:
    - LME-Kurse (Basis): €150/Monat
    - Branchenindizes: €80-€200/Monat
    - Oder: Kostenlose Quellen (verzögert, weniger granular)

Das Prognosemodell

Für Einkaufspreisvorhersage eignet sich ein Ensemble-Ansatz aus Zeitreihenmodellen und Feature-basierten Modellen:

Zeitreihenkomponente: Prophet oder ARIMA modellieren Saisonalität und Trends der historischen Preisentwicklung. Stahlpreise haben typischerweise einen 6-Monats-Zyklus, Kunststoffgranulate folgen dem Ölpreis mit 4 bis 8 Wochen Verzögerung.

Feature-basiertes Modell: XGBoost oder LightGBM nutzen externe Faktoren (Börsenpreise, Wechselkurse, Frachtkosten) als Prädiktoren. Dieses Modell erkennt Kausalzusammenhänge, die reine Zeitreihenmodelle nicht erfassen.

Ensemble: Die Vorhersagen beider Modelle werden gewichtet kombiniert. Das Ensemble erreicht typischerweise 15 bis 25 % geringere Prognosefehler als jedes Einzelmodell.

Der Prognosehorizont liegt bei 4 bis 12 Wochen, je nach Material:

• Metalle (Stahl, Kupfer, Aluminium): 6 bis 12 Wochen, weil Börsenpreise vorliegen
• Kunststoffe (PE, PP, PA): 4 bis 8 Wochen, starke Abhängigkeit von Öl und Naphtha
• Elektronikkomponenten: 4 bis 6 Wochen, abhängig von Verfügbarkeit
• Chemikalien und Industriegase: 8 bis 12 Wochen, saisonale Muster

Vom Prognosemodell zur Bestellempfehlung

Die Preisvorhersage allein bringt keinen Wert. Entscheidend ist die Verknüpfung mit der Bedarfsplanung und den Lagerrestriktionen.

Optimaler Bestellzeitpunkt

Das System berechnet für jedes Material einen Score, der angibt, ob jetzt ein guter oder schlechter Zeitpunkt zum Bestellen ist:

Bestellempfehlung (vereinfacht):
  Faktoren:
    - Preisprognose (4-12 Wochen): Steigend/Fallend/Stabil
    - Aktueller Preis vs. 12-Monats-Durchschnitt: Über/Unter
    - Lagerreichweite: Kritisch/Normal/Hoch
    - Lieferzeit Lieferant: Standard/Verlängert
    - Bedarfsprognose: Steigend/Fallend/Stabil
  Empfehlung:
    Sofort bestellen (Prio 1):
      - Preisprognose: Steigend (+5% in 4 Wochen)
      - Aktueller Preis: Unter 12-Monats-Durchschnitt
      - Lagerreichweite: Unter 4 Wochen
      - Aktion: Menge auf 8-12 Wochen Bedarf erhöhen
    Bestellen nach Plan (Prio 2):
      - Preisprognose: Stabil (±2%)
      - Lagerreichweite: 2-6 Wochen
      - Aktion: Standardmenge bestellen
    Bestellung verschieben (Prio 3):
      - Preisprognose: Fallend (-5% in 4 Wochen)
      - Lagerreichweite: Über 4 Wochen
      - Aktion: Bestellung um 2-4 Wochen verzögern
    Warnung:
      - Preisprognose: Stark steigend (+10% in 4 Wochen)
      - Aktion: Rahmenvertrag prüfen, ggf. Vorabbestellung

Bevorratungs-Optimierung

Bei stark schwankenden Preisen kann es wirtschaftlich sein, größere Mengen einzukaufen, wenn der Preis niedrig ist. Das System berechnet die optimale Bestellmenge unter Berücksichtigung von:

• Kapitalbindungskosten (typisch 8-12 % des Lagerwerts pro Jahr)
• Lagerhaltungskosten (Fläche, Versicherung, Schwund)
• Preisentwicklungsprognose
• Bedarfsprognose und -sicherheit
• Mindestbestellmengen und Mengenstaffeln des Lieferanten

Ein Kunststoffverarbeiter in Norddeutschland sparte durch KI-optimierte Bevorratung von PE-Granulat €42.000 pro Jahr. Das Modell empfahl drei strategische Großbestellungen im Jahresverlauf statt monatlicher Bestellungen.

Praxisbeispiel: Metallverarbeiter mit €4,2 Mio. Einkaufsvolumen

Der Betrieb in Süddeutschland implementierte die KI-Preiskalkulation in einem 8-Wochen-Projekt.

Projektverlauf

Woche 1-2: Datenexport aus SAP (Bestellhistorie 5 Jahre, Artikelstamm, Verbrauchsdaten). Externe Datenquellen anbinden (LME, EUWID Stahl, ECB Wechselkurse). Datenbereinigung und Feature Engineering.

Woche 3-5: Modelltraining auf historischen Daten. Backtesting: Wie hätte das Modell in den letzten 24 Monaten performt? Ergebnis: 7,8 % durchschnittliche Einsparung bei optimiertem Bestellzeitpunkt.

Woche 6-7: Dashboard für Einkaufsabteilung aufsetzen. Tägliche Bestellempfehlungen per Email. Integration in SAP-Bestellvorschlagsliste.

Woche 8: Schulung Einkaufsteam (3 Personen, halber Tag). Go-Live mit paralleler Kontrolle.

Ergebnisse nach sechs Monaten

Finanzielle Ergebnisse:

• Materialkosteneinsparung: €340.000 pro Jahr
• Reduzierter Rechercheaufwand: €28.800 pro Jahr
• Gesamtbenefit: €368.800 pro Jahr bei €48.000 Projektkosten (Entwicklung, Daten, Schulung)

Der ROI-Rechner ermöglicht eine Berechnung auf Basis des eigenen Einkaufsvolumens.

Lieferantenverhandlung mit Daten statt Bauchgefühl

Ein Nebeneffekt der KI-Preisvorhersage: Der Einkauf verhandelt besser. Wenn der Einkäufer weiß, dass der Stahlpreis in sechs Wochen voraussichtlich um 5 % sinkt, kann er:

• Kurzfristige Bestellungen hinauszögern
• Beim Lieferanten einen Festpreis über die Vertragslaufzeit fordern
• Preisgleitklauseln im Rahmenvertrag verankern
• Alternativlieferanten aktivieren, wenn der Hauptlieferant nicht mitgeht

Verhandlungs-Dashboard:
  Lieferant X (Stahlbleche):
    Aktueller Preis: €1.280/t
    12-Monats-Durchschnitt: €1.215/t
    Prognose 8 Wochen: €1.180/t (fallend)
    Empfehlung: Bestellung verzögern oder Preisanpassung fordern
    Verhandlungsargument: "Marktpreise fallen, wir erwarten €1.180/t"
  Lieferant Y (PA6-Granulat):
    Aktueller Preis: €2.850/t
    12-Monats-Durchschnitt: €2.920/t
    Prognose 8 Wochen: €3.100/t (steigend, Naphtha-Preise)
    Empfehlung: Jetzt Rahmenvertrag mit Festpreis abschließen
    Verhandlungsargument: "Festpreis €2.900/t für 6 Monate"

Details zur strategischen KI-Implementierung im Einkauf.

Technische Umsetzung

Infrastruktur

Die KI-Preiskalkulation kann komplett On-Premise laufen. Benötigt wird:

• Ein Server oder VM (4 Cores, 16 GB RAM, 500 GB SSD) für Modelltraining und Inference
• Python-Stack: pandas, scikit-learn, XGBoost, Prophet, FastAPI
• PostgreSQL für historische Daten und Prognosen
• Grafana oder Power BI für das Einkäufer-Dashboard
• ETL-Pipeline für täglichen Datenimport aus ERP

Kostenübersicht:
  Einmalig:
    ML-Entwicklung (Modell + Integration): €28.000
    Dashboard-Entwicklung: €8.000
    ERP-Schnittstelle: €6.000
    Schulung: €3.000
    Server (On-Premise): €3.000
    Gesamtinvest: €48.000
  Laufend (pro Monat):
    Externe Daten-APIs: €250
    Wartung und Modell-Retraining: €500
    Gesamtlaufend: €750/Monat = €9.000/Jahr
  Break-Even:
    Bei €3 Mio Einkaufsvolumen und 6% Einsparung:
    €180.000 Einsparung vs. €57.000 Kosten (Jahr 1)
    Amortisation: 3,8 Monate

Modell-Wartung

ML-Modelle für Preisvorhersage müssen regelmäßig nachtrainiert werden, weil sich Marktbedingungen ändern. Empfohlener Rhythmus:

• Automatisches Retraining: Monatlich mit neuen Daten
• Performance-Monitoring: Wöchentlicher Check der Prognosegenauigkeit
• Manuelles Review: Quartalsweise durch Data Analyst

Wer Erfahrung mit KI-Projekte hat, etwa aus der Galvanik-Prozesssteuerung, kennt die Prinzipien des Modell-Monitorings.

FAQ

Wie genau sind KI-Preisprognosen? Bei Metallen (Stahl, Kupfer, Aluminium) liegt der mittlere absolute Fehler (MAPE) bei 4 bis 8 % für einen 8-Wochen-Horizont. Bei Kunststoffen bei 6 bis 12 %. Die Prognose ist nicht perfekt, aber deutlich besser als manuelles Schätzen oder gar kein Forecast. Der KI-Leitfaden erläutert, wie man mit Prognoseunsicherheit umgeht.

Lohnt sich KI-Preiskalkulation auch bei kleinem Einkaufsvolumen? Ab einem Einkaufsvolumen von €1 Million pro Jahr bei preisvolatilen Materialien (Metalle, Kunststoffe, Chemikalien) ist der ROI positiv. Bei C-Teilen mit stabilen Preisen (Schrauben, Verpackungsmaterial) bringt KI wenig Mehrwert.

Welche ERP-Systeme werden unterstützt? Das System arbeitet ERP-unabhängig. Benötigt werden lediglich Bestellhistorie und Artikelstamm als CSV oder API-Export. SAP, proALPHA, Sage, Microsoft Dynamics und abas wurden bereits angebunden. Die Budgetplanung für ERP-Integration liegt typischerweise bei €4.000 bis €8.000.

Kann das System auch Lieferengpässe vorhersagen? Ja, als Erweiterung. Indikatoren wie steigende Lieferzeiten, sinkende Lagerbestände beim Lieferanten und geopolitische Risiken können in das Modell einfließen. Die Vorhersage von Lieferengpässen ist jedoch weniger zuverlässig als die Preisvorhersage, weil disruptive Ereignisse schwer modellierbar sind.

Wie schnell sehe ich erste Ergebnisse? Das Backtesting nach zwei Wochen zeigt bereits, wie das Modell in der Vergangenheit performt hätte. Erste echte Einsparungen sind nach sechs bis acht Wochen messbar, wenn die ersten KI-optimierten Bestellungen eingegangen sind. Der volle Effekt zeigt sich nach einem Quartal, wenn saisonale Preiszyklen durchlaufen sind.