Forschungspreis des Großhandels 2026

KI macht Stahlpreise besser prognostizierbar

Volatile Rohstoffpreise zählen zu den größten wirtschaftlichen Risiken im Großhandel. Eine aktuelle Forschungsarbeit aus dem Fraunhofer IIS zeigt, wie sich diese Unsicherheit durch KI-gestützte Prognosen deutlich reduzieren lässt – mit messbaren wirtschaftlichen Effekten.

Für seine Dissertation zur KI-basierten Stahlpreisprognose wurde Dr. Nico Beck, wissenschaftlicher Mitarbeiter im Bereich Supply Chain Services, mit dem Forschungspreis des Großhandels 2026 der Forschungsvereinigung Großhandel e. V. (ForveG) ausgezeichnet.

Mit der Praxis entwickelt: KI-Modelle für den operativen Einsatz im Einkauf

Stahlpreise sind stark von globalen Einflussfaktoren abhängig und unterliegen enormen Schwankungen. Das erschwert die Planung entlang der gesamten Lieferkette – insbesondere im Großhandel. Die Dissertation von Nico Beck »Neural Networks in Time Series Forecasting: Architectures, Evaluation, and Uncertainty Quantification for Macroeconomics and Commodity Prices« adressiert genau dieses Spannungsfeld: Sie untersucht, inwiefern sich volatile Stahlpreise zuverlässig prognostizieren lassen und wie diese Prognosen so aufbereitet werden können, dass sie im operativen Einkauf nutzbar sind.

Der Ansatz wurde im Rahmen eines Industrieprojekts gemeinsam mit Großhandelsunternehmen der Stahlbranche entwickelt. Deren Markt- und Prozesswissen floss direkt in die Modellierung ein – insbesondere in die Ausgestaltung der KI-Modelle und die Auswahl relevanter Einflussgrößen. Zum Einsatz kommen speziell angepasste neuronale Netze, die komplexe Zusammenhänge auf Rohstoffmärkten abbilden und gleichzeitig die Integration von Expertenwissen ermöglichen.

Till Blässinger, Vorsitzender der ForveG und Großhandelsunternehmer in dritter Generation, unterstreicht die strategische Bedeutung solcher Kooperationen:
 "Dieses Projekt ist ein leuchtendes Beispiel für herausragende Forschung im Großhandel, auch weil sechs Großhandelsunternehmen es von Beginn an unterstützt haben. Die 135.000 Unternehmen des mittelständischen Großhandels können und müssen mehr in ihre eigene Wettbewerbsfähigkeit investieren. Dies gilt für Technologien ebenso wie für Geschäftsmodelle. Sich stärker in Forschung zu engagieren ist daher der richtige Weg."

Messbarer Effekt: bessere Einkaufszeitpunkte, geringere Kosten

Ein entscheidender Beitrag der Arbeit liegt darin, den tatsächlichen wirtschaftlichen Nutzen der Prognosen nachzuweisen: In einer simulationsbasierten Beschaffungsstrategie konnten – abhängig von der Stahlsorte – Einsparungen von 0,6 bis 2,7 Prozent im Vergleich zu einer klassischen Just-in-time-Beschaffung erzielt werden. Bei Stahlpreisen ab 600 Euro pro Tonne ist das ein signifikanter wirtschaftlicher Effekt.

Die in der Dissertation entwickelte Methodik kombiniert Genauigkeit mit Transparenz und Nachvollziehbarkeit. Statt isolierter Punktprognosen erhalten Anwenderinnen und Anwender Entscheidungsgrundlagen, die Trends, mögliche Preiskorridore und Unsicherheiten gleichzeitig berücksichtigen. Damit werden Einkaufsentscheidungen robuster und Risiken besser beherrschbar.

Skalierbare Lösung für unterschiedliche Rohstoffmärkte

Die ausgezeichnete Arbeit bildet zugleich die wissenschaftliche Grundlage für weiterführende Lösungen im Bereich der KI-gestützten Preisprognose am Fraunhofer IIS. Aufbauend auf den entwickelten Methoden arbeitet der Bereich Supply Chain Services an der Übertragung auf weitere Rohstoffe und Branchen.

Die Übertragbarkeit der Methodik eröffnet Potenziale weit über den Stahlmarkt hinaus – etwa für Metalle, Chemikalien oder Energie, wie auch Prof. Dr. Alexander Martin, Institutsleiter am Fraunhofer IIS, ausführt:
 "Die Auszeichnung von Dr. Nico Beck zeigt eindrucksvoll, welchen konkreten Mehrwert angewandte KI-Forschung für die Praxis schafft. Am Fraunhofer IIS entwickeln wir gemeinsam mit unseren Partnern Lösungen, die sowohl methodisch als auch mit messbaren wirtschaftlichen Effekten überzeugen. Die Stahlpreisprognose für den Großhandel ist dafür ein exzellentes Beispiel – und zugleich ein Ausgangspunkt, um datengestützte Entscheidungsunterstützung auf weitere Rohstoffmärkte zu übertragen."

Mehr Informationen zur KI-basierte Stahlpreisprognose für effiziente Einkaufsstrategien.

(Quelle: Fraunhofer-Instituts für Integrierte Schaltungen IIS)