Datasphere Analytics entwickelt KI für Rohstoffmärkte und unterstützt Industrieunternehmen bei datenbasierten Entscheidungen
Wer steckt hinter Datasphere Analytics und welche Erfahrungen bringen die Gründerinnen und Gründer im Bereich Datenanalyse und Märkte mit?
Hinter Datasphere Analytics steht ein dreiköpfiges Gründerteam mit langjähriger Erfahrung in KI, Datenanalyse und industriellen Märkten. Ich, Lukas Haemisch, bin Geschäftsführer und vertrete das Unternehmen nach außen, aber was wir aufgebaut haben, ist eine echte Teamleistung. Unser CDO Patrick Petter ist der technologische Kopf hinter unserer KI-Architektur. Prof. Dr. Reiner Kurzhals ist als Experte für KI & Industrie die tragende Säule im Bereich Kunden und Netzwerk. Als Professor bringt er die wissenschaftliche Tiefe in unsere Methodik.
Gemeinsam haben wir in unterschiedlichen industriellen Kontexten datenintensive KI-Anwendungen entwickelt, von Forecasting-Systemen bis hin zu Entscheidungsmodellen für komplexe Märkte. Dieses Wissen übertragen wir jetzt auf Rohstoff- und Beschaffungsentscheidungen.
Wie ist die Idee zu Datasphere Analytics entstanden und welches konkrete Problem wolltet ihr lösen?
Meine Mitgründer und ich haben in den vergangenen Jahren viele KI-Projekte umgesetzt und dabei gelernt, wie man aus komplexen Daten echte Entscheidungsgrundlagen macht. Im Einkauf haben wir dann ein erstaunlich analoges Muster gesehen: Obwohl Märkte heute globaler, volatiler und schneller sind als je zuvor, arbeiten viele Unternehmen dort noch mit Prozessen und Tools, die damit zunehmend nicht mehr umgehen können. Datasphere Analytics ist aus der Frage entstanden, warum man den Markt nicht direkt befragbar macht: also Nachrichten, Daten und Ereignisse so zusammenführt, dass Einkäufer mit diesen interagieren können, um so fundierter und schneller entscheiden zu können.
Welche Vision verfolgt Datasphere Analytics im Umgang mit datengetriebenen Entscheidungen?
Unsere Vision geht über Prognosen hinaus. Es geht darum, wie Unternehmen in Zukunft Entscheidungen treffen können: fundierter, schneller, erklär- und auditierbar.
Wir digitalisieren Industriewissen und machen es zugänglich, indem wir globale Daten, Nachrichten, Preise und Lieferketten so verbinden, dass Unternehmen verstehen, warum Märkte sich bewegen – nicht erst, wenn es sich im Preis zeigt. Rohstoffmärkte direkt befragbar zu machen bedeutet für uns: Was passiert gerade und warum? Was bedeutet das für die nächste Entscheidung, nachvollziehbar und auditierbar?
Langfristig wollen wir die zentrale Entscheidungsplattform für industrielle Rohstoffbeschaffung werden.
An welche Zielgruppen richtet sich eure Plattform und welche Herausforderungen haben diese im Alltag?
Wir richten uns an Industrieunternehmen, die stark von Rohstoffpreisen abhängen, beispielsweise aus der Chemie, dem Maschinenbau, der Baubranche oder dem Energiesektor. Konkret sprechen wir Menschen in Einkauf, Trading, Risikomanagement und Supply Chain an. Ihre gemeinsame Herausforderung ist es, unter Zeitdruck fundierte Entscheidungen zu treffen, während die ausschlaggebenden Signale über hunderte Quellen verstreut sind. Gleichzeitig arbeiten sie oft noch mit Methoden wie vor 30 Jahren, die den komplexen Anforderungen heutzutage nicht mehr gewachsen sind.
Wie unterstützt ihr Unternehmen konkret dabei, bessere Entscheidungen im Trading und Risikomanagement zu treffen?
Unser Ansatz ist: Jede Nachricht ist ein Signal. Rohstoffmärkte bewegen sich, weil irgendwo auf der Welt etwas passiert. Darüber wird in Nachrichten berichtet, bevor es sich im Preis niederschlägt. Wir analysieren diese Nachrichtenströme weltweit und leiten daraus ab, wie sich Rohstoffpreise voraussichtlich entwickeln. Wer das versteht, kann Einkaufszeitpunkte besser wählen, Risiken früher erkennen und Entscheidungen intern besser vertreten.
Was unterscheidet Datasphere Analytics von klassischen Analyse-Tools oder Beratungsansätzen?
Unser größter Konkurrent ist kein einzelnes Unternehmen, es ist der Status quo: Excel-basierte Ansätze, traditionelle Beratungen sowie die Erfahrung von Analysten und Einkäufern. Im weiteren Sinne konkurrieren wir mit allen Tools und Dienstleistern, die heute Marktinformationen, Analysen oder Prognosen liefern, diese aber meist nicht in einer integrierten und erklärbaren Entscheidungslogik zusammenführen.
Der Unterschied liegt in der Architektur unseres Ansatzes: Wir liefern kein statisches Reporting, sondern ein lernendes, interaktives System. Durch die Analyse globaler Nachrichtendaten erkennen wir Muster und Anomalien fortlaufend und können erklären, warum sich ein Preis bewegt, nicht nur wohin. Was klassische Anbieter in wochenlanger manueller Analyse erarbeiten, schaffen wir in einem Bruchteil der Zeit.
Welche Rolle spielen Echtzeitdaten und KI in eurem Produkt?
Wir arbeiten an Live-Updates, die sind aber nur in seltenen Fällen – etwa beim Intraday Trading – wirklich relevant. Für den industriellen Einkauf reicht der tägliche Rhythmus: Die meisten Entscheidungen drehen sich darum, wie sich ein Preis langfristig entwickelt, wann man einen Liefervertrag fixiert – oder noch wartet.
Unser Ansatz verbindet menschliche Intuition mit Technologie. Wir ersetzen nicht die Erfahrung eines guten Einkäufers – wir geben eine bessere Grundlage und reichern sie mit Daten an. KI-Systeme, die lernen, wie Märkte auf globale Ereignisse reagieren, übersetzen Signale aus tausenden Quellen in umsetzbare Prognosen.
Mit welchen Herausforderungen seid ihr beim Aufbau von Datasphere Analytics konfrontiert und wie geht ihr damit um?
Die größte Herausforderung ist das Mindset in vielen Unternehmen und das fehlende Vertrauen in die Chancen von Digitalisierung und KI.
Aber stell dir mal vor: Du bist Einkäufer in einem Mittelständler und entscheidest über einen dreistelligen Millionenbetrag im Rohstoffeinkauf. Gleichzeitig sollst du CBAM-Berichte – verpflichtende Quartalsberichte für EU-Importeure von emissionsintensiven Gütern – aufsetzen, Lieferkettensorgfaltspflichten an deine Kunden zurückspielen, Scope-3-Daten, also Treibhausgasemissionen, bei Lieferanten einsammeln und nebenbei die Prognose fürs nächste Quartal abgeben, damit Vertrieb und Produktion planen können. Ach so und dann bitte auch noch KI einführen, damit das alles schneller geht.
Unter diesem Zeit- und Kostendruck, unter dem Einkäufer in Deutschland heute stehen, bleibt schlicht kein Platz für Transformation. Genau da wollen wir helfen – nicht als Tool-Anbieter, sondern als Wegbegleiter. Als Sparringspartner bauen wir mit unseren Kunden ein Schweizer Taschenmesser, das die Arbeit erleichtert, wo es eben geht.
So bekommen Einkäufer Zeit zurück – für Lieferantengespräche, strategische Themen, die Dinge, die ihre Erfahrung wirklich brauchen.
Wie wichtig sind Szenarioanalysen für eure Kunden und wie werden diese eingesetzt?
Sehr wichtig. Unsere Kunden wollen nicht nur wissen, wohin ein Preis gehen könnte. Sie wollen verstehen, was passiert, wenn ein Streik ausbricht, neue Handelszölle in Kraft treten oder ein Extremwetterereignis eine wichtige Lieferkette unterbricht. Für genau solche Fragen haben wir ein Simulationsmodul entwickelt. Wer in Ausnahmesituationen bereits durchgespielt hat, was auf ihn zukommt, trifft bessere und schnellere Entscheidungen.
Wie entwickelt ihr eure Plattform weiter, um mit dynamischen Märkten Schritt zu halten?
Wir bauen entlang echter Kundenprozesse: mehr Rohstoffklassen, bessere Event-Erkennung und mehr interaktive Entscheidungsunterstützung. Autonome Systeme, die selbstständig Informationen suchen, einordnen und zusammenführen, bieten dabei gerade enorme Möglichkeiten. Die Plattform soll sich für Nutzer irgendwann so anfühlen wie ein Kollege, der immer auf dem neuesten Stand ist und proaktiv auf das hinweist, was gerade relevant wird.
Welche nächsten Schritte plant ihr für Datasphere Analytics in den kommenden Jahren?
Unser Ziel für die nächsten Jahre ist es, die führende Commodity-AI-Intelligence-Plattform für Industrie, Procurement und Risikomanagement in Deutschland zu sein. Wir wollen die Commodity Intelligence Platform weiter skalieren, zusätzliche Märkte und Rohstoffklassen abdecken und den Weg vom Forecasting hin zu vollständiger KI-gestützter Entscheidungsunterstützung konsequent ausbauen. Gleichzeitig glauben wir, dass unsere Event Intelligence auch weit über den Einkauf hinaus relevant werden kann – etwa für Medien- oder Analysehäuser, die Nachrichten auswerten und Reaktionen besser antizipieren wollen.
Welche drei Ratschläge würdet ihr anderen Gründerinnen und Gründern mit auf den Weg geben?
Erstens: Erst genau zu- und hinhören, dann erklären. Die besten Gespräche, die ich je geführt habe, waren die, in denen ich kaum geredet habe. Was Kunden wirklich beschäftigt, findet sich selten auf der Agenda oder in einem Sales-Pitch.
Zweitens: Geht dahin, wo es schwierig ist. Ich bin kein klassischer Rohstoffexperte und genau das ist mein Vorteil. Wer einen Markt nicht von innen kennt, trägt keine kontextuellen Scheuklappen und stellt ganz andere Fragen.
Drittens: Baut für Profitabilität, nicht für die nächste Runde. Wir wachsen aus eigener Kraft. Das zwingt uns, jeden Schritt gegenüber unseren Kunden zu rechtfertigen, nicht gegenüber Investoren.
Bild Lukas Haemisch Fotocredit: Viktor Strasse
Wir bedanken uns bei Lukas Haemisch für das Interview
Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder
