Ende Februar 2026 war die Straße von Hormuz — die schmale Wasserstraße, durch die rund 20 % des weltweit gehandelten Erdöls und 20 % des Flüssigerdgases fließen — de facto geschlossen. Was folgte, wurde von der Internationalen Energieagentur als die größte Angebotsunterbrechung in der Geschichte des globalen Ölmarkts bezeichnet.
Der Brent-Rohölpreis stieg innerhalb weniger Wochen von etwa 80 auf 114 US-Dollar je Barrel. Die Dieselpreise in Europa, bereits unter dem Druck früherer Lieferstörungen, stiegen stark an. Die EU schätzte, dass die Gaspreise um 70 % und die Ölpreise um 50 % gestiegen seien, was die europäischen Importkosten für fossile Brennstoffe um weitere 13 Milliarden Euro erhöhte. Analysten der Brookings Institution warnten speziell für Diesel vor Knappheitspreisen — dem Kraftstoff, der den Straßengüterverkehr, die Logistik und einen erheblichen Teil des europäischen Kraftstoffeinzelhandels antreibt.
Für Kraftstoffeinzelhändler im DACH-Raum und in Italien waren die folgenden Wochen ein Test für etwas, für das die meisten ihre Pricing-Systeme nicht explizit ausgelegt hatten: das Operieren unter Bedingungen jenseits der historischen Norm.
Wenn regelbasiertes Pricing auf eine neuartige Situation trifft
Die meisten Pricing-Systeme im Kraftstoffeinzelhandel — ob manuell, regelbasiert oder auf Wettbewerbsangleichung ausgerichtet — sind auf historische Marktbedingungen kalibriert. Die Regeln spiegeln wider, was in der Vergangenheit funktioniert hat: innerhalb einer Marktbandbreite preisen, auf Wettbewerberbewegungen mit einem festgelegten Inkrement reagieren, die Marge durch Halten eines Floors schützen.
Diese Regeln funktionieren gut, wenn sich der Markt historisch verhält. Sie versagen, wenn sich der Markt auf eine Weise bewegt, die außerhalb der Bedingungen liegt, auf die sie kalibriert wurden.
Die Hormuz-Schließung war genau ein solches Ereignis. Die Rohölpreise glitten nicht sanft ab — sie sprangen. Angebotsengpässe entstanden nicht allmählich — sie traten innerhalb von Tagen in großem Ausmaß auf. Das Verhalten der Wettbewerber wurde unberechenbarer, da Betreiber in ganzen Netzen unabhängige Entscheidungen trafen, ob sie Kostensteigerungen sofort weitergeben oder vorübergehend absorbieren sollten, um Absatzmengen zu schützen.
Auf historische Bedingungen kalibrierte Regeln können nicht sagen, was der richtige Preis ist, wenn sich die Bedingungen schnell genug ändern, um die Geschichte zu entwerten.
In diesem Umfeld steht ein Regelsystem vor einem strukturellen Problem. Seine Empfehlungen sind im Grunde eine Funktion des vergangenen Marktverhaltens. Wenn vergangenes Verhalten keine zuverlässige Orientierung für aktuelle Dynamiken mehr bietet, produziert das System weiterhin Outputs — aber diese Outputs sind Extrapolationen aus einer Welt, die nicht mehr gilt.
Was kausale Modelle unter Druck anders machen
Der Unterschied zwischen einem regelbasierten und einem kausalen Pricing-System liegt nicht primär in der Geschwindigkeit oder im Datenvolumen. Er liegt darin, was das System tatsächlich misst.
Ein kausales Pricing-Modell — eines, das mit Methoden wie Double Machine Learning entwickelt wurde — misst die Beziehung zwischen Preis und Nachfrage direkt, aus den eigenen Daten jeder Tankstelle, mit entfernten nicht preisbezogenen Einflüssen. Diese Messung ist spezifisch für die Tankstelle, spezifisch für den Kraftstofftyp und spezifisch für den Kundenmix, den die Tankstelle tatsächlich bedient.
Wenn die Rohölpreise steigen und der Markt in ein Regime eintritt, das historische Regeln nicht antizipiert haben, verfügt das kausale Modell über etwas, das dem Regelsystem fehlt: eine validierte Schätzung, wie die eigenen Kunden auf den Preis reagieren, unabhängig davon, was der umgebende Markt tut. Eine flottenlastige Tankstelle mit preisunempfindlichen Kunden kann einen Kostenanstieg anders absorbieren als eine innerstädtische Tankstelle, bei der Privatkunden innerhalb von fünf Fahrminuten drei Alternativen haben. Das Regelsystem behandelt beide mit derselben Logik. Das kausale Modell nicht.
Pricing Intelligence kalkuliert täglich neu gegenüber Live-Preisfeeds der Wettbewerber. Während der Hormuz-Periode, als das Wettbewerber-Pricing volatil und unberechenbar wurde, ermöglichte diese tägliche Rekalibrierung — kombiniert mit der standortspezifischen Preissensitivität — Empfehlungen, die auf tatsächliche Marktbedingungen reagierten statt auf historische Muster, die nicht mehr galten.
Die Erkenntnisse des Kiel Instituts
Forschungsergebnisse des Kiel Instituts für Weltwirtschaft, veröffentlicht im März 2026, modellierten die wirtschaftlichen Folgen einer vollständigen Hormuz-Schließung. Eine ihrer zentralen Erkenntnisse ist direkt relevant für die Gestaltung von Pricing-Systemen: Kurzfristig können Unternehmen nicht einfach Lieferanten wechseln, Schifffahrtsrouten umleiten oder Verträge neu verhandeln. Das Kurzfristszenario erzeugte deutlich stärkere Preisspitzen, gerade weil die Starrheit des Systems — Raffinerien, die auf bestimmte Rohölsorten ausgerichtet sind, LNG-Terminals, die Monate benötigen, um alternative Ladungen zu sichern — den Schock verstärkte statt absorbierte.
Pricing-Systeme stehen vor einer analogen Starrheit. Ein System, das auf historischen Regeln und Wettbewerbsangleichung basiert, ist auf die Marktbedingungen konfiguriert, auf die es trainiert wurde. Wenn sich diese Bedingungen schlagartig ändern, zeigt sich die Starrheit als Empfehlungen, die sich langsam anpassen oder in die falsche Richtung, oder die alle Tankstellen eines Netzes so behandeln, als stünden sie vor denselben Marktdynamiken.
Die Betreiber, die am besten geeignet sind, einen Angebotsschock zu bewältigen, sind nicht die mit den meisten Daten. Es sind diejenigen, die wissen, wie ihre eigenen Kunden tatsächlich auf den Preis reagieren.
Was das für Ihr Denken über Pricing-Resilienz bedeutet
Die Hormuz-Krise ist in gewisser Weise ein Extremereignis. In den meisten Jahren operiert das Pricing unter stabileren Bedingungen. Aber die Lektion, die sie bietet, ist nicht spezifisch für extreme Disruptions.
Marktbedingungen ändern sich. Wettbewerber treten ein und aus. Regulatorische Änderungen verändern das Pricing-Umfeld — die Debatte um die 12-Uhr-Regel in Deutschland ist ein aktuelles Beispiel für einen politischen Eingriff, der die Preisgestaltung der Betreiber neu geformt hat. Das Verbraucherverhalten entwickelt sich mit dem Wandel des Kraftstoffmix und wachsender E-Fahrzeug-Durchdringung.
Ein Pricing-System, das die Preissensitivität der eigenen Kunden kennt — kausal gemessen, statistisch validiert, aus den eigenen laufenden Daten aktualisiert — muss nicht jedes Mal neu gestaltet werden, wenn sich das externe Umfeld verändert. Die grundlegende Messung passt sich an, weil sie im tatsächlichen Markt verwurzelt ist, nicht in einer historischen Annäherung daran.
Die Hormuz-Schließung war ein ungewöhnlich scharfer Stresstest. Die meisten Pricing-Umgebungen üben eine langsamere, stillere Version desselben Drucks aus. Die Frage, die sie aufwirft, ist nicht, ob Ihr Pricing-Tool den März 2026 überstanden hat. Sie ist, ob Ihr Pricing-System so gebaut ist, dass es den Unterschied kennt zwischen dem, was der Markt tut, und was das für Sie bedeutet.
Alle Marktdaten in diesem Beitrag stammen aus öffentlichen Quellen wie unten angegeben. Backwell Tech unterhält keine Geschäftsbeziehung mit einer der zitierten Institutionen.
Über Backwell Tech
Backwell Tech ist ein High-Tech-Unternehmen mit Sitz in Berlin, das sich auf prädiktive Lösungen auf Basis künstlicher Intelligenz spezialisiert hat. Die Plattform bietet Unternehmen skalierbare KI-Modelle zur Gewinnmaximierung, wobei historische Daten und Echtzeitdaten genutzt und die Datenintegrität gewährleistet werden. Seit seiner Gründung im Jahr 2019 verbindet Backwell Tech bahnbrechende Forschung mit praktischer Innovation im Bereich der erklärbaren Algorithmen. Das Unternehmen konzentriert sich auf die ethische Entwicklung von KI und liefert zuverlässige und interpretierbare Prognosen, die fundierte Geschäftsentscheidungen ermöglichen. Weitere Informationen finden Sie unter www.backwelltechcorp.com.
Kontakt Backwell Tech Corp:
Maximilian Gismondi
Quellen
- Ausmaß der Disruption: Internationale Energieagentur (IEA), zitiert vom World Economic Forum. April 2026.
- Rohöldaten: Bloomberg. März 2026. Brent von 80 auf 114 US-Dollar je Barrel.
- EU-Kostenschätzung: Euronews. 31. März 2026. Gas +70 %, Öl +50 %, +13 Mrd. Euro Importmehrkosten.
- Diesel-Knappheitsrisiko: Brookings Institution. Mai 2026.
- Kurzfristige Starrheit: Hinz, J., Mahlkow, H., and Wanner, J. (2026). Kiel Policy Brief 206. Kiel Institut für Weltwirtschaft.
- Backwell-Methodik: Chernozhukov, V., Chetverikov, D., Demirer, M., et al. (2018). The Econometrics Journal 21(1), C1-C68.
- Pilotdaten: Backwell Tech, internes Pilotprojekt, 4 Tankstellen, 110-Wochen-Backtest. Ergebnisse sind Orientierungswerte, keine Garantie zukünftiger Leistung.