الذكاء الاصطناعي للتنبؤ بأسعار المواد الخام: التخطيط للمشتريات قبل 90 يومًا
كانت شركة ختم معادن في ولاية تينيسي تنفق 4.2 مليون دولار سنويًا على لفائف الفولاذ. كانت عملية الشراء لديهم بسيطة: عندما ينخفض المخزون إلى نقطة إعادة الطلب، يتصلون بثلاثة موردين ويشترون بأفضل سعر حالي. في الأشهر الثمانية عشر التي أعقبت تطبيق نظام تنبؤ بالأسعار قائم على الذكاء الاصطناعي، وفّروا 186,000 دولار، أي حوالي 4.4% من إنفاقهم السنوي على الفولاذ، من خلال توقيت المشتريات لتجنب ذروات الأسعار وتثبيت العقود خلال فترات الانخفاض المتوقعة.
قد لا تبدو نسبة 4.4% مثيرة للإعجاب حتى تدرك أنها جاءت من استثمار برمجي بقيمة 35,000 دولار دون أي تغييرات في الموردين أو المواصفات أو عملية التصنيع.
ما الذي يفعله التنبؤ بأسعار المواد الخام فعليًا
لا يحاول الذكاء الاصطناعي التنبؤ بالسعر الدقيق للفائف الفولاذية المدرفلة على الساخن في 15 يونيو. بل يُنشئ توزيعات احتمالية على نطاقات الأسعار المستقبلية: هناك احتمال بنسبة 70% أن يكون السعر بين 820 و890 دولارًا للطن خلال 60 يومًا، واحتمال بنسبة 15% أن يتجاوز 890 دولارًا، واحتمال بنسبة 15% أن ينخفض عن 820 دولارًا. هذا النهج الاحتمالي أكثر فائدة من التقدير النقطي لأنه يتيح اتخاذ قرارات شراء معدّلة حسب المخاطر.
تستوعب النماذج فئات متعددة من البيانات. توفر أسعار العقود الآجلة للسلع ومنحنيات الأسعار المستقبلية توقعات السوق الحالية للأسعار المستقبلية. تشمل مؤشرات جانب العرض بيانات إنتاج المواد الخام (إنتاج خام الحديد، معدل استغلال طاقة مصاهر الألمنيوم)، وبيانات اللوجستيات (أسعار الشحن، ازدحام الموانئ)، ومستويات المخزون في المصانع ومراكز الخدمة. تشمل مؤشرات جانب الطلب بيانات مؤشر مديري المشتريات الصناعي، والإنفاق على البناء، وتوقعات إنتاج السيارات، وبيانات الطلبات المتراكمة من الصناعات الاستهلاكية الكبرى.
تغذي النموذج أيضًا عوامل الاقتصاد الكلي مثل أسعار صرف العملات وأسعار الفائدة وتغييرات السياسات التجارية. فإعلانات الرسوم الجمركية على الفولاذ، على سبيل المثال، تُحدث ارتفاعات سعرية يمكن التنبؤ بها، ويستطيع نموذج مُدرَّب على التأثيرات التاريخية للرسوم الجمركية توقعها.
بنية النموذج ودقته
تستخدم معظم أنظمة الإنتاج نماذج مجمّعة تجمع بين عدة تقنيات. تتعامل أشجار التعزيز التدريجي (XGBoost، LightGBM) مع البيانات الجدولية المنظمة بفعالية. تلتقط نماذج السلاسل الزمنية القائمة على LSTM أو المحولات الأنماط والاتجاهات الزمنية. تتضمن بعض الأنظمة مكونًا لمعالجة اللغة الطبيعية يراقب موجزات الأخبار بحثًا عن أحداث قد تؤثر على الأسعار (نزاعات تجارية، كوارث طبيعية، إغلاق مصانع).
على أفق 30 يومًا، تتنبأ النماذج المعايرة جيدًا باتجاه السعر (صعودًا أو هبوطًا مقارنة بالسعر الحالي) بشكل صحيح بنسبة 68% إلى 75% من الوقت. على أفق 60 يومًا، تنخفض دقة الاتجاه إلى 62% إلى 70%. وعلى أفق 90 يومًا، تصبح 58% إلى 65%. قد تبدو هذه الأرقام متواضعة، لكنها أفضل بكثير من التنبؤ الساذج (افتراض بقاء الأسعار كما هي، وهو صحيح بنسبة 50% تقريبًا للتغيرات الشهرية) وأفضل بشكل ملحوظ من الحكم البشري الذي يميل إلى التأثر بتحيز الحداثة وتأثيرات الترسيخ.
التنبؤ بحجم التغيير أقل دقة من التنبؤ بالاتجاه. قد يتنبأ النموذج بشكل صحيح بأن أسعار الفولاذ سترتفع خلال 60 يومًا، لكنه يبالغ أو يقلل في تقدير الحجم بنسبة 5% إلى 15%. بالنسبة لقرارات الشراء، الاتجاه أهم من الحجم الدقيق: معرفة أن الأسعار من المرجح أن ترتفع تبرر الشراء الآن بدلاً من الانتظار.
تحويل التنبؤات إلى استراتيجية شراء
المخرج العملي للنظام هو مجموعة من التوصيات لفريق المشتريات. عندما يتنبأ النموذج بارتفاع الأسعار بثقة عالية، يوصي بتسريع المشتريات وربما تثبيت عقود آجلة بالأسعار الحالية. وعندما يتنبأ بانخفاض الأسعار، يوصي بشراء الحد الأدنى من الكميات والانتظار للحصول على أسعار أفضل.
تحتاج شركة التصنيع التي تستخدم هذا النهج إلى موازنة التنبؤ بالأسعار مع تكاليف التخزين. شراء مخزون إضافي لشهر من لفائف الفولاذ لتثبيت سعر أقل لا يكون منطقيًا إلا إذا تجاوزت الزيادة المتوقعة في السعر تكلفة التخزين (مساحة المستودع، التأمين، تكلفة رأس المال المقيد في المخزون، ومخاطر تقادم المواد في حال تغيرت المواصفات). يدمج نظام الذكاء الاصطناعي تكاليف التخزين هذه في توصياته.
بالنسبة للمواد التي لها أسواق عقود آجلة نشطة (الفولاذ، الألمنيوم، النحاس، الراتنجات)، يمكن للنظام أيضًا التوصية باستراتيجيات تحوط باستخدام أدوات مالية. يمكن للمصنّع الذي سيحتاج 200 طن من الألمنيوم خلال 90 يومًا التحوط ضد ارتفاع الأسعار بشراء عقود آجلة للألمنيوم، ويُحدد تنبؤ الذكاء الاصطناعي بالأسعار ما إذا كانت علاوة التحوط تستحق الدفع.
القيود والتقييم الصادق
للتنبؤ بأسعار المواد الخام قيود حقيقية يجب أن يعترف بها أي تقييم صادق. يمكن لأحداث البجعة السوداء (الأوبئة، الحروب، التغييرات الكبرى في السياسات التجارية) أن تُبطل التنبؤات بالكامل. لا تتضمن بيانات تدريب النموذج سيناريوهات لم يشهدها من قبل، وغالبًا ما تكون أكثر تحركات الأسعار تكلفة مدفوعة بأحداث غير مسبوقة.
تُشكّل التغييرات في هيكل السوق أيضًا تحديًا للنماذج. فالتحول في تسعير الفولاذ من العقود ربع السنوية إلى التسعير القائم على السوق الفورية خلال العقد الماضي يعني أن النماذج المدرّبة على بيانات أقدم قد لا تلتقط ديناميكيات الأسعار الحالية. إعادة تدريب النموذج بانتظام (شهريًا أو ربع سنويًا) أمر ضروري للحفاظ على الدقة.
تتفاوت جودة بيانات إشارات الإدخال. تُصدر الإحصاءات الاقتصادية الحكومية بتأخير (بيانات مؤشر مديري المشتريات شهرية، وبيانات الإنتاج الصناعي شهرية مع مراجعات). بحلول وقت نشر البيانات، يكون السوق غالبًا قد تفاعل بالفعل مع الظروف الأساسية. يمكن للبدائل الفورية (بيانات الأقمار الصناعية لنشاط الشحن، استهلاك الطاقة في المنشآت الصناعية، استخراج الأسعار من مواقع الموردين) سد بعض هذه الفجوات، لكنها تضيف تعقيدًا وتكلفة.
بالنسبة للمصنّعين الصغار والمتوسطين الذين ينفقون أقل من 500,000 دولار سنويًا على أي مادة واحدة، قد لا تبرر الوفورات من التنبؤ بالأسعار القائم على الذكاء الاصطناعي تكلفة التنفيذ. النقطة المثالية هي الشركات التي تنفق مليوني دولار أو أكثر سنويًا على سلع ذات تقلبات سعرية ملموسة. عند هذا الحجم، حتى تحسين بنسبة 3% إلى 5% في توقيت الشراء يولّد عوائد تتجاوز بوضوح تكلفة النظام.