IA para la predicción de precios de materias primas: planificación de compras con 90 días de anticipación

Una empresa de estampado de metales en Tennessee gastaba $4,2 millones al año en bobinas de acero. Su proceso de compra era sencillo: cuando el inventario bajaba al punto de reorden, llamaban a tres proveedores y compraban al mejor precio vigente. En los 18 meses posteriores a la implementación de un sistema de predicción de precios basado en IA, ahorraron $186.000, aproximadamente un 4,4% de su gasto anual en acero, al programar las compras para evitar los picos de precios y asegurar contratos durante los valles previstos.

Ese 4,4% no suena espectacular hasta que te das cuenta de que provino de una inversión en software de $35.000 sin ningún cambio en sus proveedores, especificaciones o proceso de fabricación.

Qué hace realmente la predicción de precios de materias primas

La IA no intenta predecir el precio exacto de la bobina de acero laminado en caliente el 15 de junio. Genera distribuciones de probabilidad sobre rangos de precios futuros: hay un 70% de probabilidad de que el precio esté entre $820 y $890 por tonelada en 60 días, un 15% de probabilidad de que esté por encima de $890 y un 15% de probabilidad de que esté por debajo de $820. Este enfoque probabilístico es más útil que una estimación puntual porque permite tomar decisiones de compra ajustadas al riesgo.

Los modelos ingieren múltiples categorías de datos. Los precios de futuros de materias primas y las curvas a plazo proporcionan la expectativa actual del mercado sobre los precios futuros. Los indicadores del lado de la oferta incluyen datos de producción de materias primas (producción de mineral de hierro, utilización de capacidad de fundiciones de aluminio), datos logísticos (tarifas de envío, congestión portuaria) y niveles de inventario en plantas siderúrgicas y centros de servicio. Los indicadores del lado de la demanda incluyen datos del PMI manufacturero, gasto en construcción, previsiones de producción automotriz y datos de cartera de pedidos de las principales industrias consumidoras.

Factores macroeconómicos como los tipos de cambio, las tasas de interés y los cambios en la política comercial también alimentan el modelo. Los anuncios de aranceles al acero, por ejemplo, crean picos de precios predecibles que un modelo entrenado con datos históricos de impactos arancelarios puede anticipar.

Arquitectura del modelo y precisión

La mayoría de los sistemas en producción utilizan modelos de conjunto que combinan varias técnicas. Los árboles con gradient boosting (XGBoost, LightGBM) manejan eficazmente los datos tabulares estructurados. Los modelos de series temporales basados en LSTM o transformers capturan patrones temporales y tendencias. Algunos sistemas incluyen un componente de procesamiento de lenguaje natural que monitorea fuentes de noticias en busca de eventos que puedan afectar los precios (disputas comerciales, desastres naturales, cierres de plantas).

En el horizonte de 30 días, los modelos bien calibrados predicen correctamente la dirección del precio (al alza o a la baja respecto al precio actual) entre el 68% y el 75% de las veces. A 60 días, la precisión direccional baja al 62%-70%. A 90 días, es del 58% al 65%. Estos números pueden parecer modestos, pero son sustancialmente mejores que la previsión ingenua (asumir que los precios se mantienen igual, lo cual es correcto aproximadamente el 50% de las veces para cambios mensuales) y significativamente mejores que el juicio humano, que tiende a estar sesgado por efectos de recencia y anclaje.

La predicción de magnitud es menos precisa que la de dirección. El modelo puede predecir correctamente que los precios del acero aumentarán en 60 días, pero sobreestimar o subestimar la magnitud entre un 5% y un 15%. Para las decisiones de compra, la dirección es más importante que la magnitud exacta: saber que es probable que los precios aumenten justifica comprar ahora en lugar de esperar.

Convertir las predicciones en estrategia de compras

El resultado práctico del sistema es un conjunto de recomendaciones para el equipo de compras. Cuando el modelo predice precios al alza con alta confianza, recomienda acelerar las compras y potencialmente asegurar contratos a plazo a los precios actuales. Cuando predice precios a la baja, recomienda comprar cantidades mínimas y esperar mejores precios.

Una empresa manufacturera que utilice este enfoque necesita equilibrar la predicción de precios con los costos de mantenimiento de inventario. Comprar un mes adicional de inventario de bobinas de acero para asegurar un precio más bajo solo tiene sentido si el aumento de precio esperado supera el costo de mantenimiento (espacio de almacén, seguros, costo de capital del inventario inmovilizado y el riesgo de que el material quede obsoleto si cambian las especificaciones). El sistema de IA incorpora estos costos de mantenimiento en sus recomendaciones.

Para materiales con mercados de futuros líquidos (acero, aluminio, cobre, resinas), el sistema también puede recomendar estrategias de cobertura utilizando instrumentos financieros. Un fabricante que necesitará 200 toneladas de aluminio en 90 días puede cubrirse contra aumentos de precios comprando futuros de aluminio, y la predicción de precios de la IA informa si vale la pena pagar la prima de cobertura.

Limitaciones y evaluación honesta

La predicción de precios de materias primas tiene limitaciones reales que cualquier evaluación honesta debe reconocer. Los eventos de cisne negro (pandemias, guerras, cambios importantes en la política comercial) pueden invalidar las predicciones por completo. Los datos de entrenamiento del modelo no incluyen escenarios que no ha visto antes, y los movimientos de precios más costosos suelen estar impulsados por eventos sin precedentes.

Los cambios en la estructura del mercado también desafían a los modelos. El cambio en la fijación de precios del acero, de contratos trimestrales a precios basados en el mercado spot durante la última década, significa que los modelos entrenados con datos más antiguos pueden no capturar la dinámica de precios actual. El reentrenamiento regular del modelo (mensual o trimestral) es esencial para mantener la precisión.

La calidad de los datos de las señales de entrada varía. Las estadísticas económicas gubernamentales se publican con retraso (los datos del PMI son mensuales, los datos de producción industrial son mensuales con revisiones). Para cuando los datos se publican, el mercado a menudo ya ha reaccionado a las condiciones subyacentes. Los indicadores en tiempo real (datos satelitales de actividad naviera, consumo eléctrico en instalaciones industriales, web scraping de precios en sitios web de proveedores) pueden llenar algunos de estos vacíos, pero añaden complejidad y costo.

Para fabricantes pequeños y medianos que gastan menos de $500.000 al año en un solo material, los ahorros de la predicción de precios basada en IA pueden no justificar el costo de implementación. El punto óptimo son empresas con $2 millones o más en gasto anual en materias primas con volatilidad de precios significativa. A esa escala, incluso una mejora del 3% al 5% en el momento de compra genera retornos que superan claramente el costo del sistema.