原材料価格予測のためのAI:90日先の購買計画を立てる

テネシー州の金属プレス加工会社は、鋼板コイルに年間420万ドルを費やしていました。彼らの購買プロセスはシンプルで、在庫が再発注点まで下がると、3社のサプライヤーに電話してその時点で最も良い価格で購入していました。AIベースの価格予測システムを導入してから18ヶ月間で、価格のピークを避け、予測された底値でのタイミングで契約を確保することにより、186,000ドル、つまり年間鉄鋼支出の約4.4%を節約しました。

4.4%という数字は劇的には聞こえないかもしれませんが、35,000ドルのソフトウェア投資で、サプライヤー、仕様、製造プロセスを一切変更せずに達成されたことを考えると、その価値がわかります。

原材料価格予測が実際に行うこと

AIは6月15日の熱延コイル鋼の正確な価格を予測しようとするわけではありません。将来の価格範囲に対する確率分布を生成します。例えば、60日後に価格が1トンあたり820ドルから890ドルの間になる確率が70%、890ドルを超える確率が15%、820ドルを下回る確率が15%といった具合です。この確率論的アプローチは、リスク調整された購買意思決定を可能にするため、ポイント推定よりも有用です。

モデルは複数のカテゴリのデータを取り込みます。商品先物価格とフォワードカーブは、将来の価格に対する市場の現在の期待を提供します。供給側の指標には、原材料の生産データ（鉄鉱石の産出量、アルミニウム精錬所の稼働率）、物流データ（輸送料金、港湾の混雑状況）、製鉄所やサービスセンターの在庫水準が含まれます。需要側の指標には、製造業PMIデータ、建設支出、自動車生産予測、主要消費産業の受注残データが含まれます。

為替レート、金利、通商政策の変更などのマクロ経済要因もモデルに入力されます。例えば、鉄鋼関税の発表は予測可能な価格急騰を引き起こし、過去の関税影響で学習されたモデルはこれを予測できます。

モデルのアーキテクチャと精度

ほとんどの本番システムは、複数の手法を組み合わせたアンサンブルモデルを使用しています。勾配ブースティング木（XGBoost、LightGBM）は構造化された表形式データを効果的に処理します。LSTMやトランスフォーマーベースの時系列モデルは、時間的パターンやトレンドを捉えます。一部のシステムには、価格に影響を与える可能性のあるイベント（貿易紛争、自然災害、工場閉鎖）についてニュースフィードを監視する自然言語処理コンポーネントが含まれています。

30日先の予測では、適切にキャリブレーションされたモデルは価格の方向性（現在の価格に対して上昇か下降か）を68%から75%の確率で正しく予測します。60日先では方向性の精度は62%から70%に低下します。90日先では58%から65%です。これらの数字は控えめに見えるかもしれませんが、ナイーブ予測（価格が変わらないと仮定する方法で、月次変動に対して約50%の正解率）よりも大幅に優れており、直近性バイアスやアンカリング効果に影響されやすい人間の判断よりもはるかに優れています。

変動幅の予測は方向性の予測ほど正確ではありません。モデルは60日後に鉄鋼価格が上昇することを正しく予測しても、変動幅を5%から15%過大評価または過小評価する場合があります。購買の意思決定においては、正確な変動幅よりも方向性の方が重要です。価格が上昇する可能性が高いとわかれば、待つよりも今購入する判断が正当化されます。

予測を購買戦略に変える

システムの実用的なアウトプットは、購買チームへの一連の推奨事項です。モデルが高い確信度で価格上昇を予測した場合、購入を前倒しし、現在の価格でフォワード契約を確保することを推奨します。価格下落を予測した場合は、最小限の数量を購入し、より良い価格を待つことを推奨します。

このアプローチを使用する製造企業は、価格予測と在庫保有コストのバランスを取る必要があります。より低い価格を確保するために鋼板コイルを1ヶ月分余分に購入することは、予想される価格上昇が保有コスト（倉庫スペース、保険、在庫に固定された資本コスト、仕様変更により材料が陳腐化するリスク）を上回る場合にのみ合理的です。AIシステムはこれらの保有コストを推奨事項に組み込んでいます。

流動性のある先物市場がある材料（鉄鋼、アルミニウム、銅、樹脂）については、システムは金融商品を使用したヘッジ戦略も推奨できます。90日後に200トンのアルミニウムが必要な製造業者は、アルミニウム先物を購入することで価格上昇に対してヘッジでき、AIの価格予測がヘッジプレミアムを支払う価値があるかどうかの判断材料となります。

限界と正直な評価

原材料価格予測には、正直な評価として認めるべき実際の限界があります。ブラックスワンイベント（パンデミック、戦争、大規模な通商政策の変更）は予測を完全に無効にする可能性があります。モデルの学習データには、これまで経験したことのないシナリオは含まれておらず、最もコストのかかる価格変動は前例のないイベントによって引き起こされることが多いのです。

市場構造の変化もモデルにとって課題となります。過去10年間で鉄鋼価格が四半期契約からスポット市場ベースの価格設定に移行したことは、古いデータで学習されたモデルが現在の価格ダイナミクスを捉えられない可能性があることを意味します。精度を維持するためには、定期的なモデルの再学習（月次または四半期ごと）が不可欠です。

入力シグナルのデータ品質にはばらつきがあります。政府の経済統計は遅れて発表されます（PMIデータは月次、鉱工業生産データは月次で改定あり）。データが公表される頃には、市場はすでに基礎的な状況に反応していることが多いです。リアルタイムの代替指標（船舶活動の衛星データ、産業施設の電力消費量、サプライヤーウェブサイトからの価格のウェブスクレイピング）はこれらのギャップの一部を埋めることができますが、複雑さとコストが増加します。

単一の材料に年間50万ドル未満を支出している中小規模の製造業者にとっては、AIベースの価格予測による節約が導入コストを正当化できない場合があります。最適なのは、意味のある価格変動性を持つコモディティに年間200万ドル以上を支出している企業です。その規模であれば、購買タイミングの3%から5%の改善でも、システムのコストを明確に上回るリターンが生まれます。