Прогноз цен на металл за месяц: как ML сэкономил торговой компании деньги на закупках арматуры

Модель машинного обучения предсказывает динамику цен на арматуру на месяц вперёд — торговая компания из ОАЭ использует её, чтобы решать, когда контрактоваться с поставщиками. Система анализирует внутренние продажи и биржевые котировки турецкого металла.

Что не работало раньше

Компания торгует арматурой и металлом в ОАЭ. Цены на товар скачут — привязаны к биржевым котировкам. Менеджеры не понимали, когда лучше подписывать контракты:

Контрактовались слишком рано — через неделю цена падала на 10%, конкуренты покупали дешевле
Тянули с контрактом — цена росла, маржа съедалась
Решения принимались на интуиции, без данных о будущей динамике

Каждая ошибка в timing стоила денег. Инструмента для прогноза не было.

Что изменили

Построили ML-модель на двух типах данных:

Исторические продажи компании — цены, объёмы, сроки контрактов за несколько лет
Биржевые котировки металла в Турции — публичные данные, которые коррелируют с ценами в ОАЭ

Модель выдаёт прогноз на месяц вперёд и рекомендацию:

«Цена вырастет с вероятностью 78% — контрактуйтесь медленнее, подождите неделю»
«Цена упадёт с вероятностью 65% — ускорьте закупки, фиксируйте объёмы сейчас»

Система встроена в процесс принятия решений. Менеджеры видят прогноз в CRM перед переговорами с поставщиками.

Что получили

Результаты после внедрения:

Высокая точность прогноза — модель угадывает направление изменения цены в большинстве случаев (точная метрика не раскрыта, но компания продолжает использовать систему)
Снижение финансовых рисков — меньше потерь от неправильного выбора момента контрактования
Проактивное управление вместо реактивного — решения принимаются на основе данных, а не интуиции

Компания получила конкурентное преимущество: пока другие действуют вслепую, она видит тренд на месяц вперёд.

Для кого это работает

Подход применим, если у вас:

Товар привязан к биржевым котировкам — металл, топливо, зерно, химикаты
Есть исторические данные продаж — минимум год, лучше 2-3 года
Доступны публичные цены — биржи, индексы, котировки поставщиков

ML-модель окупается за счёт:

Экономии на своевременном контрактовании (купили до роста цены)
Снижения убытков от неправильного timing (не зафиксировали объём перед скачком)
Улучшения переговорной позиции с поставщиками (знаете, куда пойдёт цена)

Источник: https://r77.ai/cases/tpost/ilt2ik6og1-prognoz-dinamiki-tseni-na-armaturu-na-ri

Прогноз цен на металл за месяц: как ML сэкономил торговой компании деньги на закупках арматуры

Похожие статьи

Поделиться в соц. сетях

Комментарии