תזמון רכש סחורות וחומרי גלם

לקנות עכשיו או לחכות? למי שרוכש חיטה, תירס או שמנים בהיקפים תעשייתיים, השאלה האחת הזו מזיזה יותר כסף מרוב הסעיפים בתקציב, וברוב החברות עונים עליה בניסיון, ברחשי שוק ובאומץ. פיתחנו מנוע תחזית למחירי סחורות בדיוק בשביל ההחלטה הזו: תחזיות מחיר מבוססות מודלים עם שכבת הסבר, שנבחנו מול היסטוריית הרכש האמיתית של מכון תערובת, לתמיכה בהחלטות תזמון קנייה ואגירת מלאי. לא איתות מסחר ולא כדור בדולח: כלי קבלת החלטות שצוות רכש יכול לחקור ולאתגר.

איך זה עובד#

המנוע הוא אנסמבל מואץ GPU, כי מחירי סחורות מענישים כל משפחת מודלים בודדת.

ארכיטקטורות עמוקות לסדרות עתיות, NBEATS, TFT, TiDE ואחרות, לוכדות דינמיקה לא-לינארית ושינויי משטר בשוק; מודלים מבוססי Gradient Boosting תורמים פרופיל שגיאה שונה; והאנסמבל משלב ביניהם כך שהנקודה העיוורת של מודל אחד לא הופכת לשלכם. הנדסת המאפיינים מעוגנת בתחום עצמו: ברכש תערובות, המאפיינים נשענים על כימיית הפורמולציה של המזון, יחסי התחלופה בין רכיבים שבאמת מניעים את הביקוש של מכון לכל סחורה.

שתי תכונות הופכות את זה לכלי של צוות רכש ולא של צוות דאטה.

שכבת הסבר: ייחוס מבוסס SHAP מראה אילו גורמים דוחפים כל תחזית, כך שקניין יכול לשקול את הנימוק של המודל מול מה שהוא יודע מהשוק, במקום לציית למספר עירום או להתעלם ממנו.

בחינה מול היסטוריית רכש אמיתית: המנוע נבחן מול רישומי הקנייה בפועל של מכון תערובת, סביב השאלה המסחרית היחידה שחשובה: האם תזמון קניות לפי התחזית היה מנצח את ההחלטות שהתקבלו בפועל?

מה כבר עשינו#

העמוד הזה מתאר עבודה בדרגת ‘פיתחנו ותיקפנו על נתוני אמת’: המנוע קיים, רץ על נתוני שוק ורכש אמיתיים, ונבחן מול היסטוריית רכש אמיתית של מכון תערובת. הוא לא רץ עדיין כשירות רכש חי לאורך שנים, ואנחנו אומרים זאת ישירות; שלב הבחינה על היסטוריה הוא בדיוק הנקודה שבה פרויקט חדש מרים אותו על הסחורות שלכם.

ומהתעשייה, תחום צעיר ואנחנו מציגים אותו ככזה: יצרן פלסטיק שהשתמש בכלי מחירים מבוסס ML לתזמון רכש חומר גלם דיווח על חיסכון של מעל 10% בחצי שנה, על פי מקרה לקוח של הספק ChAI, וקניינים של ענקיות מזון, כולל Nestle, משתמשים בכלי מחירים מבוססי ML כמו Vesper. גם הרוכשים הגדולים בעולם מתייחסים היום לתחזית מחירים כתשומת עבודה, לא כגימיק.