קניין שרוכש פלדה, נחושת או חו"ג לפלסטיק ראה את המחירים נעים ב-20% עד 30% בתוך רבעון אחד, יותר מפעם אחת בשנים האחרונות. במציאות כזו השאלה האם קנינו בעיתוי הנכון שווה לא רק כמה אחוזים של רווחיות, אלא לעיתים את כל הרווחיות. במשך שנים התשובה נשענה על תחושת הבטן של הקניין ועל המחיר האחרון שצוטט. בינה מלאכותית מתחילה להחליף את תחושת הבטן בחישובי הסתברות ברמת אמינות גבוהה.
ארבע ההחלטות שכל קניין סחורות מתמודד איתן
פירמת הייעוץ Roland Berger ממסגרת את האתגר בארבע שאלות מעשיות. מתי לקנות; כמה לרכוש מראש ולאחסן; מהו התמהיל הנכון בין רכש בשוק המיידי (spot) לבין חוזים עתידיים (forward ו-futures); ואיזו נוסחת הצמדה לקבוע בסעיף עדכון המחיר מול ספקים או לקוחות. לכל אחת מהשאלות האלה למידת מכונה יכולה לתרום החלטה מבוססת-נתונים. כפי שמנסחים זאת שם, בעידן של תנודתיות מהירה ניתוח Big Data הוא המצפן של רכש חומרי הגלם.
איך המודל "חושב"
בבסיסו, המודל עושה דבר אחד: הוא מנסה לנחש לאן ילך מחיר של סחורה. כדי לנחש היטב, הוא לא מסתכל רק על מחירי העבר — הוא שואב גם נתונים חיצוניים רבים: כמה מהסחורה זמינה בשוק, מה מצב הביקוש, אירועים גיאופוליטיים, תנאי מזג אוויר שעשויים להשפיע על יבולים, שערי חליפין, מדדים כלכליים כלליים, ורמות המלאי הנוכחיות. כל אלה נכנסים לתוך המודל בבת אחת.
אילו כלים קיימים?
קיים מגוון אלגוריתמים לביצוע המשימה הזו. בצד הפשוט יותר נמצא XGBoost — שיטה שמשלבת הרבה עצי החלטה פשוטים לכלל תחזית אחת חזקה. בצד המתוחכם יותר נמצאים מודלי LSTM ו-GRU, שמדמים את האופן שבו מוח אנושי "זוכר" רצפים של אירועים לאורך זמן — יכולת קריטית כשעוסקים בנתונים שבהם הסדר ההיסטורי חשוב.
מחקר שפורסם ב-2025 בכתב העת Scientific Reports של Nature בחן שלוש משפחות של מודלים על פני 23 סחורות שונות, תוך שימוש בנתונים יומיים מינואר 2010 עד אמצע 2024. המסקנה הייתה ברורה: מודלי LSTM ו-GRU היכו את שיטות התחזית הסטטיסטיות המסורתיות כמו ARIMA, בעיקר משום שהם מצליחים לזהות תבניות זמניות עדינות — כלומר, קשרים בין אירועים שמרוחקים זה מזה בזמן.
בחזית הטכנולוגית כיום מתפתחים מה שמכונים "מודלי יסוד לסדרות זמן" — כלים כמו Chronos-2 שפורסם ב-2025, שמאומנים על כמויות עצומות של נתונים עוד לפני שמציגים בפניהם נתוני סחורה ספציפיים. הגישה הזו מקבילה לכך שמודל שפה כמו ChatGPT מכיר את העולם כולו לפני שמלמדים אותו מטלה ספציפית — היתרון הוא גמישות גבוהה יותר ואינטגרציה מהירה לתרחישים חדשים.
מעבר לחיזוי: מחיר יעד וניתוח Should-Cost
בינה מלאכותית אינה עוסקת רק בניבוי השוק. גישת ה-Should-Cost, או בניית מחיר יעד בסיס העלות, בונה מחיר יעד מבוסס-נתונים מתוך רכיבי העלות עצמם, מדדי חומר הגלם, אנרגיה, עבודה ועלות ההמרה, ואז מסמנת מתי מחיר של ספק חרג כלפי מעלה ומפעילה משא ומתן מחודש. כלים בקטגוריה הזו, כמו CostIQ של Roland Berger ופלטפורמות מודיעין שוק כדוגמת ChAI ו-PriceVision, ממחישים את הכיוון: להפוך נתוני הוצאה ונתוני שוק לאותות רכש ולמחירי יעד. בבסיס של כל זה יושב ניתוח הוצאות (spend analytics) מסודר.
למה זה לא כדור בדולח
כאן חשוב להיות ערים ועם יד על הדופק. שווקי הסחורות קשים לחיזוי מעצם טבעם, כי הם מונעים מזעזועים, מגיאופוליטיקה ומספקולציה שאף מודל אינו מזהה לחלוטין. בינה מלאכותית נותנת כיוון והסתברות, אך צריך לדעת שאינה נותנת ודאות. אירוע קיצון, מלחמה, סנקציות או מצר ימי שנחסם, שובר כל מודל שאומן על העבר. הערך האמיתי של כלים אלו אינו בניבוי מושלם של המחיר אלא תזמון מושכל יותר, משמעת בהגנות מחיר (hedging), והיכולת לאתגר הצעת מחיר של ספק בעזרת נתונים במקום בתחושה. וכל זה תלוי כמובן בנתוני הוצאה מדויקים ככל שניתן ומובנים, שלרוב הארגונים פשוט אין. שוב, גארבג' אין גארבג' האוט.
מהגרף להחלטה
ברוב הארגונים בישראל הרכש עדיין מתבצע לפי תחושת בטן ולפי המחיר האחרון, והחשיפה לחומרי הגלם כמעט אינה ממודלת. הערך נוצר בחיבור בין מודיעין שוק לבין רכש ממושמע וניהול סיכונים, למשל באמצעות מתודולוגיות ניהול סיכוני הסחורות שמשיק עובדת לפיהן בשיתוף פירמת הייעוץ הבינלאומית Kearney. החיזוי הוא קלט; ההחלטה היא תהליך. בחטיבת הרכש של משיק אנו מתרגמים את הגרף להחלטת רכש: מתי, כמה, באיזה מכשיר ובאיזו נוסחת הצמדה, כך שהתנודתיות בשוק תהפוך מסיכון להזדמנות.
