日本語
EnglishMới đây, công ty startup MLT Analytics đã phát triển các kịch bản giả định về giá nguyên liệu dựa trên các xu hướng lớn, áp dụng công nghệ Machine Learning và AI để xác định các yếu tố ảnh hưởng đến giá nhựa và đưa ra các dự báo với tình hình giá nhựa trong thế giới thật.
Giá hạt nhựa resin toàn cầu đã có nhiều biến động từ cuối năm nay, chủ yếu do các yếu tố liên quan tới COVID-19. Nhưng khi đánh giá một cách tổng quát theo góc độ lịch sử và phát triển, các biến động này đều có quy luật và không phải yếu tố phát sinh hay là ngoại lệ. Theo MLT Analytics, định giá hạt nhựa được điều phối và thúc đẩy bởi nhiều yếu tố khác nhau, trong đó chủ yếu là giá nguyên vật liệu đầu vào. Câu hỏi được đưa ra là tại sao các dự báo giá hiện tại thường có xu hướng tương đối tuyến tính bất chấp những sự bất ổn giá đã diễn ra trong lịch sử? Câu hỏi này đã thu hút sự chú ý của những người sáng lập MLT Analytics, họ tự hỏi liệu có một công cụ hợp lý nào có thể đưa những biến động này vào trong các dự báo xu hướng giá hạt nhựa như đã quan sát được trong dữ liệu lịch sử này hay không?
Công ty đã xây dựng một phương pháp để giải quyết câu hỏi đặt ra ở trên:
- Phát triển một loạt các kịch bản giải định về giá nguyên vật liệu dựa trên các xu hướng lớn xảy ra như giá dầu cao điểm, phương tiện giao thông vận tải chạy bằng điện, sản xuất điện từ khí đốt tự nhiên cùng với sự phát triển của các quy định mới.
- Sử dụng Machine Learning và AI để xác định các yếu tố ảnh hưởng chính đến việc định giá nhựa.
“Ví dụ, các dự báo giá dầu và khí đốt dài hạn, từ Cơ quan Thông tin Năng lượng Hoa Kỳ, không có tính biến động. Chúng tăng hoặc giảm phụ thuộc chủ yếu vào kịch bản và theo một cách tương đối tuyến tính. Những gì chúng tôi đang làm là đưa tính biến động vào các dự báo của chúng tôi dựa trên xu hướng về nguyên liệu thô trong quá khứ và các giả định về diễn biến của thị trường trong tương lại, chẳng hạn như giá dầu ở giai đoạn cao điêm. Nhờ đó, tính biến động và chân thực sẽ được đưa vào trong các dự báo giá nhựa.” ông Stephen Moore, đồng sáng lập và CEO của MLT Analytics giải thích. “Chúng tôi phân tích nhiều nguồn dữ liệu thô và sử dụng Machine Learning để khám phá sự tương quan của chúng đối với nhựa theo loại và vùng hoặc khu vực mà chúng được bán ra.” Ông Moore bổ sung, người cũng đồng thời có nhiều đóng góp lâu dài cho PlasticsToday.
Nhựa chỉ là một trong những đối tượng phân tích của MLT Analytics, giá cả cho bất kỳ loại hàng hóa nào gồm cả nguyên vật liệu không phải nhựa cũng có thể được dự báo về mặt lý thuyết khi sự phân bố giá trong lịch sử có tính tương quan nhất định và nguồn dữ liệu từ các yếu tố ảnh hưởng chính.
Sau khi mô hình dự báo được thiết lập, dữ liệu lịch sử mới nhất sẽ được tải vào trong mô hình ngay khi có cập nhật mới, điều này sẽ khiến cho các dự báo được tinh chỉnh chính xác và chân thực hơn. Thêm vào đó, việc phân bổ và hình ảnh hóa với các đường phân tích dự báo chồng lên đường lịch sử cũng có thể được sử dụng như một công cụ để xác minh tính hợp lệ hay chân thực của phương pháp phân tích. Sự trùng lặp chặt chẽ của dữ liệu lịch sử và dữ liệu dự báo là bằng chứng cho thấy mô hình đang hoạt động tốt từ góc độ thống kê.
Moore cũng cho hay: “Trừ khi các dữ liệu mà bạn cung cấp vào mô hình dự báo có ý nghĩa từ góc độ kinh tế và công nghiệp, nếu không dự báo của bạn sẽ có tỷ lệ chính xác rất thấp và khó xảy ra. Do đó, những dữ liệu chuyên môn trong ngành trong hàng thập kỷ vừa qua mà chúng tôi thu thập được là yếu tố rất quan trọng khi xây dựng một dự báo.”