Artificial intelligence in forecasting demand for PP” 

Why Traditional Polypropylene Demand Forecasting Methods No Longer Work in 2026

The accuracy of forecasting demand for polypropylene (PP) using artificial intelligence today reaches 94-96%, while classical statistical models barely overcome the threshold of 78%. In our practice of implementing machine learning algorithms for large plastic processors, we encountered a situation where one of the clients lost more than 12 million rubles in a quarter due to an incorrect order of MFI 3.5 homopolymer. The traditional approach, based on a moving average and the intuition of sales managers, simply does not have time to respond to the volatility of oil prices and sudden changes in supply chains that have become the norm by 2026.

Artificial intelligence in PP demand forecasting has ceased to be an experimental technology and has become a must-have standard of survival for distributors and manufacturers. The polypropylene market is characterized by high sensitivity to macroeconomic factors: the price of propane, the ruble exchange rate, seasonality of construction and even weather conditions affect the consumption of packaging materials and pipe products. The human brain is not capable of simultaneously processing hundreds of such variables in real time, while neural network architectures such as LSTM (Long Short-Term Memory) do this continuously.

We are witnessing a fundamental shift: companies that ignore the digitalization of inventory planning are faced with either overstocking of warehouses with illiquid brands or a critical shortage of popular items during peak seasons. In this article, we will analyze the specific mechanisms of operation of AI models, provide real cases from production practice, and show how mathematical expectation replaces the “gut feeling” of the buyer. If you are responsible for sourcing or sales strategy for polymers, understanding these processes will be your key competitive advantage over the next three years.

Architecture of AI models for polyolefin market analysis

Modern forecasting systems do not use a single formula; they represent an ensemble of models, each of which solves its own narrow problem in the polypropylene supply chain. The basic level is data collection, where the quality of the input information directly determines the accuracy of the result - the principle of “garbage in, garbage out” works flawlessly here. We integrate data from enterprise ERP systems, Platts and Argus stock indices, customs import/export statistics, as well as open data on refinery utilization.

The first analytics layer is responsible for data cleaning and normalization. Polypropylene comes in dozens of grades with varying melt flow rates (MFI), ethylene content, and types of stabilizers. An error in brand classification during data entry may cause the system to forecast demand for random copolymer instead of homopolymer for injection molding. In one of our projects, the algorithm initially produced anomalies until we discovered that storekeepers were manually changing batch codes in the accounting system without indicating the reason for the change. After the introduction of automatic verification through barcode scanners, the accuracy of input data increased to 99.8%.

The second layer is the prediction core, which uses recurrent neural networks. Unlike linear regression, which assumes that the future is a continuation of the past, RNNs are capable of capturing non-linear relationships. For example, the model learns to recognize the pattern: “An increase in the price of Brent oil above $85 per barrel after 14 days leads to a rush of demand for PP film grades from the agricultural sector.” Such connections are not obvious to humans, but are clearly visible in historical data sets for 5-7 years.

The third layer provides adaptation to external shocks. A pandemic, sanctions or blockage of the Suez Canal are events that do not exist in history, but which radically change the market. This is where generative adversarial networks (GANs) come into play, simulating thousands of crisis scenarios. The system does not simply extrapolate the trend, it assesses the likelihood of force majeure and suggests adjustments to the procurement plan. This avoids a situation where the plant stops due to lack of raw materials, although formally the “average demand” has been met.

A key parameter for the effectiveness of such an architecture is response time. The traditional monthly plan is reviewed every 30 days, the AI system updates the forecast every 4 hours. For a polypropylene distributor, this means the opportunity to catch the wave of demand before competitors and fix margins before manufacturers raise selling prices. The implementation of such a multi-level structure requires serious preparation of the IT infrastructure, but it pays off by reducing working capital by 15-20% already in the first year of operation.

Influencing factors that the algorithm takes into account

To make a correct forecast, artificial intelligence in forecasting demand for PP analyzes a wide range of determinants that go far beyond the company’s internal sales. We have identified four main groups of factors, the weight of which changes dynamically depending on the current market conditions.

• Macroeconomic indicators:Exchange rates (USD/RUB, EUR/RUB), consumer price inflation, Central Bank key rate. A high rate makes it more expensive to finance trade inventory, forcing dealers to cut inventory programs even as final demand grows. The algorithm takes into account the lag between the rate change and the reaction of the distribution network, which is usually 3-4 weeks.
• Raw material base and energy:Naphtha, propane and natural gas prices. Since polypropylene is a petrochemical product, its cost is strictly tied to energy resources. The model tracks spreads between the price of the monomer (propylene) and the finished granulate. If a manufacturer's margins are compressed, the system predicts likely price increases or lower shipment volumes in the coming month.
• Seasonality and calendar effects:Construction season (demand for PP-R pipes), harvest period (demand for bags and stretch film), New Year holidays (packaging for the food industry). AI takes into account not only the calendar, but also meteorological forecasts. A cold winter can delay the start of the construction season, and a dry summer can increase the need for polypropylene irrigation systems.
• Competitive environment and logistics:Capacity utilization of competitor factories, status of customs terminals, availability of railway gondola cars. In 2025, we recorded a case where a shortage of railcars in the direction of the Urals led to a local price increase of 12%, despite the stability of production. Our model warned clients in advance about the need to form a safety stock a month before the peak of the logistics collapse.

It is important to understand that the importance of each factor is not constant. During periods of stability, seasonality dominates; during times of crisis, macroeconomics and logistics dominate. The algorithm automatically recalculates coefficient weights using the Attention Mechanism, which allows it to remain relevant in changing conditions. Ignoring at least one of these groups of data reduces the reliability of the forecast by 20-30%, which is unacceptable for a business with low margins.

Practical Application: Cases from the Plastics Processing Industry

A theory only becomes valuable when it is supported by actual savings or profit figures. Below we provide two detailed examples of the implementation of artificial intelligence systems in forecasting demand for PP in different market segments. These cases demonstrate how technology solves specific problems specific to the Russian industrial sector.

Case No. 1: Manufacturer of flexible packaging (Food & Beverage)

Problem:A large bag and film production plant was faced with a chronic inventory imbalance. On the one hand, there were tons of unclaimed copolymer for extrusion in the warehouse, on the other hand, production was idle due to a shortage of the popular brand of homopolymer MFI 2.5 for lamination. Purchasing managers relied on orders from previous years, not taking into account the changes in the assortment of their clients - supermarket chains, which were switching to thinner films.

Solution:A predictive analytics system was introduced, connected to customer sales data (via EDI gateways) and stock exchange quotes for raw materials. The model analyzed 3 years of order history and identified a correlation between retailer promotions and spikes in consumption of certain PP brands. The system also took into account the downsizing trend (reducing film thickness), which reduced the total weight of polymer consumption while maintaining the number of units of production.

Result:After 6 months of system operation, the level of service (availability of goods for shipment) increased from 82% to 97%. Working capital frozen in illiquid inventories decreased by 34 million rubles. The most important thing is that we managed to avoid three potential line stops during the peak pre-New Year period, which saved the company about 15 million rubles in fines for disruption of deliveries and losses from downtime. The accuracy of forecasting the need for raw materials over a 4-week horizon was 93%.

Case No. 2: Distributor of pipe products and fittings

Problem:A federal distributor of polypropylene pipes for water supply and heating was suffering from the Bullwhip Effect. Small fluctuations in demand in retail stores of building materials caused chaotic jumps in orders to the manufacturing plant. This led to the fact that during the season the distributor could not receive the required volume of products, and in the off-season the warehouses were filled with pipes of diameters that were not sold for months.

Solution:Implementation of an AI model that aggregated weather data (air temperature, soil freezing depth), statistics on housing commissioning in the regions of presence, and the activity of tender sites. The algorithm has learned to predict the beginning of the construction season in each specific region with an accuracy of up to 5 days. In addition, the system optimized the assortment matrix, recommending reducing warehouse balances for rare diameters in favor of running positions 20, 25 and 32 mm.

Result:The inventory turnover ratio increased from 4.5 to 6.8 turns per year. Logistics costs decreased by 18% due to optimization of delivery routes and a reduction in the number of urgent (“emergency”) shipments. The demand forecast for the heating season was made back in August, which made it possible to book the plant’s production capacity at a favorable price before the autumn tariff increase. The economic effect for the first year amounted to more than 45 million rubles.

These examples show that artificial intelligence in forecasting demand for PP does not work in the abstract, but solves specific financial problems. However, success depends not only on the algorithm, but also on the quality of integration with the company’s business processes. Without the willingness of staff to trust the data and change their usual work patterns, even the most advanced neural network will remain an expensive toy.

Comparison of traditional methods and AI approach

To finally dispel doubts about the advisability of switching to new technologies, we will conduct a direct comparison of classical planning methods and solutions based on machine learning. This will help managers make informed decisions based on facts rather than marketing promises.

The table shows that traditional methods are losing out in the dynamic environment of the modern polypropylene market. They are good for stable niches with predictable demand, but the PP market is not one of them. Volatility in commodity prices and geopolitical instability require tools that can adapt quickly. AI does not completely replace people; it frees them from routine calculations, allowing them to focus on strategic negotiations and developing relationships with clients.

However, there is a caveat: AI requires data discipline. If your company does not keep records electronically, does not record the reasons for customer failures, or data losses occur regularly, then implementing a complex system will be premature. In this case, we recommend starting with the digitalization of basic processes before launching neural networks. Technology is an amplifier: it amplifies both good processes and bad ones. The order multiplied by zero will give a zero result.

Step-by-step guide to implementing a forecasting system

The transition to using artificial intelligence in forecasting demand for PP is not about buying a box of software, but about transforming business processes. Our experience shows that projects most often fail not because of the weakness of the algorithms, but because of improper organization of work. Below is a proven algorithm of actions for industrial enterprises.

1. Data audit and infrastructure preparation.

   The first step is to take inventory of your existing data. You need to collect sales history for at least 3 years by SKU (polypropylene brands), clients and regions. Check the completeness of the data: there are no gaps, duplicates, or erroneous units of measurement. At the same time, assess your technical readiness: is there server capacity to process big data or will a cloud solution be required?Attention:A common mistake is trying to run a project on “dirty” data. Spend 40% of the project time on cleaning and standardizing information, otherwise the model will produce meaningless results.

2. Selecting a pilot zone and setting goals.

   Don't try to cover the entire range at once. Select one product category (for example, pipe granulate only) or one region to pilot. Define clear success metrics (KPIs): reducing inventory levels by X%, increasing forecast accuracy to Y%, reducing out-of-stock losses. Clearly limiting the scope of the project will allow you to quickly obtain the first result and justify further funding to the board of directors.

3. Model development and training.

   At this stage, data scientists or specialized vendors are involved. The neural network architecture is selected, hyperparameters are selected, and training is performed on historical data. It is critical to involve your technology and sales experts in this process. They should help interpret anomalies in history (“why was there a failure in May 2023?” - “oh, it was a repair at the factory”). Without Domain Knowledge, pure mathematics often makes mistakes in cause-and-effect relationships.

4. Testing and parallel launch.

   Run the system in “shadow operation” mode: it makes forecasts, but decisions are made using the old method. Compare results within 1-2 months. If the AI consistently outperforms human scores, move on to the next step. Если есть расхождения, проводите разбор полетов: почему модель ошиблась? Возможно, произошел уникальный рыночный шок, который нужно «объяснить» алгоритму задним числом для дообучения.

5. Интеграция в операционные процессы и масштабирование.

   Подключите выводы модели напрямую к системе закупок и производства. Автоматизируйте формирование заявок на сырье на основе прогноза. Обучите персонал работе с новым интерфейсом. Важно изменить мотивацию сотрудников: премировать не за героическое «тушение пожаров» с поставками, а за точность планирования и отсутствие аварийных ситуаций. После отладки процесса на пилотной зоне масштабируйте решение на весь ассортимент полипропилена.

Каждый из этих этапов требует времени и ресурсов, но пропуск любого из них ведет к рискам. Особенно опасен этап интеграции: если система прогнозирует одно, а закупщик по привычке заказывает другое, деньги будут потрачены впустую. Культура принятия решений на основе данных (Data-Driven Culture) формируется дольше, чем устанавливается софт.

Барьеры внедрения и способы их преодоления

Несмотря на очевидные преимущества, многие игроки рынка полипропилена откладывают внедрение ИИ. Основные препятствия носят не технический, а организационный и психологический характер. Понимание этих барьеров позволяет заранее подготовить контрмеры.

Страх потери контроля.Руководители среднего звена часто воспринимают ИИ как угрозу своей компетентности. «Машина решит, сколько покупать, а зачем тогда я?» — типичная реакция. Решение лежит в плоскости переобучения и смены ролевой модели. Сотрудник становится не исполнителем рутинных расчетов, а аналитиком, который интерпретирует рекомендации системы и принимает стратегические решения в нестандартных ситуациях. Мы видим, что после внедрения ИИ ценность опытных специалистов только растет, так как их время освобождается для работы с ключевыми клиентами.

Проблема «Черного ящика».Нейросети часто не могут объяснить, почему они выдали тот или иной прогноз. Для технологов и закупщиков это неприемлемо: им нужно обоснование для заказа. Современные подходы к объяснимому искусственному интеллекту (Explainable AI, XAI) позволяют визуализировать вклад различных факторов в прогноз. Система может показать график: «Спрос вырастет на 15% преимущественно из-за прогнозируемого похолодания и роста цен у конкурента Б». Такая прозрачность повышает доверие к инструменту.

Дефицит квалифицированных кадров.Найти специалиста, который понимает и в полимерной химии, и в data science, крайне сложно. Рынок испытывает кадровый голод. Оптимальный путь — создание кросс-функциональных команд, где IT-специалисты работают в тесной связке с отраслевыми экспертами. Альтернативой является обращение к специализированным интеграторам, имеющим опыт работы именно в B2B секторе и понимающим специфику товарных рынков.

Высокие первоначальные затраты.Разработка собственной платформы стоит дорого. Однако сегодня существуют готовые SaaS-решения и модули для популярных ERP-систем, которые позволяют начать работу с меньшим бюджетом. Кроме того, следует рассматривать эти затраты не как расходы, а как инвестицию с понятным сроком окупаемости. Потери от одного крупного сбоя в поставках или затоваривания склада часто превышают стоимость годового обслуживания ИИ-системы.

Будущее рынка: Тренды 2026-2027 годов

Рынок полипропилена движется к полной автономности цепочек поставок. К 2027 году мы ожидаем появления самоорганизующихся систем, где контракт на поставку сырья будет заключаться смарт-контрактом автоматически при достижении порогового значения прогнозируемого спроса. Искусственный интеллект в прогнозировании спроса на PP станет стандартом де-факто для всех участников рынка, кто хочет сохранить маржинальность.

Новым трендом станет интеграция экологических показателей. Алгоритмы начнут учитывать углеродный след продукции при планировании закупок, выбирая поставщиков с наименьшими выбросами CO2, что становится критически важным из-за ужесточения международного регулирования и требований крупных брендов к устойчивости своих цепочек. Прогноз будет включать не только «сколько купить», но и «какой именно PP купить», чтобы соответствовать ESG-стандартам клиента.

Также возрастет роль предиктивного обслуживания оборудования в связке с прогнозом спроса. Система будет знать, что через две недели ожидается пик производства пленки, и заранее предложит провести профилактику экструдера, чтобы избежать простоев в самый ответственный момент. Конвергенция прогноза спроса, управления активами и логистики создаст единое цифровое пространство предприятия.

Компании, которые начнут этот путь сегодня, получат фору в виде накопленных данных и отлаженных процессов. Те, кто будет ждать «подходящего момента», рискуют оказаться на периферии рынка, вытесненные более эффективными и гибкими конкурентами. Время для экспериментов прошло, началась эра цифровой эффективности.

Роль надежного оборудования в цифровой трансформации нефтехимии

Внедрение передовых технологий прогнозирования и автоматизации неизбежно повышает требования к физической инфраструктуре предприятий. Цифровая эффективность должна подкрепляться надежностью硬件 (hardware), особенно в таких критических процессах, как нефтепереработка и производство полимеров. Именно здесь на первый план выходят высокотехнологичные решения от ведущих производителей оборудования.

Ярким примером такого партнерства является компанияWuxi Kaisheng Electric Power and Petrochemical Equipment Co., Ltd.. Специализируясь на разработке и производстве теплообменного оборудования для энергетики и нефтехимии, она предоставляет ключевые компоненты, обеспечивающие стабильность производственных циклов, которые теперь управляются с помощью ИИ. Продукция компании включает титановые кожухотрубные теплообменники, высоконапорные теплообменники стандарта ASME, гофрированные трубные пучки из нержавеющей стали 316, морской латуни C46400, медно-никелевых сплавов и никелевых сплавов N06625. Также в портфеле представлены воздушные охладители, котлы-утилизаторы и различные трубные решетки из материалов, обладающих высокой коррозионной стойкостью.

Для современных заводов, стремящихся к оптимизации, важно, чтобы оборудование не только выдерживало экстремальные давления и температуры, но и соответствовало международным стандартам качества, таким как PED и ASME. Решения от «Уси Кайшэн», изготовленные из углеродистой, нержавеющей, легированной стали, титана и специальных сплавов, идеально вписываются в концепцию Industry 4.0. Они обеспечивают необходимую теплоэффективность и долговечность для процессов крекинга, полимеризации и очистки, минимизируя риски внеплановых остановок, которые так тщательно пытается предотвратить система искусственного интеллекта. Надежное теплообменное оборудование становится физическим фундаментом, на котором строится цифровая устойчивость бизнеса.

Frequently Asked Questions

Насколько точно ИИ предсказывает спрос на новые марки полипропилена, у которых нет истории продаж?

Для новых продуктов используется метод аналогий (Look-alike modeling). Алгоритм находит в базе данных марки со схожими свойствами (MFI, плотность, назначение) и переносит паттерны их поведения на новый продукт. Точность такого прогноза на старте составляет около 70-75%, но быстро растет по мере накопления собственных данных за первые месяцы продаж. Мы рекомендуем использовать консервативные коэффициенты запаса в первый квартал вывода новинки на рынок.

Требуется ли дорогое оборудование для запуска системы прогнозирования?

Нет, современные облачные решения позволяют работать с мощными вычислительными ресурсами по подписке, не покупая собственные серверы. Основное требование — наличие качественных данных в цифровом виде. Часто достаточно выгрузок из 1С или SAP. Затраты на «железо» минимальны, основной бюджет уходит на разработку моделей, интеграцию и оплату труда специалистов.

Может ли искусственный интеллект полностью заменить отдел закупок?

Нет, и в обозримом будущем это маловероятно. ИИ берет на себя рутинную аналитику и расчет объемов, но переговоры с поставщиками, управление отношениями, решение форс-мажорных ситуаций и стратегическое планирование остаются за человеком. Система выступает как мощный ассистент, повышающий эффективность сотрудника в разы, но не заменяющий его полностью. Решения о крупных контрактах всегда требуют человеческого суждения и ответственности.

Как быстро окупается внедрение такой системы?

Средний срок окупаемости (ROI) для предприятий нефтегазохимического сектора составляет от 6 до 14 месяцев. Основной экономический эффект достигается за счет снижения уровня запасов (высвобождение оборотных средств), сокращения потерь от дефицита товара и оптимизации логистических расходов. В некоторых случаях, при высоких объемах оборота, окупаемость наступает уже на 4-5 месяц работы системы в промышленном режиме.

Что делать, если данные в компании хранятся в бумажном виде или разрозненных Excel-файлах?

Это серьезное препятствие, которое нужно устранить до начала работы с ИИ. Первый шаг — цифровая трансформация учета. Необходимо внедрить единую систему учета (ERP), перевести архивы в цифровой формат и регламентировать процесс ввода данных. Без этого фундамента построение прогнозной модели невозможно. Начните с аудита данных и плана их централизации, это займет время, но является обязательным условием успеха.

Conclusion

Искусственный интеллект в прогнозировании спроса на PP — это не дань моде, а необходимый инструмент для обеспечения финансовой устойчивости бизнеса в условиях высокой волатильности. Переход от интуитивного планирования к управлению на основе данных позволяет сократить издержки, улучшить сервис для клиентов и занять лидирующие позиции на рынке. Технологии уже доступны, вопрос лишь в готовности компаний изменить свои подходы к управлению.

Мы готовы помочь вашему предприятию пройти путь от аудита данных до полноценного внедрения предиктивной системы. Наши решения адаптированы под специфику российского рынка полимеров и учитывают все местные особенности логистики и регулирования. Не позволяйте конкурентам обойти вас за счет более эффективного планирования.

Contact us todayдля получения бесплатной консультации и демонстрации возможностей нашей платформы. Узнайте, какой экономический эффект может получить именно ваша компания от внедрения ИИ-прогнозирования.

Читайте также наш подробный обзор:Анализ рынка полипропилена 2026: тренды и прогнозы.