Исследование посвящено проблеме повышения эффективности планирования потребности в материально-технических ресурсах (МТР) на предприятиях горно-металлургической отрасли. Рассмотрены специфические особенности функционирования системы материально-технического обеспечения в данном секторе, включая капиталоемкость оборудования, географическую удаленность производственных объектов, сезонность работ, изменчивость характеристик сырья и высокие требования к качеству материалов. Проанализированы существующие подходы к прогнозированию потребности, включая качественные методы (экспертные оценки, метод Дельфи), количественные детерминированные (нормативный и аналитический) и стохастические методы (анализ временных рядов, регрессионный анализ, имитационное моделирование), а также методы машинного обучения. Определены возможности и ограничения применения каждого из подходов в условиях горно-металлургической отрасли. Предложена классификация номенклатуры МТР на основе ABC-XYZ-FMR анализа, позволяющая дифференцировать методы прогнозирования в зависимости от критичности, стоимости, стабильности потребления и частоты использования конкретных позиций. Представлен сравнительный анализ различных методов количественного прогнозирования, включая экстраполяцию, регрессионный анализ, авторегрессионные модели и градиентный бустинг. Даны рекомендации по выбору оптимального метода для прогнозирования потребности в различных категориях МТР с учетом отраслевой специфики. Разработан практический алгоритм внедрения методов статистического прогнозирования и машинного обучения в систему материально-технического обеспечения горно-металлургических предприятий. Сформулированы методические рекомендации по выбору и применению методов прогнозирования для различных категорий МТР. Результаты исследования имеют практическую значимость для повышения эффективности управления запасами и снижения затрат в системе снабжения горно-металлургических предприятий за счет внедрения научно обоснованных методов прогнозирования потребности, адаптированных к отраслевой специфике.
The study is devoted to the problem of increasing the efficiency of planning the need for material and technical resources (MTR) at enterprises in the mining and metallurgical industry. The specific features of the functioning of the material and technical support system in this sector are considered, including the capital intensity of equipment, the geographical remoteness of production facilities, the seasonality of work, the variability of raw material characteristics and high requirements for the quality of materials. The existing approaches to forecasting needs are analyzed, including qualitative methods (expert assessments, the Delphi method), quantitative deterministic (normative and analytical) and stochastic methods (time series analysis, regression analysis, simulation modeling), as well as machine learning methods. The possibilities and limitations of using each approach in the mining and metallurgical industry are determined. A classification of the nomenclature of MTR based on ABC-XYZ-FMR analysis is proposed, which allows differentiating forecasting methods depending on the criticality, cost, stability of consumption and frequency of use of specific items. The article presents a comparative analysis of various quantitative forecasting methods, including extrapolation, regression analysis, autoregressive models, and gradient boosting. Recommendations are given for choosing the optimal method for forecasting the need for various categories of materials and equipment, taking into account industry specifics. A practical algorithm for implementing statistical forecasting and machine learning methods in the material and technical support system of mining and metallurgical enterprises has been developed. Methodological recommendations for the selection and application of forecasting methods for various categories of materials and equipment have been formulated. The results of the study are of practical importance for improving the efficiency of inventory management and reducing costs in the supply system of mining and metallurgical enterprises through the introduction of scientifically based methods for forecasting needs, adapted to industry specifics.