Infios nutzt maschinelles Lernen zur Verbesserung der Lieferdatumsgenauigkeit

Infios hat eine neue Lösung auf den Markt gebracht, die darauf abzielt, die Genauigkeit von Lieferdatumsprognosen für E-Commerce-Unternehmen durch den Einsatz von maschinellem Lernen zu verbessern. Traditionell verließen sich E-Commerce-Unternehmen auf Schätzungen aus Service Level Agreements (SLAs) der Transportunternehmen, die oft konservativ sind und zu Umsatzeinbußen oder Kundenzufriedenheit führen können.

Das neue Modell für maschinelles Lernen nutzt tatsächliche Lieferzeiten, die über den Infios Freight Audit & Payment (FAP) Service gesammelt wurden. Diese Daten liefern ein präziseres Bild davon, wann Pakete tatsächlich beim Kunden ankommen. Das Modell wird mit diesen Daten trainiert, kombiniert mit Informationen über die Leistung der Transportunternehmen und Transitmuster von Postleitzahl zu Postleitzahl, um dynamischere und realistischere Lieferdatumsschätzungen zu erstellen.

Das Problem mit traditionellen SLA-basierten Schätzungen ist ihre Vorsichtigkeit, die dazu führen kann, dass Warenkörbe abgebrochen werden, wenn Wettbewerber schnellere Lieferungen versprechen. Umgekehrt können zu aggressive Schätzungen zu verpassten Fristen und einem Vertrauensverlust der Kunden führen. Das Modell von Infios zielt darauf ab, diese Risiken auszugleichen, indem es tatsächliche Transitzeiten genauer vorhersagt und Faktoren wie Standorte, Servicelevel und saisonale Schwankungen berücksichtigt.

Das Modell berechnet ein geschätztes Lieferdatum (EDD) aus drei Komponenten: Bearbeitungszeit, Vorlaufzeit und tatsächliche Transitzeit. Insbesondere für die Vorhersage der Transitzeit analysiert das Modell Muster in den FAP-Daten, um zu identifizieren, wann tatsächliche Lieferungen die Versprechen der Transportunternehmen durchweg übertreffen oder unterschreiten. Dieser Ansatz hilft Unternehmen, zuverlässigere Liefertermine anzubieten und das Kundenerlebnis zu verbessern, während sie gleichzeitig ihre Logistik optimieren.