Infios hyödyntää koneoppimista toimitusaikojen tarkkuuden parantamiseksi
Infios esittelee uuden koneoppimismallin, joka parantaa toimitusaikojen ennustamisen tarkkuutta hyödyntämällä todellisia toimitustietoja perinteisten palvelutasosopimusten sijaan.
Infios on julkaissut uuden ratkaisun, joka pyrkii parantamaan verkkokauppojen toimitusaikojen ennustamisen tarkkuutta koneoppimisen avulla. Perinteisesti verkkokaupat ovat turvautuneet kuljetusliikkeiden palvelutasosopimuksissa (SLA) ilmoittamiin arvioihin, jotka ovat usein varovaisia ja saattavat johtaa kauppojen menetyksiin tai asiakaspetoksiin.
Uusi koneoppimismalli hyödyntää Infiosin Freight Audit & Payment (FAP) -palvelun keräämiä todellisia toimitusaikoja. Nämä tiedot tarjoavat tarkemman kuvan siitä, milloin paketit todellisuudessa saapuvat asiakkaille. Malli koulutetaan tällä datalla, yhdistäen siihen tietoja kuljetusliikkeiden suorituskyvystä ja postinumeroalueiden välisistä liikennejärjestelyistä, jotta voidaan luoda dynaamisempia ja realistisempia toimitusaika-arvioita.
Perinteisten SLA-pohjaisten arvioiden ongelmana on niiden varovaisuus, joka voi johtaa ostoskorin hylkäämiseen, jos kilpailijat lupaavat nopeampia toimituksia. Toisaalta liian aggressiiviset arviot voivat johtaa toimitusaikojen ylittymiseen ja asiakasluottamuksen heikkenemiseen. Infiosin malli pyrkii tasapainottamaan näitä riskejä ennustamalla tarkemmin todellisia kuljetusaikoja, ottaen huomioon tekijöitä kuten sijainnit, palvelutasot ja vuodenajat.
Malli laskee arvioidun toimituspäivän (EDD) kolmesta osasta: käsittelyajasta, läpimenoajasta ja todellisesta kuljetusajasta. Erityisesti kuljetusaika-arvioinnissa malli analysoi FAP-datan kuvioita ennustaakseen, milloin todelliset toimitukset ylittävät tai alittavat kuljetusliikkeiden lupaukset. Tämä lähestymistapa auttaa yrityksiä tarjoamaan luotettavampia toimitusaikoja ja parantamaan asiakaskokemusta samalla optimoiden logistiikkaansa.