Infios utilise l'apprentissage automatique pour améliorer la précision des dates de livraison
Infios présente une nouvelle solution d'apprentissage automatique qui exploite les données de livraison réelles pour améliorer la précision des dates de livraison estimées, allant au-delà des accords de niveau de service traditionnels des transporteurs.
Infios a lancé une nouvelle solution conçue pour améliorer la précision des prévisions de dates de livraison pour les entreprises de commerce électronique grâce à l'apprentissage automatique. Traditionnellement, les entreprises de commerce électronique s'appuyaient sur les estimations fournies dans les accords de niveau de service (SLA) des transporteurs, qui sont souvent prudentes et peuvent entraîner des pertes de ventes ou une insatisfaction client.
Le nouveau modèle d'apprentissage automatique utilise les délais de livraison réels collectés via le service Freight Audit & Payment (FAP) d'Infios. Ces données fournissent une image plus précise du moment où les colis arrivent réellement à la porte des clients. Le modèle est entraîné sur ces données, combinées à des informations sur les performances des transporteurs et les schémas de transit entre codes postaux, afin de générer des estimations de dates de livraison plus dynamiques et réalistes.
Le problème avec les estimations traditionnelles basées sur les SLA réside dans leur caractère prudent, ce qui peut entraîner l'abandon des paniers d'achat si les concurrents promettent des livraisons plus rapides. Inversement, des estimations trop agressives peuvent entraîner des dépassements de délais et une perte de confiance des clients. Le modèle d'Infios vise à équilibrer ces risques en prédisant plus précisément les temps de transit réels, en tenant compte de facteurs tels que les lieux, les niveaux de service et les variations saisonnières.
Le modèle calcule une date de livraison estimée (EDD) à partir de trois composantes : le temps de traitement, le délai de livraison et le temps de transit réel. Spécifiquement pour la prédiction du temps de transit, le modèle analyse les schémas dans les données FAP pour identifier quand les livraisons réelles surpassent ou sous-performent systématiquement les promesses des transporteurs. Cette approche aide les entreprises à proposer des dates de livraison plus fiables et à améliorer l'expérience client tout en optimisant leur logistique.