Infios använder maskininlärning för att förbättra leveransdatumets noggrannhet
Infios presenterar en ny maskininlärningsmodell som förbättrar noggrannheten i förutsägelser om leveransdatum genom att använda verkliga leveransdata istället för traditionella SLA:er.
Infios har lanserat en ny lösning som syftar till att förbättra noggrannheten i förutsägelser om leveransdatum för e-handelsföretag med hjälp av maskininlärning. Traditionellt har e-handlare förlitat sig på uppskattningar från transportörers serviceavtal (SLA), vilka ofta är försiktiga och kan leda till förlorade försäljningar eller kundmissnöje.
Den nya maskininlärningsmodellen utnyttjar de faktiska leveranstider som samlats in via Infios Freight Audit & Payment (FAP) -tjänst. Denna data ger en mer exakt bild av när paket faktiskt anländer till kunderna. Modellen tränas på denna data, kombinerat med information om transportörers prestanda och zip-till-zip-mönster, för att skapa mer dynamiska och realistiska leveransdatumuppskattningar.
Problemet med traditionella SLA-baserade uppskattningar är deras försiktighet, vilket kan leda till att kundvagnar överges om konkurrenter lovar snabbare leveranser. Å andra sidan kan alltför aggressiva uppskattningar leda till försenade leveranser och minskat kundförtroende. Infios modell strävar efter att balansera dessa risker genom att mer exakt förutsäga faktiska transporttider, med hänsyn till faktorer som platser, servicenivåer och säsongsvariationer.
Modellen beräknar ett beräknat leveransdatum (EDD) baserat på tre komponenter: hanteringstid, ledtid och faktisk transporttid. Specifikt för transporttidsförutsägelsen analyserar modellen mönster i FAP-data för att identifiera när faktiska leveranser konsekvent överträffar eller underpresterar transportörernas löften. Detta tillvägagångssätt hjälper företag att erbjuda mer tillförlitliga leveransdatum och förbättra kundupplevelsen samtidigt som logistiken optimeras.