Late Delivery Risk Prediction in Supply Chain: Moving from Reactive to Proactive Delay Management

تخيل عالم اللوجستيات كأنه لعبة ضخمة وفوضوية من لعبة "أمسك بي إن استطعت"، حيث الطرود هي اللاعبون وشاحنات التوصيل هي المطاردون. أحياناً، تضيع الطرود، أو تصطدم الشاحنات بالزحام، أو يصبح الطقس عابساً، وتنتهي اللعبة بوصول متأخر. لفترة طويلة، لعبت الشركات هذه اللعبة بشكل "رد فعل": كانوا ينتظرون حتى يتأخر الطرد، ثم يصابون بالذعر ويحاولون إصلاح الأمر. ولكن ماذا لو كنت تملك كرة بلورية؟ هذا هو عالم تعلم الآلة (Machine Learning)، وهو فرع من علوم الحاسوب حيث نعلم الحواسيب كيفية رصد الأنماط في التاريخ لتتمكن من تخمين ما سيحدث لاحقاً. فكر في الأمر كأنه محقق قرأ مليون رواية غموض؛ فهو يعلم أنه إذا كان المشتبه به يرتدي قبعة حمراء ويركض ليلاً، فمن المرجح أن يكون هو الجاني. في هذه القصة، "المشتبه بهم" هم طلبات الشحن، و"الجريمة" هي التأخير. يسأل البحث الذي نطلع عليه سؤالاً بسيطاً ولكنه قوي: هل يمكننا استخدام هؤلاء المحققين الرقميين للتنبؤ بتأخر التسليم قبل أن يغادر المستودع حتى، لكي نتمكن من إيقاف الجريمة قبل وقوعها؟

---

أزمة التأخير في التسليم: قصة الوعود المنكوثة

كانت شركة APL Logistics، وهي شركة تنقل مئات الطلبات العالمية يومياً، تواجه صداعاً كبيراً. تخيل أنك تدير خدمة توصيل بيتزا حيث يصل نصف البيتزا بارداً ومتأخراً لمدة ساعة. هذا تقريباً ما كان يحدث هنا: 54.8% من شحناتهم كانت تصل متأخرة. لم يكن هذا مجرد أمر مزعج للعملاء فحسب؛ بل كان يكلف الشركة أموالاً في شكل غرامات ويدمر سمعتها. الطريقة القديمة في العمل كانت "رد فعل"، مما يعني أنهم كانوا يحاولون إصلاح المشكلات فقط بعد وقوع الضرر. أراد الفريق التحول إلى كونهم "استباقيين"، باستخدام أداة جديدة لرؤية المستقبل.

الكرة البلورية: كيف بنوا المتنبئ

لبناء "كرتهم البلورية"، كان على الباحثين تنظيف كومة فوضوية من البيانات أولاً. تخيل محاولة التنبؤ بالطقس باستخدام دفتر ملاحظات تمزقت صفحاته، وبه بقع حبر، وملاحظات حول ما حدث بعد العاصة. هذا هو الشكل الذي تبدو عليه البيانات الخام غالباً.

أولاً، كان عليهم منع الكمبيوتر من استخدام معلومات لن تكون متاحة في الحياة الواقعية. في البيانات، كانت هناك أعمدة مثل "حالة التسليم الفعلية" و"الأيام الحقيقية للشحن". إذا رأى الكمبيوتر هذه الأعمدة، فسيقوم ببساطة بالنظر إلى نموذج الإجابة لتخمين النتيجة، وهو أمر عديم الفائدة في الحياة الواقعية. لذا قاموا بالتخلص من تلك الأعمدة، لضمان أن النموذج يستخدم فقط المعلومات المتاحة قبل شحن الطرد.

بعد ذلك، كان عليهم تعليم الكمبيوتر فهم اللغة البشرية. الحواسيب تتحدث الأرقام فقط، لذا قاموا بتحويل الكلمات مثل "الفئة القياسية" أو "الفئة الأولى" إلى أكواد (أصفار وآحاد). كما قاموا بملء القطع المفقودة من اللغز، مثل الرموز البريدية، حتى لا يرتبك الكمبيوتر.

كان هناك جزء صعب واحد، وهو أن البيانات لم تكن متوازنة. كان الأمر يشبه محاولة تعلم التعرف على الأسود من خلال النظر إلى حديقة حيوان تضم 99% من الحيوانات زرافات. سيقوم الكمبيوتر بمجرد التخمين بأنها "زرافة" في كل مرة وسيكون محقاً، لكنه لن يتعلم أبداً رصد الأسد. وبما أن عمليات التسليم المتأخرة كانت شائعة جداً (54.8%)، استخدم الفريق خدعة ذكية تسمى SMOTE. فكر في SMOTE كآلة تصوير توجد نسخاً جديدة ومزيفة من عمليات التسليم "المتأخرة" لجعل بيانات التدريب عادلة، بحيث يتعلم الكمبيوتر رصد الطرود التي تصل في موعدها والطرود المتأخرة بنفس القدر من الكفاءة.

المكونات السرية: هندسة الميزات

لم يكتفِ الباحثون بتغذية الكمبيوتر بأرقام خام؛ بل أعدوا بعض المكونات الخاصة التي تسمى "الميزات" لمساعدة النموذج على التفكير بذكاء أكبر.

1. مؤشر ضغط الشحن: قاموا بحساب حجم العمل المتراكم على شحنة واحدة. إذا كان لديك طلب ضخم ولكن لديك نافذة زمنية صغيرة جداً لشحنه، فهذا يعني ضغطاً عالياً.
2. علامة خطر نمط الشحن: وضعوا "علامة خطر" لسرعات شحن معينة. إذا تم تحديد الطرد على أنه "الفئة الأولى" أو "السريع"، فإن النموذج يعرف أن هذه الأنواع عالية المخاطر لأنها تعد بجدول زمني ضيق جداً يصعب الالتزام به.
3. مؤشر ازدحام المنطقة: نظروا في التاريخ لمعرفة المناطق التي تشهد دائماً اختناقات مرورية. بعض المناطق كانت مثل بالوعة مسدودة، تسبب دائماً تأخيرات.
4. درجة تعقيد الطلب: قاموا بدمج سعر السلعة ومدى صعوبة الوصول إلى الموقع. السلع الغالية التي تذهب إلى أماكن صعبة حصلت على درجة "تعقيد" عالية، مما ينبه النظام لتوخي الحذر الشديد.

ما كشفته البيانات: الحقائق الصادمة

عندما ترك الفريق الكمبيوتر يعالج الأرقام، وجد بعض الأسرار المفاجئة التي غفل عنها المديرون.

• فخ "الفئة الثانية": أظهرت البيانات أن شحن "الفئة الثانية" كان كارثياً. فقد وُعد بأن يستغرق يومين، لكنه في الواقع استغرق ما يقرب من 4 أيام. لقد كان دائماً متأخراً بمقدار يومين. وبالمثل، "الفئة الأولى" وُعدت بيوم واحد لكنها استغرقت يومين. كانت الشركة تقدم وعوداً لا تستطيع الوفاء بها، وكان العملاء يشعرون بالغضب.
• مناطق الخطر: أضاءت خريطة العالم باللون الأحمر في مناطق محددة. كانت وسط أفريقيا، وجنوب آسيا، وشرق أفريقيا هي المناطق الأكثر خطورة، حيث بلغ متوسط احتمالية التأخير في التسليم قرابة 60%. لم يكن الأمر مجرد سوء حظ؛ بل كانت هذه المناطق تعاني من مشكلات نظامية في الجمارك والشركاء المحليين.
• تسرب الأموال: وجد النموذج منتجات وأماكن محددة كانت الشركة تنزف فيها الأموال. الشحن إلى ولاية مينيسوتا كان يخسر -464 دولاراً لكل طلب. ومنتج معين، وهو "Total Gym 1400"، كان يخسر -441 دولاراً في كل مرة يتم طلبه فيها. كانت الشركة، في الأساس، تدفع للناس ليأخذوا منتجاتها بعيداً.

السحر بنسبة 72%: ما مدى جودة الكرة البلورية؟

قام الفريق بتدريب نموذج الكمبيوتر الخاص بهم على 80% من البيانات واختبروه على الـ 20% المتبقية. والنتيجة؟ حقق نموذج الغابة العشوائية (Random Forest) (وهو نوع من خوارزميات الكمبيوتر يستخدم العديد من أشجار القرار لاتخاذ قرار) دقة بلغت 72%.

الآن، قد تبدو نسبة 72% وكأنها درجة "جيد" (B-)، ولكن في عالم الشحن العالمي الفوضوي وغير المتوقع - حيث يمكن للاختناقات المرورية والعواصف وموظفي الجمارك تغيير كل شيء بين عشية وضحاها - يعد هذا فوزاً كبيراً. النموذج لا يكتفي بقول "نعم" أو "لا"؛ بل يعطي درجة احتمالية، ويصنف الطلبات إلى مخاطر منخفضة، ومتوسطة، وعالية. وهذا يسمح لفريق العمليات بالتركيز على الطلبات "عالية المخاطر" التي تحتاج إلى اهتمام فوري.

من الكود إلى التنفيذ: لوحة التحكم المباشرة

لم يترك الباحثون النموذج في مختبر الكمبيوتر فحسب. بل بنوا لوحة تحكم Streamlit، وهي أداة ويب مباشرة تبدو كلوحة تحكم في لعبة فيديو.

• النظرة العامة: تعرض صورة كبيرة لعدد الطلبات المعرضة للخطر.
• فحص الطلب: يمكن للعامل إدخال طلب جديد، وتقول لوحة التحكم فوراً: "هذا الطلب عالي المخاطر!".
• خطة العمل: تخبر الفريق بما يجب فعله بالضبط. بالنسبة لشحن "الفئة الثانية"، عليهم التحدث مع شركائهم وإصلاح وعود التسليم. بالنسبة لمنتج "Total Gym 1400" وطلبات مينيسوتا، قد يحتاجون إلى التوقف عن بيعها أو إيجاد طريقة أرخص لشحنها.

مستقبل الشحن

هذا المشروع هو تحول من رد الفعل تجاه الكوارث إلى التنبؤ بها. يشير المؤلف إلى أنه بينما يعد النموذج الحالي "شبكة أمان" رائعة، فإن المستقبل قد يكون أكثر إشراقاً. تخيل إضافة بيانات الطقس في الوقت الفعلي أو تحديثات حركة الموانئ المباشرة إلى المزيج. الهدف هو الانتقال من مجرد التنبؤ بالتأخيرات إلى وصف أفضل مسار لتجنبها بالفعل.

في النهاية، يظهر هذا البحث أنه من خلال تنظيف البيانات الفوضوية، وتعليم الحواسيب رصد الأنماط، وبناء أدوات يمكن للبشر استخدامها فعلياً، يمكن لشركة لوجستية إيقاف نزيف الخسائر، وإبقاء العملاء سعداء، وتحويل لعبة "القبض على أحد" الفوضوية إلى آلة تعمل بدقة وانسيابية. الكرة البلورية ليست مثالية، لكنها أفضل أداة امتلكوها لرؤية المستقبل.