Predicting Late Delivery Risk in Global Supply Chain Operations Using Machine Learning
تقدم هذه الدراسة لوحة تحكم تفاعلية من تطبيق StreamStreamlit تم نشرها بالكامل، تستخدم مصنف XGBoost مدربًا على 180,519 من سجلات DataCo Global اللوجستية للتنبؤ بمخاطر التأخير في التسليم بدقة تبلغ 79.89%، مما يتيح اتخاذ قرارات تشغيلية استباقية في الشحن، والمراقبة الإقليمية، والتواصل مع العملاء.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في الشبكة الواسعة والنابضة بالحركة للتجارة العالمية، يُقطع وعدٌ في اللحظة التي ينقر فيها العميل على زر "شراء". يتم تحديد تاريخ تسليم، ويُرسم جدول زمني، وتبدأ آلات اللوجستيات في التحرك. ومع ذلك، في العالم الحقيقي، غالباً ما يُنكث هذا الوعد؛ إذ تصل الطرود متأخرة، ليس بسبب فشل واحد، بل بسبب شبكة معقدة من المتغيرات: طريقة الشحن المختارة، منطقة المنشأ، نوع المنتج، والوقت من العام. وعندما تحدث حالات التأخير هذه، فإنها تؤدي إلى تآكل الثقة، وتتسبب في غرامات مالية، وتخلق تأثيراً متسلسلاً من المرتجعات وشكاوى العملاء. إن التحدي الذي يواجه اللوجستيات الحديثة لا يكمل في مجرد الاستجابة لهذه التأخيرات بعد وقوعها، بل في التنبؤ بها. وهنا يأتي دور مجال التحليلات التنبؤية، باستخدام البيانات التاريخية لرصد الأنماط التي قد تغفل عنها الحدس البشري. ومن خلال التعامل مع الشحنات الماضية كمكتبة من الدروس، يمكن للباحثين بناء أنظمة تتعلم من التاريخ لتحذير المشغلين من المخاطر المستقبلية حتى قبل أن يغادر الطرد المستودع.
قام باحث يدعى ناريس أديبو، يعمل في معهد تشايتانيا بهاراتي للتكنولوجيا في حيدر آباد، الهند، بمعالجة هذه المشكلة تحديداً عبر بناء نظام رقمي مصمم للتنبؤ بالتسليمات المتأخرة. وقد لجأ إلى نوع قوي من التعلم الحاسوبي يُعرف بالتعلم الآلي، وتحديداً باستخدام طريقة تسمى "XGBoost". تعمل هذه الطريقة من خلال تحليل آلاف الطلبات الماضية لإيجال التوليفات الدقيقة للعوامل التي تؤدي إلى التأخير. ركزت الدراسة على مجموعة ضخمة من البيانات الواقعية: 180,519 سجلاً يومياً للطلبات من شبكة لوجستية عالمية تمتد لخمس سنوات، من 2015 إلى 2019. احتوى كل سجل على ملف تفصيلي للشحنة، بما في ذلك وجهتها، وكيفية شحنها، وما بداخلها، وما إذا كانت قد وصلت في موعدها أم تأخرت. كان الهدف هو تعليم الكمبيوتر كيفية النظر إلى طلب جديد والتقرير، بثقة عالية، ما إذا كان معرضاً لخطر التأخير.
بدأت العملية بتنظيف وتنظيم هذا الجبل من البيانات. أخذ الباحثون المعلومات الخام، التي تضمنت أوصافاً نصية لطرق الشحن والمناطق، وحولوها إلى تنسيق يمكن للكمبيوتر فهمه. ثم قاموا بتقسيم البيانات إلى مجموعتين: مجموعة تدريب كبيرة تُستخدم لتعليم النموذج، ومجموعة اختبار أصغر ومخفية تُستخدم للتحقق مما إذا كان النموذج قد تعلم الدرس حقاً أم أنه اكتفى بحفظ الإجابات فقط. تم تدريب الكمبيوتر على تمييز الفرق بين التسليم في الموعد والتسليم المتأخر، حيث تعلم أن بعض طرق الشحن أو مناطق معينة تحمل مخاطر أعلى من غيرها. وبمجرد اكتمال التدريب، تم اختبار النموذج مقابل المجموعة المخفية المكونة من 36,104 طلباً لم يسبق له رؤيتها من قبل.
أظهرت النتائج أن النظام كان فعالاً للغاية في مهمته. ففي مجموعة الاختبار، حدد النموذج حالة ما يقرب من 80 بالمائة من جميع الشحنات بشكل صحيح. والأهم من ذلك، عندما كان يصنف شحنة ما بأنها "متأخرة"، كان محقاً بنسبة 86 بالمائة. وتعد هذه الدرجة العالية من الدقة أمراً حاسماً للعمليات التجارية؛ فهي تعني أنه عندما يطلق النظام إنذاراً، يمكن لمديري اللوجستيات الوثوق بالتحذير واتخاذ إجراء، مثل إعادة توجيه الطرد أو إخطار العميل، دون أن يغرقوا في الإنذارات الكاذبة. كما أثبت النظام قدرته على التمييز بين الشحنات في موعدها والمتأخرة بشكل أفضل بكثير من مجرد تخمين بسيط أو قاعدة عامة أساسية، محققاً درجة تشير إلى قوة تنبؤية قوية.
ولجعل هذه النتائج مفيدة للأشخاص الذين ليسوا علماء بيانات، لم يترك أديبو النموذج مخفياً داخل كود برمجي. بدلاً من ذلك، بنى لوحة تحكم تفاعلية، وهي واجهة مرئية يمكن لأي شخص لديه متصفح ويب استخدامها. تتيح هذه الأداة للمستخدمين استكشاف البيانات، ومعرفة المناطق أو طرق الشحن التي تسبب أكبر قدر من المشاكل حالياً، وحتى اختبار الطلبات الفردية لمعرفة مستوى خطورتها. تقوم لوحة التحكم بتحويل النتائج الإحصائية المعقدة إلى رؤى واضحة وقابلة للتنفيذ. فعلى سبيل المثال، كشفت أن اختيار طريقة الشحن هو عامل رئيسي في ما إذا كان التسليم سيتأخر، حيث تحمل بعض الطرق مخاطر أعلى بكثير من غيرها. كما أوضحت أن الجغرافيا تلعب دوراً، حيث تظهر بعض المناطق باستمرار معدلات أعلى من التأخير.
توضح الدراسة أن التعلم الآلي يمكن أن يكون أداة عملية لحل المشكلات اللوجستية في العالم الحقيقي، متجاوزاً النظرية لتقديم نظام عملي يساعد الشركات على إدارة المخاطر. ورغم أن النموذج ليس مثالياً — فلا يزال يفوت بعض الشحنات المتأخرة، وهناك مجال لتحسين قدرته على رصد كل تأخير — إلا أنه يمثل خطوة مهمة للأمام. فمن خلال رصد غالبية الشحنات المعرضة للخطر قبل مغادرتها المستودع، يمكن للشركات التدخل مبكراً، مما يوفر المال ويحمي سمعتها. ويشير العمل إلى أنه مع المزيد من التطوير، مثل ضبط النظام ليكون أكثر حساسية للتأخيرات المحتملة أو إضافة بيانات جديدة مثل أنماط الطقس، يمكن لهذه الأدوات أن تصبح شركاء أكثر موثوقية في الرحلة المعقدة لسلاسل التوريد العالمية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.