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

Stellen Sie sich die Welt der Logistik wie ein riesiges, chaotisches Spiel von „Catch Me If You Can“ vor, bei dem Pakete die Spieler und Lieferwagen die Verfolger sind. Manchmal gehen Pakete verloren, LKW geraten in den Stau oder das Wetter wird mürrisch, und das Spiel endet mit einer verspäteten Ankunft. Lange Zeit haben Unternehmen dieses Spiel reaktiv gespielt: Sie warteten, bis das Paket verspätet war, gerieten dann in Panik und versuchten, es zu beheben. Aber was wäre, wenn man eine Kristallkugel hätte? Das ist die Welt des Maschinellen Lernens, eines Zweigs der Informatik, in dem wir Computern beibringen, Muster in der Geschichte zu erkennen, damit sie vorhersagen können, was als Nächstes passiert. Denken Sie an einen Detektiv, der eine Million Krimiromane gelesen hat; er weiß, dass, wenn ein Verdächtiger einen roten Hut trägt und nachts rennt, er wahrscheinlich der Schuldige ist. In dieser Geschichte sind die „Verdächtigen“ Versandbestellungen und das „Verbrechen“ ist die Verspätung. Die vorliegende Arbeit stellt eine einfache, aber kraftvolle Frage: Können wir diese digitalen Detektive nutzen, um eine verspätete Lieferung vorherzusagen, noch bevor sie überhaupt das Lager verlässt, damit wir das Verbrechen verhindern können, bevor es geschieht?

---

Die Krise der verspäteten Lieferungen: Eine Geschichte gebrochener Versprechen

APL Logistics, ein Unternehmen, das täglich hunderte globale Bestellungen bewegt, stand vor einem massiven Problem. Stellen Sie sich vor, Sie betreiben einen Pizzaservice, bei dem die Hälfte Ihrer Pizzen kalt und eine Stunde zu spät ankommt. Das war in etwa das, was hier geschah: 54,8 % ihrer Sendungen trafen verspätet ein. Das war nicht nur ärgerlich für die Kunden; es kostete das Unternehmen Geld durch Strafen und ruinierte seinen Ruf. Die alte Art des Vorgehens war „reaktiv“, was bedeutete, dass sie erst versuchten, Probleme zu lösen, nachdem der Schaden bereits entstanden war. Das Team wollte zu einem „proaktiven“ Vorgehen wechseln und ein neues Werkzeug nutzen, um die Zukunft zu sehen.

Die Kristallkugel: Wie sie den Prädiktor bauten

Um ihre „Kristallkugel“ zu bauen, mussten die Forscher zuerst einen unordentlichen Haufen Daten bereinigen. Stellen Sie sich vor, Sie versuchen das Wetter vorherzusagen, indem Sie ein Notizbuch verwenden, aus dem Seiten herausgerissen wurden, das Tintenflecken hat und in dem Notizen stehen, was nach dem Sturm geschah. So sieht Rohdaten oft aus.

Zueriedest mussten sie verhindern, dass der Computer Informationen verwendet, die im echten Leben nicht verfügbar wären. In den Daten gab es Spalten wie „Tatsächlicher Lieferstatus“ und „Reale Tage für den Versand“. Wenn der Computer diese gesehen hätte, hätte er einfach die Lösung aus dem Antwortschlüssel genutzt, um das Ergebnis zu erraten, was in der Realität nutzlos wäre. Sie warfen diese Spalten weg, um sicherzustellen, dass das Modell nur Informationen verwendet, die vor dem Versand des Pakets verfügbar sind.

Als Nächstes mussten sie dem Computer beibringen, menschliche Sprache zu verstehen. Computer sprechen nur Zahlen, also wandelten sie Wörter wie „Standard Class“ oder „First Class“ in Codes (0 und 1) um. Sie füllten auch fehlende Puzzleteile auf, wie etwa Postleitzahlen, damit der Computer nicht verwirrt wird.

Ein kniffliger Teil war, dass die Daten unausgewogen waren. Es war, als würde man versuchen, Löwen zu erkennen, indem man einen Zoo betrachtet, in dem 9-den-Prozent der Tiere Zebras sind. Der Computer würde einfach immer „Zebra“ raten und damit recht haben, aber er würde niemals lernen, einen Löwen zu erkennen. Da verspätete Lieferungen tatsächlich recht häufig vorkamen (54,8 %), nutzte das Team einen cleveren Trick namens SMOTE. Denken Sie an SMOTE als einen Fotokopierer, der neue, künstliche Beispiele der „verspäteten“ Lieferungen erstellt, um die Trainingsdaten fair zu gestalten, sodass der Computer lernt, sowohl pünktliche als als auch verspätete Pakete gleichermaßen gut zu erkennen.

Die geheimen Zutaten: Feature Engineering

Die Forscher fütterten den Computer nicht einfach mit Rohzahlen; sie entwickelten spezielle Zutaten, sogenannte „Features“, um dem Modell zu helfen, intelligenter zu denken.

1. Shipping Pressure Index (Versanddruck-Index): Sie berechneten, wie viel Arbeit auf eine einzelne Sendung geladen wurde. Wenn man eine riesige Bestellung hat, aber nur ein winziges Zeitfenster für den Versand, ist der Druck hoch.
2. Mode Risk Flag (Modus-Risiko-Flag): Sie gaben bestimmten Versandgeschwindigkeiten ein „Gefahrenschild“. Wenn ein Paket als „First Class“ oder „Express“ markiert war, wusste das Modell, dass dies ein hohes Risiko darstellte, da diese eine sehr enge Lieferfrist versprachen, die schwer einzuhalten war.
3. Region Congestion Index (Regionaler Stau-Index): Sie schauten in die Vergangenheit, um zu sehen, welche Orte immer wie ein Verkehrsstau waren. Einige Regionen waren wie ein verstopfter Abfluss, der ständig Verzögerungen verursachte.
4. Order Complexity Score (Bestellkomplexitäts-Score): Sie kombinierten den Preis des Artikels mit der Schwierigkeit des Erreichbarkeitsortes. Teure Artikel, die an schwer erreichbare Orte gingen, erhielten einen hohen „Komplexitäts“-Score, was das System warnte, besonders vorsichtig zu sein.

Was die Daten enthüllten: Die schockierenden Wahrheiten

Als das Team den Computer die Zahlen berechnen ließ, fand dieser einige überraschende Geheimnisse, die den Managern entgangen waren.

• Die „Second Class“-Falle: Die Daten zeigten, dass der „Second Class“-Versand ein Desaster war. Es wurde versprochen, dass es 2 Tage dauern würde, aber in Wirklichkeit dauerte es fast 4 Tage. Es war fast immer 2 Tage zu spät. Ähnlich verhielt es sich bei „First Class“: Versprochen war 1 Tag, aber es dauerte 2. Das Unternehmen machte Versprechen, die es nicht halten konnte, und die Kunden wurden wütend.
• Die Gefahrenzonen: Die Weltkarte leuchtete in spezifischen Gebieten rot auf. Zentralafrika, Südasien und Ostafrika waren die riskantesten Zonen, mit einer durchschnittlichen Wahrscheinlichkeit für eine verspätete Lieferung von nahezu 60 %. Es war nicht nur Pech; diese Gebiete hatten systemische Probleme mit dem Zoll und lokalen Partnern.
• Die Geldlecks: Das Modell fand spezifische Produkte und Orte, an denen das Unternehmen Geld verlor. Der Versand in den Bundesstaat Minnesota kostete -464 $ pro Bestellung. Ein spezielles Produkt, das „Total Gym 1400“, kostete das Unternehmen jedes Mal, wenn es bestellt wurde, -441 $. Das Unternehmen zahlte im Grunde Leute dafür, um ihre Produkte entgegenzunehmen.

Die magischen 72 %: Wie gut ist die Kristallkugel?

Das Team trainierte ihr Computermodell mit 80 % der Daten und testete es mit den verbleibenden 20 %. Das Ergebnis? Das Random Forest-Modell (ein Typ von Computer-Algorithmus, der viele Entscheidungsbäume nutzt, um eine Wahl zu treffen) erreichte eine Genauigkeit von 72 %.

Nun mögen 72 % nach einer Note im Bereich „befriedigend“ klingen, aber in der chaotischen, unvorhersehbaren Welt des weltweiten Versands – in der Staus, Stürme und Zollbeamte alles über Nacht ändern können – ist dies ein riesiger Erfolg. Das Modell sagt nicht nur „Ja“ oder „Nein“, sondern gibt einen Wahrscheinlichkeitswert an und sortiert Bestellungen in Niedrig, Mittel und Hoch Risiko. Dies ermöglicht es dem Betriebsteam, sich auf die „Hochrisiko“-Bestellungen zu konzentrieren, die sofortige Aufmerksamkeit erfordern.

Vom Code zur Aktion: Das Live-Dashboard

Die Forscher ließen das Modell nicht nur in einem Comput实验室 (Labor) zurück. Sie bauten ein Streamlit Dashboard, ein Live-Web-Tool, das wie das Kontrollpanel eines Videospiels aussieht.

• Die Übersicht: Es zeigt das Gesamtbild davon, wie viele Bestellungen gefährdet sind.
• Die Bestellprüfung: Ein Mitarbeiter kann eine neue Bestellung eingeben, und das Dashboard meldet sofort: „Diese ist ein hohes Risiko!“
• Der Aktionsplan: Es sagt dem Team genau, was zu tun ist. Bei der „Second Class“-Versendung müssen sie mit ihren Partnern sprechen und die Lieferversprechen korrigieren. Für das „Total Gym 1400“ und die Bestellungen nach Minnesota müssen sie vielleicht den Verkauf stoppen oder einen günstigeren Weg finden, sie zu versenden.

Die Zukunft des Versands

Dieses Projekt ist ein Wechsel von der Reaktion auf Katastrophen hin zur Vorhersage von Katastrophen. Der Autor legt nahe, dass, während das aktuelle Modell ein großartiges „Sicherheitsnetz“ ist, die Zukunft noch heller sein könnte. Stellen Sie sich vor, man fügt Echtzeit-Wetterdaten oder Live-Hafenverkehrsdaten hinzu. Das Ziel ist es, von der bloßen Vorhersage von Verzögerungen zum tatsächlichen Vorschreiben der besten Route zu gelangen, um diese zu vermeiden.

Am Ende zeigt diese Arbeit, dass ein Logistikunternehmen, indem es unordentliche Daten bereinigt, Computer lehrt, Muster zu erkennen, und Werkzeuge baut, die Menschen tatsächlich nutzen können, die Blutung stoppen, Kunden glücklich macht und ein chaotisches Fangspiel in eine gut geölte Maschine verwandelt. Die Kristallkugel ist nicht perfekt, aber sie ist das beste Werkzeug, das sie je hatten, um die Zukunft zu sehen.