Predicting Late Delivery Risk in Global Supply Chain Operations Using Machine Learning

वैश्विक वाणिज्य के इस विशाल, गूँजते हुए नेटवर्क में, जैसे ही कोई ग्राहक "खरीदें" (buy) पर क्लिक करता है, एक वादा किया जाता है। एक डिलीवरी तिथि निर्धारित की जाती है, एक समयरेखा खींची जाती है, और लॉजिस्टिक्स की मशीनरी चलना शुरू कर देती है। फिर भी, वास्तविक दुनिया में, यह वादा अक्सर टूट जाता है। पैकेज देरी से पहुँचते हैं, किसी एक विफलता के कारण नहीं, बल्कि चरों (variables) के एक जटिल जाल के कारण: चुना गया शिपिंग तरीका, उत्पत्ति का क्षेत्र, उत्पाद का प्रकार, और वर्ष का समय। जब ये देरी होती है, तो वे विश्वास को कम करती हैं, वित्तीय दंड को सक्रिय करती हैं, और रिटर्न एवं ग्राहकों की शिकायतों का एक चक्रवात पैदा करती हैं। आधुनिक लॉजिस्टिक्स के लिए चुनौती केवल इन देरी होने के बाद उन पर प्रतिक्रिया देने की नहीं है, बल्कि उन्हें पहले से भांप लेने की है। यहीं पर प्रेडिक्टिव एनालिटिक्स (पूर्वानुमानित विश्लेषण) का क्षेत्र काम आता है, जो ऐतिहासिक डेटा का उपयोग करके उन पैटर्न को पहचानने के लिए किया जाता है जिन्हें मानवीय अंतर्ज्ञान शायद छोड़ दे। पिछले शिपमेंट को सीखों के एक पुस्तकालय के रूप में मानकर, शोधकर्ता ऐसे सिस्टम बना सकते हैं जो इतिहास से सीखकर ऑपरेटरों को भविष्य के जोखिमों के बारे में तब चेतावनी दे सकें, जब पैकेज गोदाम से बाहर भी न निकला हो।

हैदराबाद, भारत में चैतन्य भारती इंस्टीट्यूट ऑफ टेक्नोलॉजी में कार्यरत नरेश अडेपु नामक एक शोधकर्ता ने एक डिजिटल सिस्टम बनाकर इसी सटीक समस्या का समाधान किया, जिसे देरी से होने वाली डिलीवरी की भविष्यवाणी करने के लिए डिज़ाइन किया गया था। उन्होंने कंप्यूटर लर्निंग के एक शक्तिशाली प्रकार की ओर रुख किया, जिसे मशीन लर्निंग कहा जाता है, विशेष रूप से 'एक्सजीबूस्ट' (XGBoost) नामक एक विधि का उपयोग किया। यह दृष्टिकोण हजारों पिछले ऑर्डर्स का विश्लेषण करके उन कारकों के सूक्ष्म संयोजनों को खोजने का काम करता है जो देरी का कारण बनते हैं। यह अध्ययन वास्तविक दुनिया के डेटा के एक विशाल संग्रह पर केंद्रित था: 2015 से 2019 तक पांच वर्षों के वैश्विक लॉजिस्टिक्स नेटवर्क से प्राप्त 180,519 दैनिक ऑर्डर रिकॉर्ड। प्रत्येक रिकॉर्ड में एक शिपमेंट का विस्तृत विवरण शामिल था, जिसमें यह शामिल था कि वह कहाँ जा रहा था, इसे कैसे भेजा जा रहा था, इसके अंदर क्या था, और क्या वह अंततः समय पर पहुँचा या देरी से। लक्ष्य कंप्यूटर को यह सिखाना था कि वह एक नए ऑर्डर को देखे और उच्च विश्वास के साथ निर्णय ले कि क्या उसके देरी से पहुँचने का जोखिम है।

इस प्रक्रिया की शुरुआत इस डेटा के ढेर को साफ करने और व्यवस्थित करने से हुई। शोधकर्ताओं ने कच्चे डेटा को लिया, जिसमें शिपिंग मोड और क्षेत्रों के टेक्स्ट विवरण शामिल थे, और इसे उस प्रारूप में परिवर्तित किया जिसे कंप्यूटर समझ सके। फिर उन्होंने डेटा को दो समूहों में विभाजित किया: एक बड़ा ट्रेनिंग सेट जिसका उपयोग मॉडल को सिखाने के लिए किया गया, और एक छोटा, छिपा हुआ टेस्ट सेट जिसका उपयोग यह जाँचने के लिए किया गया कि क्या मॉडल ने वास्तव में सबक सीखा है या केवल उत्तरों को रट लिया है। कंप्यूटर को समय पर होने वाली डिलीवरी और देरी से होने वाली डिलीवरी के बीच अंतर पहचानने के लिए प्रशिक्षित किया गया, यह सीखते हुए कि कुछ शिपिंग तरीके या विशिष्ट क्षेत्र दूसरों की तुलना में अधिक जोखिम रखते हैं। एक बार प्रशिक्षण पूरा हो जाने के बाद, मॉडल का परीक्षण उस छिपे हुए समूह के विरुद्ध किया गया जिसे उसने पहले कभी नहीं देखा था, जिसमें 36,104 ऑर्डर्स शामिल थे।

परिणामों ने दिखाया कि सिस्टम अपने कार्य में अत्यधिक प्रभावी था। टेस्ट सेट पर, मॉडल ने सभी शिपमेंटों में से लगभग 80 प्रतिशत की स्थिति को सही ढंग से पहचाना। इससे भी महत्वपूर्ण बात यह है कि जब इसने किसी शिपमेंट को "देरी" (late) के रूप में चिह्नित किया, तो यह 86 प्रतिशत बार सही था। सटीकता का यह उच्च स्तर व्यावसायिक संचालन के लिए अत्यंत महत्वपूर्ण है; इसका अर्थ है कि जब सिस्टम अलार्म बजाता है, तो लॉजिस्टिक्स प्रबंधक उस चेतावनी पर भरोसा कर सकते हैं और कार्रवाई कर सकते हैं, जैसे कि पैकेज को पुनः मार्गित करना या ग्राहक को सूचित करना, बिना गलत चेतावनियों से परेशान हुए। सिस्टम ने यह भी सिद्ध किया कि वह साधारण अनुमान या बुनियादी नियम की तुलना में समय पर और देरी से होने वाली डिलीवरी के बीच अंतर करने में कहीं बेहतर था, और एक ऐसा स्कोर प्राप्त किया जो मजबूत पूर्वानुमान शक्ति को दर्शाता है।

इन निष्कर्षों को उन लोगों के लिए उपयोगी बनाने के लिए जो डेटा वैज्ञानिक नहीं हैं, अडेपु ने मॉडल को कंप्यूटर कोड के भीतर छिपाकर नहीं छोड़ा। इसके बजाय, उन्होंने एक इंटरैक्टिव डैशबोर्ड बनाया, जो एक दृश्य इंटरफ़ेस है जिसे कोई भी वेब ब्राउज़र के माध्यम से उपयोग कर सकता है। यह टूल उपयोगकर्ताओं को डेटा को एक्सप्लोर करने, यह देखने की अनुमति देता है कि कौन से क्षेत्र या शिपिंग तरीके वर्तमान में सबसे अधिक समस्या पैदा कर रहे हैं, और यहाँ तक कि व्यक्तिगत ऑर्डर्स का परीक्षण करके उनके जोखिम स्तर को भी देख सकते हैं। डैशबोर्ड जटिल सांख्यिकीय परिणामों को स्पष्ट, कार्रवाई योग्य अंतर्दृष्टि में बदल देता है। उदाहरण के लिए, इसने खुलासा किया कि शिपिंग मोड का चुनाव इस बात का एक प्रमुख कारक है कि डिलीवरी में देरी होगी या नहीं, जिसमें कुछ तरीकों में अन्य की तुलना में काफी अधिक जोखिम होता है। इसने यह भी रेखांकित किया कि भूगोल भी एक भूमिका निभाता है, जहाँ कुछ क्षेत्र लगातार देरी की उच्च दर दिखाते हैं।

यह अध्ययन दर्शाता है कि मशीन लर्निंग वास्तविक दुनिया की लॉजिस्टिक समस्याओं को हल करने के लिए एक व्यावहारिक उपकरण हो सकती है, जो सिद्धांत से आगे बढ़कर एक कामकाजी प्रणाली प्रदान करती है जो व्यवसायों को जोखिम प्रबंधन में मदद करती है। हालाँकि मॉडल पूर्ण नहीं है—यह अभी भी कुछ देरी वाले शिपमेंट को चूक जाता है, और हर एक देरी को पकड़ने की इसकी क्षमता में सुधार की गुंजाइश है—लेकिन यह एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। गोदाम से निकलने से पहले ही जोखिम वाले अधिकांश शिपमेंट को पकड़कर, कंपनियाँ जल्दी हस्तक्षेप कर सकती हैं, जिससे पैसा बचता है और उनकी प्रतिष्ठा सुरक्षित रहती है। यह कार्य सुझाव देता है कि और अधिक शोधन के साथ, जैसे कि सिस्टम को संभावित देरी के प्रति और अधिक संवेदनशील बनाने के लिए समायोजित करना या मौसम के पैटर्न जैसा नया डेटा जोड़ना, ये उपकरण वैश्विक आपूर्ति श्रृंखलाओं की जटिल यात्रा में और भी विश्वसनीय साथी बन सकते हैं।