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

Immaginate il mondo della logistica come un gigantesco e caotico gioco di "จับ me if you can" (prendimi se ci riesci), dove i pacchi sono i giocatori e i camion di consegna sono gli inseguitori. A volte, i pacchi si perdono, i camion rimangono bloccati nel traffico o il tempo diventa scontroso, e il gioco si conclude con un arrivo in ritardo. Per molto tempo, le aziende hanno giocato a questo gioco in modo reattivo: aspettavano che il pacco fosse in ritardo, poi entravano nel panico e cercavano di risolvere il problema. Ma cosa succederebbe se aveste una sfera di cristallo? Questo è il mondo del Machine Learning, un ramo dell'informatica in cui insegniamo ai computer a individuare schemi nella storia affinché possano indovinare cosa accadrà dopo. Pensatelo come un detective che ha letto un milione di romanzi gialli; sa che se un sospettato indossa un cappello rosso e corre di notte, è probabile che sia lui il colpevole. In questa storia, i "sospettati" sono gli ordini di spedizione e il "crimine" è il ritardo. Il documento che stiamo esaminando pone una domanda semplice ma potente: possiamo usare questi detective digitali per prevedere una consegna in ritardo prima ancora che lasci il magazzino, così da fermare il crimine prima che accada?

---

La crisi delle consegne in ritardo: Una storia di promesse infrante

APL Logistics, un'azienda che sposta centinaia di ordini globali ogni giorno, stava affrontando un enorme mal di testa. Immaginate di gestire un servizio di consegna pizza dove metà delle vostre pizze arriva fredda e con un'ora di ritardo. È approssimativamente quello che stava accadendo qui: il 54,8% delle loro spedizioni arrivava in ritardo. Questo non era solo fastidioso per i clienti; costava all'azienda denaro in penali e ne rovinava la reputazione. Il vecchio modo di fare era "reattivo", il che significava che cercavano di risolvere i problemi solo dopo che il danno era stato fatto. Il team voleva passare a essere "proattivo", utilizzando un nuovo strumento per vedere il futuro.

La sfera di cristallo: Come hanno costruito il predittore

Per costruire la loro "sfera di cristallo", i ricercatori hanno dovuto prima ripulire un mucchio di dati disordinati. Immaginate di cercare di prevedere il tempo usando un quaderno che ha pagine strappate, macchie d'inchiostro e note su ciò che è accaduto dopo la tempesta. Ecco come appare spesso il dato grezzo.

Per prima cosa, dovevano impedire al computer di utilizzare informazioni che non sarebbero state disponibili nella vita reale. Nei dati, c'erano colonne come "Stato effettivo della consegna" e "Giorni reali per la spedizione". Se il computer avesse visto queste, avrebbe semplicemente guardato la chiave di risposta per indovinare il risultato, il che è inutile nella realtà. Hanno scartato quelle colonne, assicurandosi che il modello utilizzasse solo informazioni disponibili prima che il pacco venisse spedito.

Successivamente, dovevano insegnare al computer a comprendere il linguaggio umano. I computer parlano solo numeri, quindi hanno trasformato parole come "Classe Standard" o "Prima Classe" in codici (0 e 1). Hanno anche riempito i pezzi mancanti del puzzle, come i codici postali, affinché il computer non si confondesse.

Una parte complicata è stata che i dati erano sbilanciati. Era come cercare di imparare a riconoscere i leoni guardando uno zoo dove il 99% degli animali sono zebre. Il computer avrebbe semplicemente indovinato "zebra" ogni volta e avrebbe avuto ragione, ma non avrebbe mai imparato a individuare un leone. Poiché le consegne in ritardo erano in realtà piuttosto comuni (54,8%), il team ha usato un trucco intelligente chiamato SMOTE. Pensate a SMOTE come a una fotocopiatrice che crea nuovi, falsi esempi delle consegne "in ritardo" per rendere i dati di addestramento equi, in modo che il computer impari a individuare bene sia i pacchi puntuali che quelli in ritardo.

Gli ingredienti segreti: Feature Engineering

I ricercatori non hanno solo nutrito il computer con numeri grezzi; hanno preparato degli ingredienti speciali chiamati "feature" per aiutare il modello a pensare in modo più intelligente.

1. Indice di pressione della spedizione: Hanno calcolato quanto lavoro fosse accumulato su una singola spedizione. Se avete un ordine enorme ma una finestra temporale minuscola per spedirlo, quella è alta pressione.
2. Flag di rischio della modalità: Hanno dato un "tag di pericolo" a certe velocità di spedizione. Se un pacco era contrassegnato come "Prima Classe" o "Express", il modello sapeva che questi erano ad alto rischio perché promettevano una finestra di consegna molto stretta e difficile da mantenere.
3. Indice di congestione regionale: Hanno guardato alla cronologia per vedere quali zone erano sempre ingorghi di traffico. Alcune regioni erano come uno scarico intasato, causando sempre ritardi.
4. Punteggio di complessità dell'ordine: Hanno combinato il prezzo dell'articolo e la difficoltà di raggiungere la località. Articoli costosi diretti in luoghi difficili ricevevano un punteggio di "complessità" elevato, avvertendo il sistema di prestare estrema attenzione.

Ciò che i dati hanno rivelato: Le verità scioccanti

Quando il team ha lasciato che il computer elaborasse i numeri, ha trovato alcuni segreti sorprendenti che i manager avevano trascurato.

• La trappola della "Seconda Classe": I dati hanno mostrato che la spedizione di "Seconda Classe" era un disastro. Si prometteva che sarebbe durata 2 giorni, ma in realtà ne richiedeva quasi 4. Era quasi sempre in ritardo di 2 giorni. Allo stesso modo, la "Prima Classe" era promessa per 1 giorno ma ne richiedeva 2. L'azienda faceva promesse che non poteva mantenere, e i clienti erano arrabbiati.
• Le zone di pericolo: La mappa del mondo si è illuminata di rosso in aree specifiche. L'Africa Centrale, l'Asia Meridionale e l'Africa Orientale erano le zone più rischiose, con una probabilità di consegna in ritardo media vicina al 60%. Non era solo sfortuna; queste aree avevano problemi sistemici con la dogana e i partner locali.
• Le perdite di denaro: Il modello ha trovato prodotti e luoghi specifici in cui l'azienda stava perdendo denaro. Spedire nello stato del Minnesota stava perdendo -$464 per ordine. Un prodotto specifico, il "Total Gym 1400", perdeva -$441 ogni volta che veniva ordinato. L'azienda stava essenzialmente pagando le persone per portarsi via i suoi prodotti.

La magia del 72%: Quanto è buona la sfera di cristallo?

Il team ha addestrato il loro modello di computer sull'80% dei dati e lo ha testato sul restante 20%. Il risultato? Il modello Random Forest (un tipo di algoritmo che utilizza molti alberi decisionali per prendere una scelta) ha raggiunto un'accuratezza del 72%.

Ora, il 72% potrebbe sembrare un voto da "sufficiente meno" (B-), ma nel mondo disordinato e imprevedibile della spedizione globale — dove ingorghi, tempeste e ufficiali doganali possono cambiare tutto da un giorno all'altro — questa è una grande vittoria. Il modello non dice solo "Sì" o "No"; fornisce un punteggio di probabilità, classificando gli ordini in Basso, Medio e Alto Rischio. Ciò consente al team operativo di concentrare le proprie energie sugli ordini ad "Alto Rischio" che richiedono attenzione immediata.

Dal codice all'azione: La Dashboard Live

I ricercatori non hanno lasciato il modello solo in un laboratorio informatico. Hanno costruito una Dashboard Streamlit, uno strumento web live che sembra il pannello di controllo di un videogioco.

• La Panoramica: Mostra un quadro generale di quanti ordini sono a rischio.
• Il Controllo dell'Ordine: Un lavoratore può inserire un nuovo ordine e la dashboard dice istantaneamente: "Questo è ad Alto Rischio!".
• Il Piano d'Azione: Dice al team esattamente cosa fare. Per la spedizione di "Seconda Classe", devono parlare con i loro partner e correggere le promesse di consegna. Per il "Total Gym 1400" e gli ordini in Minnesota, potrebbero dover smettere di venderli o trovare un modo più economico per spedirli.

Il futuro della spedizione

Questo progetto è un passaggio dal reagire ai disastri al prevederli. L'autore suggerisce che, sebbene l'attuale modello sia un ottimo "paracadute", il futuro potrebbe essere ancora più luminoso. Immaginate di aggiungere dati meteorologici in tempo reale o aggiornamenti sul traffico portuale dal vivo al mix. L'obiettivo è passare dal semplice prevedere i ritardi al prescrivere effettivamente il percorso migliore per evitarli.

In definitiva, questo documento dimostra che pulendo i dati disordinati, insegnando ai computer a individuare schemi e costruendo strumenti che gli esseri umani possano effettivamente usare, un'azienda di logistica può fermare l'emorragia, tenere felici i clienti e trasformare un caotico gioco di "prendimi se ci riesci" in una macchina ben oliata. La sfera di cristallo non è perfetta, ma è lo strumento migliore che abbiano mai avuto per vedere il futuro.