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

In het uitgestrekte, zoemende netwerk van de wereldwijde handel wordt een belofte gedaan op het moment dat een klant op "kopen" klikt. Een leverdatum wordt vastgesteld, een tijdlijn wordt getekend en de machinerie van de logistiek begint in beweging te komen. Toch wordt deze belofte in de echte wereld vaak gebroken. Pakketten komen te laat aan, niet door één enkele fout, maar door een complex web van variabelen: de gekozen verzendmethode, de regio van herkomst, het type product en de tijd van het jaar. Wanneer deze vertragingen optreden, ondermijnen ze het vertrouwen, veroorzaken ze financiële boetes en creëren ze een rimpeleffect van retourzendingen en klantklachten. De uitdaging voor de moderne logistiek is niet alleen om te reageren op deze vertragingen nadat ze zijn opgetreden, maar om ze te voorzien. Hier komt het vakgebied van voorspellende analyses (predictive analytics) kijken, waarbij historische gegevens worden gebruikt om patronen te ontdekken die de menselijke intuïtie over het hoofd zou kunnen zien. Door eerdere zendingen te behandelen als een bibliotheek van lessen, kunnen onderzoekers systemen bouwen die leren van het verleden om operators te waarschuwen voor toekomstige risico's nog voordat een pakket het magazijn zelfs maar heeft verlaten.

Een onderzoeker genaamd Naresh Adepu, werkzaam aan het Chaitanya Bharathi Institute of Technology in Hyderabad, India, pakte exact dit probleem aan door een digitaal systeem te bous dat ontworien is om late leveringen te voorspellen. Hij maakte gebruik van een krachtig type computergestuurd leren, bekend als machine learning, specifiek door gebruik te maken van een methode genaamd XGBoost. Deze aanpak werkt door duizenden eerdere bestellingen te analyseren om de subtiele combinaties van factoren te vinden die leiden tot een vertraging. De studie richtte zich op een enorme collectie real-world data: 180.519 dagelijkse bestelgegevens van een wereldwijd logistiek netwerk verspreid over vijf jaar, van 2015 tot 2019. Elk record bevatte een gedetielerd profiel van een zending, inclusief waar het naartoe ging, hoe het werd verzonden, wat erin zat en of het uiteindelijk op tijd of te laat aankwam. Het doel was om een computer te leren om naar een nieuwe bestelling te kijken en met een hoge mate van zekerheid te beslissen of deze het risico liep om te laat te zijn.

Het proces begon met het opschonen en organiseren van deze berg data. De onderzoekers namen de ruwe informatie, die tekstuele beschrijvingen van verzendwijzen en regio's bevatte, en zetten deze om in een formaat dat de computer kon begrijpen. Vervolgens verdeelden ze de data in twee groepen: een grote trainingsset die werd gebruikt om het model te onderwijzen, en een kleinere, verborgen testset die werd gebruikt om te controleren of het model de les daadwerkelijk had geleerd of alleen de antwoorden had uit het hoofd geleerd. De computer werd getraind om het verschil te herkennen tussen een tijdige levering en een late levering, waarbij leerde dat bepaalde verzendmethoden of specifieke regio's hogere risico's met zich meebrachten dan andere. Zodra de training voltooid was, werd het model getest tegen de verborgen groep van 36.104 bestellingen die het nog nooit eerder had gezien.

De resultaten toonden aan dat het systeem zeer effectief was in zijn taak. Op de testset identificeerde het model correct de status van bijna 80 procent van alle zendingen. Belangrijker nog, wanneer het een zending als "te laat" markeerde, had het in 86 procent van de gevallen gelijk. Dit hoge niveau van nauwkeurigheid is cruciaal voor de bedrijfsvoering; het betekent dat wanneer het systeem een alarm slaat, logistiek managers de waarschuwing kunnen vertrouwen en actie kunnen ondernemen, zoals het omleiden van een pakket of het informeren van een klant, zonder overweldigd te worden door valse alarmen. Het systeem bewees ook dat het het onderscheid tussen tijdige en late zendingen veel beter kon maken dan een eenvoudige gok of een basisregel, en behaalde een score die wijst op een sterk voorspellend vermogen.

Om deze bevindingen bruikbaar te maken voor mensen die geen datawetenschappers zijn, liet Adepu het model niet verborgen in een computercode. In plaats daarvan bouwde hij een interactief dashboard, een visuele interface die iedereen met een webbrowser kan gebruiken. Dit hulpmiddel stelt gebruikers in staat om de data te verkennen, te zien welke regio's of verzendmethoden momenteel de meeste problemen veroorzaken, en zelfs individuele bestellingen te testen om hun risiconiveau te bepalen. Het dashboard zet complexe statistische resultaten om in duidelijke, actiegerichte inzichten. Zo onthulde het dat de keuze van de verzendmethode een belangrijke factor is in de vraag of een levering te laat is, waarbij bepaalde methoden aanzienlijk hogere risico's met zich meebrengen dan andere. Het benadruakte ook dat geografie een rol speelt, waarbij sommige regio's consequent hogere percentages vertraging vertoonden.

De studie demonstreert dat machine learning een praktisch hulpmiddel kan zijn voor het oplossen van reële logistieke problemen, waarbij het verder gaat dan de theorie om een werkend systeem te bieden dat bedrijven helpt bij het beheren van risico's. Hoewel het model niet perfect is — het mist nog steeds enkele late zendingen en er is ruimte om het vermogen te verbeteren om elke vertraging te vangen — vertegenwoordigt het een significante stap voorwaarts. Door het merendeel van de risicovolle zendingen te onderscheppen voordat ze het magazijn verlaten, kunnen bedrijven vroegtijdig ingrijpen, geld besparen en hun reputatie beschermen. Het werk suggereert dat met verdere verfijning, zoals het aanpassen van het systeem om nog gevoeliger te zijn voor potentiële vertragingen of het toevoegen van nieuwe data zoals weerspatronen, deze tools nog betrouwbaardere partners kunnen worden in de complexe reis van wereldwijde toeleveringsketens.