De impact van machine learning op (het gebrek aan) inzicht in de supply chain

Machine learning maakt gebruik van de daadwerkelijke meldingen wanneer voertuigen of goederen aankomen of vertrekken bij een locatie. Hierdoor wordt de data, bijvoorbeeld voor real-time inzicht en tracking, nauwkeuriger en bruikbaarder. Ook wordt de historische data van de klant gebruikt om de gebruikelijke routes van vrachtwagens inzichtelijk te maken.

In de zeescheepvaart zijn onnauwkeurige geofences ook een uitdaging, met name betrouwbare meetpunten ontvangen (waar bevindt het schip zich op een willekeurig moment) blijft lastig. Om goed geïnformeerde strategische beslissingen te maken en prestaties te monitoren, moet deze informatie zo actueel mogelijk zijn.

Machine learning maakt nauwkeurige en actuele geofences mogelijk rond belangrijke maritieme havens. Hierdoor krijgen vervoerders real-time inzicht in de meetpunten in de oceaan. Deze geofences, gekoppeld aan GPS-trackingdata, detecteren meetpunten zodra schepen ze bereiken. Bij het verlaten van de geofence wordt het vertrekpunt geïdentificeerd. Dit is gemiddeld vier keer sneller dan wachten op door de vervoerder gerapporteerde activiteiten.

Het probleem van onbetrouwbare ETA’s geldt ook voor zeevervoer, waar disrupties en vertragingen de norm zijn geworden. Machine learning speelt een cruciale rol bij het verbeteren van nauwkeurigheid, volledigheid en bruikbaarheid van zeevaart-ETA’s.

Wat betreft zeevracht stelt machine learning vervoerders in staat om eventuele vertragingen gemiddeld een week eerder te identificeren. Ook creëert machine learning ETA’s voor zowel de aankomst van het schip als de vrijgave van de container. Het machine learning-algoritme wordt voortdurend verbeterd en aangepast op basis van de locatie van de container in het traject, waardoor de meest accurate informatie op het ideale moment wordt verstrekt.