订购交付时间：预测不可预测的
供应链绩效的关键措施
为了管理高性能的供应链，何时何时交付产品以及其交货的交货时间是至关重要的。在这方面的提前时间是客户表达要求的时间，以此货物交付到最终目的地。
在Schlumberger中，规划和供应链团队通过管理扩展供应链，包括供应商管理，战略采购，物流和库存管理。管理本供应链的关键挑战之一是预期交付日期（EDD）的不确定性。对此有现实世界的业务后果，包括需要维持更高的库存水平以确保适当的服务水平。
在Amazon.com上订购灯泡或一些狗食时，您将在他们告诉您的交货日期之前获得99％的人。供应链的供应链是简单的 - 通常只是通过快递员到您的门口的本地仓库。如果您在北海订购潜水泵，尼日利亚爆炸物或哥伦比亚钻头的情况并非如此。对于Schlumberger，单一产品的供应链往往涉及多个国家和复杂的流程来管理国际贸易规定，多种运输方式和本地送货要求。
我们用以下阶段或“腿”来描述这种需求，以便在阶段或“腿”中递送生命周期：
除了复杂的路由之外，每个的提前时间腿受各种参数的影响，如商品类型（危险与非危险），运输方式，最终目的地国家等。在当前状态下，建立了一个包含每条路线（和每个变体）的提前期估计的数据库提供总递送时间和预期交货日期的估计。显而易见的是，手动保持所有这些组合是一个不可能的任务，超过1200万个潜在的情景和410万活跃的活动。
在大约4,100,000条记录上的积极事务，并在数据库中手动更新交货时间不切实际，每条腿的估计很少更新，导致不适当的交货日期估算。
为了解决这个问题，部署了一种机器学习解决方案以基于历史事务数据来预测交付时间。使用五年的交易数据进行评估多台机器学习模型：
线性回归
k均值
随机森林
如下面的示例所示，预测欧洲和非洲的示例中所示，所以已证明是非常有效的梯度升压估计器等先进模型，从而提高了30％至73％的准确性，从而提高了预期的交付日期（EDD），如下所述的示例，展示了欧洲和非洲的影响。
即使通过这种戏剧性改进，我们发现有局限性来提高预测精度，由于最初使用的有限输入变量集合集合。
重要的是，随着顺序移动通过订单生命周期，每个中间腿的换线时间保持相关的情况，因为很多因素将继续在整个过程中影响它。根据来自供应链主题专家的输入，探讨了各种业务系统的多个变量，基于来自供应链主题专家的输入，并根据这些输入导出潜在的新功能。
通过这些修订的输入，机器学习模型提供了出色的结果。在整个订单中实现了预测的提前期间的平均准确性为82％，以及每个单独的腿都会实现。
作者信息：
Luke Van der Waals
Luke引导了供应链的运营系统性能团队，负责确保供应链功能尽可能受到影响。在美国，欧洲和亚洲进行了管理供应链业务，他了解最好的运营链条结合了人类和技术的独特优势，每次增加另一个，以提供更大的表现。
jairaj shetty.
jairaj是一个产品家伙，提供了一个人工智能（ai）和机器学习（ml）产品的产品组合，用于解决内部业务疼痛点。他在供应链，运营和工具可靠性域中提供了产品。在几十多年来，在现场和客户面临的职务中提供上游石油和天然气服务，他强烈地认为，使用先进的AI / ML技术揭示了数据模式和绘制有意义的见解，可以对业务收益产生重大影响，并且他努力实现相同的影响他和他的团队建造的产品。
Raj Kumar.
Raj是分析工作室的数据科学家，PITC专注于在供应链域中提供ML解决方案。他拥有国家理工学院，Rourkela和Iit，Kharagpur的硕士学位。
