TMS 机器学习在最近中断后生成准确的比较

2020 年的混乱对货运行业造成了前所未有的破坏。 COVID-19 大流行是真正的黑天鹅事件，它使供应链的每个阶段都脱轨，并造成一些托运人今天仍在处理的积压。随着涟漪继续影响全球贸易，一个新问题正在出现：为未来数据预测提取准确数据的挑战。 2020 年、2021 年和 2022 年的数字存在严重偏差——这使得很难真正清晰地展望未来。这给托运人带来了真正的问题。如果没有良好的补偿，很难促进货运操作。你如何相应地预算？还是基准利率平均值？您如何真诚地谈判费率合同？这很难——但并非不可能。

2020-22 偏斜补偿以及更多

在过去几年中，货运补偿无处不在。如果你提取 2020 年初的数据，过去几年可能会有一些一致性，但如果你提取过去 24-30 个月的数据，你会发现重大低点。第三季度利率飙升——而且自那以后利率一直在上升。显然，没有什么好方法可以拉动前一年的收入。更糟糕的是，托运人甚至无法依靠 2020 年至 2022 年的销售数据来预测货运需求。 关于销售预测的指导更糟糕的是，这只会增加托运人和承运人争相计划 2022 年底和 2023 年初的混乱。

在中断中重新调整组合

所以，托运人和承运人如何就费率达成协议？由于无法结合预测从前一年的数据进行推断，托运人正在转向更多 创造性的建模方法。重新调整 comps 以接近准确基准的最佳方法包括：

• Year-over-year comps.获取过去几年的汇总月度数据并取平均值，或者使用总的同比增长来预测当月的前瞻性比较。无论哪种情况，2020-2022 年都可以视为异常值。
• 连续比较。这种基准测试方法涉及查看连续的季度影响货运需求的数据，例如销售预测和 GDP 数据。这些比较往往比同比数据更可靠。
• 堆叠比较。如果托运人同时检查，两年和三年堆叠比较可用于基准测试框架和确定变量，并将它们与当前情况相结合。

虽然这些方法对于预测 comps 数据很有用，但它们通常计算起来很复杂且麻烦。

机器学习提供了一个智能解决方案

这种复杂性让许多托运人转向机器学习和人工智能 (AI) 来为他们承担计算负担。具有自动化和数据分析功能的运输管理系统 (TMS) 使托运人可以访问先前的数据和当前的费率环境。结果是一种数据驱动的方法，将历史数据和当前见解结合到 燃料前瞻性补偿。