Verhoog de bedrijfsprestaties van een logistieke speler door een probabilistische prijsengine te gebruiken

Als onderdeel van het bedrijfsmodel ontvangt onze klant de marge tussen de prijs die de verzender betaalt en de prijs waarvoor de opdracht aan de vervoerder wordt verkocht. De huidige prijsstrategie is echter gevoelig voor mogelijke menselijke bias en is sterk afhankelijk van historische prestaties. Bovendien bestaan er aanzienlijke prijsverschillen tussen de verschillende transportroutes. Dit vormt een aanzienlijk risico voor de winstmarges.

Daarom wil onze klant meer inzicht krijgen in de vervoersprijzen, d.w.z. de minimumprijzen waarvoor ze transportcapaciteit kunnen kopen van een vervoerder. Deze inzichten kunnen worden gebruikt om de marges te optimaliseren en de relevantie van inkomende verzendaanvragen te bepalen.

Om deze risicofactoren te verminderen, wil onze klant AI-gestuurde aanbevelingen integreren op basis van historische inkoopgegevens en externe marktomstandigheden. In samenwerking met de materiedeskundigen van de klant werden meerdere hypotheses geformuleerd om de potentiële invloed van verschillende factoren op de vervoerdersprijs te beoordelen.

Vervolgens werd een prijsmodel voor de vervoerder geconstrueerd door de meest invloedrijke factoren te combineren. In dit proces werden verschillende AI-modellen iteratief geëvalueerd om de distributies van de carrierprijzen nauwkeurig in te schatten. Bij elke opdracht werden 9 prijzen voorspeld die overeenkwamen met verschillende betrouwbaarheidsgraden (10%, 20%, …, 90%) voor prijsacceptatie. We gebruikten Kedro voor het bouwen van een modulaire data science pipeline, die taken beheert zoals het vooraf verwerken van input data preprocessing, het schatten van prijzen en het genereren van bedrijfsresultaten.

Het aanvankelijke AI-model voor de voorspelling van één enkele prijs leidt al tot een hoge prestatie, waarbij 88% van de variatie in vervoerdersprijzen wordt verklaard terwijl rekening wordt gehouden met prijsverschillen tussen lanes. In plaats van een enkele prijsvoorspelling te geven, genereert het uiteindelijk geleverde model 9 verschillende prijzen die een beter geïnformeerd besluitvormingsproces mogelijk maken door het vertrouwen in prijsacceptatie te evalueren aan de hand van de betrouwbaarheid van de voorspelling.

Het model zal worden geïntegreerd in de applicaties van het bedrijf om een (bijna) realtime beoordeling van binnenkomende orders mogelijk te maken en het besluitvormingsproces voor optimale prijsstrategieën te ondersteunen. De invloed van verschillende factoren op (individuele) modelvoorspellingen wordt beschreven met behulp van explainable AI-technieken om de interpreteerbaarheid en acceptatie van het model door de eindgebruikers te vergroten.