产品导览 — Transportation Management

通过机器学习实现智能运输管理

通过机器学习实现更准确的在途时间预测

采用机器学习 (ML) 方法进行运输计划,以做出更明智的计划决策、提高客户满意度并降低供应链风险。让我们来深入了解这其中的工作原理。

做出更明智的决策

在发运计划流程中获得更准确的预计到达时间 (ETA)。接收在途事件更新后的 ETA,在接获订单时获取订单交付日期。Oracle Transportation Management (OTM) 利用机器学习算法和基础设施实现智能在途时间预测。

预测预计到达时间

客户可以在日常工作台中查看运输的预测到达时间和在途时间。预测结果可以整合到标准 OTM 工作流和代理中,从而快速做出响应和采取行动。

在无代码环境中进行配置

机器学习模型是完全可配置的,您可以对其进行微调,以满足特定于业务的需求和运输场景。无代码环境可简化配置。

响应实时风险事件

全面考虑诸如 GPS 更新和中断等事件以及天气和交通等外部因素,以提高对实时产生的因素的响应能力。

重新训练模型,自动适应最新数据

使用最近的发运历史记录重新训练模型。通过本地将 ML 集成到 OTM 流程中,您可以触发条件逻辑或设置重复操作。随着时间的推移,您的模型会逐渐积累更丰富的发运历史记录,并定期基于增量数据重新训练,通过自我优化变得越来越准确。

获得洞察并跟踪绩效

用户可以全面了解模型的准确性和性能。这有助于用户进一步微调模型,增强对 AI 的信任和信心。

开发切实可行的洞察

预测多个运输行程的端到端在途时间,并将此信息转化为具体可行的洞察。用户可以轻松识别有风险的发运订单并采取纠正措施,以提高绩效。

将机器学习与 Oracle Transportation Management 相结合

借助 Oracle 的物流平台,做出更明智的计划决策,提高客户满意度并降低供应链风险。

赶快行动

注:为免疑义,本网页所用以下术语专指以下含义:

  1. Oracle专指Oracle境外公司而非甲骨文中国。
  2. 相关Cloud或云术语均指代Oracle境外公司提供的云技术或其解决方案。