编者注：每年，麻省理工学院运输与物流中心 (MIT CTL) 的供应链管理 (SCM) 硕士项目都会有大约 40 名学生完成为期一年的论文研究项目。这些学生是来自多个国家的早期职业商业专业人士，拥有 2 至 10 年的行业经验。大多数研究项目都是由跨国公司选择、赞助和合作进行的。由麻省理工学院 SCM 学生和麻省理工学院 CTL 教师组成的联合团队致力于解决现实问题。在本系列中，我们总结了最新的 SCM 研究选集。
第三方物流供应商 (3PL) 一直在为竞争优势而战。在一个分散的行业中，拥有优势是成功的关键。我们的论文研究赞助公司是一家领先的 3PL，它通过专有软件获得了优势。他们的软件以一种促进高服务水平的方式将托运人与承运人进行匹配。他们现在的兴趣是利用预测分析技术来提高他们的成功率。
我们根据该公司提供的历史数据集为其开发了一个逻辑回归模型。该模型可指示哪些负载可能会延迟。通过仅跟踪模型指示的负载，该公司可以实现显著的资源节约。
逻辑回归与其他模型
逻辑回归因其稳健性和直观性而对本研究具有吸引力。管理人员可以观察到使用哪些变量组合进行预测。他们还可以利用推理来解释任何差异。这些模型属性与其他流行的建模方法不同。例如，神经网络和随机森林方法提供的替代方案本质上是“黑箱”方法。用户无法与模型中发生的事情进行交互。
尽管我们最终选择了逻辑回归模型，但我们也使用了其他模型进行验证。通过这种方式，我们对数据所传达的信息有了更深入的理解。
有价值的见解
虽然该模型纯粹用于资源分配，但研究还是提出了一些有趣的见解和问题。
首先，某个特定变量组合的统计能力非常强。关注这些属性可以提取出重要的价值。
接下来，研究重点提出了一些有趣的问题，即如何应用这种模型。能否利用预测 挪威电子邮件清单 来改变规划流程，从而避免延误？这种积极主动的方法可以进一步提高服务水平。
最后，我们的模型提供了巨大的预测价值。也就是说，该模型在对准时发货的货物进行分类时非常准确。对于第三方物流来说，高度确定资源不会浪费在这些货物上是一项有价值的成果。
预测模型正在进步
过去，数据不足和处理能力不足导致预测分析不可行。时代变了。随着技术和创新的不断推进，使用数学工具进行预测的方法也得到了改进。数据收集和计算能力是两个关键领域，改进正在改变预测应用的格局。
物联网 (IoT) 和云存储已经改变了数据收集和存储容量。此外，统计软件包可以处理大型数据集并为公司提供有价值的运营见解。这些软件包得到了计算能力和可用性的显著改进的支持。