了解 Transportation Management
Operational Planning
优化物流网络
识别和确定各种运输需求（从简单的点对点运营到复杂的多式、多程和交叉货仓运营）的理想履行方式。
理顺投标和订单流程
与物流服务提供商和运输合作伙伴紧密协作，从而安全、可靠地出价并卓有成效地规划入库、出库和跨站订单。
构建有效的货运计划
识别历史货运模式，通过高效的路线组合或合作路线尽可能提高资产利用率。
Transportation Management
通过自动化流程充分提高生产力
通过自动里程碑监视主动管理订单和货运生命周期。
自动执行货运计费和付款
整合并执行多个来源的运输订单，以消除低效、冗余的结算程序。
高效衡量绩效并监视趋势
深入洞悉内部运营和贸易合作伙伴绩效，从而做出更加明智的供应链决策。
Fleet Management
实施特定于车队的计划与优化
在规划和优化流程中整合车队的当前状态和外部承运商能力，从而充分利用车队资源。
充分利用集成的车队环境
在单一系统查看所有可用运力（包括外包车队和自有车队），并管理所有订单和货运事务。
监控财务绩效
充分利用成本计算、应付账款、应计成本、收入确认以及索赔和纠纷管理功能衡量和控制财务绩效。
Logistics Network Modeling
判断变更和中断的影响
利用自适应物流网络来抢占先机，保持领先。您可以基于现有运输网络的详细运营信息来执行“假设”场景建模，获得高度准确的结果。
分析仪表盘和运营指标
并排比较结果，以确定合适的行动方案。
Digital Assistant
提供实时货运状态
支持全天候即时接收和响应查询，快速解决问题，进而提供更优质的客户服务。
提高供应链可见性
利用新的沟通渠道，降低支持支出并提高客户满意度。
Machine Learning
准确预测在途时间
制定明智的承运商、路线和服务水平决策，更准确地预估提前期。
消除库存积压
降低安全库存水平和仓储成本，从而降低库存成本。
高效分配资源
减少计划外延迟、加急运输需求及相关的额外运费，进而降低供应链风险。
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。
