Improving Supply Chain Reliability: Integrating Borders and Customs Data for ETA Predictions

In the contemporary globalized landscape, efficient supply chain management is imperative for businesses seeking to maintain a competitive advantage. The timely and reliable delivery of goods stands as a cornerstone for the optimal functioning of supply chains. This thesis explores the important role of Estimated Time of Arrival (ETA) optimization in logistics and supply chain management. ETA, an essential metric, empowers stakeholders, including shippers, carriers, and receivers, to plan and coordinate their operations effectively, ensuring timely deliveries. Traditionally, ETA calculation relied on historical data, traditional algorithms, and manual planning, but often struggled to account for dynamic variables such as weather conditions, traffic congestions, and cross-border regulations. The need for a more sophisticated approach led to the integration of machine learning algorithms, a subset of artificial intelligence, into supply chain management. Machine learning algorithms leverage real-time data and historical patterns to generate highly precise ETA estimates, accommodating diverse parameters affecting transportation. This thesis specifically investigates the impact of machine learning algorithms on ETA enhancement, with a focus on cross-border trucking operations. Acknowledging the complexities and uncertainties inherent in border crossings, the study addresses challenges faced by logistics companies and shippers in maintaining supply chain efficiency. Real-world case studies are employed to demonstrate the tangible benefits of machine learning algorithms, including the optimization of costs and improvements in customer satisfaction through reduced idle times at borders. This research contributes to the growing body of knowledge on machine learning applications within the realm of supply chain management, highlighting their potential to revolutionize the industry.

Nell'attuale contesto globalizzato, la gestione efficiente della supply chain rappresenta un elemento imprescindibile per le aziende desiderano mantenere un vantaggio competitivo. La consegna puntuale e affidabile delle merci si configura come un asset essenziale per il corretto funzionamento dei sistemi logistici. Questa tesi si propone di esaminare il ruolo fundamentale dell'ottimizzazione dell’Estimated Time of Arrival (ETA) nella gestione logistica e della supply chain. L'ETA, è una metrica importante, che consente agli attori coinvolti, tra cui mittenti, vettori e destinatari, di pianificare e coordinare le proprie attività in modo efficace, garantendo la tempestiva consegna delle merci. Le metodologie tradizionali per il calcolo dell'ETA si sono basate spesso su dati storici, algoritmi convenzionali e pianificazione manuale, ma hanno incontrato difficoltà nel considerare variabili dinamiche quali condizioni meteorologiche, congestioni del traffico e regolamenti transfrontalieri. La necessità di un approccio più raffinato ha portato all'introduzione di algoritmi di apprendimento automatico, una branca dell'intelligenza artificiale, nell'ambito della gestione della supply chain. Tali algoritmi sfruttano dati in tempo reale e tendenze storiche per generare stime ETA estremamente precise, tenendo conto di molteplici parametri che influenzano il trasporto. L’obiettivo di questa tesi è l’analisi dell'impatto specifico degli algoritmi di apprendimento automatico sull'ottimizzazione dell'ETA, con un particolare focus sulle operazioni di trasporto transfrontaliero. Consapevoli delle complessità e delle incertezze connesse ai passaggi di frontiera, la ricerca affronta le sfide che le aziende di logistica devono superare per mantenere elevata l'efficienza della catena di approvvigionamento. Attraverso casi di studio concreti, si mettono in luce i benefici tangibili degli algoritmi di apprendimento automatico, tra cui la riduzione dei tempi di fermo alle frontiere e l'ottimizzazione dei costi, contribuendo così alla crescita della conoscenza sulle applicazioni di tali tecnologie nell'ambito della gestione della supply chain e sottolineando il loro potenziale rivoluzionario per l'industria.