Solving the courier selection problem: a design-oriented machine learning approach

Transportation procurement has become a critical lever for operational performance and customer satisfaction in increasingly volatile and complex supply chain environments. The growing fragmentation of demand, the diffusion of e-commerce, and the rise of time-sensitive deliveries have intensified the operational challenges associated with courier selection. The research begins with a systematic literature review aimed at analyzing how carrier selection has been conceptualized and studied. Based on this review, a classification framework is developed to organize prior contributions along key dimensions. The review highlights that existing literature remains predominantly focused on cost-based optimization and long-term strategic contracting decisions, offering limited support for operative courier allocation under real-world uncertainty. This thesis addresses this gap by investigating how supervised machine learning can support operative courier selection through shipment-level delay prediction. The empirical study follows a Design Science–Machine Learning (DS-ML) methodology. The proposed solution is trained on shipment records provided by an Italian transportation service broker. The predictive target is delivery delay, measured as the deviation in working days between the courier’s promised lead time and the actual delivery date at first attempt. A gradient boosting model is trained on historical delivery performance data and outperforms a naïve baseline that assumes couriers’ promised lead times are accurate. The model shows superior performance in periods characterized by higher delivery delay variability. Interviews conducted with two organizations operating in different supply chain configurations provide preliminary evidence of the artifact’s applicability, highlighting its potential areas of use, emerging opportunities, and main criticalities, as well as its contribution in terms of enhanced ex-ante risk visibility to support decision-making under uncertainty. Overall, the study contributes to the transportation sourcing literature in several ways. From an academic perspective, it provides a structured mapping of the carrier selection literature through an integrated framework and adopts a Design Science–Machine Learning (DS-ML) methodology grounded in realistic operational settings. From a managerial standpoint, the proposed approach offers a proactive, data-driven support to courier selection decisions by leveraging historical performance data and enabling firms to enrich the information base on which courier allocation decisions are made.

L’approvvigionamento dei servizi di trasporto è divenuto una leva critica per la performance operativa e la soddisfazione del cliente in contesti di supply chain sempre più volatili e complessi. La crescente frammentazione della domanda, la diffusione dell’e-commerce e l’aumento delle consegne time-sensitive hanno intensificato le sfide operative legate alla selezione dei corrieri. La ricerca prende avvio da una revisione sistematica della letteratura finalizzata ad analizzare come il tema della carrier selection sia stato concettualizzato e indagato in letteratura. Sulla base di tale analisi viene sviluppato un framework di classificazione volto a organizzare i contributi esistenti secondo dimensioni chiave. La revisione evidenzia come la letteratura si concentri prevalentemente su modelli di ottimizzazione basati sul costo e su decisioni di contrattazione strategica di lungo periodo, offrendo un supporto limitato all’allocazione operativa dei corrieri in condizioni di incertezza reale. La presente tesi affronta tale gap investigando come tecniche di machine learning supervisionato possano supportare la selezione operativa dei corrieri attraverso la previsione dei ritardi a livello di singola spedizione. Lo studio empirico adotta una metodologia Design Science–Machine Learning (DS-ML). La soluzione proposta è addestrata su un dataset di spedizioni fornito da un broker di trasporto. La variabile target è il ritardo di consegna, misurato come la deviazione, in giorni lavorativi, tra il lead time promesso dal corriere e la data effettiva di consegna al primo tentativo. Un modello di gradient boosting è addestrato sui dati storici di performance delle consegne e supera una baseline naïve che assume l’accuratezza dei lead time promessi dai corrieri. Il modello mostra prestazioni superiori nei periodi caratterizzati da maggiore variabilità dei ritardi di consegna. Interviste condotte con due organizzazioni operanti in diverse configurazioni di supply chain forniscono evidenze preliminari dell’applicabilità dell’artefatto, evidenziandone i potenziali ambiti di utilizzo, le opportunità emergenti e le principali criticità, nonché il suo contributo in termini di maggiore visibilità ex-ante del rischio a supporto del processo decisionale in condizioni di incertezza. Nel complesso, lo studio contribuisce alla letteratura sull’approvvigionamento dei servizi di trasporto in diversi modi. Dal punto di vista accademico, fornisce una mappatura strutturata della letteratura sulla carrier selection attraverso un framework integrato e adotta una metodologia Design Science–Machine Learning (DS-ML) fondata su contesti operativi realistici. Dal punto di vista manageriale, l’approccio proposto offre un supporto proattivo e data-driven alle decisioni di selezione dei corrieri, sfruttando i dati storici di performance e consentendo alle imprese di arricchire la base informativa su cui vengono prese le decisioni di allocazione dei corrieri.