龙头企业已经在利用人工智能和机器学习来提供信息和微调核心战略，如仓库位置，以及增强与实用性、成本、库存、运输工具、车辆和人员等问题相关的实时决策。虽然这些新技术带来了大量的数据，但运输行业多年来一直在收集数据。几十年前，卡车、铁路和海运货物开始由卫星通过远程信息技术进行跟踪，电子驾驶日志的版本已经存在了近20年。多年来，该行业也一直采用高层决策理论，来优化与高价值汽车和货物相关的成本和运输时间。

 

然而，今天的不同之处在于，不仅是更多的数据，还有非常强大的计算能力和算法，能够对理解和行动进行排序、评估和加速。宾夕法尼亚州立大学商学院（Penn State 's Smeal College of Business）供应链研究中心（Center for supply chain Research）的临床教授和开发总监，约翰·兰利（John Langley）认为，尽管运输行业一直以数据为中心，如今“我们看到所有这些增加的计算能力——物联网/远程数据收集、数据挖掘、人工智能和机器学习——都可以集中在做出更好的决策上，不仅是从整体战略和资源规划的基础上，还可以在实时决策上。”

 

实际应用

人工智能、ML以及相关技术有望使领导者将物联网（IOT）和无数其他数据源的重点放在在整个物流、供应链和运输领域上，实现更大的优化和响应能力。

 

加强实时决策：物流团队通常处理大量复杂但可重复的任务，为了做出最好的选择，需要大量输入数据。最佳的运营商需要通过数以千计可能的候选人、路线和时间表中进行选择。在实际工作中，员工通常需要10分钟以上的时间来收集所需的信息，但使用人工智能和相关工具，供应链专业人员可以在几秒钟内自动进行分析，并将选择范围缩小到两到三个。

预测分析：客户什么时候可以下订单？销售团队当然想知道，也是物流、供应链和运输规划的重要信息——这是人工智能可以和销售、市场紧密合作的一个例子。尤其是交通需求方面，远程信息学/物联网可以帮助确定车辆何时需要预防性维护，从而避免故障，降低不能满足客户需求和期望的风险。

战略优化：时间、地点、方式？这些学科的领导者正在研究如何收集和梳理信息，并对从库存、发货运输到客户位置需要的所有资产做出最佳决策。司机在哪里？车辆在哪里？做出了哪些承诺？顾客在哪里？这些相关的变量可以输入到人工智能和机器学习的引擎中，对数据进行处理，并提供一系列的优化方案。通过使用不断研究和改进的先进工具，行业专业人员就此能够做出更好、更新的策略，并做出更明智的长期战略选择，如仓库位置、车队规模/规格等。