Δεν βρέθηκε η παρακολούθηση DHL ή DPD; Πώς το 17TRACK API χρησιμοποιεί την τεχνητή νοημοσύνη για να βελτιώσει τα ποσοστά επιτυχίας της παρακολούθησης
Γιατί ο ίδιος αριθμός παρακολούθησης δεν επιστρέφει αποτελέσματα σε μία πλατφόρμα, αλλά εμφανίζει πλήρες ιστορικό παρακολούθησης σε άλλη;
Όταν οι επιχειρήσεις αντιμετωπίζουν προβλήματα όπως DHL Tracking Not Found ή DPD Tracking Not Found, συχνά υποθέτουν ότι ο αριθμός παρακολούθησης δεν είναι έγκυρος ή ότι ο μεταφορέας δεν έχει ακόμη ενημερώσει τα αρχεία του.
Στην πράξη, η υποβολή ενός αριθμού παρακολούθησης σε ένα API δεν εγγυάται ότι θα επιστραφούν συμβάντα παρακολούθησης.
Η ανάκτηση πληροφοριών παρακολούθησης εξαρτάται πρώτα από τη σωστή αναγνώριση του μεταφορέα και την αποστολή του αιτήματος στη σωστή πηγή δεδομένων. Εάν ο μεταφορέας αναγνωριστεί εσφαλμένα, το αίτημα μπορεί να επιστρέψει Not Found ακόμη και όταν το δέμα κινείται κανονικά.
Το πρόβλημα γίνεται πιο εμφανές σε μεγάλη κλίμακα. Για παράδειγμα, μια επιχείρηση που χρησιμοποιεί τόσο το DHL Tracking API όσο και το DPD Tracking API πρέπει πρώτα να καθορίσει ποιο API θα πρέπει να λάβει κάθε αριθμό παρακολούθησης.
Το 17TRACK API συνδυάζει ένα εσωτερικά αναπτυγμένο μοντέλο αναγνώρισης AI, αντιστοίχιση βάσει κανόνων και συνεχή παρακολούθηση, ώστε να βοηθά τις επιχειρήσεις να μειώνουν τις αποτρέψιμες ασυμφωνίες μεταφορέων και να βελτιώνουν τα ποσοστά επιτυχίας της παρακολούθησης.
1. Γιατί ένας αριθμός παρακολούθησης μπορεί να μην επιστρέφει συμβάντα παρακολούθησης;
Δεν υπάρχει καθολική μορφή αριθμών παρακολούθησης. Κάθε μεταφορέας χρησιμοποιεί τους δικούς του κανόνες αρίθμησης και ένας αριθμός παρακολούθησης από μόνος του μπορεί να μην περιέχει αρκετές πληροφορίες για την αναγνώριση του μεταφορέα.
1.1 Οι παρόμοιες μορφές αριθμών παρακολούθησης δυσκολεύουν την αναγνώριση των μεταφορέων
Διαφορετικοί μεταφορείς μπορεί να χρησιμοποιούν αριθμούς παρακολούθησης ίδιου μήκους, με παρόμοια προθέματα ή μοτίβα γραμμάτων και ψηφίων.
Ένας μόνο αριθμός παρακολούθησης μπορεί να ταιριάζει στις μορφές αρίθμησης πολλών μεταφορέων. Η παραδοσιακή αντιστοίχιση βάσει κανόνων εξετάζει το μήκος, τα προθέματα και τα μοτίβα χαρακτήρων. Όταν αυτοί οι κανόνες επικαλύπτονται, η μορφή από μόνη της μπορεί να μην επαρκεί για την αναγνώριση του σωστού μεταφορέα.
Ένας μεταφορέας του οποίου η μορφή ταιριάζει με τον αριθμό είναι απλώς υποψήφιος. Ένας άλλος μεταφορέας μπορεί στην πραγματικότητα να διαχειρίζεται το δέμα.
Μια ασυμφωνία μπορεί να στείλει το αίτημα σε λανθασμένη πηγή δεδομένων και να οδηγήσει σε απόκριση Not Found.
1.2 Οι υποβληθείσες πληροφορίες μεταφορέα μπορεί να είναι ανακριβείς
Οι επιχειρήσεις συχνά υποβάλλουν πληροφορίες αποστολής μέσω ERP, WMS, OMS ή άλλων συστημάτων διαχείρισης παραγγελιών.
Αυτά τα συστήματα μπορεί να αναπαριστούν τον ίδιο μεταφορέα χρησιμοποιώντας την επίσημη ονομασία του, μια συντομογραφία ή έναν εσωτερικό κωδικό. Μια εγγραφή μπορεί επίσης να περιέχει έγκυρο αριθμό παρακολούθησης αλλά λανθασμένο πεδίο μεταφορέα.
Εάν το σύστημα παρακολούθησης βασίζεται αποκλειστικά στις υποβληθείσες πληροφορίες μεταφορέα, μπορεί να συνεχίσει να υποβάλλει ερωτήματα στη λάθος πηγή.
Επομένως, ένα σύστημα παρακολούθησης πρέπει να αναγνωρίζει τους μεταφορείς, να ελέγχει τις αντιστοιχίσεις και να διορθώνει τις ασυμφωνίες.
1.3 Τα διασυνοριακά φορτία μπορεί να έχουν δεδομένα κατανεμημένα μεταξύ μεταφορέων
Οι διασυνοριακές αποστολές συνήθως περιλαμβάνουν παραλαβή, μεταφορά κύριας διαδρομής, εκτελωνισμό και παράδοση τελευταίου μιλίου.
Πολλοί μεταφορείς μπορεί να διαχειρίζονται διαδοχικά ένα δέμα και στην πορεία μπορεί να εκχωρηθεί ένας συνδεδεμένος αριθμός παρακολούθησης τελευταίου μιλίου.
Η αναζήτηση μόνο σε έναν από αυτούς τους μεταφορείς μπορεί να επιστρέψει μερικό ιστορικό, αφήνοντας κενά στη διαδρομή του δέματος.
Εκτός από την ευρεία κάλυψη μεταφορέων, το σύστημα πρέπει να αναγνωρίζει τις σωστές πηγές και να συνδυάζει τα δεδομένα παρακολούθησης.
Η επιτυχία της παρακολούθησης εξαρτάται από τη διαθεσιμότητα του API, την ποιότητα του αριθμού παρακολούθησης, την αναγνώριση του μεταφορέα, τη διαθεσιμότητα της πηγής δεδομένων και το αν έχουν δημιουργηθεί συμβάντα παρακολούθησης.
2. Πώς χρησιμοποιεί το 17TRACK API την AI για να βελτιώσει την ακρίβεια αναγνώρισης μεταφορέων;
Οι σταθεροί κανόνες μπορεί να οδηγήσουν σε λανθασμένες αντιστοιχίσεις όταν οι μορφές αριθμών επικαλύπτονται ή οι υποβληθείσες πληροφορίες μεταφορέα είναι ανακριβείς.
Η AI μπορεί να βοηθήσει στην επίλυση αυτών των αμφίσημων αντιστοιχίσεων.
Το 17TRACK συνδυάζει το εσωτερικά αναπτυγμένο μοντέλο AI με την παραδοσιακή αντιστοίχιση βάσει κανόνων. Αξιοποιεί πολυετή δεδομένα logistics για να αναγνωρίζει τον πιθανότερο μεταφορέα και να μειώνει τις αναζητήσεις που αποτυγχάνουν επειδή έγινε ερώτημα στη λάθος πηγή.
2.1 Συνδυασμός σταθερών κανόνων με αναγνώριση υποβοηθούμενη από AI
Η παραδοσιακή αναγνώριση μεταφορέων βασίζεται κυρίως σε προκαθορισμένους κανόνες για την αντιστοίχιση υποψήφιων μεταφορέων βάσει του μήκους του αριθμού, των προθεμάτων και των μοτίβων χαρακτήρων.
Αυτή η προσέγγιση λειτουργεί καλά όταν οι κανόνες αρίθμησης είναι διακριτοί. Παρόμοιοι κανόνες μεταξύ μεταφορέων ή ελλιπείς πληροφορίες αριθμού παρακολούθησης μπορεί να οδηγήσουν σε αμφίσημα αποτελέσματα.
Το 17TRACK συνδυάζει την αναγνώριση AI και την αντιστοίχιση βάσει κανόνων, χρησιμοποιώντας τόσο τα χαρακτηριστικά του αριθμού παρακολούθησης όσο και τις διαθέσιμες πληροφορίες μεταφορέα για να προσδιορίσει την πιθανή πηγή.
Όταν ο μεταφορέας που αναγνωρίζεται από το σύστημα διαφέρει από αυτόν που υπέβαλε η επιχείρηση, η αντιστοίχιση μπορεί να ελεγχθεί περαιτέρω.
Για παράδειγμα:
- Η επιχείρηση υποβάλλει τη DHL ως μεταφορέα.
- Το σύστημα αναγνωρίζει έναν άλλο υποψήφιο βάσει του μοτίβου του αριθμού παρακολούθησης.
- Το σύστημα μπορεί να ελέγξει και τις δύο αντιστοιχίσεις, μειώνοντας τον κίνδυνο αποτυχημένης αναζήτησης λόγω εσφαλμένων πληροφοριών μεταφορέα.
Αυτό μειώνει την εξάρτηση από τη μη αυτόματη επιλογή μεταφορέα και περιορίζει τους επαναλαμβανόμενους ελέγχους σε μεγάλες παρτίδες αριθμών παρακολούθησης.
2.2 Ένα εσωτερικά αναπτυγμένο μοντέλο AI βασισμένο σε πολυετή δεδομένα logistics
Η απόδοση της αναγνώρισης AI εξαρτάται από τα δεδομένα εκπαίδευσης, το εύρος των παραδειγμάτων που καλύπτουν και τον τρόπο βελτίωσης του μοντέλου.
Το 17TRACK επικεντρώνεται στην παγκόσμια παρακολούθηση αποστολών από το 2010. Πλέον καλύπτει περισσότερους από 3.500 μεταφορείς και συγκεντρώνει σημαντικούς όγκους δεδομένων logistics κάθε μήνα.
Χρησιμοποιώντας αυτά τα δεδομένα, το 17TRACK εκπαιδεύει και βελτιώνει το δικό του μοντέλο αναγνώρισης. Η συνεχής εκπαίδευση και ρύθμιση βοηθούν το μοντέλο να μαθαίνει τα ειδικά μοτίβα αριθμών παρακολούθησης των μεταφορέων και να βελτιώνει την αναγνώριση σε σύνθετα σενάρια.
Η AI μπορεί να παρέχει πρόσθετες ενδείξεις όταν οι μεταφορείς χρησιμοποιούν παρόμοιους κανόνες αρίθμησης και είναι δύσκολο να διακριθούν μέσω συμβατικής αντιστοίχισης.
Αυτή η προσέγγιση μειώνει την εργασία της μη αυτόματης συντήρησης σταθερών κανόνων και προσφέρει πιο ευέλικτη αναγνώριση για νεοεισερχόμενους μεταφορείς και σύνθετα σενάρια αποστολών.
2.3 Συνδυασμός αναγνώρισης AI με διπλή καταχώριση για τη μείωση των ασυμφωνιών
Το 17TRACK προσφέρει επίσης έναν τρόπο βελτίωσης της επιτυχίας παρακολούθησης μετά την αναγνώριση ενός υποψήφιου μεταφορέα.
Εάν το σύστημα αναγνωρίσει διαφορετικό μεταφορέα από αυτόν που υποβλήθηκε, οι επιχειρήσεις με ενεργοποιημένη τη διπλή καταχώριση μπορούν επίσης να υποβάλουν ερώτημα στον μεταφορέα που αναγνωρίστηκε από την AI.
Για παράδειγμα:
Μια επιχείρηση υποβάλλει μια αποστολή που έχει δηλωθεί ως DHL, αλλά το σύστημα αναγνωρίζει έναν άλλο μεταφορέα ως πιθανότερη αντιστοίχιση.
Με ενεργοποιημένη τη διπλή καταχώριση, το σύστημα μπορεί να προσπαθήσει να ανακτήσει συμβάντα παρακολούθησης από τον αναγνωρισμένο μεταφορέα, εκτός από την εκτέλεση του αρχικού ερωτήματος.
Αυτό δίνει στην επιχείρηση την ευκαιρία να ανακτήσει τα σωστά δεδομένα παρακολούθησης, ακόμη και αν αρχικά υπέβαλε λάθος μεταφορέα.
Συνολικά, αυτές οι δυνατότητες συμβάλλουν στη μείωση των αποτρέψιμων αποτυχιών αναζήτησης που προκαλούνται από ασυμφωνίες μεταφορέων.
3. Διερεύνηση των αιτιών των αποτελεσμάτων Not Found
Ακόμη και όταν ο μεταφορέας έχει αναγνωριστεί σωστά, ορισμένα ερωτήματα μπορεί αρχικά να μην επιστρέφουν συμβάντα παρακολούθησης.
Ένας αριθμός παρακολούθησης μπορεί να έχει μόλις δημιουργηθεί και ο μεταφορέας να περιμένει ακόμη να παραλάβει το δέμα. Η υπηρεσία παρακολούθησης του μεταφορέα μπορεί επίσης να μην είναι προσωρινά διαθέσιμη. Οποιαδήποτε από τις δύο καταστάσεις μπορεί να οδηγήσει σε αποτέλεσμα Not Found.
Ένα αποτέλεσμα Not Found από μόνο του δεν επαρκεί για να συμπεράνουμε ότι ένα δέμα δεν έχει ακόμη αποσταλεί ή έχει χαθεί.
Η βελτίωση των ποσοστών επιτυχίας της παρακολούθησης απαιτεί τον εντοπισμό της αιτίας και τη λήψη της κατάλληλης ενέργειας.
3.1 Εντοπισμός της αιτίας για την αποφυγή περιττών αναζητήσεων
Οι συνήθεις αιτίες αποτελεσμάτων Not Found ή αποτυχημένων αναζητήσεων περιλαμβάνουν:
| Τύπος προβλήματος | Πιθανή αιτία | Συνιστώμενη ενέργεια |
|---|---|---|
| Εσφαλμένη αντιστοίχιση μεταφορέα | Ο πραγματικός μεταφορέας δεν αντιστοιχεί στον επιλεγμένο μεταφορέα. | Επαναπροσδιορίστε και επαληθεύστε τον μεταφορέα. |
| Εσφαλμένες πληροφορίες παρακολούθησης | Εσφαλμένος αριθμός παρακολούθησης ή απουσία απαιτούμενων παραμέτρων. | Επαληθεύστε τον αριθμό παρακολούθησης και τις παραμέτρους του ερωτήματος. |
| Δεν υπάρχουν διαθέσιμες ενημερώσεις παρακολούθησης | Ο αριθμός παρακολούθησης έχει δημιουργηθεί, αλλά ο μεταφορέας δεν έχει ακόμη παράσχει το πρώτο συμβάν παρακολούθησης. | Περιμένετε να ενημερώσει ο μεταφορέας τις πληροφορίες παρακολούθησης. |
| Σφάλμα πηγής δεδομένων | Αποτυχία API του μεταφορέα, περιορισμοί υπηρεσίας ή άλλα προβλήματα. | Παρακολουθήστε την κατάσταση του API του μεταφορέα και διερευνήστε τις εξαιρέσεις. |
Κάθε αιτία απαιτεί διαφορετική αντιμετώπιση.
Σε περίπτωση ασυμφωνίας μεταφορέα, ο επαναπροσδιορισμός του μεταφορέα και η επαλήθευση της πηγής δεδομένων μπορούν να επιλύσουν το πρόβλημα. Εάν ο μεταφορέας δεν έχει ακόμη δημιουργήσει το πρώτο συμβάν παρακολούθησης, οι επαναλαμβανόμενες αναζητήσεις μπορεί να συνεχίσουν να μην επιστρέφουν νέες πληροφορίες.
Η διάκριση μεταξύ αυτών των σεναρίων μειώνει τα περιττά αιτήματα και την επαναλαμβανόμενη αντιμετώπιση προβλημάτων.
3.2 Παρακολούθηση δεδομένων μεταφορέων για έγκαιρο εντοπισμό προβλημάτων
Εκτός από τις αποτυχίες μεμονωμένων αναζητήσεων, οι επιχειρήσεις πρέπει να παρακολουθούν προβλήματα που επηρεάζουν ομάδες αποστολών.
Εάν ένας μεταφορέας συνήθως επιστρέφει συμβάντα παρακολούθησης, αλλά ένας μεγάλος αριθμός αποστολών εμφανίσει ξαφνικά Not Found, το επόμενο βήμα είναι να ελεγχθεί το API του μεταφορέα, η υπηρεσία παρακολούθησης στον ιστότοπό του ή η διαδικασία ανάκτησης δεδομένων.
Το 17TRACK παρακολουθεί συνεχώς την απόδοση των δεδομένων των μεταφορέων. Όταν εντοπίζει πτώση στην απόδοση ή ασυνήθιστες διακυμάνσεις, δημιουργεί ειδοποιήσεις και ενημερώνει τους πελάτες.
Αυτό παρέχει στις επιχειρήσεις έγκαιρη εικόνα των προβλημάτων από την πλευρά του μεταφορέα, ώστε να μπορούν να προσαρμόσουν τις διαδικασίες αναζήτησης και διαχείρισης πριν συσσωρευτούν παράπονα πελατών.
Η αναγνώριση μεταφορέων, η αντιμετώπιση προβλημάτων και η παρακολούθηση πηγών παρέχουν στις ομάδες έναν τρόπο διερεύνησης και παρακολούθησης των αποτελεσμάτων Not Found.
4. Παραδείγματα πελατών με βελτιωμένα ποσοστά επιτυχίας παρακολούθησης
Η απόδοση της παρακολούθησης σε πραγματικές λειτουργίες δείχνει τον αντίκτυπο της αναγνώρισης AI και της διαχείρισης Not Found.
Τα ποσοστά επιτυχίας της παρακολούθησης διαφέρουν ανά πελάτη και εξαρτώνται από παράγοντες όπως η κάλυψη μεταφορέων, η ποιότητα των αριθμών παρακολούθησης, η στρατηγική αναζητήσεων και η διαθεσιμότητα των πηγών δεδομένων.
Δύο παραδείγματα πελατών του 17TRACK:
Περίπτωση 1: Μια κορυφαία παγκόσμια πλατφόρμα γρήγορης μόδας
- Κλίμακα: Παρακολουθεί κατά μέσο όρο παραγγελίες της τάξης των δεκάδων εκατομμυρίων ημερησίως.
- Ποσοστό επιτυχίας παρακολούθησης: Αυξήθηκε από 44.25% σε 93.29%.
Περίπτωση 2: Μια αμερικανική πλατφόρμα προστασίας μετά την αγορά για ηλεκτρονικό εμπόριο
- Κλίμακα: Εξυπηρετεί περισσότερες από 5.000 κορυφαίες επωνυμίες παγκοσμίως.
- Ποσοστό επιτυχίας παρακολούθησης: Αυξήθηκε από 85% σε 95%.
Αυτά τα αποτελέσματα αντικατοπτρίζουν βελτιώσεις στη συνολική λειτουργία παρακολούθησης των πελατών. Δεν μπορούν να αποδοθούν αποκλειστικά στην AI ούτε να χρησιμοποιηθούν ως ποσοστά επιτυχίας ειδικά για τη DHL ή την DPD.
Για τις επιχειρήσεις που επεξεργάζονται μεγάλους όγκους διασυνοριακών παραγγελιών, τα υψηλότερα ποσοστά επιτυχίας παρακολούθησης σημαίνουν περισσότερα αξιοποιήσιμα δεδομένα αποστολών για τη διαχείριση παραγγελιών, την υποστήριξη πελατών και τις λειτουργίες μετά την αγορά.
Βελτίωση των πιθανοτήτων ανάκτησης των σωστών συμβάντων παρακολούθησης για κάθε έγκυρο αριθμό
Μια αναζήτηση παρακολούθησης μπορεί να φαίνεται τόσο απλή όσο η εισαγωγή ενός αριθμού. Στο παρασκήνιο, περιλαμβάνει αναγνώριση μεταφορέα, αντιστοίχιση πηγής δεδομένων, ανάκτηση δεδομένων και συνεχή παρακολούθηση.
Οι επικαλυπτόμενες μορφές αριθμών, οι ελλιπείς πληροφορίες μεταφορέα και οι παραδόσεις μεταξύ μεταφορέων μπορούν να επηρεάσουν το αποτέλεσμα, ιδιαίτερα στις διασυνοριακές αποστολές.
Το 17TRACK API συνδυάζει αναγνώριση μεταφορέων με AI, ένα εσωτερικά αναπτυγμένο μοντέλο δεδομένων logistics, διπλή καταχώριση και συνεχή διαχείριση Not Found, ώστε να βοηθά τις επιχειρήσεις να μειώνουν τις αποτρέψιμες ασυμφωνίες πηγών δεδομένων και να ανακτούν δεδομένα παρακολούθησης πιο αποτελεσματικά.
