我们利用 2019 年的物流数据创建了基线并验证了有关当前网络的假设。在绘制任意一天的配送预约量时，我们发现清晨时段（大约早上 5 点到 10 点）的需求量大幅增加。根据这一观察，我们假设在一天中这些拥堵时段的配送需要更长时间（由于装卸码头拥堵、道路交通等）。然而，我们实际上观察到了相反的行为。
通过深入研究数据，我们了解了这一意外现象，我们发现，、承运商的表现变化、客户的卸货速度以及数据集中未包括的一些因素（如装运/接收码头的优先级和人员配备水平或交通状况）等多种因素共同造成的。
我到底需要多少卡车和司机来服务我的客户？
我们用 Python 创建了一个启发式算法，在 24 小时内迭代每个地区的每批货物，并创建货物组合。每个货物组合必 贝宁电子邮件列表 须满足各自的送货预约窗口（由接收该货物的客户设置）的限制以及美国对司机每日值班时间（14 小时）和驾驶时间（11 小时）的限制。如果多个货物组合满足所有限制，则选择司机利用率最高的货物组合。
为了对模型进行敏感性测试，我们针对每个地区的每位客户运行了 30 多种不同的送货预约窗口场景。每个地区都有针对特定客户和送货预约窗口的不同场景，这些场景大大提高了网络的利用率，从而降低了成本。
基于此，我们建议赞助公司与客户协商，修改交货预约时间，以便网络以更低的成本运行。
总体而言，客户结构较高的地区利用率最高可提高 25%，成本最高可降低 45%。配送量较高的地区利用率最高可提高 13%，成本最高可降低 18%。