Articolo offerto da Intelligent Audit

Quando FreightWaves ha lanciato gli AI Excellence in Supply Chain Awards, l’obiettivo era fare chiarezza in un settore in cui “AI” è diventata una parola d’ordine di marketing appiccicata a quasi ogni comunicato stampa, e mettere invece in evidenza le aziende che utilizzano l’IA in modi davvero trasformativi.

I premi sono pensati per riconoscere implementazioni reali e risultati misurabili, non presentazioni appariscenti. Le candidature vengono valutate in base alla solidità dell’applicazione di IA, a quanto profondamente è integrata nei flussi di lavoro esistenti e ai risultati tangibili che produce.

Quest’anno, Intelligent Audit è stata nominata tra gli onorati nella categoria AI Solution Provider. Il riconoscimento è andato a DeepDetectAI, un sistema proprietario di machine learning sviluppato dal Chief Product Officer Brian Pollack per identificare errori di spedizione e frodi nascosti all’interno di milioni di transazioni di trasporto, spesso prima che causino danni finanziari significativi.

Le fatture di trasporto e dei pacchi sono tra i set di dati più densi e ad alto volume che uno spedizioniere gestisce. Un singolo account enterprise può generare migliaia di righe a settimana tra vettori, servizi, accessorial e cicli di fatturazione. Secondo Intelligent Audit, è proprio in questo volume che tendono a nascondersi errori costosi e frodi intenzionali: una deviazione sottile facile da non notare in un foglio di calcolo, un livello di servizio modificato che nessuno ha segnalato, oppure un pattern di resi che sembra normale finché non lo è più.

L’approccio di DeepDetectAI parte dalla storia. Il sistema acquisisce l’intero set di dati di trasporto dello spedizioniere e usa il machine learning proprietario per stabilire una baseline di come appare l’attività di spedizione normale per quella specifica azienda, fino al livello di account, servizio e area geografica. Da lì, monitora continuamente le nuove attività alla ricerca di variazioni di costo, uso insolito dei servizi, addebiti duplicati o apparentemente fraudolenti e altre deviazioni da quella baseline.

Ciò che distingue DeepDetectAI da un normale strumento di alerting è il livello di spiegabilità posto sopra il motore di rilevamento. Ogni anomalia è accompagnata da dati che mostrano cosa è accaduto, dove è accaduto e perché, con il supporto di un analista di Intelligent Audit. L’obiettivo è aiutare i team di logistica, finanza e operations a passare da un’analisi reattiva dei dati dopo i fatti alla risoluzione proattiva delle eccezioni man mano che emergono.

Piccoli segnali, conseguenze crescenti

Nel complesso dei case study di DeepDetectAI di Intelligent Audit, ciò che emerge è come piccole deviazioni facili da trascurare possano ripetersi fino a trasformarsi in problemi da sei o sette cifre se non vengono riconosciute e corrette rapidamente.

Il pattern varia in base all’account.

Per un grande gruppo globale dell’occhialeria, tutto è iniziato con un picco di $10,000 in un servizio di reso che l’azienda non aveva mai utilizzato prima. Si è poi scoperto che era il primo segnale di una rete di frode organizzata che acquistava occhiali, manipolava i codici a barre dei resi e infine comprometteva gli account UPS dell’azienda per deviare la merce dal Messico verso gli Stati Uniti. Quando lo schema è stato completamente scoperto, erano state identificate attività fraudolente per oltre $1 million, dando origine a un’indagine dell’FBI.

Per un retailer specializzato nazionale, il problema era un errore nella selezione del servizio. I team prenotavano inconsapevolmente FedEx Home Delivery invece di Ground su più account, un errore che avrebbe comportato milioni di spesa evitabile prima che il pattern venisse individuato.

Per un produttore globale multi-brand, il fattore scatenante è stata una nuova “Additional Classification Fee” fatturata a un account di brokeraggio non autorizzato. È stata segnalata prima che potesse crescere fino a oltre $200,000 di spesa settimanale non pianificata.

In alcuni casi, invece di un singolo problema in crescita, più piccole anomalie si accumulano nello stesso periodo di revisione. Un retailer di fascia alta ha registrato tre segnali distinti — un aumento delle late-payment fees, il primo utilizzo di un servizio espresso premium e una selezione errata del trasporto internazionale — emersi nello stesso ciclo di controllo. Insieme, rappresentavano $143,100 in problemi rilevati e un’esposizione annualizzata stimata di $2.8 million se il pattern delle late-fee fosse proseguito senza intervento.

In un altro caso che ha coinvolto un retailer diverso, la fatturazione appariva corretta sulla carta mentre sotto la superficie si svolgeva uno schema fraudolento, a conferma della necessità di andare oltre la semplice riconciliazione di una fattura e verificare se l’attività sottostante abbia davvero senso.

I fascicoli più ampi di DeepDetectAI includono anche address spoofing emerso come un aumento inspiegato delle consegne residenziali, uno schema di impersonificazione di un fornitore in cui una piccola impresa ha movimentato merci non autorizzate sotto l’identità di un cliente, un guasto nella fatturazione closed-loop che ha portato UPS a riconoscere un uso non autorizzato e a restituire oltre $1 million, un caso interno di uso improprio da parte di dipendenti individuato tramite un pattern di spedizione inatteso in un centro di distribuzione a basso volume, e uno schema di resi internazionali collegato a una frode organizzata, fermato prima di generare perdite annue stimate in $500,000.

“Ciò che fa risaltare la candidatura di DeepDetectAI è quanto spesso le cifre in dollari continuino a crescere più a lungo un problema resta non rilevato”, ha detto Adam Wingfield, Editorial Director di FreightWaves. “Molti casi non sembrano urgenti all’inizio. Un picco di resi da $10,000, un singolo nuovo codice tariffario o un livello di servizio errato potrebbero non sembrare crisi sulla carta. Il punto di DeepDetectAI è notare le cose che ancora non sembrano una crisi”, ha aggiunto.

Costruito su quasi tre decenni di esperienza nel freight audit

Intelligent Audit opera come società di freight audit e pagamento dal 1996 e oggi annovera tra i propri clienti sia marchi e-commerce in crescita sia almeno il 20% delle aziende Fortune 50, avendo verificato oltre 2.1 billion di spedizioni solo nell’ultimo anno. Questa storia è importante in modo specifico per DeepDetectAI: la baseline di machine learning del sistema è forte quanto l’esperienza che la sostiene, e la scala di Intelligent Audit offre una visione ampia e ad alto volume di ciò che appare normale o anomalo nelle attività di spedizione in diversi settori.

Trasformare i dati nascosti in un sistema di allerta precoce

Le supply chain generano molti più dati di trasporto di quanti qualsiasi team possa esaminare manualmente, e proprio questo volume fa sì che errori costosi e frodi spesso restino invisibili fino a quando hanno già inciso su budget o livelli di servizio. DeepDetectAI è progettato per colmare questo divario: monitora continuamente i pattern di spedizione, fa emergere le eccezioni in tempo reale e combina il machine learning con insight spiegabili e supporto analitico, così che i team comprendano non solo che qualcosa non va, ma anche dove sta accadendo, perché e cosa fare dopo.

La candidatura di DeepDetectAI non si basava su un singolo rilevamento clamoroso. Era sostenuta da un fascicolo continuo di schemi fraudolenti, impersonificazioni di fornitori, rotture di fatturazione ed errori interni, ciascuno con un importo specifico e una risoluzione documentata. È esattamente questo livello di specificità che gli AI Excellence in Supply Chain Awards sono stati creati per riconoscere.

Congratulazioni a Intelligent Audit per un riconoscimento meritato e per aver dimostrato come appare il rilevamento in tempo reale in una parte della supply chain costruita quasi interamente sulla fiducia.

Clicca qui per saperne di più su Intelligent Audit.

Il post Come Intelligent Audit ha trasformato tre decenni di esperienza nel freight in un sistema di allerta precoce basato sull’IA è apparso per la prima volta su FreightWaves.