Analytique prédictive et applications de l'apprentissage automatique aux États-Unis pour des opérations de chaîne d'approvisionnement durables et la réduction de l'empreinte carbone

Avec les préoccupations croissantes à l'échelle mondiale concernant le changement climatique et la durabilité environnementale, il y a un accent de plus en plus fort sur la réduction des émissions et de l'empreinte écologique dans les opérations de chaîne d'approvisionnement aux États-Unis. Cette étude a exploré l'application de l'analytique prédictive et de l'apprentissage automatique dans le domaine de la gestion de la chaîne d'approvisionnement pour réduire les émissions de carbone et garantir des opérations durables. Pour ce document de recherche, l'organisation Walmart a fourni toutes les données d'activité de la chaîne d'approvisionnement utilisées dans cette étude de recherche, qui consistaient en des données complètes sur leurs niveaux d'activité industrielle, les productions, la consommation d'énergie, les types de combustibles utilisés, les données géographiques et les conditions météorologiques. Trois algorithmes d'apprentissage automatique ont été formés et testés, à savoir, Random Forest, XG-Boost et l'algorithme de Bagging. Sur la base de tous les indicateurs, Random Forest était le meilleur classificateur en raison de son excellente généralisation, de sa haute précision et de son rappel, et de son AUC élevé. Selon les résultats, l'algorithme des forêts aléatoires était le plus précis dans ses prévisions parmi tous les modèles évalués. L'implémentation de Random Forest bénéficie aux entreprises en Amérique grâce à sa haute précision et robustesse, flexibilité, évolutivité, gestion des risques et atténuation. En ce qui concerne l'économie américaine, le déploiement de Random Forest peut bénéficier au gouvernement de plusieurs manières : réduction de l'empreinte carbone, attraction d'investissements étrangers et renforcement de l'avantage concurrentiel.