My Board

包括逻辑回归、决策树、随机森林和 XGBoost，使用我们的数据来预测未映射支出的正确材料分类。经过仔细评估，我们选择随机森林作为准确度最高的算法。为了进一步提高算法的预测能力，我们使用自然语言处理 (NLP) 对数据进行了预处理，这是一种旨在模仿人类对文本理解的计算技术。最终算法在未分类的支出数据中实现了类别级别 94% 的分类准确率和子类别级别 90% 的分类准确率。

实施的先进见解和好处
实施采购控制塔将为我们的赞助商提供高级见解，为他们带来端到端的可视性、增强的异常管理、改进的决策、改进的风险管理、成本节约等。机器学习算法对未映射的材料支出进行分类将在各个方面对我们赞助商 伯利兹电子邮件列表 的业务产生积极影响。具体来说，它为供应商重新谈判提供了机会，提高了预算准确性，并减少了手动分类所需的工时。鉴于我们的赞助商每年增加数千个新 SKU，这相当于数万条支出数据记录，我们提出的解决方案变得非常有价值，因为它提供了持续、定期的支出数据分类。我们提出的解决方案已被赞助商接受，并且正在实施中，这标志着我们朝着优化采购流程和在 VUCA 市场取得竞争优势迈出了重要一步。

每年， 麻省理工学院交通与物流中心 (MIT CTL) 供应链管理 (SCM) 硕士项目约有 80 名学生完成大约 45 个为期一年的研究项目。

这些学生是来自多个国家的早期商业专业人士，拥有 2 至 10 年的行业经验。大多数研究项目都是由跨国公司选择、赞助和合作开展的。由麻省理工学院供应链管理专业学生和麻省理工学院 CTL 教员组成的联合团队致力于解决实际问题。在本系列中，他们总结了最新的供应链管理研究。