The main goal of Commercial Carriers is to deliver packages respecting the promises made to customers. Therefore, backlog prevention systems play a crucial role considering that backlogs would prevent CCs to reach their primary objective. This work aims at analyzing the state of the art of current available solutions to overcome these limitations, and, on top of those, a new approach is proposed. Then, the new proposal is evaluated and compared to already deployed solutions. The mechanism analyzed in this thesis aims at reaching, through the use of statistics, comparable results to ML solutions in terms of accuracy, but requiring less computational resources. To achieve this, the proposed methodology relies on a statistical model that does not need to be trained and executed, as typical ML models. As a consequence, one of the main benefits is the speed of execution: requiring less than 30 seconds, about 25 times faster than ML approaches. Our findings show that our approach requires about 15% of the data other solutions need: this is a significant advancement with respect to the current state of the art. This constitutes an additional benefit in terms of cost savings for tech resources, both in terms of data storage and program execution. Results prove the effectiveness of the proposal, with 80% accuracy, about 10% lower than averages ML approaches. Key point is the difference in the approach, for which is worth to evaluate the trade-off. Considering the effective low frequency of events that negatively impact the performances and result in backlog, the proposed approach would be valid for everyday scenarios but it would be still advisable to rely on even more accurate technologies during particularly intense periods. / Huvudmålet för Commercial Carriers är att leverera paket som respekterar de löften som ges till kunderna. Därför spelar system för att förebygga eftersläpning en avgörande roll med tanke på att eftersläpningar skulle hindra CC:s att nå sitt primära mål. Detta arbete syftar till att analysera det senaste inom nuvarande tillgängliga lösningar för att övervinna dessa begränsningar, och utöver dessa föreslås ett nytt tillvägagångssätt. Därefter utvärderas det nya förslaget och jämförs med redan implementerade lösningar. Mekanismen som analyseras i denna avhandling syftar till att, genom användning av statistik, nå resultat som är jämförbara med ML-lösningar när det gäller noggrannhet, men som kräver mindre beräkningsresurser. För att uppnå detta bygger den föreslagna metodiken på en statistisk modell som inte behöver tränas och utföras, som typiska ML-modeller. Som en konsekvens är en av de största fördelarna körhastigheten: kräver mindre än 30 sekunder, ungefär 25 gånger snabbare än ML närmar sig. Våra resultat visar att vårt tillvägagångssätt kräver cirka 15% av den data som andra lösningar behöver: detta är ett betydande framsteg med avseende på den nuvarande teknikens ståndpunkt. Detta utgör en ytterligare fördel i form av kostnadsbesparingar för tekniska resurser, både vad gäller datalagring och programexekvering. Resultaten bevisar effektiviteten av förslaget, med 80% noggrannhet, cirka 10% lägre än genomsnittet för ML. Nyckelpunkten är skillnaden i tillvägagångssättet, som är värt att utvärdera avvägningen. Med tanke på den effektiva låga frekvensen av händelser som negativt påverkar prestandan och leder till eftersläpning, skulle det föreslagna tillvägagångssättet vara giltigt för vardagliga scenarier, men det skulle fortfarande vara tillrådligt att förlita sig på ännu mer exakt teknik under särskilt intensiva perioder.