Koneoppimisen hyödyntäminen toimitusketjun hallinnassa
Heinonen, Ville (2020)
Heinonen, Ville
2020
Teknis-taloudellinen kandidaattiohjelma - Degree Programme in Business and Technology Management, BSc (Tech)
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. Only for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2020-05-08
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202004274007
https://urn.fi/URN:NBN:fi:tuni-202004274007
Tiivistelmä
Toimitusketjun hallinta (engl. supply chain management, SCM) on keskeinen osa nykyajan yritysten toimintaa, jonka tavoitteena on kiteytetysti toimitusketjun tehokkuuden maksimointi toiminnan optimoimisella. SCM:ssä on keskeistä kokonaisuuden koordinointi, mutta myös siihen sisältyvillä yksittäisillä toiminnoilla on suuri merkitys, ja siten niiden optimoinnin voidaan nähdä tuovan hyötyä SCM:ään. Tässä työssä tutkitaan, kuinka koneoppimista on hyödynnetty SCM:ssä. Tavoite on selvittää, miten koneoppimista on hyödynnetty, mitä hyötyjä koneoppimisen käytöstä on tunnistettu, ja vastaavatko koneoppimisen hyödyt SCM:n haasteisiin. Löydösten pohjalta analysoidaan edellä mainittujen lisäksi koneoppimisen tulevaisuuden näkymiä SCM:ssä.
Työn kohdalla teorian ja tutkimusten käsittely jakaantuu kolmeen osaan. Kahdessa ensimmäisessä osiossa keskitytään pääkäsitteiden, SCM ja koneoppiminen, määrittelyyn ja taustan esittämiseen tässä järjestyksessä. SCM:n taustoittamisella selvennetään lukijalle erityisesti SCM:n haasteet, toiminnot sekä laajuus. Koneoppimisesta pyritään luomaan lukijalle teoriaan pohjautuen selkeä kuva aiheesta. Viimeisessä osiossa tutkitaan, kuinka koneoppimista on hyödynnetty tutkimuksissa siten, että on vaikutettu SCM:ään. Hyödyntämistapauksia etsitään erityisesti toimitusketjun toiminnoista sekä big datasta ja laadunvalvonnasta. Koneoppimista soveltaneita tutkimuksia löydettiin huomattava määrä, ja niissä tarjottiin ratkaisuja monenlaisiin ongelmiin. Työn yhteenveto ja päätelmät tehdään viimeisen osion tulosten pohjalta.
Tutkimus osoittaa, että koneoppimista käytetään avuksi erityisesti toimintojen optimoinnissa, useimmiten jonkin parametrin, kuten tilauspisteen, optimaalisen arvon ennustamiseen. SCM:n kokonaisuuden koordinointiin koneoppimisen ei havaittu vielä tarjoavan ratkaisua. Koneoppimista sovellettiin moneen erilaiseen ongelmaan, mutta kysynnän ennustaminen ja dynaaminen hienokuormitus nousivat tutkimuksien määrässä sekä tunnistetuissa hyödyissä ylitse muiden. Tulosten perusteella paras tarkkuus kysynnän ennustamiseen ja tuottavin työjärjestys dynaamiseen hienokuormitukseen saavutetaan hyödyntämällä ratkaisussa koneoppimista. Esitetyistä haasteista koneoppimisratkaisujen havaittiin vastaavan erityisesti kasvaviin laatu- ja asiakaspalveluodotuksiin.
Tulokset osoittavat, että SCM:ään kuuluu toimintoja, joissa on tunnistettu merkittäviä hyötyjä koneoppimisen hyödyntämisestä. Silti koneoppimisen käytön vaatimusten nähdään rajoittavan hyödyntämisen pois isolta osalta yrityksiä, koska tarvittava teknologia ja tietämys vaatisivat investointeja, jotka tuskin olisivat kannattavia pelkästään koneoppimisen takia. Tutkimusten määrän havaitaan kasvaneen viimeisten vuosien aikana merkittävästi, minkä voidaan nähdä viittavan vaadittujen teknologioiden kypsyyden tason kasvuun. Huomioiden vaatimusten pienenemisen, voidaan todeta vähintäänkin koneoppimistekniikoiden käyttöönoton harkinnan kannattavaksi tilanteessa, jossa ollaan päivittämässä järjestelmiä.
Työn kohdalla teorian ja tutkimusten käsittely jakaantuu kolmeen osaan. Kahdessa ensimmäisessä osiossa keskitytään pääkäsitteiden, SCM ja koneoppiminen, määrittelyyn ja taustan esittämiseen tässä järjestyksessä. SCM:n taustoittamisella selvennetään lukijalle erityisesti SCM:n haasteet, toiminnot sekä laajuus. Koneoppimisesta pyritään luomaan lukijalle teoriaan pohjautuen selkeä kuva aiheesta. Viimeisessä osiossa tutkitaan, kuinka koneoppimista on hyödynnetty tutkimuksissa siten, että on vaikutettu SCM:ään. Hyödyntämistapauksia etsitään erityisesti toimitusketjun toiminnoista sekä big datasta ja laadunvalvonnasta. Koneoppimista soveltaneita tutkimuksia löydettiin huomattava määrä, ja niissä tarjottiin ratkaisuja monenlaisiin ongelmiin. Työn yhteenveto ja päätelmät tehdään viimeisen osion tulosten pohjalta.
Tutkimus osoittaa, että koneoppimista käytetään avuksi erityisesti toimintojen optimoinnissa, useimmiten jonkin parametrin, kuten tilauspisteen, optimaalisen arvon ennustamiseen. SCM:n kokonaisuuden koordinointiin koneoppimisen ei havaittu vielä tarjoavan ratkaisua. Koneoppimista sovellettiin moneen erilaiseen ongelmaan, mutta kysynnän ennustaminen ja dynaaminen hienokuormitus nousivat tutkimuksien määrässä sekä tunnistetuissa hyödyissä ylitse muiden. Tulosten perusteella paras tarkkuus kysynnän ennustamiseen ja tuottavin työjärjestys dynaamiseen hienokuormitukseen saavutetaan hyödyntämällä ratkaisussa koneoppimista. Esitetyistä haasteista koneoppimisratkaisujen havaittiin vastaavan erityisesti kasvaviin laatu- ja asiakaspalveluodotuksiin.
Tulokset osoittavat, että SCM:ään kuuluu toimintoja, joissa on tunnistettu merkittäviä hyötyjä koneoppimisen hyödyntämisestä. Silti koneoppimisen käytön vaatimusten nähdään rajoittavan hyödyntämisen pois isolta osalta yrityksiä, koska tarvittava teknologia ja tietämys vaatisivat investointeja, jotka tuskin olisivat kannattavia pelkästään koneoppimisen takia. Tutkimusten määrän havaitaan kasvaneen viimeisten vuosien aikana merkittävästi, minkä voidaan nähdä viittavan vaadittujen teknologioiden kypsyyden tason kasvuun. Huomioiden vaatimusten pienenemisen, voidaan todeta vähintäänkin koneoppimistekniikoiden käyttöönoton harkinnan kannattavaksi tilanteessa, jossa ollaan päivittämässä järjestelmiä.