Raaka-ainetarpeiden ennustaminen valmistavan teollisuuden yrityksessä
Kuusisto, Santeri (2020)
2020
Tietotekniikan DI-tutkinto-ohjelma - Degree Programme in Information Technology, MSc (Tech)
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2020-05-26
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202004294620
https://urn.fi/URN:NBN:fi:tuni-202004294620
Tiivistelmä
Materiaalitarpeiden ennakointi on iso haaste valmistavan teollisuuden yrityksissä. Tässä työssä suunnitellaan ja luodaan ostajan päätöksenteon tueksi työkalu, joka luo automaattisesti ennusteen kunkin raaka-aineen tulevasta tarpeesta. Ennusteet luodaan hyödyntäen eteenpäin kytkettyä monikerroksista perseptroniverkkoa (engl. multi-layer perceptron, MLP). Työn tavoite on luoda MS Power BI:llä helppokäyttöinen työkalu, jossa ennustemallinnus on täysin automatisoitua. Samalla tavoitteena on tutkia, miten tarkkoja ennusteita raaka-aineiden tulevasta tarpeesta automaattisesti luoduilla neuroverkoilla saadaan.
Työn tuloksena syntyi ennustetyökalu, joka lukee itsenäisesti tarvittavat lähtötiedot asiakkaan toiminnanohjausjärjestelmästä, suorittaa tietojen esikäsittelyn, sovittaa ennustemallit ja tuottaa ennusteet. Ennustemallinnuksen automatisointiin käytetään R-ohjelmointikieltä, joka integroituu suoraan tietojen sisäänlukuun MS Power BI:ssä. R-ohjelmointikielen nnfor-paketin avulla hyödynnetään Cronen ja Kourentzesin menetelmää neuroverkon parametrien automaattiseen määrittämiseen.
Työkalun luomien ennusteiden tarkkuutta arvioidaan muun muassa suhteellisen virheen mittarilla (mean absolute percentage error, MAPE) sekä naiiviin ennusteeseen vertaavalla mittarilla (mean absolute scaled error, MASE). Mittaustuloksista voidaan päätellä, että työkalun ennusteet ovat naiivia ennusteita parempia, kun lähtötietojen joukossa on tarvehistorian lisäksi yrityksen liikevaihdon kehitystä kuvaava aikasarja. Lisäksi tuloksista nähdään, että suhteellinen virhe yksittäisen ennusteen kohdalla on keskimäärin useita kymmeniä prosentteja. Tulosten perusteella vaikuttaisi siltä, että ennustettavat aikasarjat sisältävät paljon satunnaisuutta, mutta myös tarpeeksi säännönmukaisuutta, mikä mahdollistaa niiden mallintamisen neuroverkoilla.
Työn tuloksena syntyi ennustetyökalu, joka lukee itsenäisesti tarvittavat lähtötiedot asiakkaan toiminnanohjausjärjestelmästä, suorittaa tietojen esikäsittelyn, sovittaa ennustemallit ja tuottaa ennusteet. Ennustemallinnuksen automatisointiin käytetään R-ohjelmointikieltä, joka integroituu suoraan tietojen sisäänlukuun MS Power BI:ssä. R-ohjelmointikielen nnfor-paketin avulla hyödynnetään Cronen ja Kourentzesin menetelmää neuroverkon parametrien automaattiseen määrittämiseen.
Työkalun luomien ennusteiden tarkkuutta arvioidaan muun muassa suhteellisen virheen mittarilla (mean absolute percentage error, MAPE) sekä naiiviin ennusteeseen vertaavalla mittarilla (mean absolute scaled error, MASE). Mittaustuloksista voidaan päätellä, että työkalun ennusteet ovat naiivia ennusteita parempia, kun lähtötietojen joukossa on tarvehistorian lisäksi yrityksen liikevaihdon kehitystä kuvaava aikasarja. Lisäksi tuloksista nähdään, että suhteellinen virhe yksittäisen ennusteen kohdalla on keskimäärin useita kymmeniä prosentteja. Tulosten perusteella vaikuttaisi siltä, että ennustettavat aikasarjat sisältävät paljon satunnaisuutta, mutta myös tarpeeksi säännönmukaisuutta, mikä mahdollistaa niiden mallintamisen neuroverkoilla.