Koneoppimisen hyödyntäminen toimitusketjun riskienhallinnassa

Abstract

Toimitusketjun riskienhallinta (engl. Supply Chain Risk Management) sisältää laajan kirjon strategioita, joiden tavoitteena on tunnistaa, arvioida, minimoida ja seurata odottamattomia tapahtumia tai olosuhteita, joilla voi olla pääosin negatiivinen vaikutus toimitusketjun eri osiin. Toimitusketjun eri osa-alueiden generoiman datan merkittävä kasvu on pakottanut yrityksiä kehittämään ja implementoimaan uusia teknologioita, jotka mahdollistavat nopeiden ja älykkäiden johtopäätösten tekemisen erittäin suurista datamääristä. Koneoppimisalgoritmien kyky tunnistaa riippuvuussuhteita suurten datamassojen muuttujien välillä tekee niistä lupaavan työkalun vastaukseksi tähän haasteeseen.

Tässä työssä tutkitaan koneoppimisen soveltuvuutta toimitusketjun riskienhallintaan. Tarkastelua on rajattu riskienhallinnan tehtävistä riskien tunnistamiseen ja riskien arviointiin. Työn tavoitteena on saada ymmärrys koneoppimisen soveltuvuudesta näihin toimitusketjun riskienhallinnan tehtäviin. Jäsentelemällä tarkastelu toimitusketjun riskityyppien mukaan pyritään myös selvittämään riskityypin vaikutus koneoppimisen soveltuvuuteen. Työssä käytettävä tutkimusmenetelmä on kirjallisuuskatsaus.

Tutkimuksessa havaitaan koneoppimisen tukevan toimitusketjun riskien tunnistamista toimitusketjun johdonmukaisen esittämisen kautta. Koneoppiminen mahdollistaa toimitusketjun kartoittamisen automatisoinnin, disruptioiden taustalla olevien syy-seuraussuhteiden tunnistamisen sekä toimitusketjun piilevistä suhteista aiheutuvien riskien tunnistamisen. Toimitusketjun riskien arvioinnin osalta koneoppiminen tukee tunnistettujen riskien todennäköisyyksien määrittämistä sekä riskien seuraamusten ja merkitysten arviointia mahdollistamalla näiden tehtävien automatisoinnin. Tulososion artikkelien perusteella koneoppiminen soveltuu erityisesti tarjonta- ja ympäristöriskien tunnistamiseen sekä erityisesti kysyntäriskien arviointiin.

Koneoppimisalgoritmien soveltuvuutta käytännön toimitusketjujen riskien tunnistamiseen ja arviointiin rajoittaa käytössä olevan datan laatu, sillä kaikkien koneoppimismallien toiminta perustuu dataan. Datan luokkaepätasapaino tunnistetaan haasteeksi monessa tulososion artikkelissa. Tutkimuksen pohjalta mahdollisiksi jatkotutkimusaiheiksi tunnistetaan koneoppimisen soveltaminen kysyntäriskien tunnistamiseen sekä vahvistusoppimisen soveltaminen toimitusketjun riskien tunnistamiseen ja arviointiin.