Toimitusketjun hallinnan parantaminen koneoppimisen avulla

Abstract

Digitalisaation ja kiihtyvän teknologian kehityksen seurauksena organisaatioilla on saatavilla dataa enemmän kuin koskaan ennen. Tätä valtaa monimuotoista datan määrää kutsutaan big dataksi. Tästä big datasta saadaan erityisesti hyötyjä toimitusketjun hallinnassa, jossa päätökset liittyvät vahvasti datan analysointiin. Tämän kasvavan datan määrän seurauksena toimitusketjun hallinnan perinteiset datankäsittelyn työkalut eivät ole enää riittävän tehokkaita. Ratkaisuna datankäsittelyn ongelmaan on esitelty lupaavimpana ratkaisuna tekoälyä ja erityisesti koneoppimista. Nämä ovat neljännen teollisen vallankumouksen tuomia teknologioita, jotka ovat lisäksi muodostaneet toimitusketjun hallinnalle uuden termin, toimitusketjun hallinta 4.0.

Tutkimus toteutetaan kirjallisuuskatsauksena ja tutkimusaineiston vuosirajaus asetetaan vuoteen 2020 koneoppimisen hyödyntämisen kannalta. Tutkimuksessa pyritään vastaamaan päätutkimuskysymykseen: miten koneoppimista voidaan hyödyntää toimitusketjun hallinnassa. Päätutkimuskysymyksen selvittämiseksi tukena ovat seuraavat alatutkimuskysymykset: Miten ja missä toimitusketjun hallinnan osa-alueissa koneoppimista voidaan hyödyntää sen paranemiseksi? Miten toimitusketjun hallinnan paraneminen ilmenee? Mitä haasteita koneoppimisen hyödyntämisessä toimitusketjun hallinnassa on? Tutkimuksen rakenne etenee niin, että aluksi määritellään toimitusketjun hallinta ja tässä syntyvä big data. Tämä jälkeen määritellään koneoppiminen, jonka avulla toimitusketjun hallintaa parannetaan. Määritelmien jälkeen esitetään tutkimuksen tuloksia. Tulosten jälkeen seuraa johtopäätökset, jossa muodostetaan tutkimuksessa tehdyistä havainnoista yhtenäinen kokonaisuus.

Tutkimusaineiston avulla toimitusketjun hallinta jaetaan neljään osa-alueeseen ja esitetään koneoppimisen hyödyntämistä. Lisäksi esitellään koneoppimisen käytön haasteita toimitusketjun hallinnassa. Toimitusketjun hallinnan jaetut osa-alueet ovat kysynnän ennustaminen, varastonhallinta, tuotannonhallinta ja logistiikan optimointi. Kysynnän ennustamisessa paraneminen ilmenee varaston kiertonopeudessa, varastonhallinnassa tuotteiden liikkeen hallinnassa, tuotannonsuunnittelussa tuotannon jatkuvuuden varmistamisessa ja logistiikan optimoinnissa paremmassa reittisuunnittelussa. Koneoppimisen oppimismenetelmistä toimitusketjun paranemiseen käytetään ohjattua, ohjaamatonta ja vahvistettua oppimista. Koneoppimisen hyödyntämisen haasteista toimitusketjun hallinnassa esille nousee datan esikäsittely, koneoppimisen algoritmin valinta ja kustannustehokkuus.