AI-driven Supplier Performance Management: Natural Language Processing applications

Abstract

The need for more integrated supply chains and buyer-supplier relationships has been increasing, due to accelerating competition and changing customer, buyer, and supplier needs. To achieve positive outcomes, including value creation and profitability in the supplier network, the buying organisation must provide means for comprehensive Supplier Performance Management. For performance management and measurement to be effective and proactive, buying organisations must incorporate the use of qualitative measures into their measurement process. To access these, various qualitative data sources and technologies that enable their use must be considered. This study aimed to address this issue and the currently limited understanding of it. The goal was to identify how Natural Language Processing could be applied in Supplier Performance Management, from the perspective of the buying organisation. The aim was to gain a deeper understanding of current challenges in Supplier Performance Management, identify current information needs, possible qualitative data sources, and assess the potential of Natural Language Processing to enhance Supplier Performance Management through proactive measurement.

Based on the existing literature, supplier performance is typically measured through quantitative indicators. Current performance frameworks typically focus on reactive methods, often neglecting proactive and qualitative measures. However, proactive indicators based on qualitative data are significant and should be taken into consideration in supplier performance evaluation. Qualitative performance measures create opportunities for artificial intelligence technologies, particularly in Natural Language Processing. While Natural Language Processing is utilised in sub-fields, in Supplier Performance Management, it has not yet been widely recognised. Therefore, to address the existing research gap and develop comprehensive performance measurement, qualitative data and use cases for Natural Language Processing are recognised.

To meet the research objectives, a qualitative study of two semi-structured interview rounds on Finnish large manufacturing organisations was conducted. The first interviews created an understanding of current information needs regarding suppliers. Through the second interview round, categorisations of current challenges, qualitative data sources, proactive supplier measures, and potential use cases of Natural Language Processing were distinguished. The results were compared to the existing literature to provide answers to all the research questions and create a framework regarding the potential of Natural Language Processing in identified use cases. Based on the research, use cases exist in proactive supplier performance categories: quality, delivery performance, operations and processes, organisation and business, connections, sustainability, and innovation.

The results of this study show that the supplier information needs, qualitative data sources, existing challenges, and Natural Language Processing use cases can be categorised based on proactive supplier performance categories. The key findings highlight the significance of qualitative data in proactive measurement and the potential of Natural Language Processing in this context. This thesis contributes to the existing literature by broadening the perspective on a capable supplier, while successfully connecting it to qualitative data and Natural Language Processing in a manner that has not yet been explored in existing research. In addition, this thesis encourages future research to further examine the subjects in practice, shifting Supplier Performance Management overall towards more digitalised environments.

Jatkuvasti kiihtyvä kilpailu yritysten välillä, sekä asiakkaiden, valmistajien ja toimittajien muuttuvat tarpeet ovat kasvattaneet yhtenäisten toimitusketjujen sekä toimittajasuhteiden merkitystä. Positiivisia tuloksia, kuten arvonluontia tai kannattavuutta, voidaan toimitusketjuissa saavuttaa, kun valmistava yritys monipuolisesti hallitsee toimittajien suorituskykyä. Suorituskyvyn hallinta ja mittaaminen on tehokasta ja proaktiivista, kun valmistajat huomioivat myös kvalitatiivisia mittareita. Jotta näitä voidaan hyödyntää, tulee valmistajien selvittää kvalitatiiviset datalähteet, sekä teknologiat, jotka mahdollistavat datan käytön. Tämän tutkimuksen tavoitteena oli tunnistaa, kuinka luonnollisen kielen prosessointia voidaan hyödyntää toimittajien suorituskyvyn hallinnassa erityisesti valmistajien näkökulmasta. Tavoitteena oli saada lisää ymmärrystä nykyisistä toimittajien suorituskyvyn hallinnan haasteista, tunnistaa nykyisiä toimittajiin liittyviä tietotarpeita ja näihin sopivia kvalitatiivisia tietolähteitä sekä arvioida luonnollisen kielen prosessoinnin potentiaalia toimittajien suorituskyvyn hallinnan parantamisessa proaktiivisten suorituskykymittareiden kautta.

Aiemman kirjallisuuden mukaan toimittajien suorituskykyä on tyypillisesti mitattu kvantitatiivisten mittareiden avulla. Nykyiset suorituskykymittaristot keskittyvät usein reaktiivisiin menetelmiin ja jättävät proaktiiviset ja kvalitatiiviset mittarit huomiotta. Kuitenkin proaktiiviset suorituskykymittarit ovat merkittäviä ja ne tulisi huomioida toimittajien suorituskyvyn hallinnassa. Kvalitatiiviset suorituskykymittarit luovat mahdollisuuksia liittyen tekoälyn sekä etenkin luonnollisen kielen prosessoinnin hyödyntämiseen. Luonnollisen kielen prosessointia on aiemmissa tutkimuksissa tarkasteltu yrityksen eri toiminnoissa, mutta toimittajien suorituskyvyn hallinnassa sitä ei ole vielä kuitenkaan tunnistettu. Jotta tunnistettuun tutkimustarpeeseen voidaan vastata ja kokonaisvaltaista toimittajien suorituskyvyn mittausta kehittää, tulee kvalitatiivinen data ja luonnollisen kielen prosessoinnin käyttökohteet tunnistaa.

Jotta tutkimuksen tavoitteet voitiin saavuttaa, toteutettiin diplomityössä kvalitatiivinen tutkimus puolistrukturoitujen haastattelujen kautta. Haastatteluiden kohteena olivat suuret suomalaiset valmistavan teollisuuden yritykset. Ensimmäisen haastattelukierroksen avulla selvitettiin tietotarpeita, joita toimittajiin tällä hetkellä liittyy. Toisen haastattelukierroksen aineistojen perusteella rakennettiin kategorisoinnit nykyisistä haasteista, kvalitatiivisista data lähteistä, proaktiivisista suorituskykymittareista sekä potentiaalisista luonnollisen kielen prosessoinnin käyttökohteista toimittajien suorituskyvyn hallinnassa. Haastattelujen tuloksia verrattiin kirjallisuuteen, jotta kaikkiin tutkimuskysymyksiin voitiin onnistuneesti vastata ja luonnollisen kielen prosessoinnin käyttökohteet voitiin tunnistaa. Tutkimuksen perusteella käyttökohteet jakautuvat tunnistettuihin suorituskykykategorioihin, joita ovat laatu, toimituskyky, toimenpiteet ja prosessit, organisaation rakenne ja liiketoiminta, suhteet, kestävyys sekä innovaatiot.

Tämän tutkimuksen tulokset osoittavat, että toimittajiin liittyvät tietotarpeet, kvalitatiiviset datalähteet, nykyiset haasteet ja luonnollisen kielen prosessoinnin käyttökohteet voidaan kaikki kategorisoida toimittajien proaktiivisten kyvykkyyskategorioiden avulla. Keskeiset tulokset korostavat kvalitatiivisen datan tärkeyttä suorituskyvyn hallinnassa sekä näyttävät potentiaalin, joka luonnollisen kielen prosessoinnilla on tässä kontekstissa. Tämä diplomityö laajentaa nykyistä ymmärrystä toimittajien suorituskyvystä ja luo uutta tietoa liittyen kvalitatiiviseen dataan sekä luonnollisen kielen prosessoinnin hyödyntämiseen toimittajien suorituskyvyn hallinnassa. Lisäksi tämä diplomityö kannustaa tutkimaan aihetta lisää konkreettisella tasolla, jotta toimittajien suorituskyvyn hallintaa voidaan ohjata kohti digitaalisempia toimia ja ympäristöä.