Koneoppimisen hyödyntäminen varaston alavirran suunnittelussa

Abstract

Logistiikan toimitusketjujen hallinta on keskeinen osa yritystoimintaa. Materiaali- ja palveluvirtojen sujuvuus sekä tehokkuus ovat ratkaisevassa asemassa. Toimitusketjun optimointiin liittyy useita haasteita, kuten asiakkaiden vaihteleva kysyntä ja varastonhallinta. Erityisesti pitkät toimitusketjut välivarastoineen ja useine toimijoineen edellyttävät kokonaisvaltaista suunnittelua ja johtamista. Kysyntäketjun hallinnalla on merkittävä rooli logistiikan suunnittelussa, sillä asiakkaiden ennustamaton kysyntä voi vaikuttaa koko toimitusketjun suorituskykyyn.

Tutkimuksessa tarkastellaan koneoppimisen hyödyntämistä varaston alavirran suunnittelussa. Tutkimuksen kohteena on kuvitteellinen tavarantoimittajana toimiva tukkuliike, joka pyrkii optimoimaan varastokenttäänsä ja logistiikkaansa asiakkaiden tilaushistorian perusteella. Tutkimuksen tavoitteena on luoda koneoppimisen malli, joka ennustaa asiakkaiden tilauksia aiempien tilausten perusteella ja sitä kautta auttaa ylläpitämään oikean määrän oikeita tuotteita sopivissa varastoissa. Tutkimuksessa käytettävä aineisto on keinotekoista ja luotu vain tätä opinnäytetyötä varten.

Opinnäytetyössä käsitellään ensin koneoppimisen perusteita ja valitaan sopiva algoritmi tai algoritmit mallin rakentamiseen. Sen jälkeen toteutetaan koneoppimismalli ja analysoidaan mallin toimivuutta.

Tutkimustyön tuloksena syntyi päätöspuualgoritmin ja ryvästys algoritmin hyödyntämisestä esimerkki, jota voi hyödyntää rakennettaessa vastaavaa monimutkaisempaa koneoppimismallia. Synteettinen data palveli tarkoitustaan ja datan tuntemisesta oli hyötyä arvioitaessa koneoppimisalgoritmin suoriutumista. Yksinkertaisuutensa vuoksi data ei kuitenkaan vastaa tosielämän tarpeita eikä keinotekoisella datalla koulutettu koneoppimismalli todennäköisesti sellaisenaan toimi missään tilanteessa.