Kunnossapitokustannusten ennustaminen koneoppimismallin avulla

Abstract

Työn tilaaja, Remeo Oy halusi tietää, onko kaluston tehokkuutta mahdollista parantaa kustannustehokkaasti. Työ aloitettiin arvioimalla kaluston nykytila, sekä rakentamalla koneoppimismalli ennustamaan kaluston kunnossapitokustannuksia lähivuosille. Ennustemalli käytti hyväkseen Remo Oy:n kaluston olemassa olevaa dataa, kuten ostolaskuja sekä ajotavanseurantajärjestelmän tuottamaa käyttödataa. Tavoitteena oli muodostaa malli, joka pystyy ennustamaan ajoneuvon korvaustarpeen lähivuosille tarkemmin, kuin käytössä olleet keinot. Koneoppimismalli tuotettiin käyttämällä Python-ohjelmointikieltä ja sen Scikit-learn -kirjastoa, joka sisältää useita koneoppimisalgoritmeja. Tutkimuksessa kokeiltiin useita eri malleja ja niiden tuloksia vertailtiin keskenään. Mallin kouluttamiseen käytettiin vuosien 2021 ja 2022 dataa, sekä validointiin vuoden 2023 dataa. Koneoppimismallin tarkkuus ei riittänyt yksittäisten ajoneuvojen kunnossapitokustannusten ennus tamiseen, oletettavasti johtuen datan määrästä ja laatuongelmista, mutta kokonaiskustannusten ennustamiseen se kykeni noin 2 % tarkkuudella vuodelle 2023. Tämä riittää budjetoinnin näkökulmasta, sekä omaisuudenhallintasuunnitelman pohjaksi. Lisäksi malli voitti verratut menetelmät, kun poimittiin 20 kalleinta ajoneuvoa korvattavaksi. Malli siis täytti sille asetetut tavoitteet, mutta sen jatkokehittäminen suuremmalla datamäärällä on vielä suotavaa. Lisäksi ajoneuvon korvausajankohdan optimointi sidottiin organisaation fyysisen omaisuuden hallintaan ja sen prosesseihin, sekä punnittiin eri hankintamenetelmiä kaluston uusimiseen ottaen huomioon organisaation talouden mittarit.