Vesihuoltolaitoksen koneopetettu omaisuudenhallintamalli : käyttöomaisuusinvestointien ja taloussuunnittelun automatisointi

Abstract

Vesihuollon omaisuudenhallinta on keskeinen osa julkisen infrastruktuurin kestävää kehitystä. Vesihuoltolain uudistus astui voimaan 1.1.2026 ja velvoitti kaikki vesihuoltolaitokset laatimaan systemaattisen omaisuudenhallintasuunnitelman. Suunnitteluprosessi on monille laitoksille vaativa, sillä se edellyttää erityisosaamista, laajojen aineistojen käsittelyä sekä resursseja, joita erityisesti pienemmillä laitoksilla on rajallisesti käytettävissä.

Tämän opinnäytetyön tavoitteena oli kehittää koneoppimiseen perustuva malli, jolla omaisuudenhallintasuunnitelman laatimista ja päivittämistä voidaan automatisoida ja tehostaa. Tutkimus toteutettiin suunnittelutieteellisenä konstruktiotutkimuksena, jossa matemaattinen mallinnus, syväoppiminen ja taloudellinen analyysi yhdistettiin yhtenäiseksi Python-pohjaiseksi ohjelmistokokonaisuudeksi.

Kehitetty artefakti perustui modulaariseen kolmikerroksiseen arkkitehtuuriin, joka sisälsi vesihuoltolaitoksen tilinpäätös- ja investointisuunnittelutietojen keruun sekä niiden yhdistämisen, koneoppimiseen perustuvan ennustamisen ja automatisoidun raportoinnin Word-tiedostoksi. Vesihuoltolaitoksen taloussuunnitteluun liittyvä inflaatioennuste toteutettiin tulkittavalla N-BEATS-neuroverkolla ja kustannusennuste yleisellä N-BEATS-neuroverkolla. Taloudellista kestävyyttä arvioitiin kassavirtaperusteisen liikevaihtotavoitteen sekä DuPont-analyysiin ja Altmanin Z″-malliin perustuvan riskinarvioinnin avulla.

Tulokset osoittivat, että vesihuoltolain edellyttämät omaisuudenhallintasuunnitelman keskeiset elementit voidaan tuottaa suurelta osin automaattisesti olemassa olevasta tilinpäätös- ja investointiaineistosta. Taloudellinen kannattavuus muodostaa omaisuudenhallinnan perustan, koska kannattava liiketoiminta mahdollistaa saneerausten toteuttamisen ja uusinvestointien rahoittamisen pitkällä aikavälillä. Kehitetty ratkaisu vapauttaa asiantuntijatyöaikaa rutiinilaskennasta analyyttiseen tarkasteluun ja tukee läpinäkyvää päätöksentekoa. Työ tarjoaa konkreettisen ratkaisumallin vesihuoltolaitosten taloudenhallinnan ja strategisen investointisuunnittelun tueksi sekä vesihuoltosektorin digitaalisen murroksen edistämiseksi.

Asset management in water services is a key component of the sustainable development of public infrastructure. The reform of the Water Services Act entered into force on 1 January 2026 and requires all water utilities to prepare a systematic asset management plan. For many utilities, the planning process is demanding, as it requires specialized expertise, the processing of extensive datasets, and resources that are particularly limited in smaller utilities.

The objective of this thesis was to develop a machine learning-based model for automating and streamlining the preparation and updating of asset management plans. The study was conducted as design science research, in which mathematical modeling, deep learning, and financial analysis were integrated into a unified Python-based software system.

The developed artifact was based on a modular three-layer architecture that included the collection and integration of the water utility's financial statement and investment planning data, machine learning-based forecasting, and automated reporting into a Word document. The inflation forecast for financial planning was implemented using an interpretable N-BEATS neural network, while cost forecasting was carried out using a generic N-BEATS neural network. Financial sustainability was assessed through a cash flow-based revenue target and a risk assessment based on DuPont analysis and the Altman Z″ model.

The results showed that the key elements of the asset management plan required by the Water Services Act can be produced largely automatically from existing financial statement and capital investment data. Financial profitability forms the foundation of asset management, as a profitable business enables the implementation of renovations and the financing of new investments over the long term. The developed solution shifts expert time from routine calculations to analytical work and supports transparent decision-making. The study provides a concrete solution model to support financial management and strategic investment planning in water utilities, as well as to advance the digital transformation of the water sector.