FennoSteel lähti kehittämään myynnin ennustamista kohti automaatiota ja dataohjautuvaa tuotannon suunnittelua. Yhteistyössä Pengonin kanssa toteutettu ennustemalli toi konkreettisen tavan hyödyntää tekoälyä liiketoiminnan tueksi.
FennoSteel Oy valmistaa pakoputkia henkilö- ja pakettiautoihin sekä työkoneisiin. Yritys on Pohjoismaiden alan markkinajohtaja ja toimittaa tuotteitaan laajasti Euroopan markkinoille muun muassa tukkukauppiaille ja ajoneuvovalmistajille.
“Tähän asti meillä on toteutettu data-analytiikkaa melko perinteisin keinoin, ja nyt halusimme nähdä, mitä nykyteknologialla on mahdollista saavuttaa”, kuvailee projektin taustaa FennoSteelin ICT-päällikkö Janne Uusi-Ristaniemi.
Liiketoiminnan näkökulmasta myynnin ennustamisen keskeinen tavoite on tukea tuotannon suunnittelua: varmistaa tuotteiden riittävyys ja toimitusvarmuus, mutta samalla välttää tarpeettoman suuria varastoja.
Ennustemalli toteutettiin yhteistyössä Pengonin kanssa Proof of Concept -mallina. Toteutuksen tavoitteena oli rakentaa rajatussa ajassa konkreettinen analytiikkaratkaisu, joka vastaa suoraan tunnistettuun liiketoiminnan tarpeeseen.
PoC on ennalta määritelty kokonaisuus, jossa kehitystyölle asetetaan selkeä tavoite. Pengon suunnittelee ratkaisun ja testaa sitä asiakkaan omalla datalla tuotantoympäristössä, jolloin tulokset ovat heti realistisia ja liiketoiminnan kannalta relevantteja. Testausvaiheen jälkeen sovitaan yhdessä asiakkaan kanssa jatkosta, kuten ennustemallin laajemmasta käyttöönotosta, ja käydään läpi kehitysmahdollisuudet.
“Olimme kuulleet Pengonista ja vakuutuimme heidän osaamisestaan raportoinnin ja analytiikan kehittämisessä. He tuntuivat meille sopivalta ja ketterältä kumppanilta viemään raportointiamme seuraavalle tasolle hyödyntämällä koneoppimista ja tekoälyä”, Uusi-Ristaniemi kertoo.
Lähtötilanteessa myynnin ennustaminen perustui pitkälti manuaaliseen työhön, mikä oli työlästä erityisesti laajan tuotevalikoiman vuoksi.
“FennoSteelillä ennusteita myynnistä tehtiin perinteiseen tapaan, mikä sisälsi paljon manuaalista työtä. Heillä on paljon tuotteita, joten tämä oli työlästä. Yhteistyön tavoite oli automatisoida myynnin ennustetta koneoppimisen keinoin niin pitkälle kuin mahdollista”, kertoo Pengonin Microsoft Solution Engineer Io Leppä.
PoC-toteutuksen yhteydessä FennoSteelille otettiin käyttöön Databricks-alusta. ERP-data siirrettiin alustalle ja sen laatu varmistettiin yhteistyössä.
“Tarkastelimme dataa yhdessä asiakkaan kanssa, jotta saimme siitä yhtenäisen näkemyksen. FennoSteelin tapauksessa heillä oli todella vahva oman datan tuntemus ja kirkas tavoite, mikä nopeutti edistymistä”, Leppä kuvailee.
“Tämä vaihe oli meille nopea, sillä pystyimme hyödyntämään pitkälti olemassa olevaa raportointikantaa. Tarvittava data oli jo saatavilla – koneoppimismalli vain puuttui”, Uusi-Ristaniemi täydentää.
Ennustemallia kehitettiin useampien iterointivaiheiden kautta, joissa mallia rakennettiin, testattiin ja tarkennettiin saatavilla olevan datan pohjalta. Historiadataan perustuvan ennusteen toimivuuden kannalta dataa tulee olla riittävän pitkältä ajalta. FennoSteelin tapauksessa tuotteiden elinkaaret vaihtelivat, mikä tuli huomioida ennustemallien luotettavuudessa:
“Asiakkaalla oli paljon dataa, mutta tuotteiden valmistushistoria vaihteli – osa tuotteista oli ollut tuotannossa pitkään, osa lyhyemmän aikaa. Tämä vaikutti ennusteiden tarkkuuteen, minkä vuoksi toteutimme kaksi erilaista mallia: tarkemman mallin pitkän historian tuotteille ja suuntaa-antavan mallin uudemmille tuotteille”, kertoo Pengonin ennustetta mallintanut konsultti Sami Voutilainen.
PoC-projektin aikana koulutettiin ensimmäinen 6kk ennustemalli. Seuraavassa vaiheessa ennusteen toimivuutta arvioidaan ja mallia kehitetään edelleen. Tavoitteena on jatkossa rikastaa ennusteita hyödyntämällä myös ulkoisia datalähteitä.
Koneoppimiseen perustuva ennustemalli on konkreettinen keino hyödyntää tekoälyä
FennoSteelillä on vahva tahtotila kehittää toimintaansa edistyksellisen analytiikan avulla. Pengonin asiantuntemus erityisesti ennustemallien rakentamisessa tuki tätä tavoitetta, Uusi-Ristaniemi kertoo:
“Pengonilla oli alusta asti selkeä näkemys siitä, mitä pitää tehdä. Meillä oli hyvä ymmärrys omasta datastamme, ja yhdessä toteutimme tarvittavat integraatiot ja valmistelut. Pengonin vahvuus oli erityisesti mallinnuksessa, raportoinnissa ja tilastollisessa osaamisessa – heiltä tuli arvokasta osaamista meidän käyttöömme. Saimme omaan dataamme perustuvan ennustemallin ja lopputulos näyttää meidän näköiseltämme.”
Databricks oli FennoSteelille uusi teknologia, mutta se osoittautui toimivaksi lisäksi olemassa olevaan kokonaisuuteen, Uusi-Ristaniemi kokee:
“Perinteisesti data on aika pirstaleista, nyt meillä on järjestelmä, johon dataa voidaan kerätä eri lähteistä ja luoda arvokasta tietoa. Databricks ei tuo päällekkäisyyttä muiden järjestelmiemme kanssa, ja vaikuttaa siltä, että siinä on kyvykkyyksiä todella pitkälle meidän tarpeisiin – AI- ja koneoppiminen näistä tärkeimpinä. Tämä oli meille konkreettinen keino hyödyntää tekoälyä ja saada se liiketoiminnan avuksi.”