Association rule discovery in spare part inventory management : Turning data to insight for competitive advantage
Nousiainen, Henri (2017-10-30)
Association rule discovery in spare part inventory management : Turning data to insight for competitive advantage
Nousiainen, Henri
(30.10.2017)
Tätä artikkelia/julkaisua ei ole tallennettu UTUPubiin. Julkaisun tiedoissa voi kuitenkin olla linkki toisaalle tallennettuun artikkeliin / julkaisuun.
Turun yliopisto
Tiivistelmä
Over the recent years virtually every industry has undergone dramatic changes in many regards. Among the biggest drivers of disruption are increased competition caused by globalization, and the explosion in data volumes within and around enterprises. Competition forces organizations to adapt their business models, to focus on what is important and look for efficiencies. Increase in data volumes on the other hand is one of the key enablers in taking these actions. This thesis is a quantitative case study examining the applicability of exploiting data in generating competitive advantage. More specifically, usefulness of an unsupervised machine learning method called association rule discovery (ARD) is assessed in the context of supporting the management of an inventory of slow-moving spare parts. Because of the sporadic and intermittent demand patterns of spare parts, predicting their demand using traditional time series forecasting methods is difficult. Thus balancing the contradicting goals of keeping inventory levels low while still maintaining sufficient service levels has often been challenging. In the theoretical section of the thesis analytics, as the discipline of refining data to knowledge is often called, is discussed from the viewpoint of its ability to contribute to competitive advantage. Dynamics of inventory management are also considered, especially related to spare parts. Additionally, the concept of ARD is discussed in detail. In the empirical part of the thesis, association rules are mined from the spare part inventory events of a global steel manufacturing company. New parameters for association rule model build are conceived and introduced. These new parameters are “basket diameter”, rule granularity and rule difference. Basket diameter refers to the time horizon from which associations are mined from. Shorter the time horizon, the closer the antecedent and consequent of the rule are associated, but extending the basket diameter unearths previously undiscovered associations. Rule granularity represents the level of detail used in the creation of item attributes; low granularity indicates high deployability and low actionability, and vice versa. Rule difference is a measurement of how “surprising” a given association rule is, assessing the differences between attributes in rule antecedent and consequent. High difference is more likely to result in novel insight. Quantitative analysis shows that these parameters have a significant effect on the quantity, quality and actionability of the discovered rules – providing ability to generate them in a controlled way that fits a given business scenario. It can be argued that applying recommendations based on these associations to spare part inventory management would likely result in reduced safety stocks and thus improved working capital, as well as better service levels. Assosiaatiosääntöjen hyödyntäminen varaosavaraston hallinnassa : Kilpailuedun saavuttaminen jalostamalla datasta ymmärrystä
Viime vuosien aikana lähes kaikkien toimialojen liiketoimintaympäristö on kokenut merkittäviä muutoksia. Globalisaation kiihdyttämä kansainvälinen kilpailu ja datamäärien räjähdysmäinen kasvu ovat olleet näistä muutoksista keskeisimpien joukossa. Koventunut kilpailu pakottaa organisaatiot mukauttamaan liiketoimintamallejaan, keskittymään olennaisimpaan ja tehostamaan toimintaansa. Datavolyymien kasvu puolestaan on eräs näiden korjausliikkeiden keskeisistä mahdollistajista. Tämä tutkielma on kvantitatiivinen tapaustutkimus, joka keskittyy datan hyödyntämiseen kilpailuedun lähteenä. Tutkielmassa arvioidaan ohjaamattomiin koneoppimismenetelmiin lukeutuvan assosiaatiosääntöjen tunnistamisen (association rule discovery, ARD) soveltuvuutta hitaasti liikkuvien varaosien varastonhallinnan tukemiseen. Johtuen varaosien epäsäännöllisestä ja harvalukuisesta kysyntäprofiilista niiden kysynnän arviointi tavanomaisia aikasarjaennustemalleja käyttäen on haasteellista. Tästä syystä keskenään ristiriitaisten – toisaalta varastotasojen ja sitä kautta käyttöpääoman minimoimiseen sekä toisaalta vasteaikojen minimoimiseen liittyvien – liiketoimintatavoitteiden välillä tasapainoileminen on usein hankalaa. Tutkielman teoriaosiossa tutkitaan analytiikkaa käsitteenä ja sen potentiaalia kilpailuedun lähteenä. Myös varastonhallinnan keskeisiä lainalaisuuksia arvioidaan, keskittyen erityisesti varaosiin. Lisäksi assosiaatiosääntöjen keskeisiä ominaisuuksia, tunnuslukuja ja mekanismeja tarkastellaan. Tutkimuksen empiriaosiossa assosiaatiosääntöjä etsitään metallinvalmistusalan kansainvälisen toimijan varaosavaraston tapahtumadatasta. Empiriaosiossa myös kehitetään ja esitellään uusia parametrejä assosiaatiosääntöjen tunnistamiseen. Nämä uudet parametrit ovat “ostoskorin halkaisija”, säännön hienojakoisuus ja säännön erilaisuus. Ostoskorin halkaisija viittaa aikaikkunaan, jonka sisältä assosiaaioita etsitään. Mitä lyhyempi aikaikkuna, sitä tiiviimmin säännön esiosa ja loppuosa ovat toisiinsa assosioituneita. Toisaalta ostoskorin halkaisijan kasvattaminen paljastaa uusia, väljempiä, assosiaatioita. Säännön hienojakoisuus puolestaan tarkoittaa esineiden ominaisuuksien luomisessa käytettyä yksityiskohtaisuuden tasoa; alhainen hienojakoisuus indikoi hyvää yleistettävyyttä, mutta alhaista käyttöönotettavuutta ja toisinpäin. Säännön erilaisuus mittaa assosiaation ”yllättävyyttä” arvioiden säännön esiosan ja loppuosan attribuuttien välisiä eroja. Korkea erilaisuus paljastaa todennäköisemmin ennalta tuntemattomia säännönmukaisuuksia. Kvantitatiivinen analyysi osoittaa, että näillä parametreillä on merkittävä vaikutus löydettyjen assosiaatiosääntöjen määrään, laatuun ja käyttökelpoisuuteen – näinollen assosiaatiosääntöjä voidaan tuottaa hallitusti siten, että ne tukevat tiettyä nimenomaista liiketoimintatarvetta. Tutkimuksessa esitetään, että näihin assosiaatiosääntöihin perustuvien suositusten käyttöönoton myötä voitaisiin alentaa varmuusvarastoja täten pienentäen varastoon sitoutuneen käyttöpääoman määrää, kuitenkin samanaikaisesti parantaen palvelutasoa.
Viime vuosien aikana lähes kaikkien toimialojen liiketoimintaympäristö on kokenut merkittäviä muutoksia. Globalisaation kiihdyttämä kansainvälinen kilpailu ja datamäärien räjähdysmäinen kasvu ovat olleet näistä muutoksista keskeisimpien joukossa. Koventunut kilpailu pakottaa organisaatiot mukauttamaan liiketoimintamallejaan, keskittymään olennaisimpaan ja tehostamaan toimintaansa. Datavolyymien kasvu puolestaan on eräs näiden korjausliikkeiden keskeisistä mahdollistajista. Tämä tutkielma on kvantitatiivinen tapaustutkimus, joka keskittyy datan hyödyntämiseen kilpailuedun lähteenä. Tutkielmassa arvioidaan ohjaamattomiin koneoppimismenetelmiin lukeutuvan assosiaatiosääntöjen tunnistamisen (association rule discovery, ARD) soveltuvuutta hitaasti liikkuvien varaosien varastonhallinnan tukemiseen. Johtuen varaosien epäsäännöllisestä ja harvalukuisesta kysyntäprofiilista niiden kysynnän arviointi tavanomaisia aikasarjaennustemalleja käyttäen on haasteellista. Tästä syystä keskenään ristiriitaisten – toisaalta varastotasojen ja sitä kautta käyttöpääoman minimoimiseen sekä toisaalta vasteaikojen minimoimiseen liittyvien – liiketoimintatavoitteiden välillä tasapainoileminen on usein hankalaa. Tutkielman teoriaosiossa tutkitaan analytiikkaa käsitteenä ja sen potentiaalia kilpailuedun lähteenä. Myös varastonhallinnan keskeisiä lainalaisuuksia arvioidaan, keskittyen erityisesti varaosiin. Lisäksi assosiaatiosääntöjen keskeisiä ominaisuuksia, tunnuslukuja ja mekanismeja tarkastellaan. Tutkimuksen empiriaosiossa assosiaatiosääntöjä etsitään metallinvalmistusalan kansainvälisen toimijan varaosavaraston tapahtumadatasta. Empiriaosiossa myös kehitetään ja esitellään uusia parametrejä assosiaatiosääntöjen tunnistamiseen. Nämä uudet parametrit ovat “ostoskorin halkaisija”, säännön hienojakoisuus ja säännön erilaisuus. Ostoskorin halkaisija viittaa aikaikkunaan, jonka sisältä assosiaaioita etsitään. Mitä lyhyempi aikaikkuna, sitä tiiviimmin säännön esiosa ja loppuosa ovat toisiinsa assosioituneita. Toisaalta ostoskorin halkaisijan kasvattaminen paljastaa uusia, väljempiä, assosiaatioita. Säännön hienojakoisuus puolestaan tarkoittaa esineiden ominaisuuksien luomisessa käytettyä yksityiskohtaisuuden tasoa; alhainen hienojakoisuus indikoi hyvää yleistettävyyttä, mutta alhaista käyttöönotettavuutta ja toisinpäin. Säännön erilaisuus mittaa assosiaation ”yllättävyyttä” arvioiden säännön esiosan ja loppuosan attribuuttien välisiä eroja. Korkea erilaisuus paljastaa todennäköisemmin ennalta tuntemattomia säännönmukaisuuksia. Kvantitatiivinen analyysi osoittaa, että näillä parametreillä on merkittävä vaikutus löydettyjen assosiaatiosääntöjen määrään, laatuun ja käyttökelpoisuuteen – näinollen assosiaatiosääntöjä voidaan tuottaa hallitusti siten, että ne tukevat tiettyä nimenomaista liiketoimintatarvetta. Tutkimuksessa esitetään, että näihin assosiaatiosääntöihin perustuvien suositusten käyttöönoton myötä voitaisiin alentaa varmuusvarastoja täten pienentäen varastoon sitoutuneen käyttöpääoman määrää, kuitenkin samanaikaisesti parantaen palvelutasoa.