Applying AI and Data Analytics to Spare Part Sales in Lifecycle Services
Kankare, Juuso (2025-08-27)
Applying AI and Data Analytics to Spare Part Sales in Lifecycle Services
(27.08.2025)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
suljettu
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2025090193656
https://urn.fi/URN:NBN:fi-fe2025090193656
Tiivistelmä
This thesis investigated how artificial intelligence (AI) and data analytics could be utilized to support spare part sales within lifecycle services. The thesis was based on a case company that manufactures equipment for the marine sector. The purpose was to identify key challenges in the company’s current spare part sales processes, evaluate how AI and data analytics methods could address these challenges, and propose potential solutions.
In the study, qualitative methods were used to identify key challenges through surveys and interviews with stakeholders involved in the company’s spare part sales. Based on the survey and interview results, two key challenges were analysed using theoretical reasoning and quantitative testing. The first challenge addressed request for quotation (RFQ) automation using large language models (LLMs), and the second focused on spare part demand forecasting through statistical time series models and a theoretical analysis of forecasting with installed base information. The RFQ handling accuracy of four LLMs was tested using 15 RFQ documents from the case company. In addition, the automation of spare part kit recommendations based on inquiry content was evaluated separately. Statistical time series models were tested using three years and three months of historical spare part sales data.
The best performing LLM achieved 91% accuracy in extracting spare part numbers from PDF formatted RFQs, and 96% accuracy in recommending spare part kits based on the requested part numbers and quantities. In conclusion, this work demonstrated that LLMs can accurately extract information from RFQs and support spare part kit recommendations. In addition, the tested statistical time series models did not achieve sufficient accuracy for spare part demand forecasting. As a result, forecasting with installed base information was suggested as a potentially more suitable approach. Tässä diplomityössä tutkittiin, miten tekoälyä (AI) ja data-analytiikkaa voitaisiin hyödyntää varaosamyynnin tukena elinkaaripalveluissa. Työ perustui meriteollisuuden laitteita valmistavaan case-yritykseen. Sen tarkoituksena oli tunnistaa keskeiset haasteet yrityksen nykyisissä varaosamyyntiprosesseissa, arvioida tekoälyn ja data-analytiikan hyödyntämismahdollisuuksia näiden haasteiden ratkaisemiseksi sekä ehdottaa mahdollisia parannuksia tai ratkaisuja.
Tutkimuksessa hyödynnettiin kvalitatiivisia menetelmiä haasteiden tunnistamiseen kyselyiden ja haastatteluiden avulla, jotka toteutettiin yrityksen varaosamyyntiin osallistuville henkilöille. Kysely- ja haastattelutulosten perusteella valittiin kaksi keskeistä haastetta, jotka analysoitiin hyödyntämällä teoreettista päättelyä ja kvantitatiivista testausta. Ensimmäinen haaste koski tarjouspyyntöjen (RFQ) automatisointia hyödyntämällä suuria kielimalleja (LLM), ja toinen liittyi varaosakysynnän ennustamiseen tilastollisilla aikasarjamalleilla sekä teoreettiseen analyysiin siitä, miten asennetun laitekannan tietoja voitaisiin hyödyntää ennusteissa. Neljän LLM:n käsittelytarkkuutta testattiin 15 case-yritykseltä saadun RFQ-dokumentin avulla. Lisäksi arvioitiin tarjouspyynnön sisältöön perustuvaa automaattista varaosapakettien suosittelua. Tilastollisia aikasarjamalleja testattiin hyödyntämällä kolmen vuoden ja kolmen kuukauden historiallisia varaosamyyntitietoja.
Parhaiten suoriutunut LLM saavutti 91 % tarkkuuden varaosanumeroiden poiminnassa PDF-muotoisista RFQ-dokumenteista sekä 96 % tarkkuuden varaosapakettien suosittelussa pyydettyjen varaosanumeroiden ja määrien perusteella. Yhteenvetona tämä työ osoitti, että LLM-mallit voivat poimia tarkasti tietoa RFQ-dokumenteista ja tukea varaosapakettien suosittelua. Lisäksi työssä testatut tilastolliset aikasarjamallit eivät saavuttaneet riittävää tarkkuutta varaosakysynnän ennustamisessa. Tämän vuoksi asennetun laitekannan tietoihin perustuvaa ennustamista pidettiin potentiaalisesti soveltuvampana lähestymistapana.
In the study, qualitative methods were used to identify key challenges through surveys and interviews with stakeholders involved in the company’s spare part sales. Based on the survey and interview results, two key challenges were analysed using theoretical reasoning and quantitative testing. The first challenge addressed request for quotation (RFQ) automation using large language models (LLMs), and the second focused on spare part demand forecasting through statistical time series models and a theoretical analysis of forecasting with installed base information. The RFQ handling accuracy of four LLMs was tested using 15 RFQ documents from the case company. In addition, the automation of spare part kit recommendations based on inquiry content was evaluated separately. Statistical time series models were tested using three years and three months of historical spare part sales data.
The best performing LLM achieved 91% accuracy in extracting spare part numbers from PDF formatted RFQs, and 96% accuracy in recommending spare part kits based on the requested part numbers and quantities. In conclusion, this work demonstrated that LLMs can accurately extract information from RFQs and support spare part kit recommendations. In addition, the tested statistical time series models did not achieve sufficient accuracy for spare part demand forecasting. As a result, forecasting with installed base information was suggested as a potentially more suitable approach.
Tutkimuksessa hyödynnettiin kvalitatiivisia menetelmiä haasteiden tunnistamiseen kyselyiden ja haastatteluiden avulla, jotka toteutettiin yrityksen varaosamyyntiin osallistuville henkilöille. Kysely- ja haastattelutulosten perusteella valittiin kaksi keskeistä haastetta, jotka analysoitiin hyödyntämällä teoreettista päättelyä ja kvantitatiivista testausta. Ensimmäinen haaste koski tarjouspyyntöjen (RFQ) automatisointia hyödyntämällä suuria kielimalleja (LLM), ja toinen liittyi varaosakysynnän ennustamiseen tilastollisilla aikasarjamalleilla sekä teoreettiseen analyysiin siitä, miten asennetun laitekannan tietoja voitaisiin hyödyntää ennusteissa. Neljän LLM:n käsittelytarkkuutta testattiin 15 case-yritykseltä saadun RFQ-dokumentin avulla. Lisäksi arvioitiin tarjouspyynnön sisältöön perustuvaa automaattista varaosapakettien suosittelua. Tilastollisia aikasarjamalleja testattiin hyödyntämällä kolmen vuoden ja kolmen kuukauden historiallisia varaosamyyntitietoja.
Parhaiten suoriutunut LLM saavutti 91 % tarkkuuden varaosanumeroiden poiminnassa PDF-muotoisista RFQ-dokumenteista sekä 96 % tarkkuuden varaosapakettien suosittelussa pyydettyjen varaosanumeroiden ja määrien perusteella. Yhteenvetona tämä työ osoitti, että LLM-mallit voivat poimia tarkasti tietoa RFQ-dokumenteista ja tukea varaosapakettien suosittelua. Lisäksi työssä testatut tilastolliset aikasarjamallit eivät saavuttaneet riittävää tarkkuutta varaosakysynnän ennustamisessa. Tämän vuoksi asennetun laitekannan tietoihin perustuvaa ennustamista pidettiin potentiaalisesti soveltuvampana lähestymistapana.