Augmented Analytics in Supply Chain Management : Reducing Decision Latency Through Reliability and Human Trust

Abstract

Modern supply chain management operates under structural volatility where disruptions generate information processing demands that exceed organizational capacity. This leads to decision latency that compounds operational damage. This thesis examines how augmented analytics can reduce decision latency for operational supply chain managers. It further identifies the factors that determine the reliability and trustworthiness of AI-generated outputs. The study is conducted as a systematic literature review across information systems and supply chain management.

The research utilizes Organizational Information Processing Theory, which posits that the mismatch between information processing demands and organizational capacity constitutes an information processing gap. The findings indicate that augmented analytics reduces decision latency through two primary mechanisms. These are the compression of analysis latency via automated data preprocessing and the reduction of interpretive effort through natural language technologies that broaden access to analytical insights beyond specialist users.

However, technical capability alone does not ensure organizational value. The research reveals a trust gap that can preserve decision latency even when system outputs are accurate. This gap is driven by algorithmic aversion, representational load, and a tendency of users to follow recommendations without genuine trust in their basis. The thesis identifies Explainable Artificial Intelligence and Human-in-the-Loop design as critical organizational interventions that facilitate the bridging of the trust gap by enhancing transparency. These approaches support human decision authority within the process. Ultimately, the study suggests that the reduction of analysis latency translates most effectively into operational responsiveness when technical speed is supported by human accountability and trust.

Toimitusketjujen hallinta kohtaa jatkuvaa epävakautta, jossa häiriötilanteet synnyttävät organisaation kapasiteetin ylittäviä tiedonkäsittelytarpeita. Tämä johtaa päätöksenteon viiveisiin, jotka syventävät operatiivisia vahinkoja. Tutkielma tarkastelee, miten lisätty analytiikka voi lyhentää päätöksenteon viiveitä operatiivisten toimitusketjupäälliköiden työssä. Lisäksi tunnistetaan tekijöitä, jotka määrittävät tekoälyjärjestelmien tuottamien vastausten luotettavuutta ja käyttäjän luottamusta. Tutkimus on toteutettu systemaattisena kirjallisuuskatsauksena tietojärjestelmätieteen ja toimitusketjujen johtamisen aloilta.

Tutkielma hyödyntää organisaation tiedonkäsittelyteoriaa, jonka mukaan häiriöiden synnyttämien tiedonkäsittelytarpeiden ja organisaation kapasiteetin välinen epäsuhta muodostaa tiedonkäsittelykuilun. Tulokset osoittavat, että lisätty analytiikka lyhentää päätöksenteon viiveitä automatisoimalla datan esikäsittelyä ja hyödyntämällä luonnollisen kielen teknologioita, jotka laajentavat analyyttisten tulosten saatavuutta muille kuin asiantuntijakäyttäjille.

Tekninen suorituskyky ei kuitenkaan yksin takaa organisatorista arvoa. Tutkimus tunnistaa luottamuskuilun, joka voi ylläpitää päätöksenteon viiveitä tarkimmistakin tuloksista huolimatta. Tämä kuilu johtuu algoritmiaversiosta, tulosten esitystapaan liittyvästä kognitiivisesta kuormituksesta sekä siitä, että käyttäjät saattavat noudattaa järjestelmän suosituksia ilman todellista luottamusta niiden perusteisiin. Selitettävä tekoäly ja human-in-the-loop -suunnittelu tarjoavat organisatorisia ratkaisuja, jotka voivat kuroa umpeen luottamuskuilua lisäämällä järjestelmän päättelyn läpinäkyvyyttä. Nämä lähestymistavat tukevat ihmisen päätösvaltaa prosessin aikana. Tutkielman johtopäätöksenä todetaan, että analyysiviiveen lyhenemisen muuntuminen operatiiviseksi reagointikyvyksi näyttää edellyttävän teknisen nopeuden ohella inhimillistä hallintaa ja luottamusta.