Toimitusketjujen optimointi ja
kustannusten vähentäminen
massadata-analytiikan avulla
Turun yliopisto
Tietotekniikan laitos
TkK-tutkielma
Tietotekniikka
Joulukuu 2025
Miro Prusila
Turun yliopiston laatujärjestelmän mukaisesti tämän julkaisun alkuperäisyys on tarkastettu Turnitin
OriginalityCheck -järjestelmällä.
TURUN YLIOPISTO
Tietotekniikan laitos
Miro Prusila: Toimitusketjujen optimointi ja kustannusten vähentäminen massadata-
analytiikan avulla
TkK-tutkielma, 23 s.
Tietotekniikka
Joulukuu 2025
Massadata-analytiikan merkitys toimitusketjujen hallinnassa on kasvanut nopeasti
teollisuus 4.0:n, digitalisaation ja tekoälyn hyödyntämisen yleistyessä. Tässä tutkiel-
massa tarkastellaan, miten massadata-analytiikkaa voidaan hyödyntää toimitusket-
jujen optimoinnissa ja kustannusten vähentämisessä. Erityisesti tutkielmassa käsi-
tellään datan roolia tehokkuuden parantamisessa, häiriöiden ennakoinnissa ja pää-
töksenteon nopeuttamisessa.
Työssä käydään läpi teollisuus 4.0:n keskeisiä teknologioita, kuten tekoälyä, koneop-
pimista ja esineiden internetiä (engl. internet of things, IoT), sekä tarkastellaan ana-
lytiikan eri tyyppejä, kuten kuvailevaa, diagnosoivaa, ennustavaa ja ohjaavaa analy-
tiikkaa. Massadatan lähteinä käsitellään muun muassa esineiden internetin laitteita,
ERP-järjestelmiä ja asiakaskäyttäytymistä. Lisäksi käsitellään käytännön sovelluk-
sia, kuten digitaalisten kaksosten (engl. digital twin) hyödyntämistä ja datan roolia
päätöksenteon tukena toimitusketjujen hallinnassa.
Tutkielmassa havaitaan, että oikein hyödynnettynä massadata mahdollistaa toimi-
tusketjujen toiminnan reaaliaikaisen seurannan ja dynaamisen ohjauksen, mikä pa-
rantaa ennustettavuutta, asiakastyytyväisyyttä ja resurssien käyttöä. Esimerkkinä
tarkastellaan digitaalisten kaksosten käyttöä satamissa, jossa massadata, simulaatiot
ja tekoäly yhdistyvät käytännön ratkaisuksi.
Asiasanat: data-analytiikka, massadata, toimitusketjut, teollisuus 4.0, optimointi
Sisällys
1 Johdanto 1
2 Toimitusketjujen teollisuus 4.0 4
2.1 Toimitusketjujen data-analytiikka . . . . . . . . . . . . . . . . . . . . 5
2.2 Toimitusketjujen massadata . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Tekoäly ja koneoppiminen . . . . . . . . . . . . . . . . . . . . . . . . 7
3 Toimitusketjujen optimointi 9
3.1 Toimitusketjujen tehokkuus . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Toiminnan joustavuus ja reagointikyky . . . . . . . . . . . . . . . . . 11
3.3 Asiakasdatan hyödyntäminen . . . . . . . . . . . . . . . . . . . . . . 12
4 Massadatalla tavoitellut hyödyt 14
4.1 Päätöksenteon nopeuttaminen . . . . . . . . . . . . . . . . . . . . . . 14
4.2 Reaaliaikainen seuranta ja ennustaminen . . . . . . . . . . . . . . . . 15
4.3 Riskien hallinta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5 Case: Satamien digitaaliset kaksoset 18
6 Yhteenveto 21
7 Pohdinnat 23
Lähdeluettelo 24
i
Kuvat
1.1 Aineistonhaku . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.1 Yleiskuva teollisuuden 4.0:sta . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Data-analytiikan eri tyypit . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Toimitusketjujen massadatan lähteitä . . . . . . . . . . . . . . . . . . 7
3.1 Esimerkki yhteiselle alustalle liitettävistä sidosryhmistä . . . . . . . . 11
3.2 Asiakasdatan lähteet ja hyödyntämisen kohteet . . . . . . . . . . . . 12
4.1 Tietoon perustuva päätöksen teko . . . . . . . . . . . . . . . . . . . . 14
5.1 Digitaalisen kaksosen toiminta . . . . . . . . . . . . . . . . . . . . . . 20
ii
Taulukot
3.1 Toimitusketjujen tehokkuuden parantamisen strategioita . . . . . . . 10
5.1 Digitaalisen kaksosen hyödyt toimitusketjussa . . . . . . . . . . . . . 19
iii
1 Johdanto
Toimitusketjut ovat elintärkeä osa liiketoimintaa, sillä ne yhdistävät raaka-aineet,
valmistusprosessit ja kuluttajat. Nykypäivänä, kun globalisaatio ja kilpailu ovat ar-
kipäivää, on toimitusketjun hallinnasta tullut keskeinen tekijä yritysten menestyk-
sessä.
Toimitusketjujen teollisuus 4.0 ja digitalisoituminen ovat merkittävästi muutta-
neet, miten toimitusketjuja voidaan hallita. Älykkäät teknologiat, kuten esineiden
internet (engl. internet of things, IoT) ja massadata-analytiikka, mahdollistavat da-
tan keräämisen useasta eri lähteestä ja datan analysoinnin, mitä voidaan hyödyntää
parempien päätöksien ja optimointien tekemiseen. Datan kerääminen mahdollistaa
koneoppimismallien hyödyntämisen ja siten erilaiset mallit auttavat älykkäiden ja
joustavien ratkaisujen kehittämisessä.
Tutkielman tarkoituksena on tarkastella, miten massadatalla ja sen analytiikalla
pystytään saamaan etuja ja tehostamaan toimitusketjujen hallinnointia. Työn tut-
kimuskysymykset ovat:
1. Kuinka massadata-analytiikka voi parantaa toimitusketjun suorituskykyä ja
kustannustehokkuutta?
2. Miten massadata-analytiikkaa voidaan käyttää toimitusketjun riskienhallin-
nassa ja häiriöiden ennakoimisessa?
Tiedonhaku tähän kirjallisuus katsaukseen on tehty käyttäen IEEE Explore- ja
Google Scholar -tietokantoja hakulausekkeella: ("data analy*"OR "big data") AND
LUKU 1. JOHDANTO 2
Kuva 1.1: Aineistonhaku
"supply chain"AND opti*. Termit "riskit"ja "häiriöt"jätettiin pois tiedonhausta,
koska tutkielma keskittyy ensisijaisesti massadata-analytiikan hyödyntämiseen opti-
moinnissa ja kustannusten vähentämisessä. Hakua rajattiin vuodesta 2020 eteenpäin
julkaistuihin tuloksiin. Google Scholarin kautta tietoa hakiessa käytettiin yksityistä
tilaa poistaen googlen algoritmien suosittelemat julkaisut omien tietojen perusteella.
IEEE Xploressa tuloksia tuli 54 ja Google Scholarissa 6 170. Google Scolarin
tuloksista tutkittiin ensimmäiset 10 sivua eli 200 tulosta. Aineistot valittiin niiden
nimen, tiivistelmän sekä chatGPT:llä luodun tiivistelmän perusteella. Valituksi tu-
li 30 aineistoa, jotka käytiin yksityiskohtaisesti läpi, ja näistä valittiin 15 aineistoa
käytettäväksi lähteinä. Kuvassa 1.1 on havainnollistettu aineiston hakemisen etene-
minen.
Luvussa 2 tarkastellaan toimitusketjujen data-analytiikan roolia ja perehdytään
teollisuus 4.0:n keskeisiin teknologioihin, kuten massadataan, tekoälyyn ja koneop-
pimiseen. Luvussa 3 käsitellään toimitusketjujen optimointia ja esitellään, miten
analytiikkalähtöiset menetelmät voivat parantaa tehokkuutta ja joustavuutta. Lu-
LUKU 1. JOHDANTO 3
vussa 4 käydään läpi massadatan tarjoamia käytännön hyötyjä yrityksille, kuten
ennustettavuuden parantumista ja riskienhallinnan tehostumista. Luku 5 esittelee
esimerkin massadata-analytiikan käytöstä digitaalisten kaksosten (engl. digital twin)
hyödyntämisestä satamisssa, joka konkretisoi aiemmin esitettyä teoriaa. Luvussa 6
kootaan yhteen keskeiset tutkimuksessa esiin nousseet havainnot, ja lopuksi luvussa
7 pohditaan työn tuloksia, haasteita ja jatkotutkimuksen mahdollisuuksia.
2 Toimitusketjujen teollisuus 4.0
Teollisuus 4.0 viittaa neljänteen teolliseen vallankumoukseen, mikä tuo merkittä-
viä innovaatioita ja muutoksia teollisuuteen. Tämä kehitys perustuu esineiden in-
ternetin järjestelmiin, reaaliaikaiseen data-analysointiin, pilvilaskentaan sekä teko-
älyn hyödyntämiseen teollisissa prosesseissa [1], [2]. Toimitusketjujen teollisuuden
4.0 keskittyy älykkäiden ja autonomisten järjestelmien ja reaaliaikaisten tietovirto-
jen hyödyntämiseen, mikä mahdollistaa paremman näkyvyyden ja joustavuuden ko-
ko toimitusketjussa [3]. Kuvaan 2.1 on kerätty yleiskuva teollisuuden 4.0:n tuomista
teknologioista.
Toiminnan digitalisoituminen teollisuuden 4.0:n myötä mahdollistaa laitteiden,
järjestelmien ja prosessien yhdistämisen. Tämä antaa mahdollisuuden kerätä ja ana-
lysoida suuria tietomääriä eri lähteistä esineiden internetiä hyödyntämällä. Niiden
avulla voidaan valvoa eri tuotantoprosesseja sensoreilla ja liittää ne toisiinsa inter-
Kuva 2.1: Yleiskuva teollisuuden 4.0:sta
2.1 TOIMITUSKETJUJEN DATA-ANALYTIIKKA 5
netin välityksellä luoden verkoston, josta ihmisten on helpompi saada tarvittavat tai
tärkeät tiedot [4]. Yritykset pystyvät keräämään nämä tiedot datakeskuksiin, jotka
mahdollistavat datan jatkoprosessoinnin, josta on mahdollista luoda ennustusmal-
leja tehokkuuden parantamiseksi ja kustannusten vähentämiseksi. Verkoston avulla
tiedon kulku tapahtuu reaaliajassa koko toimitusketjussa mahdollistaen paremman
datan saannin dataan pohjautuvien päätösten ja optimointien tekemiseen. [5] Dataa
voidaan myös käyttää automaattisten ja älykkäiden ympäristöjen luomiseen [6].
2.1 Toimitusketjujen data-analytiikka
Data-analytiikka on tärkeä osa nykypäiväistä toimitusketjun hallintaa, sillä se mah-
dollistaa yritysten keräämän datan hyödyntämisen strategisten päätösten tekemi-
sessä. Data-analytiikka voidaan kategorisoida neljään erilaiseen kategoriaan: kuvai-
levaan, diagnosoivaan, ennakoivaan ja ohjaavaan analytiikkaan (kuva 2.2) [7], [8],
[9].
Kuvailevalla analytiikalla voidaan vastata kysymykseen "Mitä on tapahtunut?".
Tällöin tarvitaan suuria määriä dataa, jotta voidaan tunnistaa toistuvia samankal-
taisuuksia sekä havainnollistaa aiempia tapahtumia [8]. Kuvailevaa analytiikkaa voi-
daan hyödyntää antamaan tietoja siitä, mitä monikanavaisessa varastojärjestelmissä
tai monimutkaisessa ketjussa tapahtuu [9]. Tämä helpottaa ajan tasalla pysymistä
toimitusketjujen tilasta sekä helpottaa mahdollisten pullonkaulojen paikantamista.
Diagnosoivan analytiikan avulla vastataan "Miksi on tapahtunut?". Tämän avul-
la selvitetään syy-seuraussuhteita tapahtuman taustalla olleista tekijöistä.
Ennakoivalla analytiikalla pyritään vastaamaan kysymykseen "Mitä tulee ta-
pahtumaan?". Sillä tavoitellaan tulevaisuuden ennusteiden luomista ja täten antaen
lisätietoa päätöstentekijöille jopa epävarmoina aikoina [8]. Ennakoimalla tulevaa ky-
syntää voidaan paremmin välttää ylivarastointia ja säästää varastokustannuksissa.
[9]
2.2 TOIMITUSKETJUJEN MASSADATA 6
Kuva 2.2: Data-analytiikan eri tyypit
Ohjaava analytiikka vie ennakoivaa analytiikkaa pidemmälle ja vastaa kysymyk-
seen "Mitä tulisi tehdä?". Sitä käytetään päätösten tukemiseen tai päätösten auto-
matisointiin [8]. Ohjaava analytiikka ehdottaa optimaalisinta ratkaisua eri vaihtoeh-
doista, kun otetaan huomioon tiedossa olevat rajoitukset [9]. Tätä hyödyntämällä
toimitusketjun hallinta nopeutuu, koska saadaan mahdolliset parhaat vaihtoehdot
nopeasti jatkokäsittelyyn ja käyttöön.
Kaikkien näiden analyyttisten mallien avulla yritykset saavat parannettua tehok-
kuuttaan, vähennettyä kustannuksia sekä parannettua asiakastyytyväisyyttä, mikä
edistää huomattavasti kilpailukykyä.
2.2 Toimitusketjujen massadata
Massadata on keskeinen käsite nykyaikaisessa toimitusketjun hallinnassa. Massada-
ta viittaa valtaviin tietomääriin ja monimuotoisiin tietoihin, joita ei voida käsitel-
lä perinteisillä hallintajärjestelmillä vaan niiden varastoimiseen ja hyödyntämiseen
tarvitaan resursseja ja teknistä osaamista.
Massadatan haastavuus johtuu datan valtavasta määrästä, monimuotoisuudesta,
keräämisen ja käsittelyn nopeudesta, sekä datan luotettavuudesta ja tarkkuudesta,
jotka johtavat suureen laskentatehon tarpeeseen ja siten korkeampiin kustannuksiin
2.3 TEKOÄLY JA KONEOPPIMINEN 7
Kuva 2.3: Toimitusketjujen massadatan lähteitä
[2], [9]. Nämä investoinnit massadatan analysointiin kuitenkin tekevät hallinnasta
tehokkaampaa ja tarkempaa, koska niiden avulla on mahdollista luoda ennusteita ja
helpottaa ongelmakohtien paikantamista.
Toimitusketjujen massadataa voidaan kerätä esineiden internetin laitteista, ERP-
järjestelmistä, toimitus- ja logistiikkadatasta, erilaisista sensoreista sekä asiakkaiden
käyttäytymisestä, kuten kuvassa 2.3 on visualisoitu.
Luotavien ennusteiden avulla voidaan optimoida varastotasoja ja säästää resurs-
seja ylivarastoinnilta tai parantaa asiakastyytyväisyyttä ennakoiden kasvavaan ky-
syntään. Massadatan avulla voidaan myös arvioida ja tunnistaa riskejä toimitusket-
jun sisällä, kuten erilaisia häiriöitä, jotka näkyisivät tuotannon hidastumisena tai
pysähtymisenä. Tämä mahdollistaa nopean reagoinnin ja strategisten toimenpitei-
den suunnittelun ennen ongelmien syntymistä.
2.3 Tekoäly ja koneoppiminen
Tekoäly (engl. artificial intelligence, AI) ja koneoppiminen (engl. machine learning,
ML) ovat tärkeässä roolissa nykyaikaisessa toimitusketjun kehityksessä. Tekoäly on
laaja käsite, joka viittaa tietojärjestelmän kykyyn suorittaa tehtäviä, jotka vaativat
2.3 TEKOÄLY JA KONEOPPIMINEN 8
oppimista, päättelyä ja ongelmanratkaisua. Koneoppiminen on tekoälyn osa-alue,
jonka avulla tietokoneet voivat oppia ja parantaa suorituksen tulosta sille annetusta
datasta. Datasta on varmistuttava, että se on hyvä laatuista ja dataa on oltava
riittävästi, jotta mahdollisten virheellisten tulosten ilmeneminen pysyy pienenä.
Nämä teknologiat mahdollistavat tehokkaan massadatan käsittelyn ja analysoin-
nin, jonka avulla voidaan saada merkittäviä etuja toimitusketjuihin. Koneoppimis-
mallit pystyvät ennustamaan mahdollista tulevaa kysyntää ja asiakaskäyttäytymistä
sekä optimoimaan toimitusketjuja ja kuljetus reittejä [5].
Tekoälyn ja koneoppimisen merkitys toimitusketjuissa tulee kasvamaan jatkuvas-
ti, koska niitä integroidaan yhä syvemmälle eri toimitusketjun vaiheisiin. Yhdistä-
mällä esineiden internetin ja tekoälyn teknologiat saadaan älykkäämpi ja joustavam-
pi toimitusketju, joka mahdollistaa päätöksien teon reaaliaikaisella data-analyysillä.
[5]
3 Toimitusketjujen optimointi
Toimitusketjun optimointi on liiketoiminnalle elintärkeä osa, jonka tavoitteena on
parantaa toimitusketjun tehokkuutta, tuottavuutta, joustavuutta ja kykyä reagoida
muutoksiin, jotka kaikki tehostavat yrityksen kilpailukykyä.
Monimutkaiset toimitusketjut sekä globaalit markkinat tekevät kuitenkin muu-
tosten tekemisestä hidasta ja kankeaa, mikä lisää piiskavaikutuksen (engl. bullwhip
effect) voimakkuutta, jossa pienetkin muutokset kysynnässä moninkertaistuvat toi-
mitusketjujen eri vaiheissa aiheuttaen ylituotantoa, ylivarastointia ja resurssien huk-
kakäyttöä. Näihin ongelmiin on kehitetty dataohjautuvia strategioita, joiden avulla
nämä voitaisiin ratkaista.
3.1 Toimitusketjujen tehokkuus
Tehokkaiden toimitusketjujen luominen on tärkeä tavoite toimitusketjun optimoin-
nissa. Yritykset etsivät jatkuvasti keinoja vähentää kustannuksia, parantaa kannat-
tavuutta ja ylläpitää kilpailukykyään. Tehokkuuden parantamiseksi voidaan hyö-
dyntää erilaisia strategiota. Massadata-analytiikka tarjoaa työkaluja, joiden avulla
voidaan tunnistaa tehottomuuksia ja kehittää toimintaa kokonaisvaltaisesti. Toi-
mitusketjun tehokkuutta voidaan tarkastella neljän keskeisen näkökulman kautta:
prosessien laadun ja virheiden vähentäminen, varaston ja resurssien optimointi, lo-
gistiikan tehostaminen sekä yhteistyö ja tiedon jakaminen. Nämä strategiat ja niiden
hyödyt on kerätty taulukkoon 3.1.
3.1 TOIMITUSKETJUJEN TEHOKKUUS 10
Strategia Keskeiset hyödyt toimitusketjussa
6 Sigma (DMAIC) Tunnistaa ja poistaa hukkaa sekä pullonkauloja,
parantaa laatua ja vähentää virheitä.
Varastotasojen
optimointi
Vähentää varastointikustannuksia, parantaa
varaston kiertoa ja ehkäisee ylivarastointia.
Reitityksen ja
aikataulutuksen
optimointi
Vähentää kuljetuskustannuksia, säästää
polttoainetta ja lyhentää toimitusaikoja.
Yhteinen alusta Lisää tiedon läpinäkyvyyttä, tehostaa
kommunikaatiota ja vähentää väärinkäsityksiä.
Taulukko 3.1: Toimitusketjujen tehokkuuden parantamisen strategioita
6 Sigma (engl. Six Sigma) on käytäntö, joka perustuu prosessien jatkuvaan ke-
hittämiseen ja virheiden vähentämiseen. 6 Sigma perustuu DMAIC-malliin eli mää-
rittele (Define), mittaa (Measure), analysoi (Analyze), paranna (Improve) ja ohjaa
(Control). Massadata tukee näitä menetelmiä mahdollistamalla virheiden, häiriöiden
ja pullonkaulojen tunnistamisen reaaliaikaisesti. Analytiikan avulla voidaan selvit-
tää esimerkiksi poikkeamien syitä ja kohdentaa kehitystoimia tarkemmin. Käytäntö
tehostaa hukkaan menevien resurssien ja pullonkaulojen tunnistamista ja vähentä-
mistä. [10], [11]
Optimoimalla varastotasoja ja prosesseja voidaan vähentää varastointikustan-
nuksia ja parantaa varaston kiertoa. Massadata mahdollistaa kysynnän ennustami-
sen historiallisten tietojen ja reaaliaikaisen markkinadatan avulla, jolloin varastota-
sot voidaan sovittaa tarkemmin tarpeisiin. Tämä vähentää ylivarastointia ja ehkäisee
tuotepuutteita [9].
Reitityksen ja aikataulutuksen optimoinnilla voidaan vähentää kuljetuskustan-
nuksia ja parantaa toimitusprosessin tehokkuutta. Reitityksen ja aikataulutuksen
optimointi voidaan toteuttaa koneoppimisen avulla, jossa ajoneuvot toimivat ”agent-
teina” ja keräävät tietoa kuljetusta reitistä ja sen tuloksista. Näin voidaan laskea
tehokkaimmat kuljetusreitit, säästää polttoainetta ja lyhentää toimitusaikoja. [12]
Sujuva yhteistyö eri toimijoiden, kuten toimittajien, valmistajien, varastojen ja
3.2 TOIMINNAN JOUSTAVUUS JA REAGOINTIKYKY 11
Kuva 3.1: Esimerkki yhteiselle alustalle liitettävistä sidosryhmistä
jakelijoiden välillä on tehokkuuden kannalta välttämätöntä. Toimitusketjun sidos-
ryhmien kommunikaatiota ja datan läpinäkyvyyttä voidaan parantaa huomattavasti
kehittämällä heille yhteinen alusta. Yhteisten digitaalisten alustojen avulla voidaan
jakaa tietoa läpinäkyvästi ja reaaliaikaisesti. Integroimalla toimitusketjujen eri osat
ja parantamalla tiedonjakamista voidaan paremmin välttyä väärinkäsityksiltä. [1].
Kuvassa 3.1 on esitetty esimerkki yhteiselle alustalle liitetyistä sidosryhmistä.
3.2 Toiminnan joustavuus ja reagointikyky
Toiminnan joustavuudella tarkoitetaan yrityksen kykyä mukautua muuttuviin olo-
suhteisiin kuten kysynnän muutoksiin tai toimittajien häiriöihin. Joustavalla toimi-
tusketjulla pystytään reagoimaan nopeasti, mikä on elintärkeää nykyisessä nopeasti
muuttuvassa liiketoiminta ympäristössä. Joustavuuden parantamiseksi voidaan hyö-
dyntää erilaisia strategioita, kuten reaaliaikaista tiedonkeruuta, ketteriä prosesseja
ja monipuolisia toimittajaverkostoja.
Esineiden internetin ja massadata-analytiikan avulla voidaan kerätä ja analysoi-
da dataa reaaliajassa. Tämä mahdollistaa nopeamman päätöksenteon, koska poik-
keamat ja trendit voidaan havaita aikaisessa vaiheessa. Reaaliaikainen näkyvyys
toimitusketjuun mahdollistaa nopeamman päätöksenteon sekä häiriöiden havaitse-
misen ja niihin reagoimisen jo ennen kuin ne ehtivät vaikuttaa laajemmin toimitus-
3.3 ASIAKASDATAN HYÖDYNTÄMINEN 12
Kuva 3.2: Asiakasdatan lähteet ja hyödyntämisen kohteet
ketjun toimintaan [4].
Ketterät toimitusketjut hyödyntävät joustavia prosesseja, joiden avulla voidaan
mukautua vaihteleviin tilanteisiin tehokkaasti. Menetelmät kuten Lean ja 6 Sigma
tukevat prosessien jatkuvaa kehittämistä ja häiriöiden minimointia. Lean strategia
keskittyy ylimääräisten toimintojen poistamiseen [11]. Näiden avulla toimitusketju
saadaan toimimaan tasaisemmin ja tehokkaammin.
3.3 Asiakasdatan hyödyntäminen
Asiakastiedon kerääminen ja analysointi on suuri etu toimitusketjujen kehittämises-
sä. Asiakasdataa voidaan kerätä useista eri lähteistä, kuten ostohistoriasta, verkko-
sivustolla käyttäytymisestä ja asiakaspalautteista. Näiden tietojen perusteella yri-
tykset voivat syventää ymmärrystään asiakaskäyttäytymisestä ja reagoida nopeasti
muuttuviin tarpeisiin. [8]
Ostodatan avulla voidaan tunnistaa kausivaihteluita ja luoda tarkempia kysyn-
täennusteita. Tämä tukee varastotason optimointia sekä tuotanto- ja logistiikka-
3.3 ASIAKASDATAN HYÖDYNTÄMINEN 13
suunnittelua. Ennustetarkkuuden paraneminen voi vähentää ylivarastointia ja estää
tuotteiden loppumisen kriittisillä hetkillä [9].
Lisäksi asiakaspalautteiden analysointi voi tuoda esiin laatu- tai palveluongelmia.
Tekstianalyysin ja koneoppimismallien avulla voidaan automaattisesti luokitella pa-
lautteita ja reagoida nopeasti toistuviin ongelmiin. Tämä parantaa asiakaskokemusta
ja tukee laadun kehittämistä [8].
Kokonaisuudessaan asiakasdatan hyödyntäminen tukee toimitusketjun optimoin-
tia strategisesti, ennakoimalla kysyntää, kohdentamalla resursseja tehokkaammin ja
vahvistamalla asiakassuhteita. Kuvassa 3.2 on havainnollistettu asiakasdatan lähtei-
tä ja hyödyntämisen kohteita.
4 Massadatalla tavoitellut hyödyt
Massadata-analytiikka tarjoaa merkittäviä etuja toimitusketjujen hallinnassa. Sen
avulla voidaan parantaa prosessien ennustettavuutta, resurssien käytön tehokkuutta
ja riskeihin reagointia. Suurten ja monimuotoisten datamassojen analysointi mah-
dollistaa tarkemman päätöksenteon, joka puolestaan parantaa toimitusketjun en-
nustettavuutta, reagointikykyä ja resurssien käytön tehokkuutta.
4.1 Päätöksenteon nopeuttaminen
Päätöksenteon kulkua voidaan kuvata vaiheittain etenevänä prosessina, joka alkaa
datan keräämisestä ja etenee analyysin ja visualisoinnin kautta päätöksentekoon,
kuten kuvassa 4.1.
Prosessien automatisointi, kuten varaston täydennyksen tai tilausprosessien hal-
linta, voi merkittävästi nopeuttaa toimintaa ja vähentää inhimillisten virheiden ris-
kiä. Järjestelmät, jotka esimerkiksi hyödyntävät massadata-analytiikkaa jälkitoimi-
tusten ennustamiseen ja varastopäätösten optimointiin, voivat ennaltaehkäistä va-
rastopuutteita ja parantaa saatavuutta [9]. Tällaiset ratkaisut mahdollistavat toimi-
Kuva 4.1: Tietoon perustuva päätöksen teko
4.2 REAALIAIKAINEN SEURANTA JA ENNUSTAMINEN 15
tusprosessien tehokkaamman hallinnan ja tukevat kustannustehokkuutta.
Reaaliaikaiset raportointityökalut ja hallintapaneelit tukevat päätöksentekoa tar-
joamalla jatkuvan näkyvyyden keskeisiin mittareihin, kuten varastotasoihin, toimi-
tusaikoihin ja asiakastilauksiin. Tämä parantaa organisaation kykyä reagoida no-
peasti poikkeamiin ja tukee jatkuvaa parantamista. Dataohjautuva toimintamalli,
yhdistettynä teknologisiin kyvykkyyksiin, voi vahvistaa organisaation sopeutumis-
kykyä ja rakentaa pitkäjänteistä kilpailuetua [13].
4.2 Reaaliaikainen seuranta ja ennustaminen
Reaaliaikainen seuranta ja ennustaminen ovat keskeisiä tekijöitä toimitusketjun hal-
linnassa erityisesti toimintaympäristössä, jossa muutosnopeus ja epävarmuus ovat
kasvaneet. Nopean tiedonkulun ja analyysin avulla yritykset voivat tunnistaa poik-
keamia, ennakoida kysynnän vaihteluita ja tehdä ajoissa korjaavia toimenpiteitä.
Modernit teknologiat, kuten esineiden internet ja RFID-tunnisteet (engl. radio
frequency identification), mahdollistavat jatkuvan tilannetiedon keräämisen tuotan-
nosta, varastoista ja kuljetuksista. Näiden avulla voidaan seurata esimerkiksi inven-
taariotilannetta ja automatisoida materiaalitäydennyksiä, kun resurssien määrä las-
kee tietyn rajan alle [4], [5], [8]. Tämä vähentää tuotannon keskeytyksiä ja parantaa
toimitusvarmuutta.
Reaaliaikaisten raporttien saaminen auttaa yrityksiä tunnistamaan pullonkau-
loja tai viivästyksiä. Massadataa saadaan ERP-järjestelmistä varastojentilanteisiin,
kuljetusten edistymiseen, tuotantoprosessien tiloihin, läpimenoaikoihin, aiempiin ti-
lauksiin ja tilausten kustannuksiin [9]. Tämä tieto voidaan visualisoida hallintapa-
neeleihin, joiden avulla yritysjohto voi nopeasti havaita poikkeamat ja ryhtyä toi-
menpiteisiin.
Ennakoivan analytiikan avulla voidaan tunnistaa pitkänaikavälin trendejä, ku-
ten sesonkiaikojen kasvavaa kysyntää. Kysynnän muutosten ollessa tiedossa ennen
4.3 RISKIEN HALLINTA 16
niiden tapahtumista voidaan varastotasoja ja tuotantoja optimoida niiden mukaises-
ti. Hyödyntämällä teknologiaa, kuten RFID-tunnisteita toimitusketjuihin niin olisi
mahdollista tilata automaattisesti lisää resursseja niiden ollessa vähissä [5]. Näin
pystyttäisiin vähentämään toiminnan pysähtymistä resurssien odottamisen vuoksi.
4.3 Riskien hallinta
Toimitusketjut voivat altistua useille eri riskitekijöille, kuten toimitusviiveille, re-
surssien puutteelle, tuotantokatkoksille ja kyberturvallisuusuhille. Resilienssin eli
häiriönsietokyvyn vahvistaminen on noussut keskeiseksi teemaksi toimitusketjujen
hallinnassa. Massadata-analytiikka tarjoaa tehokkaita keinoja riskien tunnistami-
seen, ennakointiin ja hallintaan.
Massadatan avulla voidaan analysoida toimittajiin, logistiikkareitteihin ja asia-
kasmarkkinoihin liittyviä historiallisia ja reaaliaikaisia tietoja. Näin voidaan tunnis-
taa esimerkiksi toistuvat toimitusviiveet, epäluotettavat toimittajat tai poikkeamat
normaalista toiminnasta. Toimittajien valintaprosessissa voidaan hyödyntää laajoja
tietokantoja ja mittareita, jotka arvioivat toimittajien toimitusvarmuutta ja riskejä
[8].
Datan eheys ja luotettavuus ovat keskeisiä edellytyksiä tehokkaalle riskienhallin-
nalle. Esimerkiksi reaaliaikaisten sensorijärjestelmien ja yritysten ERP-jestelmistä
saadun datan ristiinvalidointi parantaa kykyä havaita virheitä ja epäloogisia tietoja
ennen kuin ne vaikuttavat toimintaan [9]. Lisäksi riskienhallintaa voidaan tehostaa
yhdistämällä historiallinen ja reaaliaikainen data ennustemalleihin, jotka tunnista-
vat mahdollisia häiriöitä, kuten kuljetusviiveitä tai epätavallisia tilausmääriä. Tämä
parantaa toimitusketjun läpinäkyvyyttä ja luotettavuutta, sillä analytiikka mahdol-
listaa ongelmien havaitsemisen proaktiivisesti sen sijaan, että niihin reagoitaisiin
vasta jälkikäteen [5].
Massadataa voidaan hyödyntää myös skenaariopohjaiseen riskianalyysiin, jossa
4.3 RISKIEN HALLINTA 17
simuloidaan erilaisia häiriötilanteita ja arvioidaan niiden vaikutuksia toimitusket-
juun. Näin yritykset voivat suunnitella toimenpiteitä, kuten vaihtoehtoisia kuljetus-
reittejä tai varatoimittajia, ja vahvistaa toimitusketjunsa joustavuutta [14].
5 Case: Satamien digitaaliset
kaksoset
Käsiteltyjä aiheita ja teknologioita voidaan konkreettisesti käyttää esimerkiksi di-
gitaalisten kaksosten luomiseen. Digitaalinen kaksonen on virtuaalinen malli, joka
vastaa fyysistä järjestelmää tai prosessia. Sen avulla voidaan seurata, analysoida ja
simuloida fyysisen kohteen toimintaa reaaliaikaisen datan perusteella. Digitaalinen
kaksonen ei ole pelkkä staattinen mallinnus, vaan jatkuvasti päivittyvä järjestelmä,
joka hyödyntää massadataa, IoT-sensoreita ja koneoppimista päätöksenteon tukena.
[1]
Digitaalisten kaksosten kykyä simuloida järjestelmien toimintaa on kutsuttu "kvant-
tihypyksi esille tulevien käytösten löytämisessä ja ymmärtämisessä"[1]. Digitaalis-
ten kaksosten avulla satamat pystyvät mallintamaan koko toimintaketjunsa, kuten
alusten saapumisen, rahdin purkamisen, kuljetusten jatkokäsitteyn ja varastoinnin.
Virtuaalisen mallin avulla voidaan simuloida esimerkiksi eri sääolosuhteiden, henki-
löstöresurssien tai aikataulumuutosten vaikutuksia sataman toimintaan ilman, että
fyysistä järjestelmää tarvitsee muuttaa.
Käytännössä digitaalinen kaksonen kerää ja hyödyntää dataa useista eri lähteis-
tä, kuten IoT-sensoreista, RFID-tunnisteista, GPS-laitteista ja ERP-järjestelmistä
[8]. Esimerkiksi konttien sijaintitiedot, nostureiden toimintadata ja alusten saapumi-
sajat yhdistetään analytiikkajärjestelmässä, joka muodostaa reaaliaikaisen tilanne-
LUKU 5. CASE: SATAMIEN DIGITAALISET KAKSOSET 19
kuvan koko satamasta. Tätä dataa voidaan analysoida koneoppimisen avulla ennus-
teiden tekemiseksi. Esimerkiksi alusten viivästymisriskien arvioimiseksi, resurssien
uudelleenallokoinniksi tai ruuhkien ennakoimiseksi [5]. Näin voidaan tehdä päätöksiä
proaktiivisesti, mikä lisää operatiivista tehokkuutta ja vähentää viiveistä aiheutuvia
kustannuksia.
Digitaalinen kaksonen ei kuitenkaan ole pelkästään tekninen ratkaisu, vaan myös
strateginen työkalu. Sen avulla voidaan parantaa läpinäkyvyyttä, lisätä yhteistyötä
eri toimijoiden välillä ja vahvistaa toimitusketjujen resilienssiä [8]. Kun data visua-
lisoidaan hallintapaneeleihin ja reaaliaikaisiin raportointityökaluihin, päätöksenteko
muuttuu tietopohjaiseksi ja nopeammaksi. Tämä tukee myös toimitusketjujen oh-
jaavaa analytiikkaa, jossa järjestelmä ei ainoastaan analysoi tilannetta, vaan myös
ehdottaa optimaalisia toimintavaihtoehtoja [9].
Taulukossa 5.1 on esitetty vertailu perinteisen satamatoimintamallin ja digitaa-
lisen kaksosen hyödyntävän järjestelmän välillä. Vertailu havainnollistaa, miten di-
gitaalinen kaksonen muuttaa toimintatapoja datan hallinnan, riskienhallinnan ja
päätöksenteon näkökulmista.
Ominaisuus Perinteinen
toimintamalli
Digitaalinen kaksonen
Datan keruu Hajautettua ja manuaalista Reaaliaikaista IoT- ja
RFID-sensoreilla
Toiminnan näkyvyys Rajoittunut, usein
viiveellinen
Kattava ja reaaliaikainen
näkymä koko
toimitusketjuun
Riskienhallinta Reaktiivista, perustuu
aiempaan kokemukseen
Ennakoivaa, perustuu
massadata-analytiikkaan ja
simulaatioihin
Kustannustehokkuus Manuaalinen optimointi Automaattinen optimointi
koneoppimisen avulla
Päätöksenteko Ihmiskeskeinen ja
viivästynyt
Dataohjautuva ja
dynaaminen
Taulukko 5.1: Digitaalisen kaksosen hyödyt toimitusketjussa
Digitaalisen kaksosen rakentaminen tapahtuu vaiheittain. Ensin kerätään ja in-
LUKU 5. CASE: SATAMIEN DIGITAALISET KAKSOSET 20
Kuva 5.1: Digitaalisen kaksosen toiminta
tegroidaan data eri lähteistä, minkä jälkeen luodaan virtuaalinen malli prosesseis-
ta. Tämän jälkeen malliin liitetään analytiikka- ja koneoppimiskomponentteja, jot-
ka mahdollistavat ennusteiden ja optimointien suorittamisen reaaliaikaisesti [5]. Lo-
puksi digitaalinen kaksonen kytketään takaisin fyysiseen järjestelmään, jolloin se voi
ohjata toimintoja automaattisesti tai tukea työntekijöiden päätöksentekoa.
Kuvassa 5.1 on esitetty digitaalisen kaksosen toiminnallinen prosessi, jossa dataa
kerätään, käsitellään ja hyödynnetään simulaatioiden ja ennusteiden kautta päätök-
senteossa toimitusketjussa.
6 Yhteenveto
Tämä tutkielma on tarkastellut, kuinka massadata-analytiikkaa voidaan hyödyntää
toimitusketjujen optimoinnissa ja kustannusten vähentämisessä. Työssä käytiin läpi
teollisuuden 4.0 liittyviä teknologioita ja niiden tarjoamia mahdollisuuksia, kuten
esineiden internetiä, tekoälyä, koneoppimista ja reaaliaikaista datankeruuta. Näi-
den teknologioiden avulla voidaan kerätä ja hyödyntää massadataa tehokkaammin
toimitusketjujen eri osa-alueilla. Työssä pyrittiin vastaamaan kahteen tutkimus ky-
symykseen:
1. Kuinka massadata-analytiikka voi parantaa toimitusketjun suorituskykyä ja
kustannustehokkuutta?
Massadata-analytiikka parantaa toimitusketjun suorituskykyä ja kustannuste-
hokkuutta optimoimalla varastotasoja, ennakoimalla kysyntää ja tunnistamalla pro-
sessien pullonkauloja. Analytiikan eri tyyppien avulla yritykset voivat tehdä tieto-
pohjaisia päätöksiä nopeammin ja tehokkaammin, mikä vähentää resurssien hukkaan
menemistä ja parantaa toimituskykyä. Lisäksi dataohjautuva prosessien hallinta tar-
joavat yrityksille työkaluja prosessien jatkuvaan kehittämiseen ja kustannusten hal-
lintaan.
2. Miten massadata-analytiikkaa voidaan käyttää toimitusketjun riskienhallin-
nassa ja häiriöiden ennakoimisessa?
Massadata-analytiikka tarjoaa keinoja tunnistaa riskejä jo ennen niiden toteutu-
mista. Kun historiallista dataa hyödynnetään koneoppimismalleissa, voidaan havai-
LUKU 6. YHTEENVETO 22
ta piileviä yhteyksiä ja ennakoida häiriöitä, kuten toimitusviiveitä, resurssipuuttei-
ta tai markkinashokkeja. Näitä havaintoja voidaan hyödyntää reaaliaikaisen datan
kanssa, jolloin järjestelmä voi ehdottaa ennakoivia toimenpiteitä riskien lieventämi-
seksi. Teknologiat kuten sensorijärjestelmät ja ERP-järjestelmät parantavat datan
eheyttä ja toimitusketjun luotettavuutta. Analytiikan avulla voidaan myös simuloi-
da erilaisia skenaarioita ja testata toimintamalleja muuttuvissa olosuhteissa.
Yhteenvetona voidaan todeta, että massadata-analytiikka ei ole vain teknolo-
ginen työkalu, vaan keskeinen strateginen voimavara. Sen tehokas hyödyntäminen
mahdollistaa toimitusketjujen kokonaisvaltaisen optimoinnin, kustannussäästöjen
saavuttamisen sekä toimintaympäristön muutoksiin sopeutumisen. Yritykset, jotka
kykenevät hyödyntämään analytiikkaa tehokkaasti ja reaaliaikaisesti, voivat paran-
taa merkittävästi kilpailukykyään.
7 Pohdinnat
Massadata-analytiikan hyödyntäminen toimitusketjujen hallinnassa tarjoaa etuja,
kuten lisääntynyttä läpinäkyvyyttä, parempaa reagointikykyä ja tietopohjaista pää-
töksentekoa. Reaaliaikainen seuranta ja analytiikka auttavat yrityksiä tunnistamaan
pullonkaulat ajoissa, optimoimaan varastotasoja ja vastaamaan kysynnän muutok-
siin ennakoivasti.
Näiden hyötyjen saavuttaminen ei kuitenkaan ole yksinkertaista, koska se vaatii
merkittäviä investointeja. Yrityksen voi olla tarpeen päivittää infrastruktuurinsa,
johon kuuluu esineiden internetin laitteet, sensorit ja tietojärjestelmät, jotka tukevat
teollisuus 4.0 ympäristön datavetoista toimintaa.
Toinen haaste on osaamisen puute. Datavetoisten järjestelmien suunnittelu, käyt-
töönotto ja ylläpito vaativat korkeaa teknologista osaamista. Yritysten onkin pää-
tettävä, kehittävätkö ne tarvittavaa osaamista sisäisesti vai ulkoistavatko järjestel-
mäkehityksen ja analytiikan palveluntarjoajille.
Tulevaisuudessa kehitys siirtyy kohti teollisuus 5.0 ajattelua, jossa korostuvat
ihmisen ja koneen yhteistyö sekä entistä syvempi tekoälyn, koneoppimisen ja virtu-
aaliteknologioiden integrointi tuotantoon ja logistiikkaan.
Voidaan todeta, että vaikka massadata-analytiikka ja siihen liittyvät teknologiat
avaavat merkittäviä mahdollisuuksia toimitusketjujen optimoinnissa, niiden täysi-
mittainen hyödyntäminen edellyttää pitkäjänteistä kehittämistä, investointeja ja ko-
konaisvaltaista muutosjohtamista.
Lähdeluettelo
[1] R. Klar, A. Fredriksson ja V. Angelakis, ”Digital Twins for Ports: Derived From
Smart City and Supply Chain Twinning Experience”, IEEE Access, vol. 11,
s. 71 777–71 799, 2023. doi: 10.1109/ACCESS.2023.3295495.
[2] D. Zhao, ”Big Data-Driven Digital Economic Industry Based on Innovation
Path of Manufacturing”, IEEE Access, vol. 12, s. 24 104–24 115, 2024. doi:
10.1109/ACCESS.2024.3365716.
[3] S. Kediya, R. Santhanam, R. A. Kayande, A. Sharma, Y. Sure ja V. Disawal,
”Smart Supply Chain Management and Big Data Analysis Using Machine
Learning in Industry 4.0”, teoksessa 2023 International Conference on Com-
munication, Security and Artificial Intelligence (ICCSAI), 2023, s. 500–505.
doi: 10.1109/ICCSAI59793.2023.10421144.
[4] M. Zheng, S. Zhang, Y. Zhang ja B. Hu, ”Construct Food Safety Traceability
System for People’s Health Under the Internet of Things and Big Data”, IEEE
Access, vol. 9, s. 70 571–70 583, 2021. doi: 10.1109/ACCESS.2021.3078536.
[5] W. Wang, ”A IoT-Based Framework for Cross-Border E-Commerce Supply
Chain Using Machine Learning and Optimization”, IEEE Access, vol. 12,
s. 1852–1864, 2024. doi: 10.1109/ACCESS.2023.3347452.
[6] R. Rakholia, A. L. Suárez-Cetrulo, M. Singh ja R. Simón Carbajo, ”Advancing
Manufacturing Through Artificial Intelligence: Current Landscape, Perspecti-
LÄHDELUETTELO 25
ves, Best Practices, Challenges, and Future Direction”, IEEE Access, vol. 12,
s. 131 621–131 637, 2024. doi: 10.1109/ACCESS.2024.3458830.
[7] V. Kumar C ja P. Selvaprabhu, ”An Examination of Distributed and Decentra-
lized Systems for Trustworthy Control of Supply Chains”, IEEE Access, vol. 11,
s. 137 025–137 052, 2023. doi: 10.1109/ACCESS.2023.3338739.
[8] C. Stahl, N. Stein ja C. M. Flath, ”Analytics Applications in Fashion Supply
Chain Management—A Review of Literature and Practice”, IEEE Transac-
tions on Engineering Management, vol. 70, nro 4, s. 1258–1282, 2023. doi:
10.1109/TEM.2021.3075936.
[9] P. Hajek ja M. Z. Abedin, ”A Profit Function-Maximizing Inventory Backorder
Prediction System Using Big Data Analytics”, IEEE Access, vol. 8, s. 58 982–
58 994, 2020. doi: 10.1109/ACCESS.2020.2983118.
[10] H. Yang et al., ”Six-Sigma Quality Management of Additive Manufacturing”,
Proceedings of the IEEE, vol. 109, nro 4, s. 347–376, 2021. doi: 10.1109/
JPROC.2020.3034519.
[11] V. Ramakrishnan, N. Ramasamy, M. Dev Anand ja N. Santhi, ”Supply Chain
Management Efficiency Improvement in the Automobile Industry Using Lean
Six Sigma and Artificial Neural Network”, IEEE Transactions on Engineering
Management, vol. 71, s. 3278–3294, 2024. doi: 10.1109/TEM.2023.3332147.
[12] L. Ren, X. Fan, J. Cui, Z. Shen, Y. Lv ja G. Xiong, ”A Multi-Agent Reinforce-
ment Learning Method With Route Recorders for Vehicle Routing in Supply
Chain Management”, IEEE Transactions on Intelligent Transportation Sys-
tems, vol. 23, nro 9, s. 16 410–16 420, 2022. doi: 10.1109/TITS.2022.3150151.
[13] A. Vafaei-Zadeh, J. Madhuri, H. Hanifah ja R. Thurasamy, ”The Interactive
Effects of Capabilities and Data-Driven Culture on Sustained Competitive
LÄHDELUETTELO 26
Advantage”, IEEE Transactions on Engineering Management, vol. 71, s. 8444–
8458, 2024. doi: 10.1109/TEM.2024.3355775.
[14] C. Jiang, F.-Y. Wang, M. Zhou, A. K. Nandi ja G. Liu, ”Guest Editorial:
Special Issue on Big Data and Computational Social Intelligence for Guaran-
teed Financial Security”, IEEE Transactions on Computational Social Systems,
vol. 11, nro 2, s. 1551–1555, 2024. doi: 10.1109/TCSS.2024.3373929.