Silmäile
Hakuohje

Osuva

Osuva on Vaasan yliopiston avoin julkaisuarkisto. Osuva sisältää Vaasan yliopiston omat julkaisut, opinnäytteet ja tieteellisten artikkeleiden rinnakkaistallenteet. Osuvaan sisältyy julkaisujen viitetietoja, tiivistelmiä ja kokotekstejä. Sähköisten arkistokokoelmien sisältö ei ole luettavissa verkossa.

Kokoelmat Osuvassa

Viimeksi tallennetut

  • Varastoinnin ja varastonhallinnan optimointi ja kehittäminen pk-yrityksessä
    Pekkarinen, Matias (2026-05-23)
    Pro gradu -tutkielma
    Tutkimuksen tavoitteena oli optimoida ja kehittää kohdeyrityksen tuotantolaitoksen X varastointia ja varastonhallintaa ja niihin liittyviä prosesseja. Varastoinnin ja varastonhallinnan optimoinnin ja kehityksen tarpeena oli vastata kohdeyrityksen kasvavaan tuotannon kapasiteettiin uuden tuotantohallin valmistuessa. Tutkimusongelmana käsiteltiin varastoinnin ja varastonhallinnan kehityskohteiden tunnistamista ja relevanttien ratkaisujen löytämistä kehityskohteiden ongelmiin. Tuloksien lopputuloksen tavoitteena oli muodostaa optimoitu varastointimalli varastoinnin ja varastonhallinnan toimintaan. Tutkimuksen tavoitteiden saavuttamiseksi tutkimusmenetelminä käytettiin laadullista tapaustutkimusta ja kehitystutkimusta, joiden avulla tutkittiin kohdeyrityksen nykytilannetta ja keskityttiin löytämään ratkaisut nykytilassa havaittuihin kehityskohteisiin. Kehitystoimet toteutettiin JIT-tuotantofilosofian, Lean-johtamisfilosofian ja EOQ varastonhallintateorian luoman viitekehyksen mukaan. Tutkimuksen keskeisinä tuloksina olivat havainnot kohdeyrityksen materiaalinimikkeiden ongelmista ja vakiomateriaalinimikkeiden muodostaminen, optimaalisien eräkokojen ja varastotasojen määrittäminen vakiomateriaalinimikkeille, varastoinnin layout-mallin luominen ja varastopaikkojen vakioiminen ja viimeisenä varastoinnin kehittämistoimien määrittäminen ja kohdeyrityksen tulevaisuuden tarpeiden arvioiminen. Vakiomateriaalinimikkeiden osalta määritettiin kohdeyrityksen toiminnalle tarpeelliset vakiomateriaalinimikkeet ja muodostettiin käsittelymallit vakionimikkeille ja projektikohtaisille materiaalinimikkeille. Tämän jälkeen muodostettiin optimaaliset eräkoot ja varastotasot vakiomateriaalinimikkeille, jotta kohdeyrityksen varastointi ja varastonhallinta tehostuisi. Vakioiden eräkokojen ja varastotasojen perusteella muodostettiin kohdeyrityksen varastointimalli, jossa määritettiin layout-malli materiaalien sijoittelulle ja määritettiin varastoiden sisälogistiikan toiminta varastotasojen mukaan. Viimeisenä muodostetiin jatkuvan kehittämisen malli kohdeyrityksen varastoinnille ja varastonhallinnalle ja määritettiin tulevaisuuden varastoinnin ja varastonhallinnan tarpeita kohdeyrityksen liiketoimintastrategian mukaan. Tutkimuksen johtopäätöksenä havaittiin nykytilan määrittelyn ja kokonaisuuden tehokkuuden tutkimisen olevan olennaiset keinot havaita kehityskohteita pk-yritysten varastoinnissa ja varastonhallinnassa. Relevanttien ratkaisujen löytämisen osalta havaittiin teoreettisen viitekehyksen vahvan ymmärtämisen sekä varastoinnin ja varastonhallinnan osa-alueiden yhteisvaikutuksien ymmärtämisen olevan välttämättömiä. Teoreettinen viitekehys mahdollistaa kehityskohteiden analysoinnin ja olemassa olevien työkalujen käytön kehittämisessä. Varastoinnin ja varastonhallinnan kokonaisuuden ymmärtäminen havaittiin vaikuttuvan ongelmakohteiden kokonaisuuden vaikutuksen ymmärtämiseen ja mahdollisti usean prosessin kehittymisen yhden ongelman ratkaisemisella.
  • Developing a Power BI-based Procurement Performance Dashboard for a Centralized Procurment Team
    Tuomisto, Eero (2026-06-05)
    Pro gradu -tutkielma
    This thesis examines how a Power BI-based procurement performance dashboard can be devel-oped to support the information needs of a newly established centralized procurement team. The study was conducted as a design science-oriented single case study for Insta Automation Oy, where the aim was to identify relevant procurement performance indicators, analyze cur-rent reporting challenges and available data sources, and develop a dashboard artefact that supports both operational follow-up and managerial decision-making. The theoretical back-ground of the study combines literature on performance measurement, procurement perfor-mance measurement, business intelligence, and dashboards. The empirical material consisted of nine semi-structured interviews with procurement profes-sionals in different roles and ERP data from the company’s IFS system. The qualitative interview data were analyzed using thematic analysis to identify recurring information needs, reporting problems, and dashboard design requirements. The findings show that the main challenge was not the absence of potentially useful metrics, but the lack of accessible, reliable, and role-relevant procurement information in one place. Four central themes were identified: data availability and reliability, workload visibility and operational follow-up, supplier perfor-mance and spend for decision-making, and usability and integration into daily work. Based on these findings, a Power BI dashboard was designed with a hybrid structure combining a shared overview page, role-specific views, and a cross-role supplier page. The study concludes that a procurement performance dashboard can support a centralized procurement team effectively when it is grounded in user information needs, linked to multi-dimensional procurement performance literature, and implemented within the constraints and possibilities of the existing data environment. The developed dashboard represents a feasi-ble first artefact for the case company, although further evaluation and iterative development are needed to assess its long-term effects in practice. Tässä tutkielmassa tarkastellaan, kuinka Power BI -pohjainen hankinnan suorituskykymittaristo voidaan kehittää tukemaan keskitetyn hankintatiimin tiedontarpeita projektiliiketoimintaa harjoittavassa teollisessa ympäristössä. Tutkimus toteutettiin design science -henkisenä yksit-täisenä tapaustutkimuksena Insta Automation Oy:lle. Työn tavoitteena oli tunnistaa hankinnan kannalta olennaiset suorituskykymittarit, analysoida nykyiset raportointihaasteet ja käytettä-vissä olevat tietolähteet sekä kehittää dashboard-artefakti, joka tukee sekä operatiivista seuran-taa että johtamisen tarpeita. Tutkimuksen teoreettinen viitekehys yhdistää suorituskyvyn mittaamisen, hankinnan suoritus-kyvyn mittaamisen, business intelligence -ratkaisujen ja dashboardien kirjallisuutta. Empiiri-nen aineisto koostui yhdeksästä puolistrukturoidusta haastattelusta eri hankintarooleissa toi-mivien henkilöiden kanssa sekä yrityksen IFS-toiminnanohjausjärjestelmästä saadusta ERP-datasta. Laadullinen aineisto analysoitiin temaattisella analyysillä, jotta voitiin tunnistaa tois-tuvat tiedontarpeet, raportoinnin ongelmat ja dashboardin suunnittelua ohjaavat vaatimuk-set. Tulokset osoittavat, että keskeinen ongelma ei ollut käyttökelpoisten mittareiden puute, vaan helposti saatavan, luotettavan ja roolikohtaisesti relevantin tiedon puuttuminen yhdestä paikasta. Aineistosta tunnistettiin neljä keskeistä teemaa: datan saatavuus ja luotettavuus, työkuorman näkyvyys ja operatiivinen seuranta, toimittajasuorituskyky ja ostovolyymin näky-vyys päätöksenteon tukena sekä käytettävyys ja integroituminen päivittäiseen työhön. Näiden havaintojen pohjalta suunniteltiin Power BI -dashboard, jonka rakenne yhdistää yhteisen yleisnäkymän, roolikohtaiset sivut ja eri rooleja palvelevan toimittajanäkymän. Tutkimuksen perusteella hankinnan suorituskyky-dashboard voi tukea keskitettyä hankintatii-miä tehokkaasti silloin, kun se perustuu käyttäjien tiedontarpeisiin, nojaa moniulotteiseen hankinnan suorituskyvyn kirjallisuuteen ja toteutetaan olemassa olevan data-arkkitehtuurin mahdollisuudet ja rajoitteet huomioiden. Kehitetty dashboard edustaa tapausyritykselle to-teuttamiskelpoista ensimmäistä artefaktia, mutta sen pitkäaikaisvaikutusten arviointi edellyt-tää jatkokehitystä ja laajempaa käytännön evaluointia.
  • The Impact Of digitalization on Customer Satisfaction in Grocery Stores : A survey of international students Experience with self-checkout at Prisma, K-Citymarket, and Lidl
    Singh, Rojina (2026-06-25)
    Pro gradu -tutkielma
    The grocery retail sector has seen a dramatic transformation over the last few decades with the digitalisation of the industry, and self-checkout has gained popularity in Finland. Adoption of self service technologies has become common in the grocery industry to gain cost and efficiency benefits. Meanwhile, the ranks of international students have increased markedly, creating a large customer base that is culturally and linguistically diverse, and visits large format grocery stores regularly. They interact with self-checkout systems, but are limited in their ability to communicate in Finnish, don't know how to do business in the local retail culture, and may not be as tech savvy as the rest of the population. The SERVQUAL service quality model was used to examine the relationship between service quality and customer satisfaction in the case of international students in self service stores (Prisma, K-Citymarket and Lidl) in Finland, measuring the difference between customer expectations and perceptions from five dimensions such as, tangibles, reliability, responsiveness, assurance and empathy. A quantitative survey method was conducted and a structured questionnaire was used and distributed via international student network on social media platforms. The ratings of expectations and perceptions for each service quality statement were on 5 point Likert scales and analysed using SERVQUAL gap analysis, which calculated the difference between the two scores for each of the five dimensions. The results indicate that the self-checkout systems in Finnish supermarkets did not fall short of the expectations of the international students with respect to all five SERVQUAL dimensions. System reliability, staff responsiveness and perceived transaction security were the areas that had the best scores, and staff courtesy towards international customers scored the highest of the individual factors. Empathy especially for international customers was the lowest rated dimension, indicating a lack of understanding of the perspective of other people. Language options were rated above average, but most of the respondents indicated limited skills in Finnish, therefore language accessibility is an important issue. Retailers are thus encouraged to increase their multilingual interface options, offer language specific visual instructions and make better policies on inclusion clear to customers all of which will enhance satisfaction and long term customer loyalty.
  • Enhanced Cyber Resilient Load Frequency Control Scheme
    SHIBLEE, MD FAZLE HASAN (2026-06-05)
    Diplomityö
    This study develops an integrated framework for improving load frequency control (LFC) performance and cyber resilience in modern interconnected power systems. A two-area multi-source power system is modelled in MATLAB/Simulink, where each area includes reheat thermal, hydro, and gas generation units with governor deadband and generation rate constraints. Renewable uncertainty is incorporated through a 50 MW photovoltaic plant in Area 1 and a 70 MW wind plant in Area 2. For controller tuning, a hybrid metaheuristic algorithm, Particle Swarm Optimization Grey Wolf Op-timizer with Adaptive Artificial Bee Colony (PGWA), is proposed to optimize PID gains by minimizing the integral time absolute error (ITAE). PGWA combines the global search capability of PSO, the hierarchical exploitation mechanism of GWO, and the stagnation recovery ability of ABC. Its performance is validated using benchmark functions and five LFC scenarios involving step load perturbations, random load varia-tions, asymmetric dual-area disturbances, renewable penetration, and communication delay. The results show that PGWA consistently achieves lower error indices, smaller frequency and tie-line deviations, and faster settling than PSO, GWO, ABC, and Modi-fied Hybrid ABCPSO (MHABCPSO). To address cybersecurity, an unsupervised Dis-turbance-Aware Contrastive GRU Autoencoder (DA-CGAE) is developed for false da-ta injection attack (FDI) detection and mitigation. The DA-CGAE model learns the normal operating patterns of the LFC system and detects abnormal behaviour through attention-guided BiGRU encoding, disturbance-sensitive reconstruction, and contras-tive feature learning. It achieves 97.61% accuracy, 99.99% recall, 97.47% F1 score, and 99.93% AUC, outperforming LSTM, BiLSTM, and CNN baselines. The findings confirm the effectiveness of the proposed control and detection framework under complex and uncertain grid conditions.
  • Explainable AI-Based Predictive Maintenance for Public EV Charging Infrastructure Using Real OCPP Data with SHAP Analysis
    Islam, Elmorshidy (2026-06-12)
    Pro gradu -tutkielma
    Crucially impacting user satisfaction and the downtime of electric vehicle (EV) charging stations, the reliability of EV infrastructure inevitably drives the transition toward car- bon-free emission vehicles. Proposing an explainable artificial intelligence (AI)-based predictive maintenance frame- work for public EV charging infrastructure using real-world Open Charge Point Protocol (OCPP) data with SHAP analysis, this thesis combines large-scale feature engineering, multiple machine learning models, SHAP-based feature selection, and decision-thresh- old optimization to predict station-level failures in advance and identify the key factors driving these failures; it is evaluated using real data from ENGIE Vianeo, considering both an initial dataset of 104 charging stations and an extended dataset of 291 stations under different observation periods. Experimental results demonstrate that tree-based ensem- ble methods outperform linear and distance-based models, with Random Forest achiev- ing the best performance (0.800 F1-score and 0.828 recall). The integration of SHAP- based feature selection and threshold optimization consistently improves model perfor- mance, particularly on the larger dataset. From an operational perspective, the results highlight the potential economic impact of predictive maintenance. Based on observed downtime of approximately 32,000 days per year and an estimated annual cost of €243,000, the proposed framework could enable the early detection of up to 82.8% of faults. Assuming that 30% to 50% of predicted failures can be prevented, this corresponds to potential annual savings between €60,000 and €100,000. Overall, the proposed framework demonstrates that explainable machine learning techniques can effectively support predictive maintenance in EV charging infra- structure, offering both improved reliability and significant operational benefits. Keywords: Predictive Maintenance, Electric Vehicle (EV) Charging Infrastructure, Ex- plainable Artificial Intelligence (XAI), SHAP Analysis. Islam Elmorshidy 02/06/2026
    Kokoteksti luettavissa vain Tritonian asiakaskoneilla.