Exploring Machine Learning to Improve Procurement and Purchasing Processes

Abstract

Machine learning is an area of artificial intelligence that enables systems to improve their per-formance by learning from data without being purposefully programmed for the task. Learning occurs by training algorithms to identify correlations and patterns in large amounts of data, which can be then utilized to make predictions and conclusions. Machine learning has grown in popularity in recent years for a variety of commercial applications, and the purchasing process is no exception. The continuously improving computing power and data management capabili-ties of computers have enabled more sophisticated machine learning applications, which has also expanded the research work around machine learning. However, when looking at studies on the development of purchasing and purchasing processes using machine learning applica-tions, the number of publications is limited, especially for studies that have used empirical data from interviews. Thus, the aim of this research was to provide a current overview of the opportunities and po-tential challenges of implementing machine learning applications in procurement and purchas-ing processes. In addition, interviews were conducted with the aim of finding out the reasons that are preventing efficient procurement and purchasing processes, the work tasks that inter-viewees would most like to see assist from information systems, and whether machine learn-ing could offer help with perceived problems. The research methods used in this thesis were both theoretical and empirical. The theoretical part consisted of an introduction to different aspects of machine learning and procurement and purchasing processes, using available aca-demic and industry material as sources. The aim was to keep the source material as up to date as possible. Interviews were conducted with one company, involving eight participants in total. Based on the results of the research, machine learning applications that provide assist with pricing, cost analysis and forecasting of material requirements were seen especially useful. Challenges were perceived, in particular due to the poor quality of the used data, the large amount of data and the traceability of the data. Based on the interviews the low level of au-tomatization of processes, data reliability problems, forecasting material requirements, and pricing and analysing of materials were seen as challenges. The results suggested that machine learning can be used to improve purchasing and procurement processes, and the empirical research supports this conclusion.

Koneoppimisella tarkoitetaan tekoälyn osa-aluetta, joka mahdollistaa järjestelmien suorituskyvyn parantamisen oppimalla datasta ilman, että sitä on tarkoituksenmukaisesti ohjelmoitu kyseisestä tehtävää varten. Oppiminen tapahtuu kouluttamalla algoritmeja tunnistamaan suurista tietomääristä korrelaatioita ja malleja, joiden perusteella pystytään luoman ennusteita sekä tekemään johtopäätöksiä. Koneoppiminen on kasvattanut viime vuosina suosiotaan erilaisten kaupallisten sovelluskohteiden muodossa, eikä myöskään hankinta- ja ostoprosessit ole tässä asissa poikkeus. Jatkuvasti parantuva tietokoneiden laskentakyky ja tiedonhallinta ovat mahdollistaneet entistä kehittyneempiä koneoppimista hyödyntäviä sovelluksia, mikä on myös laajentanut koneoppimisen ympärillä tapahtuvaa tutkimustyötä. Kuitenkin kun tarkastellaan tutkimuksia, joissa käsitellään hankinta - ja ostoprosessien kehittämistä koneoppimisen avulla on julkaisumäärä rajallista, erityisesti sellaisten tutkimusten osalta, joissa on hyödynnetty kokemusperäistä, haastatteluista saatua tietoa. Täten tämän työn tavoitteena oli tarjota ajankohtainen katsaus koneoppimista hyödyntävien sovellusten tarjoamista mahdollisuuksista ja potentiaalisista haasteista niitä hankinta ja osto prosseihin käyttöönotettaessa. Lisäksi suoritettiin haastatteluita, joiden tavoitteena oli saada selville syyt, jotka ovat esteinä tehokkaan hankinnan- ja ostoprosessien tapahtumiselle sekä mihin työtehtäviin haastateltavat toivoisivat erityisesti apua tietojärjestelmien kautta ja voisiko koneoppiminen tarjota apua koettuihin ongelmiin. Työn tutkimusmetodit olivat teoreettisia sekä empiirisiä. Teoreettinen osio koostui koneoppimisen sekä hankinnta- ja ostoprosessien eri osa-aluiden esittelystä, joiden lähdemateriaalina hyödynnettin saatavilla olevia akateemisia sekä koneoppimisen ja hankinnan ja oston alojen julkaisuja. Lähdemateriaali pyrittiin pitämään mahdollisimman ajankohtaisena. Haastattelut suoritettiin yhden yrityksen kanssa, johon otti osaa kahdeksan henkilöä. Tutkimuksen tulosten perusteella koneoppimisen sovellukset, jotka auttavat hinnoittelussa, kustannusten analysoinnissa sekä materiaalitarpeiden ennustamisessa nähtiin erityisen hyödyllisinä. Haasteina koettin ongelmat, jotka johtuivat erityisesti käytetyn datan heikosta laadusta, datan suuresta määrästä sekä datan jäljitettävyydestä. Haastatteluiden perusteella haasteina koettiin prosessien vähäinen automatisointi, datan luotettavuussongelmat, materiaalitarpeiden ennustaminen sekä materiaalien hinnoitteluun ja analysointiin liittyvät haasteet. Tuloksista voitiin tulkita, että hankinnan ja oston prosesseja voidaan kehittää koneoppimisen avulla, ja empiirinen tutkimusosio myös tukee tätä johtopäätöstä.