Kriittisten asiakastilausten eskalointien juurisyytutkimus suuria kielimalleja hyödyntäen

Abstract

Tämä diplomityö käsittelee kriittisten asiakastilausten eskalointien juurisyiden tunnistamista ja analysointia suuria kielimalleja hyödyntäen. Työn tavoitteena oli tutkia, mitkä tekijät johtavat eskalointipyyntöjen syntymiseen sekä arvioida, kuinka tekoälypohjaiset analyysimenetelmät voivat parantaa prosessin ymmärtämistä ja kehittämistä.

Tutkimus toteutettiin tapaustutkimuksena kohdeyritykselle. Työ koostui kahdesta osasta, joista ensimmäinen oli kirjallisuuskatsaus tilausohjautuvaan tuotantoon sekä generatiiviseen tekoälyyn. Aikaisempi kirjallisuus loi pohjan työn toisessa osassa tehtävään empiiriseen tutkimukseen, jossa kuvattiin kohdeyrityksen asiakastilauseskaloinnin nykytilaa sekä tutkittiin eskalointien juurisyitä. Aineistona käytettiin kohdeyrityksen eskalointikeskusteluja vuosilta 2021–2024. Näitä eskalointikeskusteluja oli kertynyt yhteensä 7 147 kappaletta. Analyysin tueksi kehitettiin suuriin kielimalleihin perustuva analyysityökalu, jonka avulla pyrittiin tunnistamaan ja luokittelemaan eskalointipyyntöjen avaamiseen johtaneet keskeiset syyt. Menetelmä yhdisti tekstianalyysin perinteisiin tilastollisiin menetelmiin, mikä mahdollisti kattavamman tarkastelun eskalointien taustatekijöistä.

Tulokset osoittivat, että suurin osa eskalointipyyntöjä aiheuttavista ongelmista liittyy toimitusketjun epävarmuuksiin, tuotannollisiin haasteisiin ja resurssienhallinnan ongelmiin. Erityisesti materiaalien saatavuusongelmat, tuotantoprosessin häiriöt ja kapasiteettihaasteet nousivat keskeisiksi syiksi eskalointien taustalla. Tutkimus osoitti myös, että suuret kielimallit voivat merkittävästi tehostaa eskalointiprosessia ja nopeuttaa juurisyyanalyysiä, mutta niiden hyödyntäminen vaatii huolellista integrointia yrityksen tietojärjestelmiin sekä selkeää strategiaa tekoälyn roolista päätöksenteossa. Johtopäätöksenä työssä esitetään useita kehitysehdotuksia, kuten eskalointipyyntöjen avaamiskriteeristön luominen sekä toimitusketjun läpinäkyvyyden lisääminen.

This master’s thesis investigates the root causes of escalation in critical customer orders using large language models. The objective of this study was to identify the main factors leading to escalation requests and explore how artificial intelligence-based analytical methods can enhance the understanding and optimization of the process.

The thesis was conducted as a case study for the target company. It consisted of two parts, the first of which was a literature review on order-driven production and generative artificial intelligence. Previous literature provided the foundation for empirical research conducted in the second part of the thesis, which described the current state of customer order escalation in the target company and examined the root causes of escalations. The data used consisted of escalation discussions from the years 2021-2024. A total of 7,147 escalation discussions were collected. To support the analysis, an analysis tool based on large language models was developed, aiming to identify and classify the key causes that led to the initiation of escalation requests. The method combined text analysis with traditional statistical methods, enabling a more comprehensive examination of the underlying factors behind the escalations.

The results show that most of the problems causing escalation requests are related to supply chain uncertainties, production challenges, and resource management issues. Specifically, material availability issues, production process disruptions, and capacity constraints emerged as key causes behind the escalations. The study demonstrates that large language models can significantly enhance the escalation process and expedite root cause analysis, but their use requires careful integration with the company’s information systems and a clear strategy regarding artificial intelligence’s role in decision-making. The conclusions of the thesis propose several development suggestions, such as creating criteria for opening escalation requests and increasing transparency in the supply chain.