Machine learning methods for enhancing engineer-to-order project management

Abstract

Solutions utilizing machine learning have surpassed traditional methods for various engineer-to-order project management activities, such as time estimations, designing of unique products, and prediction of assembly start delayers. The theoretical part of this thesis unpacks the inner workings and development processes of these techniques with a suitable framework, while the empirical side focuses on formulating tailored development suggestions for Konecranes.

Qualitative research methods were used to derive the conclusions for this thesis. The methods used were literature review, case study, thematic analysis, and semi-constructed interviews. Literature review was used as a theoretical basis for investigating related case studies, and the rest were used to derive information from experts and turn those insights into development suggestions.

Based on the literature review, machine learning solutions can overcome common problems related to engineer-to-order environments and provide accurate and reliable results. For the empirical part, sixteen development suggestions were formed that would allow the target company to enhance their engineer-to-order processes, which were mainly related to the use and adoption of artificial intelligence.

Koneoppimista hyödyntävät ratkaisut ovat osoittautuneet perinteisiä menetelmiä tarkemmiksi tilaustyövalmistuksen projektinhallinnassa, erityisesti aikatauluennusteissa, uniikkien tuotteiden suunnittelussa, ja kokoonpanon aloitusta viivästyttävien tekijöiden ennustamisessa. Tämän työn teoreettinen osa esittelee näiden menetelmien toimintaperiaatteet ja kehitysprosessit viitekehyksen kautta. Työn empiirinen osuus keskittyy muotoilemaan Konecranesille räätälöityjä kehitysehdotuksia.

Tutkimus perustuu kvalitatiivisiin menetelmiin: kirjallisuuskatsaukseen, tapaustutkimukeen, temaattiseen analyysiin ja puolikonstruktoituihin haastatteluihin. Kirjallisuuskatsaus loi teoreettisen pohjan, kun taas muita menetelmiä hyödynnettiin keräämään tietoa asiantuntijoilta ja lopulta muokkaamaan niistä kehitysideoita kohdeyritykselle.

Teoriaosuuden perusteella voidaan todeta, että koneoppimista hyödyntävät mallit pystyvät pääsemään yleisien tilaustyöhön liittyvien ongelmien yli, ja tuottamaan luotettavia ja tarkkoja tuloksia. Empiirisen osan lopputuloksena syntyi kuusitoista konkreettista kehitysehdotusta, joilla Konecranes voi tehostaa tilaustyövalmistukseen liittyviä prosesseja sekä lisätä tekoälyn käyttöönottoa.