Machine learning for predicting delivery delays in manufacturing

Abstract

Manufacturing companies face increasing challenges in maintaining delivery reliability amid volatile supply chain conditions. Delays in order fulfilment can lead to significant operational and financial consequences, highlighting the need for proactive planning. This thesis investigates the feasibility of using machine learning (ML) to predict orders likely to be delayed in a Finnish production company. The study applies the Design Science Research Methodology to develop and evaluate a ML model trained on three years of historical order and production data for cylinder products.

The model was built using Microsoft Fabric’s AutoML feature and evaluated using standard classification metrics, including ROC-AUC, precision, recall, and F1-score. The best-performing algorithm, LightGBM, achieved a ROC-AUC of 0.943, precision of 0.747, recall of 0.637, and an F1-score of 0.687. These results demonstrate that ML can effectively identify high-risk orders, enabling earlier interventions. Feature importance analysis revealed that lead time, product characteristics, and short-term workload were key predictors of delays. While the study confirms the potential of ML for improving delivery reliability, limitations such as class imbalance and overfitting remain. Future work should focus on expanding the dataset, applying regularization techniques, and integrating the model into operational workflows for real-time decision support.

Valmistavan teollisuuden yritykset kohtaavat yhä suurempia haasteita toimitusvarmuuden ylläpitämisessä epävakaissa toimitusketjuolosuhteissa. Tilausten viivästykset voivat aiheuttaa merkittäviä operatiivisia ja taloudellisia seurauksia, mikä korostaa ennakoivan suunnittelun tarvetta. Tämä diplomityö tutkii koneoppimisen (ML) soveltuvuutta tilausten viivästymisen ennustamiseen suomalaisessa tuotantoyrityksessä. Työssä hyödynnetään Design Science Research -menetelmää mallin kehittämiseksi ja arvioimiseksi. Malli koulutettiin kolmen vuoden tilaus- ja tuotantodatalla, joka koski sylinterituotteita.

Mallin rakentamisessa käytettiin Microsoft Fabricin AutoML-ominaisuutta, ja sen suorituskykyä arvioitiin luokittelumittareilla, kuten ROC-AUC, tarkkuus (precision), herkkyys (recall) ja F1-pisteet. Parhaiten suoriutunut algoritmi, LightGBM, saavutti ROC-AUC-arvon 0,943, tarkkuuden 0,747, herkkyyden 0,637 ja F1-pisteet 0,687. Tulokset osoittavat, että ML voi tehokkaasti tunnistaa viivästymisriskissä olevat tilaukset, mikä mahdollistaa aikaisemmat toimenpiteet. Tärkeimmät viivästymistä ennustavat tekijät olivat toimitusaika, tuotteen ominaisuudet ja lyhyen aikavälin kuormitus. Vaikka tutkimus vahvistaa ML:n potentiaalin toimitusvarmuuden parantamisessa, havaittiin myös rajoitteita, kuten luokkien epätasapaino (class imbalance) ja ylisovittaminen (overfitting). Jatkokehityksessä tulisi laajentaa aineistoa, hyödyntää regularisointitekniikoita ja integroida malli osaksi operatiivisia prosesseja reaaliaikaisen päätöksenteon tueksi.