Lyhyt kuvaus: Europress hyödyntää koneoppimista jäteastioiden tyhjennystarpeen ennustamiseen. IoT-pohjainen ratkaisu tukee kuljetusten optimointia, kustannusten hallintaa ja jätehuollon resurssitehokkuutta.

1. Yrityksen kuvaus

• Europress on edelläkävijä jätepuristimien ja paalaimien valmistuksessa.
• Yritys tuottaa moderneja jätehuollon ja materiaalien kierrätyksen ratkaisuja, jotka on suunniteltu erityisesti edistämään kiertotaloutta.
• Europress toimii kunnianhimoisena, kasvuhakuisena yrityksenä, jolla on vahvat kansainväliset laajentumistavoitteet.
• Tapaustutkimusaineistossa ei mainita yrityksen tarkkaa kokonaishenkilöstömäärää.

2. Mikä ongelma tekoälyn oli tarkoitus ratkaista?

• Europress oli aiemmin ottanut käyttöön “Europress SMART” -järjestelmänsä kerätäkseen dataa jätehuoltolaitteista.
• Yrityksellä oli kuitenkin kriittinen tarve modernisoida taustalla oleva alusta, jotta digitaalisten palveluiden kehityksestä tulisi huomattavasti ketterämpää, hallittavampaa ja skaalautuvampaa.
• Europress halusi erityisesti hyödyntää edistynyttä data-analytiikkaa ja tekoälyä – kuten koneoppimisen ennusteita – poistaakseen tarpeettomat astioiden tyhjennykset, pidentääkseen laitteiden tyhjennysvälejä, ennustaakseen tarkasti, milloin jäteastiat on tyhjennettävä, sekä pienentääkseen omia ja asiakkaidensa kokonaiskäyttökustannuksia ja kuljetuspäästöjä.

3. Miten ongelma ratkaistiin ja millä työkaluilla?

• Europress solmi pitkäaikaisen strategisen yhteistyökumppanuuden Vincitin kanssa, valiten tämän ketterien menetelmien, ohjelmisto-osaamisen ja yrityskulttuurin yhteensopivuuden perusteella.
• Modernisointi toteutettiin seuraavilla menetelmillä ja teknologioilla:
• • IoT-dataintegraatio ja näkyvyys: Tiimi uudisti Europress SMART -digitaalisen palvelujärjestelmän, jotta jätehuoltolaitteiden tilaa voidaan seurata läpinäkyvästi ja reaaliaikaisesti sekä saada tarkka näkyvyys laitteiden ajantasaiseen tilaan.
• • Koneoppiminen ja ennakoiva analytiikka: Ratkaisuun integroitiin edistynyt koneoppimisteknologia suoraan ydinalustaan, jotta kentältä kerättyä dataa voidaan käsitellä ja tuottaa ennakoivia optimointimalleja astioiden aikataulutukseen.
• • Poikkitoiminnallinen asiantuntijatiimi: Erillisten osastojen sijaan koottiin laaja-alainen, organisaatiorajat ylittävä tiimi, johon kuului full stack -kehittäjiä, data-analyytikkoja, mobiilisovelluskehittäjiä, käyttöliittymäsuunnittelijoita (UI) ja sulautettujen järjestelmien asiantuntijoita.

4. Mitä tuloksia saavutettiin?

• • SMART-palveluiden tuotteistaminen: Systemaattinen kumppanuus tuotteisti onnistuneesti Europress SMART -palvelupaketin, muuttaen sen rakenteelliseksi, erittäin toistettavaksi digitaaliseksi omaisuudeksi, jota voidaan saumattomasti myydä ja laajentaa edelleen.
• • Optimoidut tyhjennysaikataulut: Koneoppimisen ennusteiden käyttöönotto mahdollisti tarkan ennustamisen siitä, milloin astiat todella tarvitsevat huoltoa.
• Tämä pidensi tyhjennysvälejä ja vähensi tarpeettomia, kalliita ajokertoja.
• • Ympäristö- ja kustannussäästöt: Optimoidut logistiikka-aikataulut johtivat suoraan mitattaviin kustannussäästöihin sekä Europressille että sen loppuasiakkaille, samalla kun kuljetuspäästöt vähenivät merkittävästi tukien puhtaampaa kiertotaloutta.
• • Kilpailuetu ja tuoteportfolion laajentuminen: Arvoa tuottavien digitaalisten palveluiden lisääminen toi selkeän kilpailuedun suhteessa kilpailijoihin ja loi vahvan perustan Europressin vakaalle myynnin kasvulle ja kansainväliselle laajentumiselle.

5. Mitä ongelmia ilmeni?

• Tapaustutkimus ei tuo esiin järjestelmävirheitä tai käyttöönotto-ongelmia.
• Keskeinen tekninen haaste oli alun perin vanhan alustan ketteryyden ja hallittavuuden puute, mikä hidasti uusien ominaisuuksien nopeaa laajentamista.
• Tämä edellytti koko järjestelmäarkkitehtuurin täydellistä modernisointia, jotta siitä saatiin erittäin skaalautuva, moderni digitaalinen tuote-ekosysteemi.

6. Aika- ja rahainvestoinnit

• Tapaustutkimuksen dokumentaatiossa ei paljasteta konkreettisia taloudellisia lukuja, kehityskustannuksia tai tarkkoja projektin aikatauluja.
• Siinä korostetaan, että investointi toteutettiin jatkuvana, pitkäaikaisena yhteistyösuhteena, joka keskittyi systemaattiseen kehitykseen ja tuoteportfolion vakaaseen kasvuun.

7. Millaista osaamista tarvittiin ja mitä yhteistyökumppaneita käytettiin?

• Projekti vaati erikoisosaamista skaalautuvan järjestelmäarkkitehtuurin suunnittelusta, full stack -ohjelmistokehityksestä, data-analytiikasta, koneoppimismallien rakentamisesta, mobiilisovellusten kehityksestä, käyttöliittymäsuunnittelusta (UI) ja sulautettujen järjestelmien integroinnista.
• • Pääkumppani: Vincit toimi strategisena ohjelmistokehitys- ja digitaalisen tuotesuunnittelun kumppanina.
• • Hyödynnetyt teknologiat: Räätälöidyt ohjelmistokehykset, koneoppimisen ennustemallit, ketterät kehitysmenetelmät ja sulautettujen IoT-järjestelmien työkalut.

8. Liiketoimintafunktion luokitus

• Projekti kuuluu älykkääseen IoT-toimintaan, ennakoivaan logistiikkaan ja aikataulutuksen optimointiin sekä digitaaliseen tuotteenhallintaan.
• Siihen liittyy vahvasti myös kiertotalousstrategia, kenttälaitteiden kunnossapidon automatisointi ja data-analytiikan insinöörityö.

9. Lähde

Case-kuvaus on tekoälyn koostama lähteestä:

https://www.vincit.com/our-work/europress