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