Case Metsä Group: Discover Metsä with Data
Kuva: Metsä Group
Metsä Groupin Discover Metsä With Data -kesätyöohjelma avasi opiskelijoille mahdollisuuden päästä kesän ajaksi suoraan yhtiön liiketoiminnan kehittämiseen ytimeen. Tulokset keräävät ylistystä.
Metsä Group on tarjonnut aikaisemmin opiskelijoille yksittäisiä edistyneen data-analytiikan kesätyöpaikkoja. Viime kesänä yhtiö päätti laajentaa data-analytiikan kesätyömahdollisuuksia Discover Metsä With Data -ohjelmalla. Metsä Groupin tietohallinnan data-analytiikan kehitys- ja palvelupäällikkö Heikki Sulonen näki aikaisempina vuosina, minkälaisia osaajia hakijoiden joukossa oli ja jäi ilman kesätyöpaikkaa.
”Olemme viime vuosina nähneet pelkästään paperien perusteella, kuinka kovatasoisia kesätyöpaikkaa hakevia meillä on ollut. Aikaisemmin edistyneeseen analytiikkaan on ollut tarjolla kuitenkin vain yksittäisiä paikkoja. On harmittanut jättää niin monet pätevät nuoret rekrytoimatta”, ohjelman ideoinut Sulonen kertoo.
Sulosen aloitteesta Metsä Group lanseerasi viime kesänä uuden edistyneeseen analytiikkaan keskittyvän kesätyöohjelman. Ohjelman tavoitteena oli tarjota opiskelijoiden käyttöön uusimmat koneoppimisen menetelmät ja teknologiat sekä liiketoiminnan kannalta kriittisiä tehtäviä. Ohjelman valmisteluvaiheessa Metsä Groupin liiketoimintayksiköiden tarpeet selvitettiin huolellisesti, ja jokaiselle rekrytoidulle määriteltiin etukäteen ratkaisua kaipaavat tehtävät ja työtä tukeva mentori. Ohjelmaan rekrytoitiin lopulta viisi data-analytiikan opiskelijaa. Valmistautuminen ja kesätyöntekijöille tarjottu koulutus tuottivat tulosta. Kesän aikana syntyi useita lupaavia havaintoja ja sovelluksia, joilla on potentiaalia madaltaa muun muassa tuotannon energiankulutusta ja säästää logistiikkakustannuksissa.
”Voin kyllä ilolla todeta, että heidän lähtötasonsa on aivan erinomainen. He ovat valmiita tarttumaan liiketoiminnan kannalta olennaisiin haasteisiin ja tuomaan analyysiin uutta näkökulmaa ja ajattelua. Toivomme, että ohjelma olisi uusi väylä rekrytoida meille alan parhaita tekijöitä”, Sulonen kertoo.
Discover Metsä with Data -ohjelma on tällä hetkellä poikinut yhden jo tuotantokäyttöön menevän sovelluksen sekä suunnitelmat kolmesta diplomityöstä.
”Odotukset vaikuttavat ylittyneen ja reilusti. Liiketoiminnoista saatu palaute on ollut todella positiivista jopa ylistävää. Aikaansaadut tulokset ovat oikeasti sellaisia, että ne jäävät meillä käyttöön. Osa on käytännössä käyttövalmiita, osa puolestaan etenee jatkokehitykseen diplomitöissä”, Sulonen iloitsee.
Koulutus mahdollisti tulokset
Metsä Groupin data- ja teknologiakumppani Cloud1 Oy vastasi kahden viikon välein pidettävistä koulutuksista yhteistyössä Metsä Groupin tietohallinnan kanssa. Koulutuksesta vastasi Cloud1:n edistyneen data-analytiikan tiimi, joka tuki kesätyöntekijöitä koko kesän ajan.
Cloud1:n tiimi koulutti opiskelijoita hyödyntämään Microsoft Azure -teknologian uusimpia koneoppimisen menetelmiä, joita ajettiin yhtiön toimittamalla data-alustalla.
”Kesätyöntekijöiden mentorointi ja koulutus olivat olennainen osa ohjelmaa. On kuitenkin eri asia tulla teolliseen ympäristöön kuin harjoitella työtä koulunpenkillä. Keskityimme paljon siihen, miten hajallaan eri paikoissa oleva data kerätään ja käsitellään analyysia varten. Opiskelijat saivat ajantasaista oppia työskentelystä teollisessa mittakaavassa ja oppimaan uusimmat Azure-teknologian mahdollistamat analyysimenetelmät, Sulonen sanoo.
Cloud1 toimii Metsä Groupin datakumppanina ja ylläpitää toimittamaansa Microsoft Azure Databricks-alustaa.
”Olemme uudistaneet Metsä Groupin data-arkkitehtuuria, joka mahdollistaa modernien koneoppimisen ja tekoälyn sovellusten kehityksen ja nopeat kokeilut. Meille osallistuminen Metsä Groupin data-analytiikan kesätyöohjelmaan mentorin roolissa oli hieno mahdollisuus jakaa tietotaitoamme alalle pyrkiville nuorille osaajille. Tulokset kertovat, että yhteistyö onnistui jopa yli odotusten”, Cloud1:n toimitusjohtaja Tuomo Riihentupa sanoo.
Kesätyöntekijöiden mentoroinnista ja koulutuksesta vastasi Cloud1:n edistyneen data-analytiikan tiimi. Suurin haaste kesätyöohjelmassa oli totuttautua teollisen tuotantoympäristön vaatimuksiin. Esimerkiksi Python- ja SQL -koodaukseen opiskelijoilla oli hyvät taidot.
”On eri asia tulla teolliseen ympäristöön kuin harjoitella työtä koulunpenkillä. Keskityimme paljon siihen, miten hajallaan eri paikoissa oleva data kerätään ja käsitellään analyysia varten. Opiskelijat saivat ajantasaista oppia työskentelystä teollisessa mittakaavassa ja oppimaan uusimmat Azure-teknologian mahdollistamat analyysimenetelmät, Sulonen sanoo.
”Loimme aluksi työtavat ja työntekemisen raamit Metsä Groupin pilviympäristössä, jossa kaikki datankäsittely, koodaus ja analytiikkatyö tehtiin. Järjestelmällisyys on tietoturvan kannalta olennaista ja auttaa hallitsemaan kehitettävien sovelluksien erilaisia versioita työn edistyessä”, Cloud1:n data-arkkitehti Jesse Turkia sanoo.
Usein tietoturvan ja versionhallinnan ongelmaksi muodostuu datan käsittelyn ja koodin kirjoittaminen eri paikoissa, kuten omalla läppärillä.
”Kaiken ytimessä on meidän uniikki arkkitehtuuriosaamisemme. Kun sen päälle luodaan systemaattinen työn tekemisen malli, tuloksia saadaan ulos nopeasti. Oli hienoa nähdä, mitä opiskelijat saivat aikaan lyhyessä ajassa”, Turkia sanoo.
Merkittäviä säästöjä ennakoinnista
Aalto-yliopistossa tuotantotalouden maisteriohjelmassa opiskeleva Antti Honkanen sai haasteekseen ratkaista, miten Metsä Boardin logistiikkatarpeiden ennusteet ja niiden päivittäminen olisi mahdollista automatisoida sekä samalla lisätä logistiikan suunnittelun joustavuutta, hallittavuutta ja läpinäkyvyyttä.
Työssä tuli huomioida maantie-, raide-, meri- ja lentokuljetukset, konttivaraukset sekä eri markkinoiden asiakkaiden ostokäyttäytyminen ja kysyntään vaikuttavat tekijät.
”Työni pihvi oli laskea, kuinka myyntiennusteen volyymi jalkautuu logistiikkaverkoston eri reiteille, kun huomioidaan, että erilaisia reittejä on useita ja niillä saattaa olla vaihtoehtoisia kuljetusmuotoja. Sen lisäksi logistiikan läpimenoajat, toimitusmallit sekä kolmansien osapuolien kartonginkäsittelylaitokset osana logistiikkaverkostoa toivat omat haasteensa laskentoihin”, Honkanen kertoo.
Honkanen kehitti Microsoft Power BI -sovelluksella visualisoidun ratkaisun, jonka avulla eri markkina-alueiden kysynnän täyttämisen vaatima logistiikka saadaan optimoitua. Sovelluksella arvioidaan olevan jopa miljoonaluokkaan nouseva kustannussäästöjen potentiaali.
Sovelluksen tuottamilla ennusteilla Metsä Board kykenee entistä paremmin ennakoimaan logistiikkatarpeet ja välttämään logistiikkavarausten ylikapasiteetin, jota aikaisemmin saattoi syntyä, kun manuaalisen ennakointityön tulokset vanhentuvat ja ajantasaisemman tiedon puuttuessa tulosten päälle on lisätty varmuuden vuoksi varauksia asiakastoimitusten varmistamiseksi.
”Aikaisemmin tämä työ on tehty pääosin Excelissä, ja nyt sovelluksen myötä tämä raskas manuaalinen työ saatiin poistettua ja ennusteet syntyvät myynnin datan perusteella automaattisesti”, Honkanen kertoo.
Honkanen kiittelee sekä Metsä Groupin dataosaajien että Cloud1:n koulutusta tulosten mahdollistajina.
”En tuntenut Azurea kuin nimeltä ennen kesätyöpestiäni. Cloud1:n järjestämät koulutukset olivat tässä erinomainen apu, ja heiltä sai vastauksia koodaukseen tai datan työstämiseen liittyviin kysymyksiin. Lisäksi Metsä Groupin data-analytiikan asiantuntijat olivat keskeisessä roolissa työni ohjaamisessa”, Honkanen sanoo.
”Työstäni noin 70 prosenttia ajasta meni datan keräämiseen ja ajatustyöhön, miten haluttu lopputulos olisi mahdollista saada aikaiseksi. Power BI mahdollistaa esimerkiksi toiminnanohjausjärjestelmän datan yhdistämisen muihin datalähteisiin uudella tavalla. Se puolestaan mahdollistaa datan hyödyntämisen arvoa tuottavalla tavalla. Myös data-analyysin visualisoinnin mahdollisuudet ovat erinomaiset”, Honkanen kertoo.
Metsä Boardilla Honkasen työ on otettu vastaan innostuneesti.
”Saamme pidemmälle aikavälille näkymän kysynnästä eri puolilla maailmaa, sen vaikutuksista kuljetustarpeisiin ja esimerkiksi konttien varauksiin. Työn sujuvuuden ja tehostumisen potentiaali on merkittävä”, Metsä Boardilla ohjelmasta vastannut liiketoiminnan prosessiasiantuntija Ville Virtanen kertoo.
Azure haltuun nopeasti
Kesätyöntekijöille Azure-ympäristö ja sen koneoppimisen työkalut eivät olleet entuudestaan tuttuja. Koulutuksessa opiskelijat opetettiin hyödyntämään Databricks-työkaluja, kuten Automated ML -koneoppimismalleja, Experiment-työkalua ja datan versioinnissa hyödyllisiä deltatauluja.
”Esimerkiksi Automated ML -työkaluilla on mahdollista testata nopeasti datasetin ja käytetyn mallin hyödyllisyys. Versioivat Deltataulut ja ML Flow Framwork Experimentteineen puolestaan varmistavat, että kokeilut ja kokeiluissa muuttuvat datasetit pysyvät tallessa ja ovat toistettavissa”, Caloud1:n data-arkkitehti Jesse Turkia kertoo.
Kesän aikana työpajoissa ratkaistiin tyypillisiä koneoppimisen ja data-analyysin haasteita. nousi esiin tyypilliset kehittyneen analytiikan ja koneoppimisen haasteet. Erityisesti datan määrä saattaa usein jäädä liian pieneksi, jolloin alkuperäinen kysymyksenasettelu on syytä muotoilla uusiksi.
”Olennaista on arvioida, kysymmekö oikeita kysymyksiä tai tavoittelemmeko sellaista lopputulosta, joka juuri kyseisellä datasetillä ja käytettävällä ML-mallilla on mahdollista saavuttaa. Käytimme paljon aikaa erilaisten ratkaisuvaihtoehtojen läpikäymiseen ja siihen, miten käytössä olevaa dataa voi hyödyntää erilaisilla tavoilla. Yleensä ratkaisu löytyy hienosäätämällä mallia, datasettiä, koodia tai itse ongelmanasettelua”, Turkia kertoo.
Cloud1:lle osallistuminen Metsä Groupin Discover Metsä With Data -ohjelmaan tarjosi mahdollisuuden syventää alalle pyrkivien opiskelijoiden osaamista alan parhailla käytänteillä.
”Tiimimme laittoi itsensä likoon. Opiskelijoiden mentorointi oli todella innostava kokemus kaikille meille. Tuntui, että mahdollistimme viidelle nuorelle jotain sellaista, mitä ei yleensä kesätyöntekijöille tai yliopistolla ole tarjolla. Metsä Group oli luonut erinomaiset puitteet onnistumisille, ja me pääsimme jakamaan oppia ydinosaamisestamme”, Turkia sanoo.
Sovellus energiankulutuksen ennakointiin
Viidettä opiskeluvuottaan aloittava Helsingin yliopiston datatieteiden maisteriopiskelija Henna Roinisto sai Metsä Tissuelta tehtäväkseen etsiä ratkaisuja Mäntän tehtaan pehmopaperin tuotannon energiankulutuksen optimoimiseen. Käytössä Roinistolla oli suuri määrä erilaisia datalähteitä, kuten linjaston iot-antureiden tuottama data, energiankulutuksen, lopputuotteen laadun, raaka-aineen dataa sekä historiadataa tehtaan ympäristön sään vaikutuksesta energiankulutukseen.
”Kesän aikana kävi hyvin ilmi, miten suuri osa ajasta lopulta kuluu datan käsittelyyn ja kokoamiseen. Minulla suhde oli varmasti lähempänä 80–20, eli 80 prosenttia kesästä kului datan etsimiseen ja datasetin kokoamiseen”, Roinisto kertoo. Cloud1:n koulutuksen avulla Roinisto oppi muun muassa Micorsoft Azure -työkalujen hyödyntämisen salat. Roinisto ei ollut aikaisemmin käyttänyt Azure-teknologiaa datan käsittelyssä ja mallien rakentamisessa.
”Suurin osa Azureen liittyvästä osaamisesta tuli Cloud1:n koulutuksesta. Apua oli tarjolla aina, oli sitten kyse datan käsittelemisestä tai koodin kirjoittamisesta.”
Azure Databricksissä Roinisto rakensi pehmopaperin tuotanto- ja tuotantokustannusdataan perustuvat energiaoptimoinnin mallit. Päämalli ennakoi tuotantolinjan lopputuotteen laatua mittaavien sekä energiakulutusta mittaavien sensoreiden parametrejä. Toinen puolestaan arvioi päämallin ennustamia tuotantolinjan ajoparametrejä ja ratkaisee, miten linjastoa olisi ajettava energiankulutuksen minimoimiseksi. Roinisen analysoimasta datasta paljastui useita mahdollisuuksia muuttaa tuotantolinjan ajoasetuksia siten, että energian ja raaka-aineiden kulutus vähenee, mutta siten, että säästöt eivät vaikuta lopputuotteen laatuun
”Meillä on pitkä kokemus linjaston ajamisesta ja optimoimisesta. Nyt valjastimme työhön uusimmat koneoppimisen menetelmät ja useista lähteistä kerätyn datan. Verrattain lyhyessä ajassa löysimme jo alustavia tuloksia uusista tavoista ajaa pehmopaperin tuotantolinjaa siten, että energiakulutus olisi edelleen mahdollisimman pieni ja lopputuotteen laatu edelleen erinomainen”, Metsä Tissuen Data tiimin vetäjä Joonas Kukkonen sanoo.
”Malleja on mahdollista jatkokehittää ja täydentää lisädatalla. Osoitimme, että tällainen malli on mahdollista rakentaa Azuren Databricks-ympäristössä”, Roinisto kertoo.
Discover Metsä with Data -ohjelma jätti Roinistolle hyvät muistot ja osoitti, miten käytännön työ teollisessa ympäristössä opettaa lopulta datatieteilijän ammattitaidon.
"Joka päivä oli aivan mahtavaa lähteä töihin, eikä työpäivää malttanut aina lopettaa. Tästä kiitos Metsä Groupille ja Cloud1:lle. Molemmat ovat työyhteisöjä, joissa ilmapiiri oli todella kannustava. En tuntenut stressiä kesän aikana lainkaan. Se mahdollisti myös tulokset."
Roinisto suunnittelee parhaillaan edistyneeseen data-analytiikkaan liittyvän gradun tekemisestä yhteistyössä Metsä Groupin kanssa.
Lue lisää:
