ABSTRACT: Efficient logistics is an important part of resource-wise operations in circular economy businesses. For example, logistics related to waste collection are usually closely connected to demand forecasting, for which operational data offers a valuable resource in improving efficiency. This study presents a ten-week pilot, aimed at predicting the need for battery waste collection among customers with established collection points in Helsinki region. A simple mean-based model, utilizing historical order data, was employed in forecasting the orders of customers and further identifying potential additional collection opportunities. Customers with a predicted need for collection were contacted via e-mail and asked to place an order if the predicted need was confirmed. In addition, an invitation to provide feedback on the questions related to collection needs was made. As anticipated, the performance of the data-driven approach varied across heterogeneous customers, considering 31% of predicted customers placing an order within three weeks. Despite the relatively low predictive accuracy, the combination of quantitative and qualitative analyses provided insights for further research but also guidance for improving the predictive approach.
Jätehuollon logistiikka on merkittävä tekijä osana tehokasta kiertotalouden toimintaa. Kuljetuksia voidaan tehostaa järkevillä reitti-, keräyspiste- ja kalustovalinnoilla (esim. Järvenpää ym., 2023; Koskela ym., 2024) sekä tehostamalla keräyspisteiden rytmityksiä eli tyhjennysvälejä niin, että tehokkaiden reittien luominen on mahdollista. Logistiikan tehostaminen voi mahdollistaa molemminpuolisen hyödyn: se voi tarjota kiertotalouden palvelun tuottajalle säästöjä logistiikkakustannuksissa ja toisaalta proaktiivisella asiakassuhteiden hoitotavalla tehostaa asiakkaan toimintaa ja parantaa palvelukokemusta. Kysynnän ennustaminen on yksi tehostavan ja ennakoivan toiminnan lähtökohdista, johon asianmukainen data ja sen hyödyntäminen tarjoavat mahdollisuuksia. Tässä artikkelissa esitetään havaintoja datapohjaisesta ratkaisusta keräyspisteiden tyhjennystarpeen arvioinnissa kymmenen viikon pilottijaksolta. Tavoitteena on arvioida esitetyn menetelmän käyttökelpoisuutta, sekä toisaalta pohtia jatkohyödyntämismahdollisuuksia operatiivisessa toiminnassa.
Pilottijaksolla toteutettiin datapohjainen menetelmä ennakoimaan tilauksia, jotka liittyvät jätteen noutotarpeeseen akkujen ja paristojen kierrätyspisteistä. Pilotti tehtiin yhteistyössä Recser Oy:n kanssa ja osana PLUTO – Datapohjaisten palveluiden ja uudistavien toimintamallien kehittäminen kiertotalouden pk-yrityksissä -hanketta. Kymmenen viikon mittainen pilotti toteutettiin Helsingin seudulla, ja sen tavoitteena oli kartoittaa tilauksen tehneiden asiakkaiden lähellä olevien kohteiden tilaustarvetta yksinkertaisella keskiarvopohjaisella ennustamisella. Menetelmän toimivuutta arvioitiin ennustettujen kohteiden antaman palautteen sekä tunnuslukutarkastelujen avulla.
Käytännön pilotti ennustemenetelmän arviointiin
Pilotissa yhteistyöyrityksenä oli Recser Oy, joka vastaa akku- ja paristojätteiden kierrätyksestä Suomessa (Paristokierrätys, 2025). Recserin asiakaskanta kattaa koko Suomen, mutta pilotissa tarkasteltiin ainoastaan Helsingin seudun keräyspisteiden ennustettavuutta, jotta manuaalisen työn (esim. sähköpostiviestinnän) määrä pysyisi järkevissä rajoissa. Pilotin toteutus käsitti kunkin tarkasteluviikon tilauskantaa vastaavien asiakkaiden haun tilaushistorian ja paikkatietojen pohjalta. Näiden asiakkaiden naapurissa sijaitsevien kohteiden tilaustarve ennakoitiin, ja niihin otettiin yhteyttä sähköpostitse. Tilausten ennakointia varten rakennettiin demototeutus käyttöliittymästä R-ohjelmointikielen (R Core Team, 2023) ja Shiny-ohjelmointikirjaston avulla (Chang ym., 2022).
Pilotti toteutettiin huhti-kesäkuussa 2025 yhteensä kymmenen viikon pituisena. Keräystarpeen ennustamiseen käytettiin historiadatasta laskettuja asiakaskohtaisia keskimääräisiä tilausvälejä. Jotta keskimääräinen tilausväli voitiin laskea, käsiteltiin asiakkaita, joilla oli vähintään kaksi tilausta tehtynä. Toisin sanoen: sellaiset asiakkaat, joilla oli vain yksi tyhjennystilaus, jätettiin tässä huomioimatta, kunnes heille tuli toinen tilaus. Tilausväli laskettiin viimeisimmän tilauksen luontipäivän ja sitä edeltävän tilauksen luontipäivän erotuksena päivän tarkkuudella. Asiakkaan ennustettua tilauspäivämäärää arvioitiin lisäämällä viimeisimmän tilauksen luontipäivämäärään asiakkaan keskimääräisen tilausvälin pituus. Tilaustarpeen määrittely tehtiin vertaamalla erotuksia ennustettujen tilauspäivämäärien ja nykyhetken (koko aineiston viimeisimmän tilauksen luontipäivämäärän) välillä.
Pilotissa päätettiin ottaa yhteyttä niihin kohteisiin, jotka 1) sijaitsivat kilometrin etäisyydeltä tilauksen tehneistä asiakkaista ja 2) joihin ennustettu tilausaika oli alle 30 vuorokauden päässä tai tilausaika oli jo ylitetty. Karttanäkymässä (kuva 1) on havainnollistettu pilotissa toteutetulla käyttöliittymällä kohteiden jakaumaa, jossa aika ennustettuun tilaukseen on merkitty.
Sähköpostitse yhteyttä otettavia asiakkaita pyydettiin vastaamaan tilaustarpeen ajankohtaisuuteen seuraavien avoimien kysymysten osalta:
- Kuinka paljon paristoja ja akkuja on kertynyt?
- Oletteko tilanneet tai aiotteko tilata noudon tällä viikolla?
- Jos ette aio tilata noutoa, mistä se johtuu?
- Milloin arvioisit tekevänne seuraavan noutotilauksen?
Asiakkaita, jotka katsoivat tilaustarpeen olleen ajankohtainen, kehotettiin tekemään tilaus tilausjärjestelmään tarjotun suoran linkin kautta.
Määrällinen analyysi paristo- ja akkujätteen ennakoinnissa
Käytämme tässä tutkimuksessa käsitteitä alkuperäiset tilaajat kuvaamaan niitä asiakkaita, joilla oli kyseisellä viikolla avoinna oleva tilaus datassa (siis tilaus on tehty ja se on odottamassa noutoa/käsittelyä), ja ennustetut tilaajat kuvaamaan niitä asiakkaita, jotka ovat yhden kilometrin säteellä suhteessa alkuperäisiin tilaajiin, joilla on ennustettu tilaustarve ja jotka ovat sittemmin tilanneet kuljetuksen.
Huomioitavaa on mahdollisuus, että edellisen viikon ennustetuista tilaajista osa voi olla seuraavan viikon alkuperäisiä tilaajia, mikäli tilaus oli tehty edellisen viikon aikana. Kymmenen viikon toteutuksen ajalta laskettiin seuraavia taulukoihin 1, 2 ja 3 kerättyjä tunnuslukuja:
- Alkuperäiset tilaajat
- Alkuperäisten tilaajien suhteen ennustetut naapurikohteet
- Kyseistä viikkoa koskevan seuraavan kolmen viikon osalta kumuloituneet tilausmäärät. Toisin sanoen laskettiin, kuinka moni ennustetuista kohteista oli tehnyt tilauksen ensimmäisen viikon, toisen viikon ja kolmannen viikon sisällä (ts. ennustettujen tilaajien lukumäärät).
- Niiden ennustettujen tilaajien lukumäärä, joiden tilaus käsiteltiin samana päivänä kuin jonkun alkuperäisen tilaajan tilaus.
- Edellä olevista niiden asiakasparien (alkuperäinen tilaaja, sekä ennustettu tilaaja) lukumäärä, jotka ovat naapurikohteita (ts. maksimissaan kilometrin etäisyydellä toisistaan).
- Sähköpostin liitteinä välitettyihin kysymyksiin palautetta antaneiden ennustettujen kohteiden määrä.
- Sähköpostiviestiin vastanneista tilauksen tehneet
Taulukossa 1 on viikoittain koottuna alkuperäisten tilaajien lukumäärät, ennustetut tilauskohteet, ja näistä lasketut yhden, kahden ja kolmen viikon sisällä tilanneet kohteet. Keskimäärin viikossa noin 24 asiakasta teki tilauksen, joiden naapurikohteista keskimäärin 35:lle ennustettiin tilaustarve. Keskimäärin viisi asiakasta (13 %) ennustetuista kohteista teki tilauksen yhden viikon, kahdeksan asiakasta (22 %) kahden viikon ja 11 asiakasta (31 %) kolmen viikon sisällä.
Taulukko 1. Viikoittaiset tunnusluvut pilotista. Taulukossa on esitetty pilotin viikko ja kyseisen viikon ensimmäinen päivä, alkuperäisten tilaajien lukumäärä, sekä näitä lähellä olevat asiakkaat, joille ennustettiin tilaustarve. Lisäksi mitattiin näiden ennustettujen kohteiden kumulatiivinen tilausmäärä yhden, kahden ja kolmen viikon aikajänteellä.
* = Viikot 17–19 Recser Oy hoiti yhteydenotot yrityksiin ja viikosta 20 eteenpäin yhteydenotot teki HAMK.| Viikko (alkupäivämäärä) | Alkuperäiset tilaajat | Ennustetut kohteet | Ennustetuista viikon sisällä tilanneet | Ennustetuista kahden viikon sisällä tilanneet | Ennustetuista kolmen viikon sisällä tilanneet |
|---|---|---|---|---|---|
| 17 (22.4.2025) | 22 | 32 | 4 | 5 | 9 |
| 18 (28.4.2025) | 24 | 40 | 3 | 7 | 10 |
| 19 (5.5.2025) | 19 | 38 | 4 | 10 | 15 |
| 20 (12.5.2025) * | 28 | 36 | 2 | 9 | 14 |
| 21 (19.5.2025) | 24 | 30 | 8 | 13 | 16 |
| 22 (26.5.2025) | 29 | 41 | 6 | 9 | 12 |
| 23 (2.6.2025) | 25 | 29 | 7 | 8 | 10 |
| 24 (9.6.2025) | 17 | 31 | 1 | 3 | 5 |
| 25 (16.6.2025) | 27 | 30 | 2 | 2 | 6 |
| 26 (23.6.2025) | 24 | 46 | 8 | 10 | 12 |
| Keskiarvot | 23,9 | 35,3 | 4,5 (13 %) | 7,6 (22 %) | 10,9 (31 %) |
Taulukkoon 2 on koottu ennustettujen tilaajien lukumäärä ja ne, joiden tilaus käsiteltiin samana päivänä jonkun alkuperäisen tilaajan kanssa, sekä näihin sisältyvien naapurikohteiden lukumäärä. Toisin sanoen laskettiin, kuinka moni ennustettujen tilaajien käsittelypäivämääristä oli sama kuin jonkun alkuperäisten tilaajien käsittelypäivämäärä. Tämän kautta saatiin mahdollisia viitteitä siitä, onko ennustetuista tilaajista tullut mahdollisia lisäkohteita keräysajankohdalle. Ennustetuista tilaajista viikoittain keskimäärin kolmen asiakkaan tilaus käsiteltiin samana päivänä suhteessa alkuperäisiin tilaajiin. Tämän lisäksi tarkasteltiin asiakaspareja (alkuperäinen tilaaja ja ennustettu tilaaja), joiden etäisyys toisistaan on maksimissaan yksi kilometri ja joiden tilaus käsiteltiin samana päivänä.
Taulukko 2. Ennustettujen tilaajien lukumäärä ja ne, joiden tilaus käsiteltiin samana päivänä jonkun alkuperäisen tilaajan kanssa, sekä näihin sisältyvien naapurikohteiden lukumäärä.
* = Viikot 17–19 Recser Oy hoiti yhteydenotot yrityksiin ja viikosta 20 eteenpäin yhteydenotot hoiti HAMK.| Viikko (alkupäivämäärä) | Ennustetuista kolmen viikon sisällä tilanneet | Joiden tilaus käsitelty samana päivänä alkuperäisen tilaajan kanssa | Joista alle 1 km säteellä olevat asiakasparit |
|---|---|---|---|
| 17 (22.4.2025) | 9 | 0 | 0 |
| 18 (28.4.2025) | 10 | 2 | 0 |
| 19 (5.5.2025) | 15 | 4 | 0 |
| 20 (12.5.2025) * | 14 | 0 | 0 |
| 21 (19.5.2025) | 16 | 5 | 1 |
| 22 (26.5.2025) | 12 | 6 | 1 |
| 23 (2.6.2025) | 10 | 6 | 1 |
| 24 (9.6.2025) | 5 | 1 | 0 |
| 25 (16.6.2025) | 6 | 0 | 0 |
| 26 (23.6.2025) | 12 | 4 | 2 |
| Keskiarvot | 10,9 | 2,8 | 0,5 |
Edellä olevien keräysajankohdan mahdollisten täydennysten lisäksi tarkasteltiin, kuinka moni vastasi tilaustarpeeseen liittyvään sähköpostiviestiin sekä oliko sillä vaikutusta tilauksen tekemiseen. Taulukosta 3 nähdään, että keskimäärin neljä asiakasta ennustetuista kohteista antoi viikoittain palautteen sähköpostitse lähetettyyn yhteydenottoon. Kaikkia asiakkaita ei kuitenkaan tavoitettu johtuen puutteellisista tai vanhentuneista yhteystiedoista. Sähköpostiin vastanneiden tilauksen tekeminen voitiin varmentaa jälkikäteen datasta. Vastanneista keskimäärin 1–2 asiakasta viikossa teki tilauksen, joista suurin osa pian palautteen antamisen yhteydessä tai viimeistään kolmen viikon sisällä.
Taulukko 3. Ennustettujen tilaajien lukumäärä ja näille kohteille lähetettyyn sähköpostiviestiin vastanneiden lukumäärä sekä sähköpostiviestistä johtuneet tilaukset.
* = Viikot 17–19 Recser Oy hoiti yhteydenotot yrityksiin ja viikosta 20 eteenpäin yhteydenotot hoiti HAMK.| Viikko (alkupäivämäärä) | Ennustetut tilaajat | Sähköpostin palautteen antajat | Palautteen antajista tilanneet |
|---|---|---|---|
| 17 (22.4.2025) | 32 | 4 | 2 |
| 18 (28.4.2025) | 40 | 5 | 2 |
| 19 (5.5.2025) | 38 | 3 | 2 |
| 20 (12.5.2025) * | 36 | 1 | 0 |
| 21 (19.5.2025) | 30 | 6 | 3 |
| 22 (26.5.2025) | 41 | 6 | 1 |
| 23 (2.6.2025) | 29 | 1 | 0 |
| 24 (9.6.2025) | 31 | 0 | 0 |
| 25 (16.6.2025) | 30 | 3 | 1 |
| 26 (23.6.2025) | 46 | 6 | 3 |
| Keskiarvot | 35,3 | 3,5 | 1,4 |
Määrällinen analyysi vahvisti ennakkokäsitystä menetelmän toimivuudesta
Havaitut tulokset olivat melko yhteneväisiä ennakko-odotusten kanssa. Ennustemallin kyky ennustaa tilauksia onnistui kokonaisuudessaan vaihtelevasti. Parhaimmillaan viikkotasolla yli puolet ennustetuista kohteista tilasi kolmen viikon sisään (taulukko 1, viikko 21). Tarkasteltaessa ennustetarkkuutta kolmen viikon sisällä ennustetarkkuus jäi kokonaisuudessaan kuitenkin suhteellisen alhaiseksi (31 %).
Lisäksi ennustetuista tilaajista samaan aikaan alkuperäisten tilaajien kanssa kerättyjen kohteiden lukumäärä jäi suhteellisen alhaiseksi, kuten myös alle kilometrin säteellä olevien asiakasparien määrä. Koska pilotin tuottamia ennusteita ei voitu kytkeä suoraan logistiikan reaaliaikaiseen operatiiviseen toimintaan, jäi ennustamisen tuoma lisähyöty logistiikan tehostamisen näkökulmasta toistaiseksi arvailujen varaan. Toisin sanoen, vaikka tilaustarpeen ennustaminen ja siitä lähetetty sähköpostiviesti saattoi vastaamisaktiivisuudesta riippumatta toimia alulle panevana tekijänä asiakkaan tilauksen tekemiseen, varmennusta tämän uuden tilauskannan tiedon siirtymisestä aina osaksi reitityksen uudelleenjärjestelyä ei tässä pilotissa yritetty selvittää. Ilman tietoa ajoreiteistä ei pilotin perusteella voida osoittaa, että samana päivänä toteutetut tilausten käsittelyt ja noudot olisivat suoraan tehostaneet keräyslogistiikkaa.
Keskimäärin viikossa ainoastaan neljä asiakasta antoi palautetta tilaustarpeeseen liittyen, ja näistä vain muutamissa tapauksissa sähköpostiviesti voitiin yhdistää asiakkaan tilaustarpeen aktivointiin. Sähköpostiviestintä oli tämän pilotin toteutuksen rajoissa tarkoituksenmukaisin viestintäkanava, ja saatujen tunnuslukujen valossa se oli osalle asiakkaista varsin toimiva ratkaisu. Tilausennusteiden kytkeminen vahvemmin edelleen asiakasviestintään vaatisi kuitenkin myös muiden viestintäkanavien käyttämisen selvittämisen.
Laadullinen analyysi osoitti potentiaalisia huomioita jatkokehitykseen
Pilotin tuloksia analysoitiin myös laadullisesti poimimalla sähköpostiin vastanneiden viesteistä toistuvia teemoja. Havaittiin, että osa teki tilauksen viestin johdosta joko heti tai kertoi tekevänsä sen pian lähitulevaisuudessa. Alla esimerkkejä asiakaspalautteista:
”Oli 4 täyttä laatikkoa, tilaus tehty noudolle. Seuraava tilaus tehdään kun 2 laatikkoa täynnä.”
”Kävin katsomassa tämänhetkisen tilanteen. Paristoja löytyy kolme laatikollista valmiina noudettavaksi, yksi laatikko vielä käyttämättä. Kesäaikaan paristoja ei tule niin paljoa, joten en ole vielä tilannut noutoa, mutta tilaus on ajankohtainen, ettei laatikot lopu kesken. Tilaan noudon lähiaikoina, mutta en välttämättä tällä viikolla vielä.Arvioisin seuraavan noutotilauksen tapahtuvan kuukauden sisällä.”
”Paristoja ja akkuja oli kertynyt hieman yli puoli laatikollista, mutta tein nyt saman tien tilauksen tyhjennyksestä, kun inspiroiduin viestistäsi. Olisimme muuten tehneet tilauksen kesä-heinäkuun taitteessa, mutta nyt siis hieman ennakoin sen suhteen.”
Asiakaspalautteet osoittivat, että osalla sähköpostiviesti todella synnytti tilaustarpeen, joka realisoitui joko pian yhteydenoton jälkeen tai myöhemmin. Kuten aiemmin todettiin, tämä voitiin myös jälkikäteen varmentaa tilaushistoriaa tarkastelemalla.
Osalla ei kuitenkaan ollut tarvetta tilaukselle kyseisellä hetkellä ja aie tilaukseen saattoi olla vasta kuukausienkin päässä. Useimmiten syynä oli se, etteivät keräysastiat olleet tosiasiassa vielä täyttyneet ja siten tarve tilaukselle ei ollut ajankohtainen. Myös keräysastioiden päivittyminen pahvilaatikoista tynnyreihin muuttaa tyhjennystarpeen kertymistä, mutta se ei ole mallinnettavissa suoraan pahvilaatikoiden tilaushistorian perusteella.
”Paristoja on noin 1/4 laatikosta. Siten ei tarvetta tilaukselle, koska paristoja on niin vähän. Tilaustarve on ehkä kolmen kuukauden kuluttua.”
”Meiltä lähti viime vuonna paljon paristoja muuttojen myötä. Nyt niitä ei ole enää noudettavaksi.”
”Meille on juuri tulleet nämä uudet keräystynnyrit käyttöön, tällä hetkellä tynnyri on noin 15 % täynnä. Tällä viikolla ei ainakaan ole tarvetta noudolle. Koska tynnyrit ovat uudet niin on vaikea arvioida, miten usein niille tarvitsee noudon. Arvioisin että seuraava nouto tulee olemaan heinäkuun loppupuolella.”
Datasta malliksi -ilmiöön käsiksi?
Palautteet liittyen jätteen toistaiseksi vähäiseen kertymään antavat aihetta tarkastella ennustemallin onnistumista kriittisesti. Liukuvaan keskiarvoon perustuvan ennustamisen haasteina on sen kykenemättömyys huomioida muiden tekijöiden vaikutuksia tilaustarpeeseen. Lisäksi liukuvan keskiarvon ennusteet päivittyvät muutoksiin aina viiveellä, eikä tämä palvele parhaalla mahdollisella tavalla ketterää toimintaa käsillä olevan ennusteongelman näkökulmasta.
Tilaamistarpeeseen ilmiönä liittyy muutakin kuin pelkkä ajallinen tilaamissykli, johon pilotissa nojauduttiin. Kuten laadullisesta palautteesta kävi ilmi, jätteenkeräyskapasiteetin täyttyminen on vahva tilaustarpeen määrittävä tekijä. Palautteissa esiintyi myös kapasiteettiin ja omaan tilausten ennakoinnin arviointikykyyn liittyvää pohdintaa, jotka yhtä lailla ovat yhteydessä tilaustarpeeseen. Näiden lisäksi esimerkiksi vuodenaika ja esimerkiksi vaihtoehtoisten paristojen palautuspisteiden lukumäärä lähialueella voivat olla vaikuttavia tekijöitä tilausten tekemiseen. Nämä edellä mainitut havainnot puoltavat jatkokehitystä sekä tilastollisen mallinnuksen hyödyntämistä keräystarpeen ennakoinnissa. Yksi vaihtoehto olisi mallintaa jätteen kertymää ajassa ja huomioida samalla näiden mahdollisten muiden tekijöiden vaikutukset. Jätteen kertymävauhtia mallintamalla ja asiakaskohtaisen kapasiteetin tunnettaessa voitaisiin ennakoida asiakkaan kapasiteetin täyttymisen ajankohta ja näin toimia proaktiivisesti asiakkaan suuntaan, tehostaen samalla yrityksen omaa operatiivista toimintaa. Asiakaskanta käsittää kuitenkin kohteita aina pienistä markettien keräyspisteistä suuriin kierrätyskeskuksiin. Tällöin on odotettavaa, että operatiivinen toiminta tilausten tekemisen suhteen vaihtelee asiakastyypeittäin. Mallinnuksen avulla myös tähän haasteeseen voidaan yrittää vastata.
Toteutusmuotona puoliautomatisoitu ratkaisu mahdollisti datapohjaisen pilotin toteutuksen suhteellisen pienillä resursseilla. Se puolestaan mahdollisti tilauskannan nopean ennustamisen ja selkeän visualisoinnin sekä yhteyttä otettavien asiakkaiden suodattamisen datasta. Tämä säästi huomattavasti työn määrää viikkotasolla, kun ainoastaan sähköpostiviestintä keräyspisteiden välillä jäi käsin tehtäväksi työksi. Demoratkaisu käyttöliittymälle tarjosi myös hahmotelman mahdollisesta visualisointityökalusta osana käytäntöä. Jatkokehityspotentiaali liittyy ensisijaisesti ennustetyökalun siirtämiseen datapohjaisesta ratkaisusta kohti mallipohjaista ratkaisua, jossa kytkettäisiin data ja siihen liittyvä todennäköisyysjakauma tilaustarpeeseen yhteydessä olevien tekijöiden huomiointiin ja ennustetarkkuuden kehittämisen. Jatkuvasti päivittyvä data ja menetelmän ottaminen osaksi logistiikan käytäntöä tarjoaisi mahdollisuuden myös mallin jatkuvalle kehittämiselle ennustekyvykkyyden näkökulmasta. Toinen jatkokehityksen näkökulma liittyy ennusteiden kytkemiseen operatiiviselle tasolle oikeanlaiseen asiakasviestintään sekä menetelmän ketterään kytkemiseen osaksi logistiikan ratkaisuja.
Lähteet
- Chang, W., Cheng, J., Allaire, J. J., Sievert, C., Schloerke, B., Xie, Y., Allen, J., McPherson, J., Dipert, A. & Borges, B. (2022). shiny: Web application framework for R (R package version 1.7.4). https://CRAN.R-project.org/package=shiny
- Järvenpää, A.-M., Jussila, J., Honkasaari, M., Koskela, O. & Kunttu, I. (2023). Data-Driven Management of Material Flows in Circular Economy by Logistics Optimization. Teoksessa A. Visvizi, O. Troisi, & M. Grimaldi (toim.), Research and Innovation Forum 2022 (ss. 569–578). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-031-19560-0_48
- Koskela, O., Ekkerman, G., Rantala, P., Niemitalo, O., Kunttu, I. & Järvenpää, A.-M. (14.5.2024). Näkökulmia materiaalivirtojen kuljetusten tehostamiseen. HAMK Unlimited Journal. https://urn.fi/URN:NBN:fi-fe2024050627139
- Paristokierrätys. (2025). Mikä on Paristokierrätys? Haettu 16.6.2025 osoitteesta https://www.paristokierratys.fi/paristokierratys/ R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
Kirjoittajat
Heikki Kemppainen
Operatiivinen päällikkö, Recser Oy
Recser Oy on voittoa tavoittelematon tuottajayhteisö, joka vastaa akkujen ja paristojen kierrätyksestä Suomessa.
Tietoa tekstistä
PLUTO – Datapohjaisten palveluiden ja uudistavien toimintamallien kehittäminen kiertotalouden pk-yrityksissä -hanke pyrkii nostamaan kierrätysmateriaalien jalostusastetta ja kehittämään dataan pohjautuvaa palveluliiketoimintaa. Tarjoamme yrityksille mahdollisuuden suunnata liiketoimintaansa entistä kestävämmäksi ja kannattavammaksi, samalla edistäen ympäristöä korjaavia ja uudistavia vaikutuksia.
Hanke saa rahoitusta Euroopan aluekehitysrahastolta (EAKR) osana Uudistuva ja osaava Suomi 2021–2027 -ohjelmaa.
Artikkelissa esitettyä työtä on valmisteltu jo Kiertotalouden materiaalivirtojen logistiikan optimointi – OPTIMA -hankkeessa, joka rahoitettiin 1.5.2023-30.4.2025 Euroopan aluekehitysrahastosta.
