Developing an AI-driven predictive procurement framework: Strategies for enhancing procurement efficiency in the digital era
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
School of Business |
Master's thesis
Authors
Date
2025-02-07
Department
Major/Subject
Mcode
Degree programme
Master's programme in Information and Service Management
Language
en
Pages
97
Series
Abstract
The rapid development of artificial intelligence (AI) has introduced new ways for transforming procurement into a more strategic and value-generating function. This thesis explores the potential of AI to improve procurement processes, particularly through supplier segmentation and classification. The research was done as a case study in a global manufacturing company, utilising real-world procurement data. Machine learning methods, including clustering and predictive classification models, are applied to develop an AI-driven supplier segmentation framework. Based on the dynamic capabilities theory and the HTOI (human, technological, organisational, informational) framework, this study also investigates how organisations can use AI for value creation and higher efficiency. Fur-thermore, the challenges and opportunities in developing predictive procurement frameworks and the effectiveness of AI-driven models for supplier segmentation are explored. The findings show that even though AI excels in automating routine tasks and predicting trends, its success really depends on foundational elements such as data quality, technological integration, and organisational readiness. Challenges that were noticed included fragmented datasets, cultural resistance, and the limitations of legacy systems. However, the opportunities for scalability and dynamic adaptation are significant. The results also outlined the complementary roles of clustering and classification models in refining supplier segmentation. Additionally, the Kraljic matrix and its relevance was critically re-evaluated in the context of modern AI tools. This research shows how AI can turn procurement from reactive processes into proactive strategies. By addressing implementation barriers and combining domain expertise with machine learning solutions, organisations can develop predictive procurement frameworks that greatly improve decision-making and supplier relationships. The findings also emphasise that balanced investments across the HTOI dimensions are essential for unlocking AI’s full potential in procurement.Tekoälyn nopea kehitys on avannut uusia keinoja hankintaprosessien kehittämiseen. Tämä mahdollistaa myös hankinnan roolin muuttumisen strategisemmaksi ja arvoa kasvattavaksi organisaatioiden näkökulmasta. Tämä maisterityö tarkastelee, kuinka tekoäly voi parantaa hankintaprosesseja, erityisesti toimittajasegmentoinnin ja ennustavan luokittelun avuilla. Empiirinen tutkimus toteutettiin tapaustutkimuksena globaalissa teollisuusyrityksessä hyödyntäen hankintadataa. Tähän dataan perustuen käytettiin koneoppimismenetelmiä, kuten klusterointia ja ennustavaa luokittelua tekoälypohjaisen toimittajasegmentointimallin kehittämiseksi. Tutkimus perustuu dynaamisten kyvykkyyksien teoriaan sekä HTOI-viitekehykseen (ihmiset, teknologia, organisaatio, informaatio), ja se analysoi tekoälyn roolia arvonluonnissa, ennakoivien hankintamalien haasteita ja mahdollisuuksia sekä tekoälyn tehokkuutta toimittajien segmentoinnissa. Empiiriset tulokset osoittavat, että vaikka tekoäly on tehokas rutiinitehtävien automatisoinnissa ja ennustavan analytiikan mahdollistamisessa, sen menestyksekäs käyttö edellyttää korkealaatuista dataa, teknologista integraatiota ja organisaation valmiutta. Haasteiksi osoittautui erityisesti hajanaiset tietojärjestelmät, kulttuurinen vastustus ja vanhojen järjestelmien rajoitteet. Skaalautuvuus sekä joustavuus kuitenkin luovat mahdollisuuksia. Tämä tutkimus vahvistaa, että koneoppimisen käyttö toimittajien segmentoinnissa ja luokittelussa voi tarjoa tarkempia ja mukautuvampia toimittajaluokituksia verrattuna perinteisiin menetelmiin, kuten Kraljicin matriisiin. Tulokset osoittavat myös, että tekoälyn avulla hankinta voi muuttua reaktiivisesta funktiosta ennakoivaksi ja strategisemmaksi osa-alueeksi organisaatioita. Oikein toteutettuna tekoäly mahdollistaa huomattavan tuen ja tehokkuuden päätöksentekoon sekä toimittajasuhteiden parantamisen. Yritysten tulisi kuitenkin panostaa datan laatuun, digitaaliseen osaamiseen ja tekoälyn käyttöön liittyviin strategisiin muutoksiin saavuttaakseen parhaat mahdolliset hyödyt.Description
Supervisor
Kauppi, KatriKeywords
indirect procurement, supplier relationship management, digitalisation, artificial intelligence, machine learning, supplier segmentation