A data-driven approach is considered a viable means of dealing with thehigh degree of dynamics caused by the constant changes that occur withinproduction logistics systems. However, there is a dearth of knowledgeregarding the consequences of employing a data-driven approach inproduction logistics in real industrial environments. This thesis aims toextend the existing body of knowledge concerning the opportunities andchallenges of a transition to a data-driven state in relation to productionlogistics through investigating real industrial cases.In addition to reviewing the literature, this thesis aims to answer threeresearch questions. First, it seeks to determine how enabling technologiescontribute to value creation in a data-driven production logistics system.Second, it studies three industrial companies, analyses their productionlogistics flows and compares the tradition approach to a data-drivenapproach by means of discrete event simulation. Third, through interviewswith several experts with different competences who work for the casecompanies, it aims to identify the challenges associated with the transitionto a data-driven approach.The results show that following a systematic and balanced approach totechnology implementation is important with regard to value creation. Thepotential benefits include improved operational performance, improvedvisibility through real-time control and the possibility for dynamicscheduling and planning. The challenges associated with the transition canbe divided into two major categories: organisational and technical.Moreover, the identified challenges can be mapped against each step in theproduction logistics data life-cycle.Among the identified challenges, some represent potentially valuableavenues for future research. Investigating the possibilities for addressingthe data ownership challenge among stakeholders is one such avenue.Additionally, future studies could address the fact that the technologiesrelated to data analytics, such as artificial intelligence, big data andblockchain, lack a large-scale implementation history when compared withtechnologies such as radio frequency identification. Given the limitations ofprior studies, another possible research avenue involves analysing the dataanalytics use cases in more detail within real industrial environments. 

Datadrivna metoder betraktas som ett sätt att hantera den höga dynamik som orsakas av ständiga förändringar i industriella system för produktionslogistik.

Dock finns det idag begränsad kunskap gällande konsekvenser av att tillämpa datadrivna tillvägagångssätt på produktionslogistik i industriell miljö. Denna avhandling syftar till att utöka den befintliga kunskapen om möjligheter och utmaningar vid övergången till datadriven produktionslogistik genom att utreda verkliga industrifall och genomföra litteraturstudier. Tre forskningsfrågor har formulerats för att nå detta syfte. Först, att utreda hur den möjliggörande tekniken bidrar till värdeskapande i ett datadrivet produktionslogistiksystem. För det andra, att utreda potentiella förbättringar i och med en övergång till datadrivet produktionslogistiksystem, där studier har genomförts på tre industriföretag, deras produktionslogistikflöde samt en jämförelse (genom diskret händelsestyrd simulering) mellan nuläge och börläge. För det tredje, att identifiera utmaningarna vid en övergång till datadrivet produktionslogistiksystem, där flera experter med olika kompetenser har intervjuats i företagen. Resultatet visar att ett systematiskt balanserat tillvägagångssätt för teknikimplementering är viktigt för värdeskapande. Potentiella fördelar inkluderar förbättrad driftsprestanda, förbättrad synlighet genom att ha realtidskontroll och underlätta dynamisk schemaläggning och planering. Övergångsutmaningar är indelade i två huvudkategorier; organisatoriska och tekniska. De identifierade utmaningarna kartläggs mot varje steg i produktionslogistikens livscykel. Bland de identifierade utmaningarna har vissa en särskild potential för framtida forskning. Att undersöka möjligheten att ta itu med utmaningen för dataägande bland intressenter är en av möjligheterna för vidare forskning. Dessutom, teknologier relaterade till dataanalys, såsom AI, big data och block chain har mindre storskalig implementeringshistorik jämfört med annan teknik, såsom RFID. Ett möjligt alternativ för vidare forskning är att analysera användningsfall av dataanalys i mer detalj, givet alla begränsningar som finns inom verklig industriell produktionsmiljö.

Nyckelord

Produktionslogistik, Data-driven, Smart, Transition, Teknologi, Simulering