Tekoäly ja liikepaikat : Miten tekoälyä voi hyödyntää liikepaikkahankinnassa
Koljonen, Atte (2024-12-19)
Tekoäly ja liikepaikat : Miten tekoälyä voi hyödyntää liikepaikkahankinnassa
(19.12.2024)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
suljettu
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe202501132626
https://urn.fi/URN:NBN:fi-fe202501132626
Tiivistelmä
Tässä suunnittelututkimuksessa perehdytään suomalaisen kaupan alan digitaaliseen murrokseen, jossa talouden suhdanne sekä verkkokaupan kasvu pakottavat perinteisen kivijalkakaupan yrityksiä miettimään uudelleen verkostostrategiaansa. Tietotekniikan kehitys on ajanut kaupan alan yrityksiä muutokseen, jossa valtaosa liikevaihdosta generoituu digitaalisen alustan osalta. Muutos koskettaa merkittävästi Suomen taloutta, koska liiketilojen käyttöasteen laskemisella on suora yhteys työllisyyteen, joka puolestaan vaikuttaa negatiivisesti talouden kehitykseen. Asiakaskokemusta ei kuitenkaan pystytä täysin digitalisoimaan, joten on tärkeä pohtia, miten tekoälyä voidaan soveltaa kivijalkakaupan verkoston rakentamisessa.
Tutkimuksessa vastataan kysymyksiin: miten tekoälyä voidaan hyödyntää liikepaikkahankinnassa, mitkä ovat tällä hetkellä alan asiantuntijoiden keskuudessa suurimmat haasteet verkoston rakentamisessa sekä miten suomalaisessa strategissa on otettu huomioon tekoälyn tuomat mahdollisuudet.
Liikepaikan sijainnilla on pitkään ollut merkittävä tehtävä liikevaihdon muodostamisessa, eikä turhaan sanonta: ”sijainti, sijainti & sijainti” ole usein kuultu vain hotelli- ja majoitusalalla. Samat säännöt pätevät myös kaupan alan liiketoiminnassa, jossa parhaimmillaan 50 metrin ero voi olla kaupallisesti merkittävä. Aikaisemmat tutkimukset liikepaikkahankinnan sekä tekoälyn hyödyntämisestä ovat keskittyneet vahvasti viime vuosien ajan Aasiaan. Suomen markkinasta ei vastaavia tutkimuksia löytynyt, joka voidaan selittää sillä, että tällä hetkellä tekoälyn kehitys sekä käyttö ovat jakautuneet pääosin Yhdysvaltojen sekä Aasian kesken. Syyn voidaan olettaa johtuvan ensinnäkin siitä, että tekoälyn sääntely on Euroopassa huomattavasti vahvempaa ja toiseksi, että tekoälyn käyttöönotto on vähäisempää.
Tutkimuksessa luodaan uusi tekoälymalli, jonka avulla voidaan arvioida sekä antaa tarvittavat tiedot liikepaikkapäätökselle. Rakennetun artefaktin toimivuus arvioidaan simulaatiolla, jossa tekoälymallin antamia tietoja verrataan toteutuneisiin tietoihin. Tämän perusteella voidaan todeta, että rakennettu malli on toimiva ja sitä voidaan käyttää konkreettisesta alan asiantuntijoiden parissa.
Tutkimus koostuu osittain haastattelusta, jolla varmistetaan tutkimusongelman relevanttius. Tutkimuksessa käytettyjä aineistoja käytetään artefaktin rakentamisen perustana sekä sen simulaatiotestaamiseen. Rakennettu artefakti osoittautui erittäin toimivaksi, koska mallin ennustetarkkuus saavutti noin 86 prosentin tarkkuuden.
Tulosten perusteella voidaan todeta, että vaikka digitalisaatio uhkaa olemassa olevaa kivijalkakauppaa, tekoälyn avulla on mahdollista löytää kannattavimmat liikepaikat ja optimoida myymäläverkostoa niin, että kaupan alan yritys saavuttaa parhaan mahdollisen kannattavuuden. On myös syytä huomauttaa, että vaikka malli toimii tässä tutkimuksessa hyvin, on kuitenkin äärimmäisen tärkeää käyttää oikeanlaista dataa. Ilman riittävän huolellista data-analyysiä, ei mallia saada toimimaan parhaalla halutulla tavalla, jolloin koko artefakti on hyödytön. In this design research, the focus is on the digital transformation of the Finnish retail sector, where economic trends and the growth of e-commerce are forcing traditional brick-and-mortar businesses to rethink their network strategies. Advancements in information technology have driven companies in the retail sector into a shift where a significant portion of revenue is now generated through digital platforms. This transformation has a considerable impact on the Finnish economy, as decreasing occupancy rates of commercial spaces directly affect employment, which, in turn, has a negative impact on overall economic development. However, customer experience cannot be entirely digitized, making it essential to consider how artificial intelligence (AI) can be applied in building a brick-and-mortar store network.
This research answers the following questions: How can AI be utilized in business location acquisition? What are the biggest challenges currently faced by industry experts in network development? and How have Finnish strategies taken advantage of the opportunities offered by AI?
The location of a business has long played a crucial role in revenue generation. The familiar saying “location, location & location” is often heard not only in the hotel and hospitality industry but is equally relevant in retail, where a difference of just 50 meters can be commercially significant. Previous studies on business location acquisition and AI utilization have been heavily focused on Asia in recent years. Similar studies concerning the Finnish market do not exist, which can likely be attributed to the fact that AI development and adoption are currently concentrated in the United States and Asia. This is partly due to stricter AI regulation in Europe and the comparatively slower pace of AI adoption.
This research develops a new AI-based model to evaluate and provide necessary insights for business location decisions. The functionality of the constructed artifact is assessed through simulations in which the AI model's outputs are compared with actual results. Based on the findings, it can be stated that the developed model is effective and applicable to real-world decision-making by industry experts. The research partially incorporates interviews to ensure the relevance of the research problem. The data collected for this study forms the foundation for building the artifact and for simulation testing. The constructed artifact proved to be highly effective, as its prediction accuracy reached approximately 86%.
The results demonstrate that, although digitalization poses a threat to traditional brick-and-mortar stores, AI enables identifying the most profitable locations and optimizing store networks to ensure maximum profitability for retail businesses. It is also important to note that while the model performed well in this research, the use of high-quality data is paramount. Without sufficiently careful data analysis, the model cannot operate optimally, rendering the entire artifact ineffective.
Tutkimuksessa vastataan kysymyksiin: miten tekoälyä voidaan hyödyntää liikepaikkahankinnassa, mitkä ovat tällä hetkellä alan asiantuntijoiden keskuudessa suurimmat haasteet verkoston rakentamisessa sekä miten suomalaisessa strategissa on otettu huomioon tekoälyn tuomat mahdollisuudet.
Liikepaikan sijainnilla on pitkään ollut merkittävä tehtävä liikevaihdon muodostamisessa, eikä turhaan sanonta: ”sijainti, sijainti & sijainti” ole usein kuultu vain hotelli- ja majoitusalalla. Samat säännöt pätevät myös kaupan alan liiketoiminnassa, jossa parhaimmillaan 50 metrin ero voi olla kaupallisesti merkittävä. Aikaisemmat tutkimukset liikepaikkahankinnan sekä tekoälyn hyödyntämisestä ovat keskittyneet vahvasti viime vuosien ajan Aasiaan. Suomen markkinasta ei vastaavia tutkimuksia löytynyt, joka voidaan selittää sillä, että tällä hetkellä tekoälyn kehitys sekä käyttö ovat jakautuneet pääosin Yhdysvaltojen sekä Aasian kesken. Syyn voidaan olettaa johtuvan ensinnäkin siitä, että tekoälyn sääntely on Euroopassa huomattavasti vahvempaa ja toiseksi, että tekoälyn käyttöönotto on vähäisempää.
Tutkimuksessa luodaan uusi tekoälymalli, jonka avulla voidaan arvioida sekä antaa tarvittavat tiedot liikepaikkapäätökselle. Rakennetun artefaktin toimivuus arvioidaan simulaatiolla, jossa tekoälymallin antamia tietoja verrataan toteutuneisiin tietoihin. Tämän perusteella voidaan todeta, että rakennettu malli on toimiva ja sitä voidaan käyttää konkreettisesta alan asiantuntijoiden parissa.
Tutkimus koostuu osittain haastattelusta, jolla varmistetaan tutkimusongelman relevanttius. Tutkimuksessa käytettyjä aineistoja käytetään artefaktin rakentamisen perustana sekä sen simulaatiotestaamiseen. Rakennettu artefakti osoittautui erittäin toimivaksi, koska mallin ennustetarkkuus saavutti noin 86 prosentin tarkkuuden.
Tulosten perusteella voidaan todeta, että vaikka digitalisaatio uhkaa olemassa olevaa kivijalkakauppaa, tekoälyn avulla on mahdollista löytää kannattavimmat liikepaikat ja optimoida myymäläverkostoa niin, että kaupan alan yritys saavuttaa parhaan mahdollisen kannattavuuden. On myös syytä huomauttaa, että vaikka malli toimii tässä tutkimuksessa hyvin, on kuitenkin äärimmäisen tärkeää käyttää oikeanlaista dataa. Ilman riittävän huolellista data-analyysiä, ei mallia saada toimimaan parhaalla halutulla tavalla, jolloin koko artefakti on hyödytön.
This research answers the following questions: How can AI be utilized in business location acquisition? What are the biggest challenges currently faced by industry experts in network development? and How have Finnish strategies taken advantage of the opportunities offered by AI?
The location of a business has long played a crucial role in revenue generation. The familiar saying “location, location & location” is often heard not only in the hotel and hospitality industry but is equally relevant in retail, where a difference of just 50 meters can be commercially significant. Previous studies on business location acquisition and AI utilization have been heavily focused on Asia in recent years. Similar studies concerning the Finnish market do not exist, which can likely be attributed to the fact that AI development and adoption are currently concentrated in the United States and Asia. This is partly due to stricter AI regulation in Europe and the comparatively slower pace of AI adoption.
This research develops a new AI-based model to evaluate and provide necessary insights for business location decisions. The functionality of the constructed artifact is assessed through simulations in which the AI model's outputs are compared with actual results. Based on the findings, it can be stated that the developed model is effective and applicable to real-world decision-making by industry experts. The research partially incorporates interviews to ensure the relevance of the research problem. The data collected for this study forms the foundation for building the artifact and for simulation testing. The constructed artifact proved to be highly effective, as its prediction accuracy reached approximately 86%.
The results demonstrate that, although digitalization poses a threat to traditional brick-and-mortar stores, AI enables identifying the most profitable locations and optimizing store networks to ensure maximum profitability for retail businesses. It is also important to note that while the model performed well in this research, the use of high-quality data is paramount. Without sufficiently careful data analysis, the model cannot operate optimally, rendering the entire artifact ineffective.