Tekoäly avustamassa myymälämuutosten alkuvaiheen kartoituksessa : kustannus- ja resurssitarpeiden ennustaminen toteutuneiden projektien pohjalta

Abstract

Tämän opinnäytetyön tavoitteena on kehittää myymälämuutosprojektien alkuvaiheen kustannus- ja aikatauluarviointia tekoälypohjaisen ennustamisen avulla tilanteessa, jossa käytettävissä oleva historiadata on vähäistä. Tutkimus toteutetaan kehittämistutkimuksena kvantitatiivisella lähestymistavalla ja aineisto koostuu kymmenestä hypermarket-kokoluokan myymälämuutosprojektista. Projektien keskeiset muuttujat koottiin yhtenäiseksi aineistoksi, jota käytettiin selitettävän ennustemallin rakentamiseen.

Analyysiin sisältyi datan esikäsittely, kuvaileva tilastotarkastelu ja korrelaatioanalyysi sekä ennustemallin arviointi leave-one-out cross-validation -menetelmän avulla. Mallin suorituskykyä tarkasteltiin keskimääräisen absoluuttisen virheen (MAE), suhteellisen virheen (MAPE) ja selitysasteen (R²) perusteella. Tulokset osoittivat, että myyntialueen pinta-ala muodostaa merkittävimmän projektin kustannuksiin vaikuttavan tekijän. Mallin avulla pystyttiin ennakoimaan tarjouksen summa melko tarkasti ja lopullinen laskutus suuntaa antavasti.

Työn tuloksena syntyi ennustemallin prototyyppi, visualisointeja alkuvaiheen päätöksenteon tueksi sekä suosituksia projektidatan systemaattiseen keräämiseen. Mallin toimintaan vaikuttivat ennen kaikkea koulutusdatan vähäisyys ja alkuvaiheessa puuttuneet projektikohtaiset muuttujat. Jatkossa mallin tarkkuutta voidaan parantaa laajemmalla ja rakenteeltaan yhtenäisemmällä datalla sekä soveltamalla tarvittaessa säännöllistettyjä tai epälineaarisia mallinnusmenetelmiä.

The objective of this thesis is to improve early-stage cost and schedule estimation in store modification projects through AI-based forecasting in a context where only limited historical data is available. The study is conducted as development research using a quantitative approach, and the dataset consists of ten hypermarket-scale store modification projects. Key project variables were compiled into a unified dataset, which was used to build an interpretable predictive model.

The analysis included data preprocessing, descriptive statistical analysis, correlation analysis, and evaluation of the predictive model using the leave-one-out cross-validation method. Model performance was assessed based on mean absolute error (MAE), mean absolute percentage error (MAPE), and the coefficient of determination (R²). The results indicated that sales area size is the most significant factor influencing project costs. The model was able to predict the tender sum with relatively high accuracy and provide indicative estimates for final invoicing.

As a result of the study, a prototype predictive model was developed, along with visualizations to support early-stage decision-making and recommendations for systematic project data collection. The model’s performance was primarily affected by the limited amount of training data and the absence of certain project-specific variables in the early stages. In the future, model accuracy can be improved by using a larger and more structurally consistent dataset, as well as by applying regularized or nonlinear modeling methods when appropriate.