AI-driven marketing analytics : a case study on enhancing marketing performance reporting in SMEs
Östberg, Valtteri (2024)
Kandidaatintyö
2024
School of Engineering Science, Tuotantotalous
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2024091773416
https://urn.fi/URN:NBN:fi-fe2024091773416
Tiivistelmä
The thesis focuses on how small and medium-sized enterprises (SMEs) can implement Artificial Intelligence (AI) technologies into marketing analytics. It examines the potential opportunities and challenges that SMEs may encounter while adoption of AI.
The research method included a comprehensive literature review about marketing analytics, challenges for SMEs regarding AI and AI technologies. The different roles of different AI technologies such as machine learning, deep learning, generative AI and Large Language Models (LLMs). A case company was interviewed to gain insight into current SME issues and practices.
Key findings include significant opportunities for SMEs looking to incorporate artificial Intelligence technologies such as machine learning and LLMs into marketing analytics. SMEs adopting AI into marketing analytics can expect greater efficiency, improved customer insights and improved decision-making. The key challenges for AI adoption were high costs of implementation and lack of expertise. A successful SME AI adoption must balance practicality with innovation. The thesis recommends a phased approach, where SMEs should begin AI adoption via individual AI tools, while gradually expanding the use of AI into more complex applications of AI, such as predictive analytics.
For future research, the thesis suggests going deeper into how other AI technologies may be relevant for marketing analytics, and what kind of opportunities and challenges each one holds. Additionally, the thesis suggests that future research should study AI tools comprehensively in case companies, providing empirical evidence of the effectiveness of different AI technologies in the field of marketing analytics. Lastly, future studies could focus on the adoption of AI in specific industries and regions. Tutkielmassa keskitytään siihen, miten pk-yritykset voivat soveltaa tekoälyteknologiaa markkinoinnin analytiikkaan. Siinä tarkastellaan kasvumahdollisuuksia ja haasteita, joita pk-yritykset voivat kohdata ottaessaan tekoälyn käyttöön.
Tutkimusmenetelmänä käytettiin kattavaa kirjallisuuskatsausta markkinointianalytiikasta, pk-yritysten haasteista ja tekoälystä. Eri tekoälyteknologioiden, kuten koneoppimisen, syväoppimisen, generatiivisen tekoälyn ja LLM:ien, erilaiset roolit. Case-yrityksen haastattelu paljasti tietoa pk-yritysten nykyisistä ongelmista ja käytännöistä.
Keskeisiä havaintoja ovat muun muassa tekoälyn hyödyt markkinointianalytiikassa, kuten parannettu tehokkuus, asiakasymmärrys ja päätöksenteko. Suurimmat haasteet tekoälyn käyttöönotolle ovat korkeat käyttöönottokustannukset ja asiantuntemuksen puute. Onnistuneen pk-yritysten tekoälyn käyttöönoton on oltava tasapainossa käytännöllisyyden ja innovaation välillä. Tutkielmassa suositellaan vaiheittaista lähestymistapaa, jossa tekoälyn käyttöönotto aloitettaisiin yksittäisten tekoälytyökaluilla, myöhemmin laajentamalla monimutkaisempiin tekoälysovelluksiin.
Jatkotutkimusta varten tutkielmassa ehdotetaan syventymistä muihin tekoälyteknologioihin, millaisia mahdollisuuksia ja haasteita kullakin niistä on. Lisäksi tutkielmassa ehdotetaan, että tulevassa tutkimuksessa tutkittaisiin tekoälytyökaluja kattavasti case-yrityksissä, jolloin saataisiin empiiristä näyttöä eri tekoälyteknologioiden tehokkuudesta markkinoinnin analytiikan alalla. Lopuksi jatkotutkimuksissa voitaisiin keskittyä tekoälyn käyttöönottoon tietyillä toimialoilla ja alueilla.
The research method included a comprehensive literature review about marketing analytics, challenges for SMEs regarding AI and AI technologies. The different roles of different AI technologies such as machine learning, deep learning, generative AI and Large Language Models (LLMs). A case company was interviewed to gain insight into current SME issues and practices.
Key findings include significant opportunities for SMEs looking to incorporate artificial Intelligence technologies such as machine learning and LLMs into marketing analytics. SMEs adopting AI into marketing analytics can expect greater efficiency, improved customer insights and improved decision-making. The key challenges for AI adoption were high costs of implementation and lack of expertise. A successful SME AI adoption must balance practicality with innovation. The thesis recommends a phased approach, where SMEs should begin AI adoption via individual AI tools, while gradually expanding the use of AI into more complex applications of AI, such as predictive analytics.
For future research, the thesis suggests going deeper into how other AI technologies may be relevant for marketing analytics, and what kind of opportunities and challenges each one holds. Additionally, the thesis suggests that future research should study AI tools comprehensively in case companies, providing empirical evidence of the effectiveness of different AI technologies in the field of marketing analytics. Lastly, future studies could focus on the adoption of AI in specific industries and regions.
Tutkimusmenetelmänä käytettiin kattavaa kirjallisuuskatsausta markkinointianalytiikasta, pk-yritysten haasteista ja tekoälystä. Eri tekoälyteknologioiden, kuten koneoppimisen, syväoppimisen, generatiivisen tekoälyn ja LLM:ien, erilaiset roolit. Case-yrityksen haastattelu paljasti tietoa pk-yritysten nykyisistä ongelmista ja käytännöistä.
Keskeisiä havaintoja ovat muun muassa tekoälyn hyödyt markkinointianalytiikassa, kuten parannettu tehokkuus, asiakasymmärrys ja päätöksenteko. Suurimmat haasteet tekoälyn käyttöönotolle ovat korkeat käyttöönottokustannukset ja asiantuntemuksen puute. Onnistuneen pk-yritysten tekoälyn käyttöönoton on oltava tasapainossa käytännöllisyyden ja innovaation välillä. Tutkielmassa suositellaan vaiheittaista lähestymistapaa, jossa tekoälyn käyttöönotto aloitettaisiin yksittäisten tekoälytyökaluilla, myöhemmin laajentamalla monimutkaisempiin tekoälysovelluksiin.
Jatkotutkimusta varten tutkielmassa ehdotetaan syventymistä muihin tekoälyteknologioihin, millaisia mahdollisuuksia ja haasteita kullakin niistä on. Lisäksi tutkielmassa ehdotetaan, että tulevassa tutkimuksessa tutkittaisiin tekoälytyökaluja kattavasti case-yrityksissä, jolloin saataisiin empiiristä näyttöä eri tekoälyteknologioiden tehokkuudesta markkinoinnin analytiikan alalla. Lopuksi jatkotutkimuksissa voitaisiin keskittyä tekoälyn käyttöönottoon tietyillä toimialoilla ja alueilla.