Tekoälypohjainen työmääräarviointi arkkitehtisuunnittelun projektiliiketoiminnassa
Kaasinen, Henrik (2025)
Diplomityö
2025
School of Engineering Science, Tuotantotalous
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2025061668935
https://urn.fi/URN:NBN:fi-fe2025061668935
Tiivistelmä
Diplomityön tavoitteena on kehittää tekoälypohjainen työmääräarvioinnin malli arkkitehtisuunnitteluprojektien ennustamiseen. Tutkimuksen kohdeyrityksenä toimii Arco Architecture Company Oy. Tavoitteena on parantaa etenkin kiinteähintaisten suunnitteluprojektien kannattavuutta, parantaa tarjouslaskennan tarkkuutta ja pienentää projektikannattavuuteen liittyvää taloudellista riskiä.
Tutkimus on toteutettu kehittämistutkimuksena. Hyödynnetty teoria koostuu projektiliiketoiminnan ja tekoälyn teoriasta. Tutkimuksen empiirinen osuus perustuu yrityksen toiminnanohjausjärjestelmän historialliseen projektidataan, jota hyödyntäen on rakennettu satunnaismetsäalgoritmiin perustuva koneoppimismalli. Malli kehitettiin pääasiassa Exceliä ja Pythonia hyödyntäen.
Tulokset osoittavat, että koneoppimiseen perustuva malli pystyy tuottamaan luotettavia arvioita suunnitteluprojektien työmäärästä. Malli ennustaa projektin tuntimäärän ja hinnan käyttäjän syöttämän suunnittelukohteen pinta-alan ja maantieteellisen sijainnin perusteella hyödyntäen historiallista projektidataa. Lähtödatan laatu ja kattavuus osoittautui keskeiseksi tekijäksi ennusteen luotettavuuden näkökulmasta. Työmääräarviointimalli tarjoaa helppokäyttöisen ja systemaattisen pohjan tarjouslaskennan tueksi.
Koneoppiminen tuo selkeää hyötyä arkkitehtisuunnitteluprojektien työmäärän arviointiin, etenkin kiinteähintaisissa suunnitteluprojekteissa. Tekoälypohjainen ennustemalli vähentää arvioinnin subjektiivisuutta ja nopeuttaa tarjouslaskentaa. Mallin käyttöönotto luo myös perustaa laajemmalle tekoälyn hyödyntämiselle arkkitehtisuunnittelun liiketoimintaprosesseissa. The objective of this master’s thesis is to develop an AI-based workload estimation model for architectural design projects. The case company is Arco Architecture Company Oy. The goal is to improve the profitability of fixed-price design projects, to improve the accuracy of cost estimation and to reduce the financial risk related to project profitability.
The study follows the design science research method. The theoretical framework consists of the literature of project business and artificial intelligence. The empirical part of the research is based on historical project data from the company’s ERP system. This data has been utilized to build a machine learning model based on a random forest algorithm. The model was developed mainly using Excel and Python.
The results show that the machine learning model can produce reliable estimates of the workload of architectural design projects. The model predicts the number of hours and price of a project based on the entered building area and geographical location, utilizing historical project data. The quality and comprehensiveness of the input data proved to be a key factor in the reliability of the forecast. The quality of the input data proved to be a critical factor or reliable predictions. The model offers a systematic and user-friendly approach to support the tender process.
Machine learning brings clear benefits to the estimation of the workload of architectural design projects, especially in fixed-price design projects. An AI-based forecasting model reduces subjectivity and speeds up the tender calculation process. The implementation of the model also creates a foundation for a broader utilization of artificial intelligence in architectural design business processes.
Tutkimus on toteutettu kehittämistutkimuksena. Hyödynnetty teoria koostuu projektiliiketoiminnan ja tekoälyn teoriasta. Tutkimuksen empiirinen osuus perustuu yrityksen toiminnanohjausjärjestelmän historialliseen projektidataan, jota hyödyntäen on rakennettu satunnaismetsäalgoritmiin perustuva koneoppimismalli. Malli kehitettiin pääasiassa Exceliä ja Pythonia hyödyntäen.
Tulokset osoittavat, että koneoppimiseen perustuva malli pystyy tuottamaan luotettavia arvioita suunnitteluprojektien työmäärästä. Malli ennustaa projektin tuntimäärän ja hinnan käyttäjän syöttämän suunnittelukohteen pinta-alan ja maantieteellisen sijainnin perusteella hyödyntäen historiallista projektidataa. Lähtödatan laatu ja kattavuus osoittautui keskeiseksi tekijäksi ennusteen luotettavuuden näkökulmasta. Työmääräarviointimalli tarjoaa helppokäyttöisen ja systemaattisen pohjan tarjouslaskennan tueksi.
Koneoppiminen tuo selkeää hyötyä arkkitehtisuunnitteluprojektien työmäärän arviointiin, etenkin kiinteähintaisissa suunnitteluprojekteissa. Tekoälypohjainen ennustemalli vähentää arvioinnin subjektiivisuutta ja nopeuttaa tarjouslaskentaa. Mallin käyttöönotto luo myös perustaa laajemmalle tekoälyn hyödyntämiselle arkkitehtisuunnittelun liiketoimintaprosesseissa.
The study follows the design science research method. The theoretical framework consists of the literature of project business and artificial intelligence. The empirical part of the research is based on historical project data from the company’s ERP system. This data has been utilized to build a machine learning model based on a random forest algorithm. The model was developed mainly using Excel and Python.
The results show that the machine learning model can produce reliable estimates of the workload of architectural design projects. The model predicts the number of hours and price of a project based on the entered building area and geographical location, utilizing historical project data. The quality and comprehensiveness of the input data proved to be a key factor in the reliability of the forecast. The quality of the input data proved to be a critical factor or reliable predictions. The model offers a systematic and user-friendly approach to support the tender process.
Machine learning brings clear benefits to the estimation of the workload of architectural design projects, especially in fixed-price design projects. An AI-based forecasting model reduces subjectivity and speeds up the tender calculation process. The implementation of the model also creates a foundation for a broader utilization of artificial intelligence in architectural design business processes.