Kustannusten ja kannattavuuden ennustaminen tekoälyn avulla kasvuyrityksissä

Abstract

Kasvuyritysten taloudellinen ennustaminen on poikkeuksellisen haastavaa, koska historiallista dataa on usein vain vähän saatavilla ja liiketoimintaympäristö voi muuttua nopeasti. Perinteiset lineaariset ennustemenetelmät eivät aina kykene kuvaamaan kasvuyritysten taloudellista dynamiikkaa riittävän luotettavasti, minkä vuoksi koneoppimismenetelmät ovat nousseet lupaavaksi vaihtoehdoksi. Työn tavoitteena on jäsentää, millaisia tekoälymenetelmiä kustannusten ja kannattavuuden ennustamiseen on kirjallisuudessa käytetty, sekä syventää ymmärrystä siitä, miten tekoälypohjaiset ennusteet voivat tukea kasvuyritysten taloudellista päätöksentekoa. Tutkimus toteutettiin narratiivisena kirjallisuuskatsauksena, jossa aineisto kerättiin Scopus-tietokannasta sekä Lut Primo- ja Google Scholar-hakupalveluista.

Kirjallisuudessa käytetään sekä perinteisiä lineaarisia vertailumalleja että kehittyneempiä koneoppimismenetelmiä. Puupohjaiset ensemble-mallit, kuten Random Forest, XGBoost ja CatBoost, osoittautuivat vahvoiksi vaihtoehdoiksi niiden kyvyn ansiosta mallintaa talousdatan epälineaarisia riippuvuuksia ja muuttujien yhteisvaikutuksia. Neuroverkot ja erityisesti LSTM-mallit (Long Short-Term Memory) tarjoavat potentiaalia aikasarjaennustamisessa, mutta niiden soveltuvuutta rajoittavat datan niukkuus, ylisovittamisen riski ja heikompi tulkittavuus. Tulosten perusteella mallien hyödyllisyys ei riipu yksin ennustetarkkuudesta, vaan luotettava hyödyntäminen edellyttää myös ajallista validointia, tiedon vuotamisen estämistä sekä riittävää selitettävyyttä. Kasvuyritykselle soveltuvin menetelmä ei ole välttämättä teknisesti monimutkaisin, vaan sellainen, jonka ennustekyky, selitettävyys ja aineistovaatimukset ovat tasapainossa yrityksen toimintaympäristön kanssa.

Financial forecasting in growth companies is exceptionally challenging as historical data is often limited and the business environment can change rapidly. Traditional linear forecasting methods do not always capture the financial dynamics of growth companies with sufficient reliability, which is why machine learning methods have emerged as promising alternative. The aim of this thesis is to structure an overview of what kinds of artificial intelligence methods have been used in the literature for forecasting costs and profitability and to deepen the understanding of how AI-based forecasts can support financial decision-making in growth companies. The study was conducted as a narrative literature review, with sources identified through Scopus, LUT Primo and Google Scholar.

The literature applies both traditional linear benchmark models and more advanced machine learning methods. Tree-based ensemble models such as Random Forest, XGBoost and CatBoost emerged as strong alternatives due to their ability to model nonlinear relationships and variable interactions in financial data. Neural networks and particularly LSTM (Long ShortTerm Memory) models show potential in time series forecasting, but their applicability is limited by data scarcity, the risk of overfitting, and weaker interpretability. The findings suggest that the usefulness of a model does not depend on forecasting accuracy alone – reliable application also requires temporal validation, the prevention of data leakage, and sufficient explainability. The most suitable method for a growth company is not necessarily the most technically complex one, but rather one whose predictive performance, explainability, and data requirements are balanced with the company’s operating environment.