Kustannusten ennustaminen TimeGPT-mallilla

Tässä pro gradu -tutkielmassa syvennytään TimeGPT-tekoälymallin soveltuvuuteen kohdeorganisaation kustannusten ennustamisessa. Tarkka ennustaminen on kohdeorganisaatiolle tärkeää resurssien kohdentamisen ja strategisen päätöksenteon tueksi, ja perinteiset menetelmät ovat osoittautuneet osin riittämättömiksi monimutkaisen datan käsittelyssä. Tutkimuksen tavoitteena oli arvioida TimeGPT:n suorituskykyä ja tarkkuutta verrattuna vakiintuneisiin aikasarjamenetelmiin (ETS, SARIMA, Prophet) sekä organisaation aiempiin ennustekäytäntöihin. Lisäksi selvitettiin ennustajien käyttäjäkokemuksia ja teknologian hyväksyntään vaikuttavia tekijöitä uuden tekoälyavusteisen työkalun käyttöönotossa. Tutkimus toteutettiin mixed methods -lähestymistavalla, hyödyntäen kohdeorganisaation kuukausittaista kustannusdataa (1/2020–10/2024) eri hierarkia- ja kompleksisuustasoilla. Kvantitatiivisessa analyysissä mallien ennustetarkkuutta (mm. MAE, MAPE) ja laskentanopeutta verrattiin, ja erojen tilastollista merkitsevyyttä arvioitiin Diebold-Mariano-testillä. Kvalitatiivinen aineisto kerättiin ennustajille (N≈118) suunnatulla kyselyllä, keskittyen Power BI -raporttiin integroidun TimeGPT-ennustetyökalun koettuun helppokäyttöisyyteen, hyödyllisyyteen ja luotettavuuteen (TAM/UTAUT-viitekehysten kautta). Kvantitatiiviset tulokset osoittivat TimeGPT:n olevan laskennallisesti ylivoimaisen nopea. Se tuotti myös tarkempia ennusteita kuin vertailumallit erityisesti käsiteltäessä laajoja, monimutkaisia ja osin puutteellisia data-aineistoja. Mallin hienosäätö organisaation omalla datalla paransi tarkkuutta verrattuna zero-shot-lähtötasoon, joskin lisähyöty väheni noin 30–60 hienosäätöaskeleen jälkeen. TimeGPT ylitti tarkkuudessa myös aiemmat manuaaliset ennusteet. Kvalitatiiviset havainnot toivat esiin merkittävän kontrastin: Power BI -raportin visualisointi- ja porautumisominaisuudet koettiin erittäin hyödyllisiksi ja helppokäyttöisiksi, mutta itse TimeGPT-mallin "musta laatikko" -luonne ja toimintalogiikan epäselvyys herättivät laajaa epäluottamusta ja jarruttivat sen aktiivista hyödyntämistä (vain 50% kyselyn vastaajista käytti sitä). Johtopäätöksenä TimeGPT tarjoaa kohdeorganisaatiolle huomattavaa teknistä potentiaalia ennusteprosessien nopeuttamiseen ja tarkentamiseen, erityisesti haastavissa dataolosuhteissa. Sen täysimääräinen ja onnistunut käyttöönotto vaatii kuitenkin kriittisesti panostuksia mallin toiminnan selittämiseen, läpinäkyvyyden lisäämiseen ja käyttäjien koulutukseen luottamuksen ja hyväksynnän saavuttamiseksi. Tämä tutkimus tarjoaa kohdeorganisaatiolle käytännön suosituksia ja edistää ymmärrystä tekoälyn perustamallien integroinnista organisaatioiden talousohjaukseen.

This Master's thesis delves into the applicability of the TimeGPT AI model for cost forecasting within the target organization. Accurate forecasting is vital for the target organization to sup-port resource allocation and strategic decision-making, and traditional methods have proven partially insufficient in handling complex data. The objective of the study was to evaluate the performance and accuracy of TimeGPT compared to established time series methods (ETS, SARIMA, Prophet) and the organization's previous forecasting practices. Additionally, the study investigated forecasters' user experiences and factors influencing technology ac-ceptance during the adoption of the new AI-assisted tool. The research was conducted using a mixed-methods approach, utilizing the target organiza-tion's monthly cost data (1/2020–10/2024) at various hierarchy and complexity levels. In the quantitative analysis, the models' forecasting accuracy (incl. MAE, MAPE) and computational speed were compared, and the statistical significance of the differences was assessed using the Diebold-Mariano test. Qualitative data was collected through a survey directed at fore-casters (N≈118), focusing on the perceived ease of use, usefulness, and reliability of the TimeGPT forecasting tool integrated into a Power BI report (through TAM/UTAUT frame-works). The quantitative results showed TimeGPT to be computationally superior in speed. It also produced more accurate forecasts than the comparison models, especially when handling large, complex, and partially incomplete datasets. Fine-tuning the model with the organiza-tion's own data improved accuracy compared to the zero-shot baseline, although the addi-tional benefit diminished after approximately 30–60 fine-tuning steps. TimeGPT also sur-passed previous manual forecasts in accuracy. The qualitative findings revealed a significant contrast: the visualization and drill-down features of the Power BI report were perceived as highly useful and easy to use, but the "black box" nature of the TimeGPT model itself and the lack of clarity in its operating logic generated widespread distrust and hindered its active utili-zation (only 50% of survey respondents used it). In conclusion, TimeGPT offers the target organization considerable technical potential for accelerating and refining forecasting processes, especially under challenging data conditions. However, its full and successful adoption critically requires, in addition to technical perfor-mance, investments in explaining the model's operation, increasing transparency, and user training to achieve trust and acceptance. This study provides practical recommendations for the target organization and advances the understanding of integrating AI foundation models into organizational financial management.