Leveraging large language models to reduce knowledge debt-induced suboptimal allocation of customer acquisition budgets in micro and small enterprises

Thumbnail Image

Files

master_Vuola_Joonas_2025.pdf (2.41 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Electrical Engineering | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-07-31

Department

Major/Subject

Human-Computer Interaction

Mcode

Degree programme

Master's Programme in Computer, Communication and Information Sciences

Language

en

Pages

61

Series

Abstract

Micro and small enterprises often face challenges in allocating marketing budgets efficiently due to limited access to marketing knowledge, a phenomenon known as knowledge debt. This limitation often results in investment decisions based on intuition rather than data-driven decision making, leading to suboptimal marketing outcomes. For micro and small enterprises with limited resources, this inefficiency can massively impair growth, financial health and competitiveness. Generative artificial intelligence tools have the potential to reduce the effects of knowledge debt by giving micro and small enterprises cheap access to relevant contextualized marketing support. These tools can assist in marketing content creation, strategies and performance analysis tasks, that typically require expensive specialist knowledge. This thesis investigates the role of generative artificial intelligence tools in addressing knowledge debt within micro and small enterprise marketing processes. A qualitative study was done through semi-structured interviews with eight companies to explore current marketing challenges and the potential of artificial generative intelligence tools. After, a case study was carried out in a real business context to evaluate if the use of generative artificial intelligence led marketing activities can lead to improvements in return of marketing investment metrics. The results show that most participating micro and small enterprises suffer from marketing knowledge debt, which has led to ineffective budget allocation and poor marketing outcomes. In the case study the use of generative artificial intelligence tools contributed to a large improvement in the key performance indicators and marketing outcomes. The findings are limited by a small sample size and convenience-based sample selection, but the evidence still suggests that generative artificial intelligence tools can serve as decision support tools for improving marketing budget allocation in micro and small enterprises.

Mikro- ja pienyritykset kohtaavat usein haasteita markkinointibudjettiensa tehokkaassa kohdentamisessa rajallisen markkinointiosaamisen takia. Tätä ilmiötä kutsutaan osaamisvajeeksi. Tämä vaje johtaa usein investointipäätöksiin, jotka perustuvat intuitioon dataan pohjautuvan päätöksenteon sijasta, mikä aiheuttaa epäoptimaalisia markkinointituloksia. Tämä voi heikentää mikro- ja pienyritysten kasvua, taloudellista vakautta ja kilpailukykyä merkittävästi. Generatiiviset tekoälytyökalut voivat vähentää osaamisvajeen vaikutuksia tarjoamalla mikro- ja pienyrityksille pääsyn edulliseen markkinointitukeen. Nämä työkalut voivat auttaa esimerkiksi markkinointisisällön luomisessa, strategian laatimisessa ja tulosten analysoinnissa. Nämä ovat tehtäviä, jotka perinteisesti vaativat kallista asiantuntijaosaamista. Tämä opinnäytetyö tutkii generatiivisten tekoälytyökalujen roolia osaamisvajeen lievittämisessä mikro- ja pienyritysten markkinointiprosessien kontekstissa. Tässä työssä toteutettiin laadullinen tutkimus toteuttamalla puolistrukturoituja haastatteluita kahdeksan yrityksen kanssa nykyisten markkinointihaasteiden ja generatiivisten tekoälytyökalujen mahdollisuuksien selvittämiseksi. Tämän jälkeen toteutettiin tapaustutkimus todellisessa liiketoimintaympäristössä, jonka tarkoituksena oli arvioida, voivatko generatiiviset tekoälytyökalujen johtamat markkinointitoimenpiteet parantaa markkinointi-investointien tuottavuutta. Työn tulokset osoittavat, että suurin osa osallistuneista mikro- ja pienyrityksistä kärsii markkinointiin liittyvästä osaamisvajeesta, mikä on johtanut heikkoihin tuloksiin. Tapaustutkimuksessa generatiivisten tekoälytyökalujen käyttö johti merkittäviin parannuksiin keskeisissä suorituskykymittareissa ja markkinoinnin lopputuloksissa. Tuloksia rajoittaa pieni otoskoko ja ei satunnainen otanta, mutta tulokset silti viittaavat, että generatiiviset tekoälytyökalut voi toimia päätöksenteon tukena ja auttaa kohdentamaan investointeja.

Description

Supervisor

Nieminen, Marko

Keywords

generative artificial intelligence, large language models, knowledge debt, marketing budget optimization, micro enterprises, small enterprises

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202508196438

Collections

[dipl] Sähkötekniikan korkeakoulu / ELEC