The Role of Artificial Intelligence in Market Analysis : A Case Study in the Maritime Industry

Abstract

This thesis explores how artificial intelligence (AI) can support market analysis in the maritime industry, driven by increasing environmental pressures and regulatory demands for sustainable fuel solutions. This requires maritime companies to make faster, more accurate, and forward-looking decisions. Understanding how AI can enhance both operational decision-making and long-term strategic planning through improved market insights is therefore highly relevant. This research focuses on how firms can utilize AI to transform market data into knowledge and business value. The study addresses this through three research questions structured around organizational context, data transformation into knowledge, and business outcomes. Prior research indicates that maritime companies still rely heavily on intuition rather than structured, data-driven decision-making. To address this issue, the study applies a theoretical framework based on Davenport et al. (2001), emphasizing the organizational capabilities required to convert market data into actionable results. Additionally, the study examines the safe and transparent use of AI, highlighting the role of human–AI collaboration in market analysis practices. The research was conducted as a qualitative case study, based on semi-structured interviews with internal experts from a maritime case company specializing in fuel solutions, and external professionals in AI, data, and market intelligence. Analysis of the findings using the Gioia method provides a key contribution of this study, the dual-structured model for AI-enhanced market analysis. It was formulated from two distinct but complementary approaches to market analysis that emerged as a consistent pattern across the interviews. The model consists of two interconnected layers, continuous monitoring (operational layer) and deep analysis (strategical layer). Continuous monitoring supports operational agility and sales by recognizing relevant signals from industry news, customer activities, and competitor actions through AI-enabled web-scraping and alerts. In turn, deep analysis enhances strategical planning, including Research & Development (R&D) by utilizing databases, customer surveys, and tacit knowledge combined with advanced AI tools, such as Retrieval-Augmented Generation (RAG). Furthermore, this thesis presents a practical framework that supports the adoption of this model, underlining the importance of organizational processes for the implementation strategy. These contributions are particularly relevant for maritime companies seeking to build their AI capabilities in order to generate business value through structured and AI-enhanced market intelligence.

Tämä pro gradu -tutkielma tarkastelee, miten tekoäly (AI) voi tukea markkina-analyysia meriteollisuudessa, jota ohjaavat yhä enenevissä määrin kasvavat ympäristö- ja sääntelyvaatimukset. Nämä luovat paineita kestävien polttoaineratkaisujen kehittämiseen, mikä edellyttää meriteollisuuden yrityksiltä nopeampia, tarkempia ja ennakoivampia päätöksiä. Onkin erittäin ajankohtaista ymmärtää, miten tekoäly voi parantaa sekä operatiivista päätöksentekoa että pitkän aikavälin strategista suunnittelua syventämällä markkinaymmärrystä. Tutkielma keskittyy siihen, miten yritykset voivat hyödyntää tekoälyä muuttaessaan markkinadataa tiedoksi ja liiketoiminta-arvoksi. Tämä tutkielma jäsentyy kolmen tutkimuskysymyksen ympärille, jotka liittyvät organisatoriseen kontekstiin, datan muuntamiseen tiedoksi ja liiketoiminallisiin tuloksiin. Aiemman tutkimuksen mukaan meriteollisuuden yritykset tukeutuvat edelleen vahvasti intuitioon systemaattisen datapohjaisen päätöksenteon sijaan. Tämän osoittaa puutteen, johon tutkielma vastaa hyödyntämällä Davenportin ym. (2001) kehittämää teoreettista viitekehystä, korostaen niitä organisatorisia valmiuksia, joita markkinadatan muuntaminen päätöksenteon tueksi ja liiketoiminta-arvoksi edellyttää. Tämän lisäksi tässä tutkielmassa tarkastellaan tekoälyn turvallista ja läpinäkyvää hyödyntämistä sekä ihmisen ja tekoälyn välistä yhteistyötä osana markkina-analyysin käytäntöjä. Tutkimus toteutettiin laadullisena tapaustutkimuksena, ja sen aineisto kerättiin puolistrukturoiduilla haastatteluilla. Haastateltavina oli sekä polttoaineratkaisuja kehittävän meriteollisuusyrityksen sisäisiä asiantuntijoita, että ulkopuolisia tekoälyn, datan ja markkinatiedon ammattilaisia. Aineisto analysoitiin Gioian menetelmällä, ja sen pohjalta muodostettiin tutkielman keskeinen kontribuutio, kaksitasoinen malli tekoälyn tukemalle markkina-analyysille. Malli rakentuu kahdesta toisiaan täydentävästä lähestymistavasta, jotka toistuivat johdonmukaisesti haastatteluissa. Nämä tasot ovat jatkuva monitorointi (operatiivinen taso) ja syväanalyysi (strateginen taso). Jatkuva seuranta tukee operatiivista ketteryyttä ja myyntiä tunnistamalla relevantteja signaaleja esimerkiksi toimialan uutisista, sekä asiakkaiden ja kilpailijoiden toimista tekoälypohjaisen web-scrapingin ja hälytysratkaisujen avulla. Syväanalyysi puolestaan tukee strategista suunnittelua ja esimerkiksi tuotekehitystä (R&D) hyödyntämällä tietokantoja, asiakaskyselyjä ja hiljaista tietoa yhdistettynä edistyneisiin tekoälytyökaluihin, kuten hakutehostettuun generointiin (Retrieval-Augmented Generation – RAG). Lisäksi tutkielmassa esitetään käytännön viitekehys, joka tukee mallin implementointia ja korostaa organisatoristen prosessien merkitystä sen toteuttamisstrategiassa. Tutkimuksen havainnot ovat erityisen hyödyllisiä meriteollisuuden yrityksille, jotka tavoittelevat tekoälyvalmiuksiensa kehittämistä ja liiketoimintaarvon luomista rakenteellisen ja tekoälypohjaisen markkinatiedon avulla.