Новая реальность: ИИ как фильтр покупок
В современном ритейле потребительский путь изменился. Теперь, прежде чем выбрать товар, покупатель часто консультируется с ИИ-ассистентом, который формирует короткий список (shortlist) из всего каталога. Исследователи Омар Эль Хусни и Маруан Ибн Брахим из Университета Мохаммада V (Марокко) проанализировали эту модель «AI-Mediation», где ритейлер выбирает каталог, ИИ-посредник сужает выбор, а клиент принимает решение на основе модели мультиномиальной логита.
Методология: от Plackett-Luce к реальным данным
Авторы разработали эмпирическую модель, основанную на анализе ранжирования продуктов ведущими ИИ-моделями. Для оценки поведения ИИ использовалась стохастическая модель Плейкетта-Люса (Plackett-Luce), которая позволяет предсказывать вероятность выбора конкретного товара из предложенного списка. Исследование сравнивает два подхода к оптимизации ассортимента: сложный стохастический и упрощенный детерминированный.
Ключевые цифры: цена ошибки
Самое важное открытие исследования — масштаб финансовых потерь при неправильном учете влияния ИИ. Если ритейлер планирует ассортимент, игнорируя то, как ИИ-ассистент фильтрует товары, он теряет значительную часть потенциальной выручки. Однако использование простой эвристики, основанной на ранжировании полезности ИИ, дает почти идеальный результат.
| Стратегия оптимизации | Средняя потеря выручки | Комментарий |
|---|---|---|
| Игнорирование ИИ-посредничества | 2.52% – 11.37% | Критические потери при любых конфигурациях емкости каталога |
| Стохастическая модель (Plackett-Luce) | 0% (Референс) | Теоретический оптимум, сложный в вычислениях |
| Детерминированный плагин (ранжирование ИИ) | ≤ 0.53% | Практически идентичен оптимуму, вычислительно прост |
Почему это важно для бизнеса
Результаты показывают, что сложные стохастические модели не всегда необходимы. Простое ранжирование товаров на основе «полезности» (utility), которую присваивает им ИИ-ассистент, позволяет достичь потерь выручки менее 0.53% от идеала. Это открывает путь к созданию Fully Polynomial-Time Approximation Scheme (FPTAS) — алгоритмов, которые могут быстро находить оптимальный ассортимент для любого количества сегментов клиентов.
Для ритейлеров это означает, что интеграция данных о поведении ИИ-ассистентов в системы управления ассортиментом — не просто технологическая прихоть, а прямой способ защиты маржи. В условиях, когда ИИ становится главным «шлюзом» к покупкам, те, кто учитывает его предпочтения, получают существенное конкурентное преимущество.
Источник: arXiv cs.AI ↗