Механізм формування асортиментної політики підприємств електронної комерції на основі генеративного штучного інтелекту
Ключові слова:
електронна комерція, асортиментна політика, генеративний штучний інтелект, оптимізація асортименту, прогнозування попиту, поведінка споживачів, рекомендаційні системи, управління запасами, управлінські рішення, human-in-the-loopАнотація
Метою дослідження є розроблення механізму формування асортиментної політики підприємств електронної комерції на основі генеративного штучного інтелекту. У роботі визначено, яким чином Generative AI може бути інтегрований із прогнозуванням попиту, аналітикою поведінки споживачів, інформацією про запаси, характеристиками товарів і управлінським контролем для підтримки економічно обґрунтованих рішень щодо складу та коригування онлайн-асортименту. Методологічну основу становили аналіз і синтез досліджень з оптимізації асортименту, прогнозування роздрібного попиту, машинного навчання, рекомендаційних систем, генеративного штучного інтелекту та взаємодії людини і ШІ у процесі прийняття управлінських рішень. На цій основі структуровано інформаційну архітектуру асортиментного управління та розроблено семиетапний механізм, який охоплює збір даних, аналітичну обробку, генеративну інтерпретацію, формування асортиментних альтернатив, економічне оцінювання, управлінську валідацію та зворотний зв'язок. Механізм об'єднує транзакційні дані, поведінкову інформацію, відгуки й пошукові запити, характеристики товарів і категорій, показники запасів, дані про конкурентів та ринкові сигнали. Встановлено, що Generative AI не повинен замінювати традиційні моделі прогнозування, оптимізації чи рекомендаційні системи. Його доцільно використовувати як інтерпретаційний і підтримувальний рівень, який поєднує різнорідні інформаційні сигнали та трансформує їх у п'ять типів асортиментних альтернатив: додати, зберегти, розширити, скоротити або вилучити товарну позицію. Кожна альтернатива має надалі оцінюватися за очікуваним попитом, прибутковістю, оборотністю запасів, потенціалом конверсії, операційною здійсненністю, конкурентною позицією та стратегічною відповідністю. Управлінська валідація залишається обов'язковою, оскільки генеративні моделі можуть створювати ненадійні інтерпретації та не здатні автономно врахувати всі операційні й стратегічні обмеження підприємства. Наукова новизна полягає у розробленні інтегрованого механізму, в якому Generative AI поєднує спеціалізовані аналітичні інструменти з економічним оцінюванням і управлінським контролем у межах єдиного циклу формування асортиментних рішень. Практична цінність результатів полягає у можливості застосування запропонованого механізму для безперервного коригування товарного портфеля підприємств електронної комерції, виявлення незадоволеного попиту, скорочення надлишкових асортиментних позицій та підвищення економічної обґрунтованості рішень на рівні SKU і товарних категорій.Посилання
Cachon, G. P., & Kök, A. G. (2007). Category management and coordination in retail assortment planning in the presence of basket shopping consumers. Management Science, 53(6), 934–951. https://doi.org/10.1287/mnsc.1060.0661
Cachon, G. P., Terwiesch, C., & Xu, Y. (2005). Retail assortment planning in the presence of consumer search. Manufacturing & Service Operations Management, 7(4), 330–346. https://doi.org/10.1287/msom.1050.0088
Chakraborty, D., Kar, A. K., Patre, S., & Gupta, S. (2024). Enhancing trust in online grocery shopping through generative AI chatbots. Journal of Business Research, 180, Article 114737. https://doi.org/10.1016/j.jbusres.2024.114737
Chen, X., Owen, Z., Pixton, C., & Simchi-Levi, D. (2022). A statistical learning approach to personalization in revenue management. Management Science, 68(3), 1923–1937. https://doi.org/10.1287/mnsc.2020.3772
Cillo, P., & Rubera, G. (2025). Generative AI in innovation and marketing processes: A roadmap of research opportunities. Journal of the Academy of Marketing Science, 53(3), 684–701. https://doi.org/10.1007/s11747-024-01044-7
Davenport, T. H., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48(1), 24–42. https://doi.org/10.1007/s11747-019-00696-0
Dellermann, D., Ebel, P., Söllner, M., & Leimeister, J. M. (2019). Hybrid intelligence. Business & Information Systems Engineering, 61(5), 637–643. https://doi.org/10.1007/s12599-019-00595-2
Fedoseeva, S., & Herrmann, R. (2023). Assortments and prices in online grocery retailing. Digital Business, 3(1), Article 100054. https://doi.org/10.1016/j.digbus.2023.100054
Feuerriegel, S., Hartmann, J., Janiesch, C., & Zschech, P. (2024). Generative AI. Business & Information Systems Engineering, 66(1), 111–126. https://doi.org/10.1007/s12599-023-00834-7
Feldman, J., Zhang, D. J., Liu, X., & Zhang, N. (2022). Customer choice models vs. machine learning: Finding optimal product displays on Alibaba. Operations Research, 70(1), 309–328. https://doi.org/10.1287/opre.2021.2158
Fildes, R., Ma, S., & Kolassa, S. (2022). Retail forecasting: Research and practice. International Journal of Forecasting, 38(4), 1283–1318. https://doi.org/10.1016/j.ijforecast.2019.06.004
Grewal, D., Satornino, C. B., Davenport, T., & Guha, A. (2025). How generative AI is shaping the future of marketing. Journal of the Academy of Marketing Science, 53(3), 702–722. https://doi.org/10.1007/s11747-024-01064-3
Heger, J., & Klein, R. (2024). Assortment optimization: A systematic literature review. OR Spectrum, 46(4), 1099–1161. https://doi.org/10.1007/s00291-024-00752-4
Hense, J., & Hübner, A. H. (2022). Assortment optimization in omni-channel retailing. European Journal of Operational Research, 301(1), 124–140. https://doi.org/10.1016/j.ejor.2021.09.045
Hermann, E., & Puntoni, S. (2024). Artificial intelligence and consumer behavior: From predictive to generative AI. Journal of Business Research, 180, Article 114720. https://doi.org/10.1016/j.jbusres.2024.114720
Huang, M.-H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49(1), 30–50. https://doi.org/10.1007/s11747-020-00749-9
Jarrahi, M. H. (2018). Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business Horizons, 61(4), 577–586. https://doi.org/10.1016/j.bushor.2018.03.007
Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), Article 248. https://doi.org/10.1145/3571730
Jiang, Z., Li, J., & Zhang, D. (2025). A high-dimensional choice model for online retailing. Management Science, 71(4), 3320–3339. https://doi.org/10.1287/mnsc.2020.02715
Kathriarachchi, E., Alam, S., Weerasinghe, K., & Pauleen, D. (2024). Risks of e-commerce recommender systems: A scoping review. Australasian Journal of Information Systems, 28. https://doi.org/10.3127/ajis.v28.4869
Kshetri, N. (2024). Generative artificial intelligence and e-commerce. Computer, 57(2), 125–128. https://doi.org/10.1109/MC.2023.3340772
Kshetri, N., Dwivedi, Y. K., Davenport, T. H., & Panteli, N. (2024). Generative artificial intelligence in marketing: Applications, opportunities, challenges, and research agenda. International Journal of Information Management, 75, Article 102716. https://doi.org/10.1016/j.ijinfomgt.2023.102716
Li, L., Zhang, Y., Liu, D., & Chen, L. (2024). Large language models for generative recommendation: A survey and visionary discussions. In N. Calzolari, M.-Y. Kan, V. Hoste, A. Lenci, S. Sakti, & N. Xue (Eds.), Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024) (pp. 10146–10159). ELRA and ICCL. https://aclanthology.org/2024.lrec-main.886/
Ma, S., & Fildes, R. (2021). Retail sales forecasting with meta-learning. European Journal of Operational Research, 288(1), 111–128. https://doi.org/10.1016/j.ejor.2020.05.038
Ma, S., Fildes, R., & Huang, T. (2016). Demand forecasting with high dimensional data: The case of SKU retail sales forecasting with intra- and inter-category promotional information. European Journal of Operational Research, 249(1), 245–257. https://doi.org/10.1016/j.ejor.2015.08.029
Mantrala, M. K., Levy, M., Kahn, B. E., Fox, E. J., Gaidarev, P., Dankworth, B., & Shah, D. (2009). Why is assortment planning so difficult for retailers? A framework and research agenda. Journal of Retailing, 85(1), 71–83. https://doi.org/10.1016/j.jretai.2008.11.006
Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation-augmentation paradox. Academy of Management Review, 46(1), 192–210. https://doi.org/10.5465/amr.2018.0072
Sauré, D., & Zeevi, A. (2013). Optimal dynamic assortment planning with demand learning. Manufacturing & Service Operations Management, 15(3), 387–404. https://doi.org/10.1287/msom.2013.0429
Tian, X., Jiang, H., & Zhao, X. (2024). Product assortment and online sales in community group-buying channel: Evidence from a convenience store chain. Journal of Retailing and Consumer Services, 79, Article 103838. https://doi.org/10.1016/j.jretconser.2024.103838
Transchel, S., Buisman, M. E., & Haijema, R. (2022). Joint assortment and inventory optimization for vertically differentiated products under consumer-driven substitution. European Journal of Operational Research, 301(1), 163–179. https://doi.org/10.1016/j.ejor.2021.09.041
Tulabandhula, T., Sinha, D., & Karra, S. (2022). Optimizing revenue while showing relevant assortments at scale. European Journal of Operational Research, 300(2), 561–570. https://doi.org/10.1016/j.ejor.2021.08.006
Vasilyev, A., Maier, S., & Seifert, R. W. (2023). Assortment optimization using an attraction model in an omnichannel environment. European Journal of Operational Research, 306(1), 207–226. https://doi.org/10.1016/j.ejor.2022.08.002
Wedel, M., & Kannan, P. K. (2016). Marketing analytics for data-rich environments. Journal of Marketing, 80(6), 97–121. https://doi.org/10.1509/jm.15.0413
Wellens, A. P., Boute, R. N., & Udenio, M. (2024). Simplifying tree-based methods for retail sales forecasting with explanatory variables. European Journal of Operational Research, 314(2), 523–539. https://doi.org/10.1016/j.ejor.2023.10.039
Wu, L., Zheng, Z., Qiu, Z., Wang, H., Gu, H., Shen, T., Qin, C., Zhu, C., Zhu, H., Liu, Q., Xiong, H., & Chen, E. (2024). A survey on large language models for recommendation. World Wide Web, 27(5), Article 60. https://doi.org/10.1007/s11280-024-01291-2
Zhao, Z., Fan, W., Li, J., Liu, Y., Mei, X., Wang, Y., Wen, Z., Wang, F., Zhao, X., Tang, J., & Li, Q. (2024). Recommender systems in the era of large language models (LLMs). IEEE Transactions on Knowledge and Data Engineering, 36(11), 6889–6907. https://doi.org/10.1109/TKDE.2024.3392335
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Олег Галат
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
