DOI: https://doi.org/10.1038/s41598-026-42787-3
PMID: https://pubmed.ncbi.nlm.nih.gov/42082526
تاريخ النشر: 2026-05-04
المؤلف: Fawaz Khaled Alarfaj وآخرون
الموضوع الرئيسي: سلوك السوق الاستهلاكية والتسعير
نظرة عامة
تقدم ورقة البحث إطار AIM 2 (نموذج الابتكار التسويقي المتكامل بالذكاء الاصطناعي)، الذي يدمج نموذج التحفيز-العضوية-الاستجابة (SOR) مع تقنيات التعلم الآلي المتقدمة لتعزيز تحليلات المستهلك في قطاع التجزئة السعودي. باستخدام بيانات حقيقية من أسواق التميمي، تستخدم الدراسة طرق التجميع التي تصنف المنتجات إلى فئات الميزانية، والمتوسطة، والفاخرة، محققةً درجة سيلويت تبلغ حوالي 0.92. تكشف التحليلات التنبؤية أن خوارزمية XGBoost تتفوق على الانحدار التقليدي من خلال تقليل هوامش الخطأ بنسبة 14% وتحسين الدقة بنسبة 9% مقارنة بالشبكات العصبية الأساسية. تؤكد هذه النتائج فعالية دمج المنهجيات المدفوعة بالذكاء الاصطناعي مع النظريات التسويقية المعتمدة، متجاوزةً مستويات دقة تحليلات التجزئة التقليدية.
تتفصل الورقة أيضًا في التنفيذ العملي لإطار AIM 2، موضحةً تطبيقه من خلال تقنيات الذكاء الاصطناعي المختلفة، بما في ذلك التجميع باستخدام K-means والشبكات العصبية LSTM، على مجموعة بيانات أسواق التميمي. تشير النتائج إلى حل قوي من ثلاثة قطاعات، وقواعد ارتباط عالية الثقة للبيع المتقاطع، وقدرات محسنة في توقع الطلب. يتضمن الإطار أيضًا تدابير الشرح والحوكمة، موصلًا التحفيزات الناتجة عن الذكاء الاصطناعي بإدراكات وسلوكيات المستهلكين مع مؤشرات ملائمة نموذج مقبولة. ومع ذلك، يحذر المؤلفون من أن النتائج تستند إلى بيانات بائع تجزئة واحد، مما يحد من إمكانية تعميمها، ويؤكدون على الحاجة إلى مزيد من البحث للتحقق من صحة النموذج عبر سياقات مختلفة واستكشاف منهجيات متقدمة لتحسين تفاعل العملاء مع معالجة مخاوف الخصوصية والعدالة.
الطرق
توضح قسم “الطرق” النهج الشامل المتبع في البحث، موضحةً البرمجيات والأجهزة المستخدمة، مجموعة البيانات مع خطوات المعالجة المسبقة، والتقنيات التحليلية والنمذجة المستخدمة. يؤكد على أهمية القابلية للتكرار من خلال تقديم أوصاف واضحة للعمليات الخوارزمية المعقدة، بما في ذلك الحلقات وتطبيق معادلات مختلفة طوال التجربة.
يهدف القسم إلى ضمان الشفافية في الخيارات المنهجية من خلال تحديد معلمات هايبر محددة ورسم سير عمل واضح ينتقل من جمع البيانات إلى استخراج الرؤى السلوكية. تتوفر موارد إضافية، بما في ذلك حزم البرمجيات مع أرقام الإصدارات، ومواصفات الأجهزة، ونصوص التحليل، في الملحق A ومخزن الشيفرة المشار إليه، مما يسهل القابلية للتكرار والتحقيقات الإضافية من قبل باحثين آخرين.
النتائج
يقدم قسم النتائج في الدراسة تقييمًا شاملاً لتجزئة المستهلك، والنمذجة التنبؤية، واستراتيجيات البيع المتقاطع بناءً على مجموعة اختبار محجوزة. حدد تحليل التجزئة ثلاث مجموعات مستهلكين متميزة – الميزانية، والمتوسطة، والفاخرة – تم التحقق منها من خلال درجة سيلويت القصوى عند $k=4$. أشارت مراكز التجمع إلى تدرج واضح في قيم السلة، وتكرار الشراء، وتنوع الفئات، مع انخفاض حساسية الأسعار من فئات الميزانية إلى الفاخرة. على الرغم من أن اختيار $k=4$ يشير إلى تقسيم طبيعي، إلا أن درجة سيلويت التي تبلغ حوالي 0.15 تشير إلى فصل ضعيف بين التجمعات، مما يستدعي مزيدًا من التحقيق في قياس الميزات والهندسة.
كما استخدمت الدراسة تعدين قواعد الارتباط باستخدام FP-Growth، كاشفةً عن قواعد عالية الثقة تسهل استراتيجيات البيع المتقاطع الفعالة. تضمنت القواعد الملحوظة {خبز، حليب} → {زبدة} و{قهوة (فاخرة)} → {شوكولاتة داكنة}، مع مقاييس دعم وثقة قوية. أظهرت النمذجة التنبؤية نقاط قوة LSTM في توقع الطلب وXGBoost في توقعات التراجع والأسعار، مع اختلافات أداء ملحوظة تم تسليط الضوء عليها من خلال اختبارات إحصائية. قدم تحليل SHAP رؤى حول أهمية الميزات، مؤكدًا على مقاييس سلوكية مثل تقلب السلة وحساسية الأسعار كعوامل رئيسية في مخاطر التراجع. بشكل عام، تؤكد النتائج على مساهمات الدراسة في جودة التجزئة، والدقة التنبؤية، والحوكمة الأخلاقية، متماشيةً مع أهداف رؤية السعودية 2030.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التأثير التحويلي للذكاء الاصطناعي (AI) على استراتيجيات التسويق، لا سيما في تحليلات المستهلك. يؤكد على أن نماذج التجارة الإلكترونية التقليدية يتم استبدالها بمنصات ديناميكية تستفيد من بيانات العملاء في الوقت الفعلي للتفاعل الشخصي والتحليلات التنبؤية. يظل نموذج SOR (التحفيز-العضوية-الاستجابة) إطارًا نظريًا حيويًا لفهم كيفية تأثير التحفيزات التكنولوجية على إدراكات وسلوكيات المستهلكين. يتم مناقشة تقنيات الذكاء الاصطناعي المختلفة، بما في ذلك التجميع، وتعدين قواعد الارتباط، والشبكات العصبية، وطرق التجميع مثل XGBoost، لتطبيقاتها عبر قطاعات مثل التجزئة، والرعاية الصحية، والمالية، مما يبرز مرونتها وفعاليتها في تحليل مجموعات البيانات المعقدة.
تُلاحظ طرق التجميع، لا سيما K-Means والتجميع الهرمي، لدورها في تحديد شرائح المستهلكين وعلاقات المنتجات، مما يسهل استراتيجيات التسويق المستهدفة. يساعد تعدين قواعد الارتباط، المتمثل في خوارزميات Apriori وFP-Growth، في كشف فرص البيع المتقاطع، مما يعزز فعالية الترويج. تُبرز الشبكات العصبية، بما في ذلك المعمارية الأمامية، والتلافيفية، والمتكررة، قدرتها على التقاط أنماط سلوك المستهلك غير الخطية، مما يحسن توقع الطلب وتحليل المشاعر. تقدم الورقة أيضًا إطار AIM 2، الذي يدمج تقنيات الذكاء الاصطناعي مع نظريات التسويق السلوكي، بهدف إنشاء أنظمة تسويقية قابلة للتكيف تتماشى مع علم نفس المستهلك والمعايير الأخلاقية. يتم وضع هذا الإطار كاستجابة للمشهد المتطور للتجزئة في السعودية تحت رؤية 2030، موضحًا الإمكانية التي توفرها الرؤى المدفوعة بالذكاء الاصطناعي لتعزيز استراتيجيات التسويق مع تعزيز ثقة المستهلك.
القيود
تقدم الدراسة عدة قيود تؤثر على تفسير وعمومية نتائجها. تعتبر إحدى القضايا الرئيسية هي عدم وجود تسميات ديموغرافية واضحة في مجموعة بيانات المعاملات العامة لأسواق التميمي، مما يعيق عمليات التدقيق الرسمية للعدالة عبر المجموعات المحمية ويحد من تحليلات المجموعات الفرعية. يحد هذا الغياب بشكل كبير من الادعاءات المتعلقة بالعدالة والتأثيرات المختلفة. بالإضافة إلى ذلك، يعني التصميم الرصدي للدراسة أن جميع نتائج نمذجة المعادلات الهيكلية (SEM) والارتباط هي ارتباطية، مما يمنع أي ادعاءات بالسببية دون تحقق تجريبي، مثل اختبارات A/B العشوائية للتحفيزات المدفوعة بالذكاء الاصطناعي.
تشمل القيود الأخرى احتمال وجود تحيز في مجموعة البيانات ومشكلات التمثيل، حيث قد لا تلتقط مجموعات بيانات التجزئة المستمدة من المصادر العامة بشكل كافٍ أنواع المتاجر أو شرائح العملاء معينة، مما قد يؤدي إلى انحراف التقديرات وتقليل الصلاحية الخارجية. تنطبق النتائج بشكل أساسي على سياقات التجزئة الغذائية المماثلة لأسواق التميمي، مما يتطلب مزيدًا من التحقق من الصلاحية لتطبيقها على صيغ تجزئة أخرى أو إعدادات ثقافية. علاوة على ذلك، كانت تقييمات العدالة مقيدة بالشرائح السلوكية بدلاً من الفئات المحمية قانونيًا بسبب تجنب استنتاج الديموغرافيات من المعاملات، مما يحد من نطاق التقييم الأخلاقي. على الرغم من هذه القيود، تبرز الدراسة نقاط القوة مثل تحسين الدقة التنبؤية من خلال التعلم التجميعي وتمثيل التعلم، وتجزيء قابل للتنفيذ للترويج المستهدف، وطبقة حوكمة متكاملة تتضمن MLOps وآليات الشرح. ومع ذلك، فإن هذه المزايا مقيدة بنفس القيود، بما في ذلك الاعتماد على بيانات عالية الجودة وتعقيدات تشغيلية قد تعيق اعتماد الممارسين الفوري.
DOI: https://doi.org/10.1038/s41598-026-42787-3
PMID: https://pubmed.ncbi.nlm.nih.gov/42082526
Publication Date: 2026-05-04
Author(s): Fawaz Khaled Alarfaj et al.
Primary Topic: Consumer Market Behavior and Pricing
Overview
The research paper introduces the AIM 2 (AI-Integrated Marketing Innovation Model) framework, which merges the Stimulus-Organism-Response (SOR) model with advanced machine learning techniques to enhance consumer analytics in the Saudi retail sector. Utilizing real data from Tamimi Markets, the study employs clustering methods that categorize products into budget, intermediate, and luxury segments, achieving a silhouette score of approximately 0.92. Predictive analyses reveal that the XGBoost algorithm outperforms traditional regression by reducing error margins by 14% and improving accuracy by 9% compared to basic neural networks. These findings underscore the efficacy of integrating AI-driven methodologies with established marketing theories, surpassing the accuracy levels of conventional retail analytics.
The paper further details the practical implementation of the AIM 2 framework, demonstrating its application through various AI techniques, including K-means clustering and LSTM neural networks, on the Tamimi Markets dataset. The results indicate a robust three-segment solution, high-confidence association rules for cross-selling, and improved demand forecasting capabilities. The framework also incorporates explainability and governance measures, linking AI-generated stimuli to consumer perceptions and behaviors with acceptable model fit indices. However, the authors caution that the findings are based on a single retailer’s data, limiting generalizability, and emphasize the need for further research to validate the model across different contexts and to explore advanced methodologies for optimizing customer engagement while addressing privacy and fairness concerns.
Methods
The “Methods” section outlines the comprehensive approach taken in the research, detailing the software and hardware utilized, the dataset along with its preprocessing steps, and the analytical and modeling techniques employed. It emphasizes the importance of reproducibility by providing explicit descriptions of the complex algorithmic processes, including loops and the application of various equations throughout the experiment.
The section aims to ensure transparency in methodological choices by specifying concrete hyperparameters and delineating a clear workflow that transitions from data collection to the extraction of behavioral insights. Additional resources, including software packages with version numbers, hardware specifications, and analysis scripts, are made available in Appendix A and the referenced code repository, thereby facilitating reproducibility and further investigation by other researchers.
Results
The results section of the study presents a comprehensive evaluation of consumer segmentation, predictive modeling, and cross-selling strategies based on a held-out test set. The segmentation analysis identified three distinct consumer clusters—budget, midrange, and premium—validated by a peak silhouette score at $k=4$. The cluster centroids indicated a clear gradient in basket values, purchase frequency, and category diversity, with decreasing price sensitivity from budget to premium segments. Despite the selection of $k=4$ suggesting a natural trichotomy, the silhouette score of approximately 0.15 indicates weak separation among clusters, warranting further investigation into feature scaling and engineering.
The study also employed association rule mining using FP-Growth, revealing high-confidence rules that facilitate effective cross-selling strategies. Notable rules included {Bread, Milk} → {Butter} and {Coffee (Premium)} → {Dark Chocolate}, with robust support and confidence metrics. Predictive modeling demonstrated the strengths of LSTM for demand forecasting and XGBoost for churn and pricing predictions, with significant performance differences highlighted through statistical tests. SHAP analysis provided insights into feature importance, emphasizing behavioral metrics such as basket volatility and price sensitivity as key drivers of churn risk. Overall, the findings underscore the study’s contributions to segmentation quality, predictive accuracy, and ethical governance, aligning with the objectives of Saudi Arabia’s Vision 2030.
Discussion
The discussion section of the research paper highlights the transformative impact of artificial intelligence (AI) on marketing strategies, particularly in consumer analytics. It emphasizes that traditional e-commerce models are being replaced by dynamic platforms that leverage real-time customer data for personalized engagement and predictive analytics. The SOR (Stimulus-Organism-Response) model remains a crucial theoretical framework for understanding how technological stimuli influence consumer perceptions and behaviors. Various AI techniques, including clustering, association rule mining, neural networks, and ensemble methods like XGBoost, are discussed for their applications across sectors such as retail, healthcare, and finance, underscoring their versatility and effectiveness in analyzing complex datasets.
Clustering methods, particularly K-Means and hierarchical clustering, are noted for their role in identifying consumer segments and product relationships, which facilitate targeted marketing strategies. Association rule mining, exemplified by the Apriori and FP-Growth algorithms, aids in uncovering cross-selling opportunities, enhancing promotional effectiveness. Neural networks, including feedforward, convolutional, and recurrent architectures, are highlighted for their ability to capture nonlinear consumer behavior patterns, improving demand forecasting and sentiment analysis. The paper also introduces the AIM 2 framework, which integrates AI techniques with behavioral marketing theories, aiming to create adaptive marketing systems that align with consumer psychology and ethical standards. This framework is positioned as a response to the evolving landscape of retail in Saudi Arabia under Vision 2030, illustrating the potential for AI-driven insights to enhance marketing strategies while fostering consumer trust.
Limitations
The study presents several limitations that impact the interpretation and generalizability of its findings. A primary concern is the lack of explicit demographic labels in the public Tamimi Markets transactional dataset, which hinders formal fairness audits across protected groups and limits subgroup analyses. This absence significantly restricts claims regarding equity and differential effects. Additionally, the observational design of the study means that all structural equation modeling (SEM) and association results are correlational, thereby precluding any assertions of causality without experimental validation, such as randomized A/B tests of AI-driven stimuli.
Other limitations include potential dataset bias and representativeness issues, as publicly sourced retail datasets may not adequately capture certain store types or customer segments, potentially skewing estimates and diminishing external validity. The findings are primarily applicable to grocery retail contexts similar to Tamimi Markets, necessitating further validation for applicability to other retail formats or cultural settings. Furthermore, the fairness evaluation was constrained to behavioral segments rather than legally protected classes due to the avoidance of inferring demographics from transactions, which limits the ethical assessment scope. Despite these limitations, the study highlights strengths such as enhanced predictive accuracy through ensemble and representation learning, actionable segmentation for targeted promotions, and an integrated governance layer that incorporates MLOps and explainability mechanisms. However, these advantages are tempered by the same limitations, including reliance on high-quality data and operational complexities that may hinder immediate practitioner adoption.