AIM2‑Rahmenwerk für smarte Marketinginnovation mit KI‑gestützter Konsumentenanalyse, SOR‑Neuronalen Netzen und XGBoost im saudischen Einzelhandel

Warum Ihre Lebensmitteldaten wichtig sind

Jedes Mal, wenn Sie einkaufen – ob Sie Brot und Milch im Eckladen holen oder einen Online‑Warenkorb für das Wochenende füllen – hinterlassen Sie eine Spur digitaler Hinweise. Dieser Beitrag zeigt, wie sich diese Hinweise in intelligenteres, gerechteres Marketing im schnell wachsenden saudischen Einzelhandel verwandeln lassen. Indem fortgeschrittene künstliche Intelligenz mit einem klassischen psychologischen Modell darüber, wie Menschen auf ihre Umgebung reagieren, verknüpft wird, schlagen die Autoren vor, wie Supermärkte Angebote versenden können, die wirklich hilfreich statt unheimlich wirken und zugleich die nationalen Ziele der digitalen Transformation im Rahmen der Vision 2030 unterstützen.

Von einfachen Anzeigen zu smarten Gesprächen

Früheres Einzelhandelsmarketing bestand oft aus einer einzigen Botschaft für alle: derselbe TV‑Spot, derselbe Prospekt, derselbe Rabatt. Mit dem Wandel des Einkaufs ins Netz und aufs Smartphone hat sich das geändert. Heute können Händler erkennen, welche Produkte häufig zusammen gekauft werden, wie oft Kunden kommen und wie preissensitiv sie sind. Die Studie argumentiert, dass diese Informationsflut mehr braucht als bloß clevere Mathematik; sie muss in dem verankert sein, wie reale Menschen denken und fühlen. Die Autoren bauen auf der psychologischen Idee „Stimulus–Organismus–Reaktion“ (SOR) auf, die besagt, dass das, was wir sehen (Stimulus), beeinflusst, wie wir fühlen und denken (Organismus), und dies dann unser Verhalten (Reaktion) lenkt. Im Einzelhandelskontext heißt das: Digitale Angebote und Preise sollten mit Blick auf Vertrauen, wahrgenommenen Wert und Zufriedenheit der Kunden gestaltet werden – nicht nur mit Fokus auf kurzfristige Umsätze.

Ein dreischichtiger Motor für den modernen Einzelhandel

Kern des Papiers ist ein neues Rahmenwerk namens AIM2, kurz für AI‑Integrated Marketing Innovation Model. AIM2 ist wie ein dreistufiger Motor aufgebaut. In der untersten Ebene filtern leistungsfähige Algorithmen Rohverkaufsdaten von Tamimi Markets, einer großen saudischen Supermarktkette. Dazu gehören Clustering‑Methoden, die Käufer in Budget‑, Mittelklasse‑ und Premium‑Typen einteilen; Pattern‑Mining‑Werkzeuge, die aufdecken, welche Artikel oft gemeinsam gekauft werden; neuronale Netze, die Nachfrageverläufe über die Zeit lernen; sowie der XGBoost‑Algorithmus, ein baumbasiertes Verfahren, das sich gut für unordentliche, reale Daten eignet. Die mittlere Ebene übersetzt diese Algorithmen‑Ergebnisse in konkrete Maßnahmen, die Kunden tatsächlich sehen, etwa empfohlene Bundles oder zeitlich begrenzte Rabatte. Die oberste Ebene verfolgt, wie diese Maßnahmen Gefühle wie Vertrauen und Zufriedenheit sowie Verhaltensweisen wie Wiederbesuche und Loyalität beeinflussen und schließt so die Schleife zwischen Daten und menschlicher Erfahrung.

Was die Daten über saudische Käufer verrieten

Anhand mehrerer Monate echter Transaktionsdaten zeigen die Forscher, dass sich saudische Lebensmittelkunden im Wesentlichen in drei Ausgabestile einordnen lassen. Budget‑Käufer besuchen seltener, geben weniger aus und reagieren stark auf Preisänderungen und Aktionen. Mittelklasse‑Käufer sind ausgeglichener, während Premium‑Käufer vielfältigere Körbe kaufen, pro Einkauf mehr ausgeben und weniger preissensitiv sind. Das System entdeckt außerdem stabile Produktpaarungen – etwa Alltagsgrundlagen und höherwertige Kombinationen – die sich in sinnvolle Bundles überführen lassen. Bei Prognosen schneiden die KI‑Werkzeuge deutlich besser ab als ältere Ansätze: Das XGBoost‑Modell reduziert Preis‑ und Churn‑Fehler um etwa 14 % gegenüber traditioneller Regression und übertrifft ein einfaches neuronales Netz in der Genauigkeit um etwa 9 %, während sequenzbasierte neuronale Netze saisonale Spitzen rund um Ereignisse wie Ramadan und Eid besser erfassen.

Das System fair, transparent und anpassungsfähig halten

Über die reine Genauigkeit hinaus enthält das Rahmenwerk Schutzmechanismen für einen verantwortungsvollen Einsatz. Die Autoren prüfen, ob die KI verschiedene Verhaltensgruppen – etwa hoch‑ und niedrig‑ausgebende Kunden – bei den prognostizierten Ergebnissen ähnlich behandelt und markieren Probleme, wenn Unterschiede zu groß werden. Sie nutzen außerdem Erklärungs‑Tools, die zeigen, welche Variablen eine Vorhersage am stärksten beeinflussen, damit Marketingverantwortliche nachvollziehen können, warum das System glaubt, ein Kunde könnte abwandern oder auf einen bestimmten Preis reagieren. Eine Rückkopplungsschleife überwacht Veränderungen im Zeitverlauf: Wenn sich Kundenverhalten verschiebt oder Fairness‑Maßstäbe abdriften, werden die Modelle neu trainiert. Dieses Design erkennt an, dass Einzelhandelsumfelder und Verbrauchererwartungen bewegliche Ziele sind, insbesondere in einem Land, das eine schnelle digitale Modernisierung vorantreibt.

Was das für den Alltagseinkauf bedeutet

Für Nicht‑Fachleute lautet die Kernbotschaft: Intelligente Algorithmen können den Einzelhandel sowohl effizienter als auch stärker an Menschen orientiert machen – vorausgesetzt, sie sind an ein Verständnis gebunden, wie Menschen denken und fühlen. Im AIM2‑Rahmen ist die „Intelligenz“ nicht nur das Raten dessen, was Sie als Nächstes kaufen; sie soll sicherstellen, dass diese Vorhersagen Vertrauen, Zufriedenheit und langfristige Loyalität fördern statt Ärger oder Misstrauen zu wecken. Die realen Ergebnisse in einer saudischen Supermarktkette zeigen, dass ein solches System Kunden sinnvoll segmentieren, sinnvolle Produkt‑Bundles vorschlagen und Nachfrage‑ sowie Churn‑Prognosen verbessern kann – und das mit integrierten Prüfungen zu Fairness und Transparenz. Praktisch könnte das bedeuten, dass Lebensmittel‑Apps eher wie ein hilfreicher Assistent und weniger wie ein aufdringlicher Verkäufer wirken – was sowohl bessere Einkaufserlebnisse für Einzelne als auch breitere digitale und Nachhaltigkeitsziele des Landes unterstützt.

Zitation: Alarfaj, F.K., Badouch, M., Khan, H.U. et al. AIM2 framework for smart marketing innovation using AI driven consumer analytics with SOR neural networks and XGBoost in Saudi retail. Sci Rep 16, 14160 (2026). https://doi.org/10.1038/s41598-026-42787-3

Schlüsselwörter: KI‑Marketing, Einzelhandelsanalyse, Verbraucherverhalten, Saudi Vision 2030, personalisierte Einkaufserlebnisse