Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

סגמנטציה של קמעונאים משופרת בעזרת AI ניתן להסבר באמצעות גרף ידע

· חזרה לאינדקס

מדוע קיבוצים חכמים של קמעונאים חשובים

כשמותג גדול עובד עם אלפי שותפי קמעונאות, הבחירה אילו חנויות לתמוך בהן בחוזקה יכולה להכריע את הרווחיות. מאמר זה בוחן שיטה חדשה למיין קמעונאים לקבוצות משמעותיות באמצעות צורת אינטיליגנציה מלאכותית שיכולה גם להסביר כיצד הגיעה להחלטותיה. משמעות הדבר היא שמנהלים לא מקבלים רק תשובה אילו שותפים הם "אסטרטגיים" או "מסוכנים" — הם גם רואים את הסיבות מאחורי כל החלטה, מה שמקל על האמון במערכת והפעלת ההמלצות שלה.

כיצד הקמעונאים מעצבים את הצלחת המותג

קמעונאים מהווים את החזית בין מותג ללקוחותיו. כפי שמדגימה דוגמת Nike, גם כאשר חברה מפתחת מכירות ישירות מקוונות, נתח גדול מההכנסות עדיין יכול לעבור דרך חנויות עצמאיות. לכן מותגים מנסים למקד את הזמן, האשראי והתמיכה שלהם בקבוצה מצומצמת של קמעונאים בעלי ביצועים גבוהים. תהליך המיון הזה, המכונה סגמנטציית קמעונאים, עוזר להפחית עלויות, לחדד שירות ולהגביר מכירות בכל הרשת. אך לבצע זאת נכון הוא מאתגר, שכן הביצועים תלויים בגורמים רבים — מאמינות המסירה ושימוש בטכנולוגיה ועד בריאות פיננסית ותכנון ביקושים.

מגבלות שיטות דירוג מסורתיות

חברות רבות עדיין מסתמכות על כלים פשוטים כגון מטריצות פורטפוליו או כרטיסי ניקוד רב-קריטריים כדי לקבץ קמעונאים. שיטות אלה מוכרות, אך מתקשות כאשר הקריטריונים רבים והנתונים מורכבים. הן לעתים מסתירות את הקשרים בין היבטים שונים של הביצועים ועלולות לכפות על מנהלים לסמוך על ציונים מבלי להבין את הסיפור שמאחוריהם. המחברים סוקרים מחקרים קודמים המראים כי מיזוג בדיקות מפורטות לממדים רחבים יותר כמו תפעול, טכנולוגיה ופיננסים יכול לשפר בהירות, אך הם גם טוענים שגישה חכמה ושקופה יותר אפשרית כיום עם כלי AI מודרניים.

Figure 1. כיצד AI ניתן להסבר ממיין רבים מהקמעונאים לקבוצות ברורות על בסיס התנהגותם וביצועיהם.
Figure 1. כיצד AI ניתן להסבר ממיין רבים מהקמעונאים לקבוצות ברורות על בסיס התנהגותם וביצועיהם.

שילוב AI ניתן להסבר וגרפי ידע

המחקר מציג שיטת סגמנטציה של קמעונאים המבוססת על גרף ידע — מפת מידע ממוסדת שמקשרת עובדות על קמעונאים בצורה שמחשבים יכולים להסיק ממנה. ראיונות עם מומחים ומחקרים קודמים שימשו לבחירת בדיקות מפתח, כולל ביצועי משלוחים, עלות בעלות כוללת, יכולות ניהול ביקושים, אופן התקשורת, ניהול נתונים וסיכון תשלום. חלק מהבדיקות, כגון זמני מסירה ועלות, הן מספריות; אחרות, כמו סגנון תקשורת או כלי נתונים בשימוש, הן איכותניות. אלה מאורגנות לשלושה ממדים: תפעול, טכנולוגיה ופיננסים. נתונים אמיתיים אך מאונפיים מתשעה-עשר קמעונאים מוזנים לגרף, ותופסים גם ערכים כמותיים וגם שיפוטים מקצועיים לגבי כל שותף.

מנתונים גולמיים לקטגוריות קמעונאים ברורות

באמצעות תוכנה ייעודית, המחברים קידדו כללי עסקים כמשפטים לוגיים בתוך הגרף. לדוגמה, קמעונאי עם החזרות גבוהות אך סיכון ניתן לניהול, תקשורת דיגיטלית חזקה, מערכות נתונים אמינות, עלויות סבירות, מסירה יציבה וניהול ביקוש טוב יטופל כשותף "אסטרטגי". קמעונאים עם החזרות נמוכות יותר אך התנהגות בטוחה ויכולות חלשות מסווגים כ"בסיסיים", בעוד כאלה המפגינים החזרות רעות או שליליות או סיכון גבוה עם עלויות גבוהות ומסירה חלשה נכנסים לקטגוריית "צוואר בקבוק". מנוע הסקה אוטומטי מיישם את הכללים על הנתונים ומסיק לאיזו סגמנט שייך כל קמעונאי. מכיוון שכל החלטה קשורה לתנאים מפורשים, מנהלים יכולים לעקוב במדויק מדוע חנות מסוימת סומנה בדרך מסוימת ולבדוק שהמסקנה תואמת את הבנתם.

Figure 2. כיצד נתוני קמעונאים על אספקה, עלות, טכנולוגיה ותשלומים עוברים דרך גרף ידע כדי להגיע להחלטות סגמנטציה.
Figure 2. כיצד נתוני קמעונאים על אספקה, עלות, טכנולוגיה ותשלומים עוברים דרך גרף ידע כדי להגיע להחלטות סגמנטציה.

בדיקת הלוגיקה של המערכת

המחברים מאמתים את המערכת על ידי הרצת שאילתות המבקשות, למשל, אילו קמעונאים נחשבים אסטרטגיים ואז בודקים האם הנתונים הבסיסיים אכן עומדים בכל התנאים המפורשים. דוגמאות מקרה מראות כיצד קמעונאי עם החזרות גבוהות, סיכון גבוה אך מקובל, כלים דיגיטליים חזקים ומסירה טובה ממוקם בסגמנט האסטרטגי, בעוד אחר עם החזרות שליליות ועלויות גבוהות נופל לקטגוריית צוואר הבקבוק. מאחר שהסגמנטים מוגדרים בחוקים ברורים וללא חפיפה בפרוטוטייפ זה, לא מתעוררים קונפליקטים, אך המחברים מציינים כי שימוש בעולם האמיתי עשוי לכלול יותר סגמנטים וגבולות מטושטשים שיחייבו כיוונון נוסף.

מה משמעות הדבר להחלטות עסקיות יומיומיות

במילים פשוטות, המאמר מראה כיצד מותגים יכולים לזוז מתחושות בטן וציונים מטושטשים למפת רשת קמעונאים שקופה ועשירה בנתונים. על ידי שילוב חתיכות מידע רבות למודל אחד ניתן להסבר, גישת גרף הידע מסייעת למקבלי החלטות לראות לא רק מי הם השותפים הטובים והמסוכנים ביותר שלהם, אלא גם מדוע. למרות שהמחקר הנוכחי הוא הוכחת מושג מפושטת, הוא מצביע על כלים עתידיים שיכולים לטפל בעוד קריטריונים ושיטות הסקה מתקדמות, ולספק הנחיה ברורה יותר לחברות היכן להשקיע, היכן לתמוך בשיפור והיכן להגביל חשיפה.

ציטוט: Shiralkar, K., Bongale, A., Kumar, S. et al. Explainable AI augmented retailer segmentation using knowledge graph. Sci Rep 16, 15783 (2026). https://doi.org/10.1038/s41598-026-44928-0

מילות מפתח: סגמנטציה של קמעונאים, AI ניתן להסבר, גרף ידע, שרשרת אספקה, סיכון תשלום