AIM2-ramverk för smart marknadsföringsinnovation med AI‑driven konsumentanalys med SOR‑neurnät och XGBoost inom saudisk detaljhandel

Varför dina mataffärsdata spelar roll

Varje gång du handlar — oavsett om du plockar upp bröd och mjölk i en närbutik eller fyller en kundvagn online med helgens varor — lämnar du efter dig en bana av digitala ledtrådar. Denna artikel visar hur de ledtrådarna kan omvandlas till smartare och rättvisare marknadsföring i Saudiarabiens snabbväxande detaljhandelssektor. Genom att blanda avancerad artificiell intelligens med en klassisk psykologisk modell för hur människor reagerar på sin omgivning, föreslår författarna ett sätt för stormarknader att skicka erbjudanden som upplevs som genuint hjälpsamma snarare än märkliga, samtidigt som de stöder nationella mål för digital omställning under Vision 2030.

Från enkla annonser till intelligenta samtal

Detaljhandelsmarknadsföring handlade tidigare om ett enda stort budskap för alla: samma TV‑reklam, samma flygblad, samma rabatt. När handeln flyttat online och till mobiltelefoner har den världen förändrats. Idag kan butiker se vilka produkter som ofta köps tillsammans, hur ofta kunderna besöker butiken och hur priskänsliga de är. Studien menar att denna informationsflod kräver mer än bara listiga matematiska metoder; den måste förankras i hur verkliga människor tänker och känner. Författarna bygger vidare på idén Stimulus–Organism–Response (SOR) från psykologin, som säger att vad vi ser (stimulus) formar hur vi känner och tänker (organism), vilket sedan styr vad vi gör (response). I detaljhandelstermer innebär det att digitala erbjudanden och priser bör utformas med kundförtroende, upplevt värde och tillfredsställelse i åtanke — inte bara kortsiktig försäljning.

En trelagersmotor för modern detaljhandel

Hjärtpunkten i artikeln är ett nytt ramverk kallat AIM2, en förkortning av AI‑Integrated Marketing Innovation Model. AIM2 är uppbyggt som en trevåningsmotor. På bottenvåningen silar kraftfulla algoritmer råa försäljningsdata från Tamimi Markets, en stor saudisk livsmedelskedja. Dessa inkluderar klustringsmetoder som grupperar shoppare i budget-, mellanklass‑ och premiumtyper; mönsterutvinningsverktyg som upptäcker vilka varor som ofta köps tillsammans; neurala nätverk som lär sig efterfrågemönster över tid; och XGBoost‑algoritmen, en träd‑baserad metod väl lämpad för rörig verklighetsdata. Mellanvåningen översätter dessa algoritmutgångar till konkreta åtgärder som kunder faktiskt ser, såsom rekommenderade paket eller tidsbegränsade rabatter. Toppen spårar hur dessa åtgärder påverkar känslor som förtroende och tillfredsställelse, och beteenden som återkommande besök och lojalitet, och sluter därigenom loopen mellan data och mänsklig upplevelse.

Vad data avslöjade om saudiska shoppare

Med flera månaders verkliga transaktionsregister visar forskarna att saudiska mataffärskunder naturligt faller in i tre huvudsakliga spenderstilar. Budgetshoppare besöker mindre ofta, spenderar mindre per köp och reagerar starkt på prisförändringar och kampanjer. Mellanklasskunder är mer balanserade, medan premiumkunder köper mer varierade korgar, spenderar mer per besök och är mindre priskänsliga. Systemet upptäcker även stabila produktpar—såsom vardagsbasvaror och mer exklusiva kombinationer—som kan omvandlas till användbara paket. När det gäller prognoser presterar AI‑verktygen avsevärt bättre än äldre metoder: XGBoost‑modellen minskar pris- och churnfel med cirka 14 % jämfört med traditionell regressionsanalys, och slår ett enkelt neuralt nät i noggrannhet med cirka 9 %, medan sekvensbaserade neurala nät bättre fångar säsongsökningar kring händelser som ramadan och Eid.

Säkerställa att systemet är rättvist, transparent och anpassningsbart

Utöver ren noggrannhet innehåller ramverket skyddsåtgärder för ansvarsfull användning. Författarna kontrollerar om AI‑systemet behandlar olika beteendegrupper — såsom hög‑ och lågspenderande kunder — likvärdigt i termer av förutsagda utfall och flaggar problem när skillnader blir för stora. De använder också förklaringsverktyg som visar vilka variabler som mest påverkar varje prognos, vilket hjälper marknadsförare att förstå varför systemet bedömer att en kund kan lämna eller reagera på ett visst pris. En återkopplingsslinga övervakar förändringar över tid: om kundbeteendet skiftar eller rättvisemått driver iväg tränas modellerna om. Denna utformning erkänner att detaljhandelsmiljöer och konsumentförväntningar är rörliga mål, särskilt i ett land som driver snabb digital modernisering.

Vad det innebär för vardagshandeln

För icke‑specialister är huvudbudskapet att smartare algoritmer kan göra detaljhandeln både mer effektiv och mer människoorienterad — om de kopplas till en förståelse för hur människor tänker och känner. I AIM2‑ramverket handlar ”intelligensen” inte bara om att gissa vad du kommer köpa härnäst; det handlar om att säkerställa att dessa gissningar främjar förtroende, tillfredsställelse och långsiktig lojalitet snarare än irritation eller misstro. Studiens verkliga resultat i en saudisk stormarknad visar att ett sådant system kan segmentera kunder meningsfullt, föreslå vettiga produktpaket och förbättra efterfråge‑ och churnprognoser, samtidigt som det bygger in kontroller för rättvisa och transparens. I praktiska termer kan det innebära mataffärsappar som känns mer som en hjälpsam assistent och mindre som en påträngande försäljare — vilket stöder både bättre köpupplevelser för individer och bredare digitala och hållbarhetsmål för landet.

Citering: 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

Nyckelord: AI‑marknadsföring, butiksanalys, konsumentbeteende, Saudi Vision 2030, personaliserad shopping