在沙特零售中使用 SOR 神经网络和 XGBoost 的 AI 驱动消费者分析的 AIM2 智能营销创新框架

你的杂货数据为何重要

每次购物——无论是在街角商店买面包和牛奶，还是在网上将周末所需放入购物车——你都会留下数字线索。本文展示了如何将这些线索转化为更智能、更公平的营销，适用于沙特快速增长的零售业。作者将先进的人工智能与一个经典的心理学模型（人们如何对环境作出反应）相结合，提出了一套让超市发送的优惠看起来真正有用而非让人不安的方法，同时支持愿景2030 下的国家数字化转型目标。

从简单广告到智能对话

零售营销曾是面向所有人的单一信息：相同的电视广告、相同的传单、相同的折扣。随着购物转向线上和移动端，这一格局发生了变化。如今，商家可以看到哪些产品通常一起购买、顾客多久光顾一次以及他们对价格变动的敏感度。研究认为，这些信息洪流需要的不仅是巧妙的数学方法；它必须以真实人类的思维和感受为基础。作者基于心理学中的“刺激—有机体—反应（Stimulus–Organism–Response）”理念：我们所见（刺激）塑造我们的感受和思考（有机体），进而引导我们的行为（反应）。对零售来说，这意味着数字化优惠和定价应以顾客信任、感知价值与满意度为设计要点，而不仅仅追求短期销售。

面向现代零售的三层引擎

论文的核心是一个名为 AIM2 的新框架，全称为 AI‑Integrated Marketing Innovation Model（AI 集成营销创新模型）。AIM2 构建为三层引擎。底层由强大的算法处理来自 Tamimi Markets（沙特大型杂货连锁）的原始销售数据。这些算法包括将顾客分为预算型、中端和高端的聚类方法；发现常见搭配的模式挖掘工具；随时间学习需求模式的神经网络；以及适用于真实世界噪声数据的基于树的 XGBoost 算法。中层把这些算法输出转化为顾客实际可见的具体行动，例如推荐组合或限时折扣。顶层则跟踪这些行动如何影响信任与满意度等情感，以及重复访问与忠诚等行为，闭合数据与人类体验之间的回路。

数据揭示的沙特消费者特征

利用数月的真实交易记录，研究者表明沙特杂货顾客自然分为三类主要消费风格。预算型顾客访问频率较低、单次消费较少，并对价格变化和促销反应强烈。中端顾客则更为平衡，而高端顾客的购物篮更为多样、单次消费更高且对价格敏感度较低。系统还发现了稳定的商品配对——例如日常主食与较高端商品的组合——这些可以转化为有用的组合包。在预测方面，AI 工具明显优于传统方法：与传统回归相比，XGBoost 将定价与流失误差约减少 14%，并在准确率上比简单神经网络高出约 9%；基于序列的神经网络则更好地捕捉到像斋月和开斋节等事件带来的季节性激增。

保持系统公平、透明与可适应

除了原始准确度外，该框架还包含旨在负责任使用的保障措施。作者检查 AI 是否在预测结果上对不同行为群体（例如高消费与低消费顾客）表现相似，在差异过大时发出警示。他们还使用可解释性工具展示哪些变量对每个预测影响最大，帮助营销人员理解系统为何认为某位顾客可能流失或会对某个价格作出反应。一个反馈回路会监测随时间变化的情况：如果顾客行为发生变化或公平性指标漂移，模型将重新训练。此设计承认零售环境与消费者期望都是不断变化的目标，尤在一个推动快速数字化现代化的国家中更是如此。

对日常购物的意义

对非专业读者而言，主要信息是：如果将算法与对人类思维与感受的理解相结合，更聪明的算法可以让零售既更高效又更以人为本。在 AIM2 框架中，“智能”不仅是猜测你下一步会买什么；它还要确保这些猜测能促进信任、满意度与长期忠诚，而不是带来烦恼或怀疑。该研究在沙特超市的实际结果表明，这样的系统可以有意义地细分顾客、建议合理的商品组合并改进需求与流失预测，同时内置公平与透明检查。实际上，这可能意味着让杂货应用更像一个有用的助手而非咄咄逼人的推销员——既改善个人的购物体验，也支持国家更广泛的数字化与可持续发展目标。

引用: 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

关键词: 人工智能营销, 零售分析, 消费者行为, 沙特愿景2030, 个性化购物