هوش مصنوعی در خردهفروشی: اولویت اول داده محصول و موجودی است و چتبات اختصاصی در رتبه بعد
دستیارهای هوش مصنوعی بیرونی بخشی از مسیر خرید را در دست میگیرند. BCG داده ساختاریافته محصول را اولویت اول و ایجنت اختصاصی را گام دوم میداند.
فهرست مطالب
مدیر خردهفروشی میپرسد بودجه هوش مصنوعی را کجا بگذارد تا اثرش زودتر در حاشیه سود دیده شود. هیچیک از منابع این تحلیل عددی درباره اثر مستقیم هوش مصنوعی بر حاشیه سود نمیدهد و این کمبود شاهد را باید جدی گرفت. با این حال دو الگوی روشن در منابع دیده میشود. اول، مسیر ورود خریدار به فروشگاه آنلاین به سمت دستیارهایی مثل ChatGPT، Gemini و Perplexity میرود که محصول پیدا میکنند، قیمتها را مقایسه میکنند و خرید را هم انجام میدهند[۳]. دوم، در لایه پشتی، پیشبینی تقاضا و اتصال به تأمینکننده به یک برند مد هندی امکان داده است محصولات مرتبط را ظرف ۳۰ روز به مشتریان عرضه کند[۴]. برداشت ما این است که مسئله انتخاب میان دستیار اختصاصی و داده نیست، بلکه ترتیب اولویتهاست. نمیتوان با قطعیت گفت که لایه پشتی سود بیشتری میسازد. اما این لایهای است که خردهفروش کنترلش را از دست نمیدهد و به نظر میرسد باید پیش از ایجنت اختصاصی سامان بگیرد.
واقعیتهای کلیدی
- به گزارش مارس ۲۰۲۵ Adobe، احتمال خرید در ترافیک هوش مصنوعی مولد ۹ درصد کمتر از منابع دیگر بود. این فاصله در ژوئیه ۲۰۲۴، ۴۳ درصد بود.[۲]
- به نقل از داده Adobe، ترافیک هوش مصنوعی مولد به سایتهای خردهفروشی آمریکا در ژوئیه ۲۰۲۵ نسبت به سال قبل ۴٬۷۰۰ درصد رشد کرد.[۳]
- BCG گام اول را ساختاریافته و قابلخواندن کردن داده محصول برای ماشینها و گام دوم را ساخت ایجنتهای اختصاصی میداند.[۳]
- در یک مقایسه روی داده فروش خردهفروشی، XGBoost با RMSE برابر ۴٫۸۳۳ کمترین خطا را داشت و شبکههای عصبی ضعیفتر ماندند.[۱]
- به گفته Bain، برند یک خردهفروش هندی با حسکردن تقاضا و اتصال به تأمینکننده، محصولات را ظرف ۳۰ روز به مشتریان عرضه میکند.[۴]
جلوی فروشگاه به سمت دستیارهای بیرونی میرود
گزارش پایهای Adobe که در مارس ۲۰۲۵ منتشر شد نشان داده بود ترافیک ورودی از منابع هوش مصنوعی مولد به سایتهای خردهفروشی آمریکا در بازه ۱ نوامبر تا ۳۱ دسامبر ۲۰۲۴ نسبت به سال قبل ۱٬۳۰۰ درصد رشد کرده است[۲]. همین گزارش رشد فوریه ۲۰۲۵ را نسبت به ژوئیه ۲۰۲۴، ۱٬۲۰۰ درصد اعلام کرد[۲]. Adobe همچنین تأکید کرد که این ترافیک هنوز در مقایسه با جستوجوی پولی یا ایمیل کوچک است[۲]. در نظرسنجی همراه این گزارش، ۳۹ درصد مصرفکنندگان گفته بودند از هوش مصنوعی مولد برای خرید آنلاین استفاده کردهاند[۲].
نکته مهمتر برای بحث حاشیه سود، نرخ تبدیل است. در گزارش مارس ۲۰۲۵ Adobe آمده است که احتمال خرید در بازدیدهایی که از منابع هوش مصنوعی مولد میآیند ۹ درصد کمتر از منابع دیگر است، در حالی که این فاصله در ژوئیه ۲۰۲۴ به ۴۳ درصد میرسید[۲]. گزارش ماه دقیق اندازهگیری رقم ۹ درصد را ذکر نکرده است. Adobe این شکاف را نشانه آن میداند که مصرفکننده از هوش مصنوعی بیشتر در مرحله تحقیق استفاده میکند[۲]. به گفته همین گزارش، نرخ تبدیل این ترافیک در الکترونیک و جواهر بیشترین و در پوشاک، لوازم خانه و خواربار کمترین مقدار را داشت[۲].
تحلیل تازهتر BCG که در اکتبر ۲۰۲۵ از طریق Digital Commerce 360 گزارش شد، با استناد به داده Adobe رشد این ترافیک را در ژوئیه ۲۰۲۵ نسبت به سال قبل ۴٬۷۰۰ درصد اعلام کرد[۳]. در همین گزارش آمده است که ChatGPT پرداخت فوری را برای فروشندگان Etsy راه انداخته، Perplexity پرداخت درون گفتوگو را با PayPal ممکن کرده و AI Mode گوگل مقایسه محصول را ارائه میدهد[۳]. به گفته BCG، خردهفروشانی که واکنش نشان ندهند ممکن است در بازارهایی که عاملهای هوش مصنوعی اداره میکنند به زیرساختی پشتصحنه تبدیل شوند[۳]. BCG راهبردی سهبخشی پیشنهاد میکند که گام اول آن ساختاریافته، معتبر و قابلخواندن کردن داده محصول برای ماشین است[۳]. گام دوم، ساخت تجربههای عاملمحور اختصاصی است: ایجنتهای برند، ایجنتهای پشتیبان کارکنان فروشگاه و ایجنتهای همکار برای عملیات تأمینکننده[۳]. گام سوم، توانمندیهای پایه مثل پلتفرم هوش مصنوعی، سنجش دیده شدن در هوش مصنوعی مولد، حاکمیت و آموزش نیروی کار است[۳].
چرا چتبات اختصاصی اولویت دوم است، نه اولویت اول
خود BCG ایجنت اختصاصی برند را کنار نمیگذارد و آن را گام دوم راهبرد میداند[۳]. برداشت ما این است که ترتیب مهم است. اگر خریدار کار تحقیق و مقایسه را در یک دستیار بیرونی انجام دهد، دستیار اختصاصی سایت احتمالاً در مرحلهای به کار میآید که تصمیم خرید تا حد زیادی گرفته شده است. در عین حال، هر دو نوع دستیار به یک خوراک نیاز دارند: مشخصات دقیق کالا، قیمت و موجود بودن کالا در لحظه. بنابراین به نظر میرسد داده محصول پیشنیاز دستیار اختصاصی هم هست، نه جایگزین آن.
یک نکته ناخوشایند هم در دادهها هست. خواربار و لوازم خانه که از نظر عملیاتی به موجودی و ضایعات حساساند، در گزارش Adobe کمترین نرخ تبدیل را از ترافیک هوش مصنوعی داشتند[۲]. برداشت ما این است که در همین دستهها بازده ابزارهای مشتریمحور دیرتر دیده میشود و پول بیشتری در عملیات گیر افتاده است.
باید دید آیا تعبیر تغییر لرزهای که BCG به کار میبرد اغراق است[۳]. رقمهای رشد بسیار بزرگ روی پایهای کوچک محاسبه شدهاند و خود Adobe گفته است این کانال هنوز در مقایسه با کانالهای دیگر کوچک است[۲]. تحلیل BCG هم تحلیل یک مشاور است و اندازهگیری مستقل به حساب نمیآید. پس جهت حرکت روشن است، ولی سرعت و اندازه آن هنوز ثابت نشده است.
لایه پشتی: پیشبینی تقاضا با مدل سادهتر از آنچه تصور میشود
Bain در گزارشی که تاریخ انتشارش در منابع ما مشخص نیست، مثال برند تازه یک خردهفروش بزرگ هندی را آورده است. به گفته Bain، این برند با حسکردن تقاضا به کمک هوش مصنوعی و یکپارچهسازی با تأمینکننده، محصولات مد مرتبط با روند روز را طراحی میکند و ظرف ۳۰ روز در معرض انتخاب مشتریان قرار میدهد[۴]. همین گزارش میگوید موفقیت تجارت سریع به توان پیشبینی این بستگی دارد که کدام کالا برای کدام گروه مشتری و در کدام محل لازم است[۴]. خردهفروشان هندی برای این کار از داده خرید گذشته و داده آبوهوا استفاده میکنند[۴]. به گفته Bain، این مدل در آسیا به دلیل تراکم شهری و دستمزد پایین صرفه اقتصادی دارد، ولی در بیشتر نقاط اروپا، استرالیا و آمریکا نه[۴].
یک پژوهش مقایسهای در arXiv که تاریخ آن در منابع ما مشخص نیست، مدلها را روی داده فروش خردهفروشی با تقاضای متناوب، داده گمشده زیاد و جابهجایی مکرر محصول آزموده است[۱]. در این آزمون، مدلهای درختی محلی بهتر عمل کردند و XGBoost کمترین خطا را با RMSE برابر ۴٫۸۳۳ به دست آورد[۱]. شبکههای عصبی حتی با روش جایگزینی داده SAITS از مدلهای ترکیبی ضعیفتر ماندند[۱]. نتیجهگیری نویسندگان این است که انتخاب مدل باید بیشتر بر اساس تناسب با ویژگیهای مسئله باشد تا پیچیدگی معماری[۱].
سبد پروژه برای مدیر، تیم داده و تیم بازاریابی
برداشت ما این است که مانع اصلی پیشبینی تقاضا نبود مدل پیشرفته نیست و بیشتر به کیفیت داده سطح کالا و فروشگاه برمیگردد. منابع این تحلیل عددی درباره اینکه بهتر شدن پیشبینی چه اندازه کالای ناموجود یا ضایعات را کم میکند ارائه نمیدهند. این حلقه گمشده باید در هر طرح کسبوکار داخلی اندازهگیری شود و نباید آن را فرض گرفت.
به نظر میرسد اولویت اول پروژهای است که دو کار را با هم انجام دهد. داده محصول تمیز و ساختاریافته هم خوراک مدل پیشبینی است و هم چیزی است که دستیارهای بیرونی و اختصاصی میخوانند. اولویت دوم، پیشبینی تقاضا در سطح کالا و فروشگاه است که با مدل پایه ساده شروع شود و فقط وقتی سراغ مدل پیچیدهتر برود که بهبود آن اندازهگیری شده باشد. در کنار این دو، زیرساخت هوش تجاری برای جدا کردن ترافیک و فروشی که از دستیارهای هوش مصنوعی میآید لازم است تا گفتوگوی بودجه بر پایه داده خود شرکت انجام شود و نه بر پایه تیترها. ایجنت اختصاصی برند وقتی ارزش بیشتری پیدا میکند که روی این پایه ساخته شود.
تیم بازاریابی باید بداند که دیده شدن در پاسخ دستیارها احتمالاً بیشتر به کیفیت داده کاتالوگ بستگی دارد تا خلاقیت تبلیغ. تیم محصول هم پیش از ساخت دستیار اختصاصی باید روشن کند این دستیار در کدام مرحله از مسیر خرید کاری انجام میدهد که دستیار بیرونی انجام نمیدهد.
یک اثر ثانویه محتمل هم هست که فعلاً فقط یک برداشت است: اگر دستیارها خرید را خودشان انجام دهند، احتمالاً خردهفروشی را ترجیح میدهند که موجودی لحظهایاش قابلاعتماد باشد. در آن صورت دقت موجودی از یک موضوع عملیاتی به عاملی در جذب مشتری تبدیل میشود و مرز میان زنجیره تأمین و بازاریابی کمرنگتر میشود.
| لایه | شاهد در منابع | آنچه منابع نشان نمیدهند |
|---|---|---|
| دستیار خرید و ترافیک هوش مصنوعی | رشد سریع ترافیک و کم شدن فاصله نرخ تبدیل از ۴۳ به ۹ درصد | اثر بر حاشیه سود خردهفروش |
| عاملهای خرید بیرونی | پرداخت درون ChatGPT و Perplexity و مقایسه محصول در AI Mode گوگل | سهم واقعی فروشی که از این مسیر انجام میشود |
| داده محصول | گام اول راهبرد BCG برای دیده شدن در پاسخ عاملها | هزینه و بازده آمادهسازی داده |
| ایجنت اختصاصی برند | گام دوم راهبرد BCG | بازده ایجنت اختصاصی نسبت به دستیارهای بیرونی |
| پیشبینی تقاضا و موجودی | عرضه محصول به مشتری ظرف ۳۰ روز و برتری XGBoost در یک آزمون | میزان کاهش کالای ناموجود یا ضایعات |
خط زمانی
- 2024-07: احتمال خرید در ترافیک هوش مصنوعی مولد ۴۳ درصد کمتر از منابع دیگر بود[۲]
- 2025-03-17: انتشار گزارش Adobe که فاصله نرخ تبدیل را ۹ درصد اعلام کرد، بدون ذکر ماه دقیق اندازهگیری[۲]
- 2025-07: رشد ۴٬۷۰۰ درصدی ترافیک هوش مصنوعی به سایتهای خردهفروشی آمریکا نسبت به سال قبل[۳]
- 2025-10: تحلیل BCG درباره تجارت عاملمحور: اول داده محصول، سپس ایجنتهای اختصاصی[۳]
برای کسبوکارهای ایرانی
برای تیمهایی که دسترسی پایداری به سرویسهای ابری و مدلهای پیشرفته خارجی ندارند، یافته پژوهش S1 نکته کاربردی دارد: در آن آزمون، مدلهای درختی مثل XGBoost و LightGBM از معماریهای عمیق بهتر عمل کردند[۱]. این مدلها میتوانند با داده فروش خود شرکت و بدون وابستگی به سرویس بیرونی اجرا شوند. به نظر میرسد برای خردهفروشها، شروع پیشبینی تقاضا بیشتر به نظم در ثبت داده کالا و فروشگاه نیاز دارد تا به دسترسی به مدلهای بزرگ.
چه چیزی را باید دنبال کرد
- آیا عاملهای خرید، اطلاعات موجودی لحظهای فروشنده را در رتبهبندی پیشنهادهایشان به کار میگیرند
- دادههای بعدی Adobe درباره فاصله نرخ تبدیل ترافیک هوش مصنوعی با کانالهای دیگر
- پژوهشهایی که اثر پیشبینی بهتر را بر کالای ناموجود و ضایعات با عدد اندازه میگیرند
- گسترش پرداخت فوری ChatGPT و راهاندازی پرداخت یککلیکی در AI Mode گوگل برای فروشگاههای بیشتر
دادههای مرتبط در همین سایت: دانلود روزانه کیتهای توسعه هوش مصنوعی در npm
منابع
- Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting — arXiv.org، منبع مرجع، دسترسی: 2026-09-18
- Adobe Analytics: Traffic to U.S. Retail Websites from Generative AI Sources Jumps 1,200 Percent | Adobe Blog — Adobe Analytics: Traffic to U.S. Retail Websites from Generative AI Sources Jumps 1,200 Percent، انتشار: 2025-03-17، مرجع پایه، دسترسی: 2026-09-18
- How AI shopping agents are rewiring retail — Digital Commerce 360 | Internet Retailer، انتشار: 2025-10-27، شواهد تازه، دسترسی: 2026-09-18
- NRF APAC 2025: Data Is Redefining Retail — Bain & Company، منبع مرجع، دسترسی: 2026-09-18
روش تهیه: این تحلیل با سامانه پایش خودکار khavarzadeh.com و کمک مدلهای زبانی از منابع بالا تهیه شده و پیش از انتشار، تطابق اعداد، تاریخها و ارجاعها با منابع بهصورت خودکار کنترل شده است. واقعیتها با شماره منبع مشخص شدهاند و بقیه متن برداشت تحلیلی است. تاریخ تهیه: 2026-09-18.
نظرات
هنوز نظری ثبت نشده است؛ اولین نفر باشید.
افزودن نظر