A multi-level AI-driven product policy model for retail chains as a conceptual framework for marketing consulting

Abstract

Активний розвиток омніканальних систем збуту, а також необхідність підвищення швидкості й точності маркетингових рішень у товарній політиці зумовлюють потребу впровадження алгоритмічних методів аналізу даних і технологій штучного інтелекту, що особливо важливо для підприємств ритейлу в умовах високої ринкової конкуренції, динамічних змін споживчого попиту та необхідності ухвалення гнучких екстрених рішень. Мета дослідження полягала в розробленні теоретико-методологічних засад управління товарною політикою підприємств роздрібної торгівлі шляхом проєктування концептуальної багаторівневої моделі товарної політики на основі штучного інтелекту. Дослідження ґрунтувалося на поєднанні загальнонаукових і спеціальних методів, зокрема, аналізу та синтезу, порівняльного аналізу, системного аналізу, структурно-логічного моделювання, абстрагування та узагальнення. Здійснено теоретичне обґрунтування переходу до AI-керованої товарної політики через визначення системоутворювальної ролі даних у процесі ухвалення маркетингових рішень аналіз можливостей алгоритмів машинного навчання та конкретизацію напрямів їх застосування у прогнозуванні попиту, оптимізації асортименту й автоматизованого управління запасами. Розроблено, структуровано та обґрунтовано багаторівневу модель AI-керованої товарної політики, що функціонує як цілісна замкнена система із механізмом зворотного зв’язку і поєднує етапи збору та інтеграції даних, алгоритмічне прогнозування та АІ-аналітику, управлінські рішення з оптимізації асортименту, автоматизованого управління запасами, KPI-моніторинг результативності. Визначено переваги запропонованої моделі, практичні результати від її впровадження та системні бар’єри реалізації АІ-рішень. Практична цінність дослідження полягає у можливості використання розробленого підходу як методичного інструментарію маркетингового консультування для підвищення адаптивності суб’єктів ритейлу, зниження операційних витрат, прискорення товарообороту та формування стійких конкурентних позицій на основі data-driven управління.

The rapid development of omnichannel distribution systems and the increasing need to improve the speed and accuracy of marketing decision-making in product policy create a strong demand for the implementation of algorithmic data analysis methods and artificial intelligence technologies. This study aimed to develop the theoretical and methodological foundations of product policy management in retail enterprises through the design of a conceptual multi-level AI-driven product policy model. The research was based on a combination of general scientific and specialised methods, including analysis and synthesis, comparative analysis, systems analysis, structural-logical modelling, abstraction, and generalisation. The proposed model was conceptualised as an adaptive self-regulating system that integrates data, machine learning algorithms, and managerial decision-making processes and serves as a methodological platform for marketing consulting aimed at implementing intelligence-supported decisions in retail practice. The study provided a theoretical justification for the transition toward AI-driven product policy by identifying the system-forming role of data in marketing decision-making, analysing the capabilities of machine learning algorithms, and specifying directions for their application in demand forecasting, assortment optimisation, and automated inventory management. As a result, a conceptual multi-level model of AI-driven product policy was developed, integrating data infrastructure, machine learning analytics, managerial decision-making, and marketing consulting support into a unified adaptive management cycle. The model functions as an integrated closed-loop system with a feedback mechanism and includes the stages of data collection and integration, algorithmic forecasting and AI-based analytics, managerial decision-making for assortment optimisation and automated inventory management, and KPI-based performance monitoring. The practical significance of the research lies in the possibility of applying the proposed model as a methodological tool for marketing consulting aimed at increasing the adaptability of retail enterprises, reducing operational costs, accelerating inventory turnover, and strengthening competitive positions through data-driven management.