Отримано 24.09.2025, Доопрацьовано 30.01.2026, Прийнято 26.03.2026 Опубліковано 06.04.2026

Модель AI-керованої товарної політики роздрібних мереж як концептуальна основа маркетингового консультування

Олена Біловодська, Анастасія Волевaха

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

маркетингові рішення; маркетингове планування; data-driven управлінcьке консультування; цифрова аналітика; товарний портфель; ринково-продуктова стратегія; омніканальна роздрібна торгівля
45-54
Bilovodska, O., & Volevakha, A. (2026). A multi-level AI-driven product policy model for retail chains as a conceptual framework for marketing consulting. Innovation and Sustainability, 6(1), 45-54. https://doi.org/10.31649/vis/1.2026.45

Використані джерела

  1. Ahmed, R.S., Hasnain, M., Mahmood, M.H., & Mehmood, M.A. (2024). Comparison of deep learning algorithms for retail sales forecasting. ICCK Transactions on Intelligent Systematics, 1(3), 112-126. doi: 10.62762/TIS.2024.300700.
  2. AI-powered automated inventory replenishment software. (n.d.). Retrieved from https://www.leafio.ai/replenishmentsoftware/.
  3. Amosu, O.R., Kumar, P., Ogunsuji, Y.M., Oni, S., & Faworaja, O. (2024). AI-driven demand forecasting: Enhancing inventory management and customer satisfaction. World Journal of Advanced Research and Reviews, 23(2), 708-719. doi: 10.30574/wjarr.2024.23.2.2394.
  4. An, M.J., Jung, S.H., & Lee, D.H. (2025). Demand forecasting in micro-fulfillment centers using association rule-based machine learning. International Journal of Production Economics, 290, article number 109789. doi: 10.1016/j. ijpe.2025.109789.
  5. Ankam, S. (2025). AI-driven demand forecasting in enterprise retail systems: Leveraging predictive analytics for enhanced supply chain. International Journal on Science and Technology, 16(1). doi: 10.71097/ijsat.v16.i1.2644.
  6. Balusani, A., Chowdary, P.J.R., & Paruchuri, B.V.N.P. (2025). Enhancing retail demand forecasting with XGBoost: A comparative study with machine learning and deep learning models. SSRN. doi: 10.2139/ssrn.5274510.
  7. Chowdhury, A.R., Paul, R., & Rozony, F.Z. (2025). A systematic review of demand forecasting models for retail e-commerce enhancing accuracy in inventory and delivery planning. International Journal of Scientific Interdisciplinary Research, 6(1). doi: 10.63125/mbbfw637.
  8. Cillo, P., & Rubera, G. (2025). Generative AI in innovation and marketing processes: A roadmap of research opportunities. Journal of the Academy of Marketing Science, 53, 684-701. doi: 10.1007/s11747-024-01044-7.
  9. Douaioui, K., Oucheikh, R., Benmoussa, O., & Mabrouki, C. (2024). Machine learning and deep learning models for demand forecasting in supply chain management: A critical review. Applied System Innovations, 7(5), article number 93. doi: 10.3390/asi7050093.
  10. End stock guesswork with AI automated replenishment system. (n.d.). Retrieved from https://surl.lu/jazayo.
  11. Fatima, A., & Salam, M.A. (2026). A data-driven predictive framework for inventory optimisation using contextaugmented machine learning models. ArXiv. doi: 10.48550/arXiv.2601.05033.
  12. Fildes, R., Goodwin, P., & Önkal, D. (2019). Use and misuse of information in supply chain forecasting of promotion effects. International Journal of Forecasting, 35(1), 144-156. doi: 10.1016/j.ijforecast.2017.12.006.
  13. From manual work to a scalable and automated replenishment process. (n.d.). Retrieved from https://www.optiply. com/en/use-cases/automate-replenishment.
  14. Hassija, V., Chamola, V., Mahapatra, A., Singal, A., Goel, D., Huang, K., Scardapane, S., Spinelli, I., Mahmu, M., & Hussain, A. (2023). Interpreting blackbox models: A review on explainable artificial intelligence. Cognitive Computation, 16, 45-74. doi: 10.1007/s12559023101798.
  15. Hyndman, R.J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). Melbourne: OTexts.
  16. Kaleva, H., & Småros, J. (n.d.). Complete guide to machine learning in retail demand forecasting. Retrieved from https:// www.relexsolutions.com/resources/machine-learning-in-retail-demand-forecasting/.
  17. Karim, M.R. (2025). Artificial intelligence-enhanced predictive analytics for demand forecasting in U.S. retail supply chains. American Scholarly Research Conference (ASRC), 1(1), 959-993. doi: 10.63125/gbkf5c16.
  18. Kinha, R. (2025). Big data predictive analytics in retail: Real ROI or hype? Retrieved from https://surl.li/litxtr.
  19. Kostromin, A. (2021). Key aspects of product range management in business organization. Young Scientist, 1(89), 163-166. doi: 10.32839/2304-5809/2021-1-89-34.
  20. Kubyshyna, N. (2019). Management of assortment policy of the enterprise. Economic Bulletin of National Technical University of Ukraine “Kyiv”, 16, 287-300. doi: 10.20535/2307-5651.16.2019.182730.
  21. Kuprenko, V. (2024). Predictive analytics in retail and e-commerce. Retrieved from https://surl.li/avqcfd.
  22. Lytiuha, Yu., & Kotyk, D. (2024). Automation of assortment management: Review of modern software solutions and their advantages. In О.I. Oleksiuk (Ed.), Modern technologies of commercial activity and logistics (pp. 59-61). Kyiv: Kyiv National Economic University named after Vadym Hetman.
  23. Muth, M., Lingenfelder, M., & Nufer, G. (2025). The application of machine learning for demand prediction under macroeconomic volatility: A systematic literature review. Management Review Quarterly, 75, 2759-2802. doi: 10.1007/ s11301-024-00447-8.
  24. Nasseri, M., Falatouri, T., Brandtner, P., & Darbanian, F. (2023). Applying machine learning in retail demand prediction – a comparison of treebased ensembles and LSTM. Applied Sciences, 13(19), article number 11112. doi: 10.3390/app131911112.
  25. Naumenko, M. (2024). Big data analysis and analytics in marketing and retail of competitive enterprise. Grail of Science, 40, 117-128. doi: 10.36074/grail-of-science.07.06.2024.013.
  26. Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1, 206-215. doi: 10.1038/s42256-019-0048-x.
  27. Sahubar, S.M., Rosli, N.S., Faizal, D.R., & Azni, N.S. (2025). Rethinking inventory intelligence: A conceptual model in adopting AI-based demand forecasting within Malaysian retail supply chains. International Journal of Research and Innovation in Social Science, 9(7), article number 4667. doi: 10.47772/ijriss.2025.907000377.
  28. Smart merchandising & multichannel fulfillment: Platforms & services. (n.d.). Retrieved from https://www. increff.com/.
  29. Suganthi, D., Hema Sree, G., Monika, C., & Nithya Shree, K. (2025). From ARIMA to LSTM: Evaluating traditional and AI-based models for accurate retail sales forecasting. International Journal for Research in Applied Science and Engineering Technology, 13, 1756-1760.
  30. Tarallo, I., Akabane, G.K., Shimabukuro, C.I., Mello, J., & Amancio, D. (2019). Machine learning in predicting demand for fast-moving consumer goods: An exploratory research. IFAC-PapersOnLine, 52(13), 737-742. doi: 10.1016/j. ifacol.2019.11.203.
  31. Teixeira, A.R., Ferreira, J.V., & Ramos, A.L. (2025). Intelligent supply chain management: A systematic literature review on artificial intelligence contributions. Information, 16(5), article number 399. doi: 10.3390/info16050399.
  32. Wang, B., & Zain, A.B.M. (2025). A hybrid XGBoostLSTM framework for supply chain demand forecasting: Empirical evidence from retail multistore data. Journal of Cultural Analysis and Social Change, 10(4), 4056-4073. doi: 10.64753/ jcasc.v10i4.3736.
  33. Xu, L., Almahri, S., Mak, S., & Brintrup, A. (2023). Multi-agent systems and foundation models enable autonomous supply chains: Opportunities and challenges. IFAC-PapersOnLine, 58(19), 795-800. doi: 10.1016/j.ifacol.2024.09.200.
  34. Yu, Y., Wang, B., & Zheng, S. (2024). Data-driven product design and assortment optimisation. Transportation Research Part E: Logistics and Transportation Review, 182, article number 103413. doi: 10.1016/j.tre.2024.103413.
  35. Zulfia, A., Ilfa, T.N., Damia, Z., Sukiman, T.S.A., & Karima, A. (2025). AI decision support for demand forecasting and retail stock using Random Forest. Brilliance: Research of Artificial Intelligence, 5(2), 800-805. doi: 10.47709/ brilliance.v5i2.5901.