Badanie
Szczegółowe analizy badań naukowych przełożone na język biznesu.
Luka badawcza: rekomendacje dla lojalnych vs wzrost marek
Analiza 12 481 artykułów (2014–2023) ujawnia, że agenda badawcza e-commerce skupia się na rekomendacjach i lojalności, ignorując penetrację kategorii — główny mechanizm wzrostu marki.
Mo RiGen, Wang Shao-bu. E-commerce Research in the Past Decade: A Bibliometric Analysis. SAGE Open, 2025. Sharp Byron. How Brands Grow: What Marketers Don't Know. Oxford University Press, 2010. Ehrenberg Andrew, Uncles Mark, Goodhardt Gerald. Understanding Brand Performance Measures: Using Dirichlet Benchmarks. Journal of Business Research, 2004.
Paradoks literatury AI: wzrost badań kontra wskaźnik wycofań
44,65% roczny wzrost badań o AI w e-commerce przy 10,34% wskaźniku retrakcji: szybkość produkcji wiedzy wyraźnie wyprzedza możliwości kontroli jej jakości.
Sandu Andra, Cotfas Liviu-Adrian, Ioanăș Corina, Cișmașu Irina-Daniela, Delcea Camelia. E-Commerce Meets Emerging Technologies: An Overview of Research Characteristics, Themes, and Trends. Journal of Theoretical and Applied Electronic Commerce Research, MDPI, 2025.
Paradoks personalizacji: algorytm buduje i niszczy lojalność
Ten sam algorytm, który precyzuje rekomendacje, absorbuje uprzedzenia historyczne i przy zbyt agresywnej personalizacji zamienia postrzeganą usługę w postrzeganą inwigilację.
Raji Mustafa Ayobami, Olodo Hameedat Bukola, Oke Timothy Tolulope, Addy Wilhelmina Afua, Ofodile Onyeka Chrisanctus, Oyewole Adedoyin Tolulope. E-commerce and consumer behavior: A review of AI-powered personalization and market trends. GSC Advanced Research and Reviews, 2024.
Trzy dekady AI w e-commerce: analiza 1 458 badań ujawnia
Analiza bibliometryczna 1 458 artykułów (1995–2024): AI w e-commerce skupia się na systemach rekomendacji kosztem etyki algorytmów i zaufania — tematów o najwyższej wartości regulacyjnej.
Chugh Priya, Jain Vishu. Artificial Intelligence (AI) Empowerment in E-Commerce: A Bibliometric Voyage. NMIMS Management Review 32(3), SAGE, 2024.
Fałszywe pozytywy: podobieństwo zapytań ważniejsze niż skala
Trzy innowacje Amazon (metryka JSD, normalizacja zapytań, trudne negatywy ANCE) przekształciły stratę 0,05% przychodu w zysk 0,08–0,29%, demaskując fałszywe pozytywy jako główną patologię QR.
Zhang Zhiyu, Siddiqui Tanvir Ahmed, Zhao Kaige, Murthy Rajeev. Towards Scalability and Extensibility of Query Reformulation Modeling in E-Commerce Search. CIKM '24, ACM, 2024.
PP-GLAM: granice modeli językowych w wyszukiwaniu e-commerce
Framework PP-GLAM łączy modele językowe z grafami sygnałów behawioralnych, osiągając 90,45% dokładności w klasyfikacji ESCI — o 8 punktów więcej niż samodzielne LLM.
Choudhary Nurendra, Huang Edward W, Subbian Karthik, Reddy Chandan K. An Interpretable Ensemble of Graph and Language Models for Improving Search Relevance in E-Commerce. WWW '24 Companion, ACM, 2024.
Formowanie popytu: rekomendacje, które napędzają i hamują
Randomizowany eksperyment na 555 800 klientach: degradacja personalizacji podnosi aktywność wyszukiwania o 7,1%, lecz efekt zależy diametralnie od trybu popytu klienta.
Yuan Zhe, Chen Yuan, Wang Yitong, Sun Tianshu. How Recommendation Affects Customer Search: A Field Experiment. Working Paper, 2023.
Realność behawioralna: dlaczego domyślny design AI zawodzi
Domyślny AI streamer generuje zerowy efekt sprzedażowy. Rozbudowany moduł Q&A podnosi przychody o 86%, dorównując ludzkiemu sprzedawcy w randomizowanym eksperymencie 49-dniowym.
Liu, Wang, Yang, Wang. AI-Powered Digital Streamers in Live Commerce. Information Systems Research, INFORMS, 2025.
GPT idzie na zakupy: ewaluacja wyszukiwarki produktowej
GPT-3.5-turbo osiąga 82% zgodności z ludzkimi sędziami trafności — przewyższając inter-rater agreement (42–49%) i otwierając skalowalną ewaluację wyszukiwarki dla każdego sklepu.
Soviero Beatriz, Kuhn Daniel, Salle Alexandre, Moreira Viviane P. ChatGPT Goes Shopping: LLMs Can Predict Relevance in eCommerce Search. Advances in Information Retrieval, ECIR 2024, Springer, 2024.
Semantyczna luka w wyszukiwarce, wzrost GMV o 18%
Jak fine-tuning LLM na 419 806 parach z rejection sampling podniósł GMV segmentu „few-recall" o 18,66%, przekształcając semantyczną lukę w ukryty rezerwuar konwersji.
Peng Wenjun, Li Guiyang, Jiang Yue, Wang Zilong, Ou Dan, Zeng Xiaoyi, Xu Derong, Xu Tong, Chen Enhong. Large Language Model based Long-tail Query Rewriting in Taobao Search. WWW '24 Companion, ACM, 2024.