Newest papers

AI-Mediation in Retail Markets: Revenue Effects and Assortment Optimization

Omar El Housni, Marouane Ibn Brahim · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.12917 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Trợ lý mua sắm AI ngày càng ảnh hưởng đến những sản phẩm mà người tiêu dùng xem xét. Chúng tôi nghiên cứu lập kế hoạch phân loại bán lẻ theo trung gian AI, nơi một nhà bán lẻ chọn một danh mục, một trung gian AI tạo thành một danh sách ngắn hướng tới khách hàng, và khách hàng chọn từ danh sách ngắn đó theo mô hình logit đa nguyên tố. Chúng tôi xem xét cả việc trung gian xác định, trong đó AI theo thứ hạng cụ thể phân đoạn cố định, và trung gian phân tích theo mô hình Plackett-Luce. Theo thực tế, chúng tôi xây dựng một tập hợp dữ liệu xếp hạng sản phẩm từ các mô hình AI hàng đầu, ước tính các mô hình xếp hạng Plackett-Luce, và đánh giá hiệu suất dự đoán của họ trên các phạm vi được giữ. Kết hợp các ước tính này với việc nghiên cứu sở thích của khách hàng tổng hợp, chúng tôi thấy

Machine translation (Meta M2M100); the English original follows.

Abstract

AI shopping assistants increasingly influence which products consumers consider. We study retail assortment planning under AI mediation, where a retailer chooses a catalog, an AI intermediary forms a customer-facing shortlist, and the customer chooses from that shortlist according to a multinomial logit model. We consider both deterministic mediation, in which the AI follows a fixed segment-specific ranking, and stochastic mediation based on the Plackett-Luce model. Empirically, we construct a dataset of product rankings from leading AI models, estimate Plackett-Luce ranking models, and evaluate their predictive performance on held-out assortments. Combining these estimates with synthetic customer preferences, we find that accounting for AI mediation can materially change optimal assortments and revenue. Across the tested capacity configurations, ignoring mediation yields mean revenue losses between 2.52% and 11.37% relative to the PL optimum. A much simpler deterministic plug-in, based only on the ordering of fitted AI utilities, performs substantially better, with mean losses of at most 0.53%. Motivated by this performance, we study assortment optimization under deterministic mediation. We characterize its computational complexity and show that, for any fixed number of customer segments, the problem admits a fully polynomial-time approximation scheme.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Ranking (information retrieval), Revenue, Multinomial logistic regression, Product (mathematics), Mediation, Econometrics

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange