Nowa.Moda
Nauka

Zamiar zakupu przez media społecznościowe: model na danych z Bangladeszu

W badaniu CogD-ML do najważniejszych wskazówek dla modelu należały odpowiedzi o tym, czy częste reklamy motywują do zakupu i czy ankietowani aprobują kupowanie przez media społecznościowe, gdy robi to wiele innych osób. Dane pochodziły z ankiety wśród 352 młodych konsumentów z Bangladeszu, głównie studentów.

Dłoń trzyma telefon z postem przedstawiającym torbę, a druga trzyma długopis nad polami ankiety — ilustracja
Ilustracja koncepcyjna zestawia post z produktem w mediach społecznościowych z ankietą o zamiarze zakupu.

Wśród czterech najważniejszych pozycji ankiety znalazły się również te dotyczące wcześniejszego zakupu i wpływu rodziny. Badacze użyli dwóch metod wyjaśnialnej AI: analiza SHAP pokazała, które odpowiedzi miały największe znaczenie dla prognoz w ujęciu zbiorczym, a LIME służyła do objaśniania pojedynczych prognoz.

Wysoka pozycja odpowiedzi o reklamie oznacza, że model mocno się na niej opierał. Nie rozstrzyga jednak, czy częstsze wyświetlanie reklam skłoniłoby więcej klientów do zakupu. Autorzy osobno badali zależności między czynnikami za pomocą korelacji i regresji. Także te wyniki interpretowali jako związki statystyczne, a nie dowody na przyczynę i skutek.

Co mierzono w ankiecie

Saikat Barua, Raiyan Rahman, Abul Kalam Al Azad i Sifat Momen opisali badanie w artykule opublikowanym 20 listopada 2026 r. w czasopiśmie PLOS ONE. Kwestionariusz oparto na teorii planowanego zachowania. Pytania dotyczyły nastawienia do zakupów przez media społecznościowe, odczuwanej presji otoczenia oraz tego, jak łatwe lub trudne wydaje się kupowanie w ten sposób. Przed trenowaniem modeli zespół sprawdził, czy kwestionariusz pozwala odróżnić te trzy obszary.

Nawet informacja o wcześniejszym zakupie była deklaracją respondenta, nie zapisem zamówienia. Modele oceniano na podstawie tego, czy poprawnie przypisywały ankietowanych do kategorii zamiaru zakupu wyznaczonych z odpowiedzi. Autorzy nie śledzili, czy deklarowany zamiar kończył się transakcją, więc trafność takiej klasyfikacji nie jest miarą trafności prognozy sprzedaży.

Jak czytać 92 proc. trafności

Zespół porównał siedem klasycznych klasyfikatorów i jedną sieć neuronową. Po uwzględnieniu wszystkich obszarów teorii planowanego zachowania metoda wektorów nośnych (SVM) i AdaBoost uzyskały po 92 proc. trafności w wydzielonym zbiorze testowym. W walidacji krzyżowej, w której każda z pięciu części danych kolejno służyła do sprawdzania prognoz, średnia trafność poszczególnych modeli mieściła się między 84 a 88 proc., z wyjątkiem drzewa decyzyjnego.

Klasa dodatnia stanowiła 82,1 proc. przypadków. Przy takim rozkładzie nawet prosta reguła przypisująca wszystkich do dominującej kategorii uzyskałaby wysoką ogólną trafność, choć nie rozpoznałaby ani jednej osoby z mniej licznej grupy.

Sama trafność nie odróżnia też pomyłki popełnionej przy niewielkiej pewności od błędu modelu, który przypisał swojej odpowiedzi prawdopodobieństwo bliskie stu procent. Dlatego autorzy podali także wynik Briera i stratę logarytmiczną, dwie miary, które uwzględniają wartości prognozowanych prawdopodobieństw.

Słabszy wynik na danych z północnych Indii

Na niezależnej próbie z północnych Indii SVM słabiej rozróżniał obie kategorie. Pole pod krzywą ROC (AUROC), które opisuje tę zdolność, spadło z 0,923 do 0,775. Pogorszył się też współczynnik korelacji Matthewsa (MCC), uwzględniający trafienia i pomyłki w obu kategoriach: z 0,522 do 0,315.

W tym porównaniu zmieniły się jednocześnie badana grupa i narzędzie pomiaru, więc pojedynczy sprawdzian nie pozwala ustalić, która różnica bardziej zaważyła na wyniku. Również próba w Bangladeszu miała ograniczony zasięg: uczestników dobrano ze względu na dostępność, a nie wylosowano spośród konsumentów w kraju.

Autorzy traktują wyniki jako eksploracyjne, a opisany w dodatku interfejs do przeglądania prognoz jest demonstracją, nie wdrożonym systemem. W repozytorium projektu udostępnili dane ankietowe i skrypty pozwalające odtworzyć tabele z wynikami.