Personalizacija potrošača s pomoću umjetne inteligencije: kraj univerzalne ponude?

Branislav Peleš, direktor maloprodaje, Aroma global 3 d.o.o.

1. Uvod

U današnjem digitalnom okruženju prosječan potrošač zbog velike izloženosti marketinških aktivnosti (obavijesti, ponude, akcije) ima sve manje koncentracije, usmjerenosti i angažiranosti. Tradicionalne metode oglašavanja bile su usmjerene na sve potrošače, bez obzira na individualne potrebe i ponašanje. Potrošači danas zahtijevaju drukčiji pristup, pristup koji će biti individualan, koji će biti prilagođen preferencijama, navikama, potrebama. Upravo umjetna inteligencija pruža takve mogućnosti.

Tradicionalna metoda personalizacije temeljila se na segmentaciji potrošača prema dobi, spolu ili lokaciji (demografske kategorije). Personalizacija ponude temeljena na umjetnoj inteligenciji obrađuje veliki broj varijabli (emocije, ponašanje, kontekst). Umjetna inteligencija danas predviđa ponašanje potrošača prema prikupljenim podacima, koristi napredne algoritme kako bi otkrila skrivene obrasce ponašanja potrošača, analizirala kompleksne skupove podataka. Takav pristup značajno povećava uključenost potrošača i učin-

Stručni članak UDK: 004.8:658.8:339.37](043.3) kovitost marketinških aktivnosti. Fokus ovog rada je razumijevanje kako umjetna inteligencija oblikuje personaliziranu ponudu. U radu se razmatraju sljedeća dva pitanja:

1. Kako umjetna inteligencija poboljšava preciznost i relevantnost personaliziranih ponuda?

2. U kojoj mjeri potrošači percipiraju personalizaciju kao korisnu, a kada kao nametljivu?

U svrhu pronalaska odgovora na postavljena pitanja, analizirala se relevantna znanstvena literatura, kao i dosadašnja istraživanja.

2. Kako AI analizira podatke potrošača i omogućuje hiperpersonalizirane ponude

Kada govorimo o personalizaciji ponude u maloprodaji, tada mislimo na sposobnost trgovačkog društva (u ovom slučaju maloprodaje) da predvidi i odgovori na preferencije, ponašanja i potrebe potrošača. Time se poboljšava cjelokupno iskustvo kupovine i potiče lojalnost potrošača. Tehnologije umjetne inteligencije – poput algoritama strojnog učenja, obrade prirodnog jezika (engl. Natural Language Processing - NLP) i analitike predviđanja – omogućuju trgovcima analizu velikih količina podataka o potrošačima te generiranje uvida koji se mogu iskoristiti za kreiranje personaliziranih ponuda, preporuka i komunikacije (Sharma, 2022).

2.1. Prikupljanje i analiza podataka

Umjetna inteligencija transformirala je personalizirani marketing i analizu ponašanja potrošača, poboljšavajući uključenost potrošača i stopu konverzije (Patil, 2024).

Temelj za jasnu i učinkovitu personalizaciju u maloprodaji, marketingu odnosi se na prikupljanje i analiza podataka. Prikupljanje i analiza podataka ima uporište iz različitih izvora (Potla i Potla, 2024):

– povijest kupovine,

– ponašanja na web-u,

– odgovori na marketinške kampanje i interakciju na društveni mrežama.

Navedeni izvori predstavljaju uporište za izgradnju jedinstvenih korisničkih profila i kvalitetnu personalizaciju (Potla i Potla, 2024). Umjetna inteligencija (u daljnjem tekstu UI) sa svojim naprednim analitičkim sposobnostima obrađuje velike količine podataka od potrošača, kako bi u konačnici te podatke pretvorila u informacije. Prikupljeni podaci i informacije služe za

Izvor: https://www.startus-insights.com/innovators-guide/data-analytics-marketreport/

1. Izvješće o tržištu analize podataka za 2025. godinu detaljnije uvide, te pomažu u daljnjim strateškim odlukama, bilo da se radi o smjeru u kojem želimo da ide određen proizvod ili tvrtka. Uz pomoć strojnog učenja koje ima funkciju predviđanja potreba i ponašanja potrošača, mogu se poduzeti unaprijed radnje koje će otkloniti probleme ili će, s druge strane, iskoristiti prilike. Proces uključuje čišćenje podataka, obradu nedostajućih vrijednosti i kodiranje varijabli (Potla i Potla, 2024). Sharma (2022) navodi kako H&M, Sephora i Amazon (veliki trgovci) prikupljaju i analiziraju podatke od online ponašanja, povijest kupovine, do interakcije na društvenim mrežama i korisničkoj podršci.

Navodi kako udio preporuka uz pomoć UI u Amazonu čini 35% godišnje prodaje. UI i strojno učenje analiziraju povijesne podatke o potrošačima, kako bi se predvidjela buduća ponašanja, a obrada prirodnog jezika (u daljnjem tekstu NPL) omogućuje komunikaciju koja je personalizirana (chatbotovi ), kao i podršku kroz različite kanale (Ayub i dr., 2025).

Prema Izvješću o tržištu analize podataka za 2025. godinu sve veći broj tvrtki usvajaju umjetnu inteligenciju, strojno učenje i tehnologije velikih podataka za strateško donošenje odluka, operativnu učinkovitost.

Ključni trendovi uključuju analizu podataka, obradu podataka u stvarnom vremenu i alate za samousluživanje koji proširuju pristup podacima (Prasser, 2024). Prema izvješću tvrtke Business Research Company, predviđa se da će tržište napredne analitike porasti s 57,01 milijardi USD u 2025. na 139,92 milijarde USD u 2029., uz složenu godišnju stopu rasta od 25,2%.

S druge strane tržište analize podataka u SAD-u će dosegnuti približno 14,72 milijarde USD u 2024. godini, s godišnjom stopom rasta od 20,7% od 2025. do 2030. godine, što će dovesti do projicirane veličine tržišta od 43,52 milijarde USD do 2030. godine (Prasser, 2024). (slika 1.)

Tržište analize podataka oblikuju novi trendovi, od kojih svaki poti -

Izvor: https://www.startus-insights.com/innovators-guide/data-analytics-marketreport/

Slika. 2 Trendovi u analizi podataka če rast i inovacije. Ti trendovi ističu jedinstvena područja specijalizacije i razvoja. (slika 2.)

Vizualna analitika podataka obuhvaća 450 tvrtki i zapošljava 24.000 pojedinaca, s 2.000 novih zaposlenika prošle godine. Ovaj trend ima godišnju stopu rasta od 9,62%. To ukazuje na stalan interes za rješenja za vizualizaciju podataka koja poboljšavaju donošenje odluka.

Streaming Data Analytics uključuje 100 tvrtki s 5.000 zaposlenika, od kojih je prošle godine 500 novozaposlenih. S godišnjom stopom rasta od 16,41%, ovaj trend odražava rastuću važnost obrade podataka u stvarnom vremenu u financijama, medijima i IoT-u.

Analiza nestrukturiranih podataka obuhvaća 110 tvrtki koje zapošljavaju 4.000 pojedinaca, sa 600 novih zaposlenika prošle godine. Stopa rasta od 18,58% pokazuje rastuću potražnju za tehnologijama koje analiziraju nestrukturirane podatke, poput teksta i multimedije, potičući napredak u umjet- noj inteligenciji i strojnom učenju (Prasser, 2024).

2.2. Prepoznavanje obrazaca i segmentacija

Korištenjem alata umjetne inteligencije moguće je analizirati velike količine podataka prikupljenih iz različitih izvora i povezati povijest kupnji, internetske aktivnosti pa čak i interakcije na društvenim mrežama (Mazumder, 2025;79). Segmentacija tržišta ne samo da obuhvaća geografske, demografske, psihografske i bihevioralne osobine potrošača, već i upravlja tržištem prema potrebama potrošača, poduzimajući korelacijski postupak za uspostavljanje boljeg odnosa između trgovca i potrošača. To se može postići konceptom koji spada pod nenadzirano učenje, poznatim kao klaster analiza (Mehta i dr., 2021). Analiza velikih količina podataka pomoću klasterizacijskih algoritama, kao što su K – Means i DBSCAN (engl. Density-Based Spatial Clustering of Applications with Noise), i obrade prirodnog jezika

(NLP) manje je vremenski zahtjevna i učinkovitija od ručnih tehnika u prepoznavanju potrošačkih trendova, stavova i skrivenih obrazaca ponašanja (Mazumder, 2025;79).

Mazumder (2025) je u radu o segmentaciji potrošača u maloprodaji prehrambenih artikala koristio navedene algoritme. Cilj segmentacije bio je klasificirati potrošače prema: demografiji, povijesti kupovine, aktivnosti na webu i uključenost potrošača u programe vrijednosti. U prvoj fazi segmentacije koristili su algoritam K – Means koji je grupirao potrošače na temelju učestalosti, potrošnje. Druga faza segmentacije odnosila se na korištenje algoritma DBSCAN. Pomoću njega otkrivene su specifične skupine potrošača koje K – Means nije dobro obradio. Navedeni algoritam koristan je u detekciji vrlo rijetkih, ali vrijednih potrošača, te potrošača s netipičnim ponašanjem. K – Means je u radu „odradio“ brzu metodu osnovne segmentacije, a DBSCAN duboku analizu i otkrio skrivene obrasce. Rezultati pokazuju da se kombinacijom ta dva algoritma postiže naprednija personalizacija, te povećava učinkovitost poslovnih odluka.

2.3. Personalizacija ponuda i iskustava

Personalizacija je strategija za stjecanje konkurentske prednosti, koja obuhvaća učenje, usklađivanje i isporuku proizvoda i usluga potrošačima. Personalizacija ima za cilj povećati zadovoljstvo potrošača poboljšanjem kvalitete odluka, čime se potiče lojalnost (Verma i dr., 2022). Personalizacija, suptilna vještina prilagodbe iskustva jedinstvenim preferencijama i potrebama pojedinog korisnika, postala je temelj suvremene umjetne inteligencije (Chen i dr., 2024). Potrošači ne samo da žele personalizaciju – oni je zahtijevaju (Mckinsey, 2021). Prema istraživanju Mckinsey-a (2021.):

1. u pogledu očekivanja potrošača

– 71% potrošača očekuje od tvrtki personaliziranu interakciju,

– 76% potrošača je frustrirano kada tvrtka ne nudi personalizirane ponude.

2. poslovni rezultati

– t vrtke koje uspješno primjenjuju personalizirane ponude imaju 40% više prihoda od tih aktivnost, za razliku od onih koji ne primjenjuju personalizirane ponude.

3. poticanje na novu kupnju

– 78% potrošača će vjerojatnije kupiti ponovo od tvrtki koje nude personalizirane ponude,

– 78% potrošača će preporučiti takve tvrtke prijateljima ili obitelji.

Ključni nalazi istraživanja koje je proveo SmarterHQ (2024.) (anketirao je 1000 ispitanika) ukazuju da:

– 9 0% potrošača spremno je podijeliti podatke u zamjenu za bolje iskustvo – spremni su podijeliti svoje podatke o ponašanju u zamjenu za dodatne pogodnosti (jeftinija kupnja, lakša kupnja),

– 51% potrošača smatra da je komunikacija putem e-mail najbolja, dok njih 25% smatra da je putem društvene mreže komunikacija s brendom najbolja,

– 74% potrošača smatra da su push obavijesti najnepoželjniji oblik marketinške aktivnosti.

2.4. Personalizacija podataka i zaštita privatnosti

Potrošači s pomoću različitih kanala (društvene mreže, web stranice, aplikacije) primaju sadržaje koji su prema njihovim potrebama personalizirani.

Ovakav pristup personalizacije zahtjeva prikupljanje i obradu osob- nih podataka potrošača. Potrošači su zabrinuti zbog čestih povreda sigurnosti podataka, koji uzrokuju ozbiljne poremećaje u životima potrošača (Constantinides i Herrando. 2022).

Brojni su znanstvenici pokušali dati sveobuhvatnu definiciju nejasnog pojma privatnosti (Constantinides i Herrando, 2022). Privatnost je zahtjev pojedinaca, grupa ili institucija da sami odlučuju kada, kako i u kojoj mjeri će informacije o njima biti prenesene drugima (Westin, 1967).

Prekomjerno prikupljanje podataka kod potrošača može izazvati tzv. samoregulaciju ponašanja (engl. chilling effects). Na primjer, mogu namjerno smanjiti korištenje određenih medija ili promijeniti navike, te time ograničiti prikupljanje podataka (Strycharz i Segijn, 2024).

Učinkovitost personalizacije temeljene na umjetnoj inteligenciji (AI) u digitalnom marketingu naglašena je njezinom sposobnošću da stvori visoko individualizirana korisnička iskustva, koja u konačnici povećavaju angažman korisnika (potrošača), ali i bolje poslovne rezultate (Bell i dr., 2024). Unatoč tome, personalizacija temeljena na umjetnoj inteligenciji otvara ključna etička pitanja, koja se trebaju riješiti kako bi osigurali pravednu i odgovornu primjenu (Bell i dr., 2024).

Neka od etičkih pitanja koja su bitna za naglasiti:

1. Privatnost podataka – potrebno je osigurati informirani pristanak, minimizirati prikupljanje podataka i sigurnost pohrane (Bell i dr., 2024; Schäfer i dr.,2023).

2. Transparentnost i odgovornost – korisnici imaju pravo znati kako i zašto im se prikazuje određeni sadržaj; tvrtke bi trebale omogućiti uvid u logiku odlučivanja i biti podložne nadzoru (Mittelstadt i dr., 2016; Bell i dr., 2024).

3. Manipulacija i autonomija –prekomjerna personalizacija može dovesti do psihološkog pritiska i smanjiti slobodu izbora korisnika (Wang i Rea, 2024; Bell i dr., 2024).

Personalizacija ponude s pomoću umjetne inteligencije daje širok raspon mogućnosti za trgovce, ali i za potrošače. Svi su na dobitku, ali uz pravila koja trgovci trebaju poštivati. Trgovci trebaju voditi računa o načinu prikupljanja podataka. Prikupljanje podataka mora biti transparentno, odgovorno, korisnički orijentirano. S druge strane povjerenje koje potrošač ima prema prikupljanju podataka ne smije biti dovedeno u pitanje, zato trgovci kroz sustav transparentnosti, sigurnosti i poštivanja slobode izbora grade povjerenje.

3. Zaključak

Zadnje poglavlje je rezervirano za zaključak i odgovore na dva postavljena pitanja iz uvodnog dijela. Prvo pitanje glasi:

Kako umjetna inteligencija poboljšava preciznost i relevantnost personaliziranih ponuda?

Umjetna inteligencija poboljšava preciznost i relevantnost personaliziranih ponuda obradom i analizom prikupljenih podataka od potrošača. Podaci su višedimenzionalni, te uključuju obradu i analizu prethodnih kupnji, emocionalne izraze, interakciju na društvenim mrežama.

Napredni algoritmi strojnog učenja, umjetnoj inteligenciji pomažu u otkrivanju skrivenih obrazaca, te predviđaju buduće ponašanje, kako bi ponude prilagodili u stvarno vremenu.

Ovakva obrada i analiza podataka uvelike nadmašuje tradicionalne metode personalizacije (demografske kategorije), te omogućuje bolju konverziju, angažman i lojalnost potrošača.

Drugo pitanje:

U kojoj mjeri potrošači percipiraju personalizaciju kao korisnu, a kada kao nametljivu? Potrošači u većini slučajeva percipiraju personalizaciju korisnom, a pogotovo ako donosi jasne koristi, npr. ušteda vremena, jednostavniju kupovinu, bolje preporuke. No, ipak s druge strane potrošač će početi sumnjati, ako prikupljanje podataka nije transparentno, kada narušava privatnost, s naglaskom na precizno identificiranje misli i želja. Tada se kod potrošača javlja sumnja, nepovjerenje.

Ako gledamo s tehnološke strane umjetna inteligencija može pomoći unaprjeđenju personalizacije ponuda, boljem povezivanju brendova i potrošača. Upravo učinkovitost tehnologije ovisi o povjerenju potrošača. Način prikupljanja podataka mora biti transparentan, etičan, kako bi primjena tehnologije bila održiva. Personalizacija ponuda prema potrošačima ne smije biti nametljiva, već korisna. Budući razvoj personalizacije ponuda mora imati uporište u spoju tehnološke učinkovitosti i zadržavanja slobode i prava potrošača.

Literatura

Chen, J., Liu, Z., Huang, X., Wu, C., Liu, Q., Jiang, G., ... & Chen, E. (2024). When large language models meet personalization: Perspectives of challenges and opportunities. World Wide Web. 27(4), 42. https://doi.org/10.1007/s11280024-01276-1

Mazumder, A. (2025). AI-Powered Customer Segmentation in Grocery Retail: Leveraging Big Data for Hyper-Personalization. International Journal of Computer Trends and Technology. 73(4). str. 79-87. https://doi. org/10.14445/22312803/IJCTTV73I4P111

McKinsey & Company. (2021). The value of getting personalization right—or wrong—is multiplying. McKinsey & Company. https://www.mckinsey.com/~/ media/mckinsey/business%20 functions/marketing%20and%20 sales/our%20insights/the%20 value%20of%20getting%20personalization%20right%20or%20 wrong%20is%20multiplying/thevalue-of-getting-personalizationright-or-wrong-is-multiplying. pdf?shouldIndex=false

Menta, V., Mehra, R. & Verma, S.S. (2021). A Survey on Customer Segmentation using Machine Learning Algorithms to Find Prospective Clients. 9 th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions) (ICRITO), Noida, India, str. 1-4, doi: 10.1109/ ICRITO51393.2021.9596118.

Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). The ethics of algorithms: Mapping the debate. Big Data & Society, 3(2), https://doi. org/10.1177/2053951716679679 sia Papametzelopoulou University of Twente Faculty of Behavioral, Management and Social Sciences (BMS/CS).

Patil, D. (2024). Artificial Intelligence For Personalized Marketing And Consumer Behaviour Analysis: Enhancing Engagement And Conversion Rates http://dx.doi. org/10.2139/ssrn.5057436

Potla, R. T., & Pottla, V. K. (2024). AI-powered personalization in Salesforce: Enhancing customer engagement through machine learning models. Valley International Journal Digital Library. 12(8). str. 1388-1420 DOI: 10.18535/ijsrm/ v12i08.ec06.

Prasser, R.D. (2024). Explore the Data Analytics Market Report 2025 https://www.startus-insights.com/innovators-guide/dataanalytics-market-report/

Sharma, V. (2022). AI-Driven Automation in Retail: Delivering Personalized Customer Experiences at Scale. integration, 10(1).

Schäfer, F., Gebauer, H., Gröger, C., Gassmann, O., & Wortmann, F. (2023). Data-driven business and data privacy: Challenges and measures for product-based companies. Business Horizons, 66(4). str. 493-504.

SmarterHQ (2024). Privacy and personalization - Consumers share how to win them over without crossing the line. https://c.smarterhq. com/resources/Privacy-Personalization-Report.pdf (pristupljeno: 8. lipnja 2025).

Strycharz, J., & Segijn, C. M. (2024). Ethical side-effect of dataveillance in advertising: Impact of data collection, trust, privacy concerns and regulatory differences on chilling effects. Journal of business research, 173, 114490.

Verma, C. S., Lim, W. M., Kumar, S., & Donthu, N. (2022). Personalization in personalized marketing: Trends and ways forward. Journal of Consumer Marketing. 39(3). str. 271-283.

Constantinides, E., & Herrando, C. (2022). Customers’ Privacy and Personalization: in the age of GDPR, what is the appropriate trade-off for ethical marketing decision-making? Marina Aspa-

Wang, G. i Pea, R. (2024). “Algorithmic Autonomy in Data-Driven AI.” https://doi.org/10.48550/ arXiv.2411.05210 .

Westin, A. F. (1968). Privacy and freedom. Washington and Lee Law Review, 25(1), 166.

Ayub, S. S., Ahmad, M., Mad Halid, N., Balakr ishnan, K., Surin, R. S., Mohd Amin, M. R., Krishnan, V., & Heng, H. K. (2025). Artificial intelligence and customer relationship management: Enhancing engagement and loyalty. South Eastern European Journal of Public Health 26(S1). str. 200–210. Bell, C., Olukemi, A., & Broklyn, P. (2024). AI-Driven Personalization in Digital Marketing: Effectiveness and Ethical Considerations. ST