Personalizowana rekomendacja i aktywne wyszukiwanie produktowe są traktowane przez projektantów platform e-commerce jako dwa niezależne kanały odkrywania produktów, każdy z własnym algorytmem, oddzielnym zespołem optymalizującym i osobnymi wskaźnikami efektywności. Takie podejście ignoruje fundamentalne pytanie o wzajemną zależność tych kanałów. Badanie Yuan i współpracowników¹ jest pierwszym, które ustala przyczynową, a nie tylko korelacyjną odpowiedź na to pytanie. Autorzy przeprowadzili randomizowany eksperyment polowy na 555 800 klientach dużej platformy handlowej, wyłączając dla grupy eksperymentalnej personalizację algorytmu rekomendacji poprzez zakaz użycia danych osobowych. Wyniki pokazują, że degradacja jakości rekomendacji podnosi aktywność wyszukiwania o 7,1% w zakresie przeglądanych produktów i o 6,4% w zakresie transakcji z wyszukiwarki. Granularny obraz jest jednak znacznie bardziej złożony: te same rekomendacje mogą jednocześnie wzmacniać wyszukiwanie w jednych kategoriach i hamować je w innych, a decyduje o tym stan gotowości zakupowej klienta, który badanie określa jako formowanie popytu lub jego realizację.
Siłą dowodową badania¹ jest jego identyfikacja kauzalna, która eliminuje endogeniczność typową dla obserwacyjnych analiz zachowań klientów na platformach. W standardowych danych archiwalnych korelacja między aktywnością rekomendacyjną a aktywnością wyszukiwania jest zniekształcona przez ukryte preferencje klientów: ten sam klient, który intensywnie przegląda rekomendacje, może równie intensywnie wyszukiwać produkty nie dlatego, że jedno powoduje drugie, lecz dlatego, że obydwa zachowania wynikają z jego ogólnej aktywności zakupowej. Autorzy rozwiązali ten problem przez wyłączenie danych osobowych w algorytmie rekomendacji dla połowy uczestników eksperymentu. Bez danych o demografii i historii zakupów algorytm nie może personalizować rekomendacji i promuje wyłącznie popularne produkty odpowiadające preferencjom przeciętnego klienta. Zmiana ta jest egzogeniczna względem zachowań klienta, co pozwala interpretować różnice między grupą kontrolną i eksperymentalną jako efekt kauzalny. Skala eksperymentu, 555 800 klientów z danymi na poziomie użytkownik-kategoria-zapytanie, dostarcza precyzji statystycznej i umożliwia szczegółową analizę heterogeniczności efektów.
Na poziomie zagregowanym eksperyment dostarcza jednoznacznego dowodu na efekt substytucji między rekomendacją a wyszukiwarką¹. Gdy klienci grupy eksperymentalnej otrzymują mniej trafne rekomendacje, ich aktywność w wyszukiwarce rośnie mierzalnie we wszystkich analizowanych wymiarach: liczba przeglądanych produktów wzrasta o 7,1%, liczba kliknięć o 6,3%, a liczba transakcji z wyszukiwarki o 6,4%. Wyniki modelu instrumentalnego (IV) pozwalają precyzyjnie skwantyfikować tę zależność: jeden jednostkowy spadek ekspozycji rekomendacyjnej przekłada się na 0,22 jednostki wzrostu aktywności wyszukiwania. Mechanizm ten pełni funkcję kompensacyjną, lecz niecałkowitą: wyszukiwarka odbudowuje 22% utraconej ekspozycji produktowej, 7% utraconych kliknięć i 52,8% utraconego GMV z rekomendacji. Ta ostatnia liczba ma szczególne znaczenie dla decydentów: nieco ponad połowa przychodu utraconego z rekomendacji jest odzyskiwana przez wyszukiwarkę, co dowodzi, że kanały te tworzą dynamiczny ekosystem, w którym degradacja jednego kanału częściowo aktywuje drugi.
Najważniejszy wkład badania¹ pochodzi nie z wyników zagregowanych, lecz z analizy heterogeniczności na poziomie kategorii produktowych. Wyłączenie danych osobowych nie wpłynęło równomiernie na wszystkie kategorie: meble i artykuły spożywcze odnotowały wzrost ekspozycji rekomendacyjnej o odpowiednio 328% i 320%, podczas gdy wszystkie pozostałe kategorie zanotowały głębokie spadki sięgające 91% dla odzieży. W kategoriach z rosnącą ekspozycją rekomendacyjną wyszukiwanie wzrosło o 26%, wykazując efekt komplementarności. W odzieży i innych kategoriach z malejącą ekspozycją wyszukiwanie wzrosło o 9%, wykazując efekt substytucji. Dalsze rozbicie danych według uprzednich zainteresowań klientów ujawnia precyzyjny mechanizm: klienci zwiększają aktywność wyszukiwania wyłącznie w tych kategoriach, w których już wcześniej wykazywali zainteresowanie (wzrost o 10%), natomiast w kategoriach, które ich nie interesują, ich zachowanie wyszukiwawcze nie zmienia się nawet przy znacznym spadku ekspozycji rekomendacyjnej. Ten rezultat dostarcza pierwszego bezpośredniego, kauzalnego dowodu na to, że efekt substytucji jest uruchamiany przez niespełniony, sprecyzowany popyt, a nie przez ogólny spadek jakości platformy.
Autorzy badania¹ potwierdzają model analizą języka zapytań wyszukiwawczych metodami przetwarzania języka naturalnego (NLP), co dostarcza bezpośredniego wglądu w procesy kognitywne klientów. W kategoriach z rosnącą ekspozycją rekomendacyjną klienci formułują o 19% więcej zapytań generycznych (takich jak "artykuły spożywcze") i nie wydłużają swoich zapytań. Wskazuje to na eksploracyjny charakter wyszukiwania: klient odkrył nową kategorię przez rekomendację i eksploruje ją bez konkretnej intencji zakupowej. Jest to sygnatura formowania popytu, stanu, w którym klient przybywa na platformę bez sprecyzowanej potrzeby i rekomendacja aktywuje nowe zainteresowania. W kategoriach z malejącą ekspozycją wzorzec jest odwrotny: klienci piszą dłuższe, bardziej specyficzne zapytania przy niezmienionej proporcji fraz generycznych. Jest to sygnatura realizacji popytu, stanu, w którym klient ma preegzystującą, konkretną potrzebę i kieruje się do wyszukiwarki, gdy rekomendacja jej nie zaspokaja. Dwa stany popytu generują zatem dwa przeciwstawne kierunki relacji kanałowej, co wyjaśnia, dlaczego analizy pomijające tę heterogeniczność mogą prowadzić do błędnych wniosków o naturze relacji między rekomendacją a wyszukiwarką.
