أمانبال دوبار، رئيس قسم التجزئة في تريدنس – سلسلة المقابلات

أمانبال دوبار، رئيس قسم التجزئة في تريدنس، هو خبير في تحليلات التجزئة والذكاء الاصطناعي مع أكثر من عقد من الخبرة في تصميم وتطوير حلول مدفوعة بالبيانات لتزويد صناع القرار في الشركات بالرؤى القابلة للتنفيذ. على مدار مسيرته، قاد تحولات تحليلية استراتيجية لصانعي القرار في الشركات الكبيرة، ووضع خطط منتجات الذكاء الاصطناعي لتطوير معايير أعمال قابلة للقياس، وتوسيع فرق التحليل من مرحلة الطفولة إلى عمليات كبيرة النطاق – مما يظهر عمقًا تقنيًا وتنوعًا في القيادة.

تريدنس هي شركة حلول علوم البيانات والذكاء الاصطناعي تركز على مساعدة الشركات في تحقيق القيمة التجارية من خلال التحليلات المتقدمة والتعلم الآلي والاتخاذ القرارات المدفوعة بالذكاء الاصطناعي. تعمل الشركة مع العلامات التجارية العالمية – خاصة في التجزئة والسلع الاستهلاكية – لحل التحديات المعقدة عبر مجالات مثل إدارة تشكيلة المنتجات وسلسلة التوريد والتسعير وتجربة العملاء وعمليات طرح المنتجات في السوق، وترجمة الرؤى إلى تأثير حقيقي في العالم الحقيقي ومساعدة العملاء على تحديث قدراتهم التحليلية والاستخباراتية.

غالبًا ما تقوم متاجر التجزئة بتشغيل عشرات تجارب الذكاء الاصطناعي، ومع ذلك، فإن القليل منها ينتقل إلى التطبيق الكامل. ما هي الأخطاء التنظيمية الأكثر شيوعًا التي تمنع الذكاء الاصطناعي من تحويله إلى نتائج أعمال قابلة للقياس؟

وجدت دراسة حديثة من MIT Solan أن 95% من تجارب الذكاء الاصطناعي فشلت في تحقيق التطبيق الكامل. الواقع؟ التجارب سهلة، ولكن الإنتاج صعب. في تريدنس، لقد حددنا أربعة أسباب تنظيمية محددة تقف وراء هذا الفجوة.

أولاً، فشل فهم سير عمل المستخدم النهائي. غالبًا ما تدرج متاجر التجزئة الذكاء الاصطناعي في العمليات الحالية المعطوبة بدلاً من سؤال كيف يجب إعادة تخيل سير العمل نفسه مع الذكاء الاصطناعي في المركز.

ثانيًا، غياب نهج قائم على منصة للذكاء الاصطناعي الوكيلي. بدلاً من معاملة الوكلاء كتجارب منفصلة، تحتاج المؤسسات إلى تبسيط دورة الحياة بأكملها على نحو متكامل، من تصميم الوكلاء وتطويرهم إلى التطبيق والمراقبة والحوكمة – على مستوى الشركة.

ثالثًا، أساس بيانات ضعيف. من السهل بناء تجربة على ملف مسطح نظيف، ولكن التوسيع يتطلب أساسًا قويًا يعمل في الوقت الفعلي وتكون فيه البيانات الدقيقة متاحة باستمرار لنماذج الذكاء الاصطناعي.

أخيرًا، نشهد احتكاكًا بين دفع تكنولوجيا المعلومات وجذب الأعمال. النجاح يحدث فقط عندما يرى قادة الأعمال الذكاء الاصطناعي كقيمة إضافية ترتبط بالتأثير القابل للقياس، وليس كتشتيتًا يُدفع بواسطة تكنولوجيا المعلومات. في تريدنس، كان تركيزنا دائمًا على “الميل الأخير”، حيث نربط هذا الفجوة بين توليد الرؤية وتحقيق القيمة.

تعمل تريدنس مع العديد من أكبر متاجر التجزئة في العالم، ودعم تريليونات في الإيرادات. بناءً على ما تراه عبر الصناعة، ما الذي يفصل متاجر التجزئة التي تنجح في توسيع الذكاء الاصطناعي بنجاح عن تلك التي لا تزال عالقة في التجارب؟

في تريدنس، قد أعطانا دعم تريليونات في إيرادات التجزئة مقعدًا في الصف الأمامي للانقسام الواضح في الصناعة: متاجر التجزئة التي تعامل الذكاء الاصطناعي كتجارب منفصلة مقابل تلك التي تبني “مصنع الذكاء الاصطناعي” الصناعي. الفرق الرئيسي يكمن في الالتزام بأسس منصة الذكاء الاصطناعي الوكيلي. المنظمات الأكثر نجاحًا تتوقف عن البناء من الصفر وتستثمر في نظام بيئي قوي يتميز بمكتبات مكونات قابلة لإعادة الاستخدام وقوالب تصميم قياسية وأنماط وكلاء مسبقة الصنع موجهة إلى حالات استخدام التجزئة المحددة. عندما تُضيف LLMOps الناضجة وقابلية المراقبة عبر كامل الحزمة التقنية وضوابط الذكاء الاصطناعي المسؤول (RAI) المدمجة على هذا الأساس، يكون التأثير تحولًا – عادة ما نرى تحسينًا بنسبة 80% في سرعة تحقيق القيمة لحالات الاستخدام الجديدة لأن العمل المعماري الشاق قد أُنجز بالفعل.

ومع ذلك، المنصة جيدة فقط كما السياق الذي تستهلكه، مما يأتي بنا إلى أساس البيانات. التوسيع يتطلب أكثر من مجرد الوصول الخام إلى البيانات؛ إنه يطالب طبقة دلالية غنية حيث تسمح البيانات الوصفية القوية ونماذج البيانات الموحدة للذكاء الاصطناعي “الاستدلال” حول الأعمال بدلاً من مجرد معالجة الإدخالات. أخيرًا، القادة الحقيقيون يدركون أن هذا ليس مجرد تحول تكنولوجي ولكن ثقافيًا. هم يربطون “الميل الأخير” بالانتقال من الأتمتة البسيطة إلى التعاون بين الإنسان والوكيل، وإعادة هندسة سير العمل بحيث يثق الموظفون والتجار في التعاون مع نظرائهم الرقميين، مما يتحول من إمكانية خوارزمية إلى نتائج أعمال قابلة للقياس.

أكثر من 70% من الترويجات في التجزئة لا تزال تفشل في تحقيق التعادل. كيف يمكن للذكاء الاصطناعي تحسين التخطيط للترويج وقياسه وتحسينه في الوقت الفعلي؟

معدل الفشل يظل بسبب اعتمادهم على تحليلات “مرآة الرؤية الخلفية” التي تخلط بين المبيعات الإجمالية وزيادة المبيعات – أساسًا ما يدفع للمشترين المخلصين الذين كانوا سيشترون على أي حال. لكي نكسر هذا الدورة، نحن بحاجة إلى التحول من تقارير وصفية إلى نهج أكثر تنبؤية. في مرحلة التخطيط، نستخدم الذكاء الاصطناعي السببي لمحاكاة النتائج وإنشاء “قواعد أساسية حقيقية”، وتحديد ما كان سيباع بدون الترويج. هذا يسمح للمتاجر بوقف دفع الطلب العضوي والاستهداف فقط للحجم الجديد.

للقياس، يحل الذكاء الاصطناعي لغز محفظة المنتجات بقياس تأثيرات الهالة وتأثير استحواذ المنتجات على مبيعات بعضها بعضًا. غالبًا ما يخطط التجار بمعزل عن بعضهم، لكن الذكاء الاصطناعي يوفر رؤية تشمل الفئة بأكملها، ويضمن ألا يكون الترويج لرمز مخزون واحد (SKU) مجرد انتزاع لهامش منتج آخر. ويساعد هذا القياس الشامل تجار التجزئة على معرفة ما إذا كانوا يوسعون إجمالي مبيعات الفئة أم يعيدون فقط توزيع المبيعات الحالية.

أخيرًا، لتحسين الوقت الفعلي، تتحرك الصناعة نحو وكلاء الذكاء الاصطناعي الذين يراقبون الحملات أثناء تنفيذها. بدلاً من انتظار تحليل ما بعد الحدث أسابيع بعد الحدث، هذه الوكلاء يوصون بتغييرات مسار مستقلة – مثل تعديل الإنفاق الإعلاني الرقمي أو تبديل العروض – لإنقاذ الأرباح والخسائر (P&L) قبل انتهاء الترويج. هذا النهج يغير التركيز من مجرد إفراغ المخزون إلى هندسة نمو ربحية.

أخطاء التنبؤ ونفاد المخزون لا تزال تسبب خسائر إيرادات كبيرة. ما الذي يجعل أنظمة التجزئة والتوريدات التي تعمل بالذكاء الاصطناعي أكثر فعالية من نهج التنبؤ التقليدي؟

الانتقال الأول هو في التنبؤ، حيث يتحرك الذكاء الاصطناعي من الاعتماد فقط على التاريخ الداخلي إلى استهلاك البيانات الخارجية – مثل الطقس المحلي والأحداث الاجتماعية والمؤشرات الاقتصادية. عندما يلتقط التنبؤ هذا السياق الخارجي، فإن مكاسب الدقة لا تحسن فقط أرقام المبيعات؛ إنها تتدفق لأسفل، وتحسين إدارة المخزون وتخطيط السعة وجداول العمل وعمليات المستودع لتتوافق مع الطلب الحقيقي.

الانتقال الثاني هو في نفاد المخزون، الذي لا يزال يفشل معظم المتاجر في قياسه بدقة. يحل الذكاء الاصطناعي هذا من خلال الكشف عن الشذوذ في أنماط المبيعات – تحديد “المخزون الوهمي” حيث يعتقد النظام أن العنصر موجود، ولكن المبيعات توقفت – وتحفيز العد الدوري تلقائيًا لتصحيح السجل. وراء البيانات، نشهد صعود الرؤية الحاسوبية لتحديد الفجوات على الرف في الوقت الفعلي وتتبع المخزون في الغرف الخلفية، مما يضمن أن المنتج ليس فقط “في المبنى” ولكن متاحًا للشراء.

يصبح التجارة الوكيلية موضوعًا رئيسيًا في ابتكارات التجزئة. كيف يغير وكلاء الذكاء الاصطناعي القائمون على الاستدلال اكتشاف المنتج والتحويل مقارنة بتجربة التسوق القائمة على البحث اليوم؟

في التسوق القائم على البحث اليوم، لا يزال المستهلكون يقومون بأغلب الأعمال الشاقة. يجب عليهم معرفة ما يبحثون عنه، ومقارنة الخيارات، وفهم النتائج اللانهائية. يضرب وكلاء الاستدلال هذه من خلال توليد “ممرات اصطناعية” ديناميكيًا – مجموعات مجمعة تجمع بين منتجات متعددة الفئات بناءً على نيّة محددة. على سبيل المثال، بدلاً من البحث بشكل منفصل عن خمسة عناصر، يُقدم للمشتري مهمة “صباح صحي” مجموعة متوافقة ومؤقتة تضم كل شيء من حبوب الفطور عالية البروتين إلى الخلاطات، مما يقلل من قمع الاكتشاف من دقائق إلى ثوان.

على جانب التحويل، يتصرف هؤلاء الوكلاء أقل مثل محركات البحث وأكثر مثل “concierges التسوق”. لا يُقدمون فقط خيارات؛ إنهم يبنون سلال تسوق بناءً على الاحتياجات المفتوحة. إذا سأل الزبون عن “خطة عشاء لأربعة أشخاص بأقل من 50 دولارًا”، يستدل الوكيل من خلال المخزون والأسعار والقيود الغذائية لاقتراح حزمة كاملة. هذه القدرة على الاستدلال تغلق “فجوة الثقة” – من خلال توضيح لماذا يناسب المنتج نمط حياة الزبون أو هدفه، يقلل الوكيل من الشلل في اتخاذ القرار ويدفع معدلات تحويل أعلى مقارنة بشبكة صامتة من لقطات المنتج.

أخيرًا، نشهد هذا الامتداد إلى المحتوى فائق التخصيص. بدلاً من عرض نفس لافتة الصفحة الرئيسية للجميع، يمكن للذكاء الاصطناعي الوكيل توليد صفحات هبوط ديناميكية ومرئية تعكس مهمة التسوق الحالية للعميل. ومع ذلك، من أجل تحقيق ذلك، يجد المتاجر أنهم بحاجة إلى تأسيس هذه الوكلاء في نموذج بيانات موحد مع حوكمة صارمة للعلامة التجارية والأمان، مما يضمن أن “الابتكار” للذكاء الاصطناعي لا يختلق أبدًا منتجات غير موجودة أو ينتهك صوت العلامة التجارية.

كثيرًا ما يصعب على المتاجر التعامل مع البنية التحتية للبيانات القديمة. كيف يجب على الشركات تحديث أسس البيانات الخاصة بهم بحيث يمكن لنمذجة الذكاء الاصطناعي تقديم توصيات موثوقة وقابلة للتفسير؟

أعظم عائق أمام نجاح الذكاء الاصطناعي ليس النماذج ولكن “مستنقع البيانات” التي تحته. لتحديثها، يجب على المتاجر التوقف عن مجرد جمع البيانات وبناء طبقة دلالية موحدة. هذا يعني تنفيذ نموذج بيانات قياسي حيث يتم تعريف المنطق التجاري (مثل كيفية حساب “هامش الربح الصافي” أو “معدل فقدان العملاء”) مرة واحدة ويمكن الوصول إليه على نطاق واسع، بدلاً من أن يكون مخفيًا في سكريبتات SQL منقسمة عبر المنظمة.

ثانيًا، تحتاج الشركات إلى الانتقال إلى عقلية “منتج البيانات”. بدلاً من معاملة البيانات كمنتج ثانوي لتكنولوجيا المعلومات، تعامل المتاجر الناجحة معها كمنتج يحتوي على ملكية محددة وSLAs ومراقبة جودة صارمة (مراقبة البيانات). عندما تجمع بين هذه السجلات “الذهبية” النظيفة والمحكومة مع البيانات الوصفية الغنية، فإنك تتيح قابلية التفسير. الذكاء الاصطناعي لا يبصق فقط توصية صندوق أسود؛ إنه يمكن تتبع منطقه من خلال الطبقة الدلالية.

كانت التعاون بين المتاجر وشركات السلع الاستهلاكية يعتمد تاريخيًا على بيانات منقسمة ومقاييس غير متسقة. كيف يمكن لنموذج البيانات الموحد ومنصات الذكاء الاصطناعي المشتركة أن يفتح أداء فئة أقوى لكل من الجانبين؟

حتى الآن، نظر المتاجر وشركات السلع الاستهلاكية إلى نفس العملاء من خلال عدسات مختلفة، كل واحد يستخدم بياناته الخاصة وحوافزه. نموذج البيانات الموحد يغير هذا من خلال إنشاء نسخة واحدة من الحقيقة عبر سلسلة القيمة، سواء كانت أداء الرف أو سلوك المشتري. عندما تعمل كلا الجانبين على منصة الذكاء الاصطناعي نفسها، يمكنهم تحديد ما يدفع النمو أو التسرب على مستوى الفئة. قد يكون ذلك هو التسعير أو الترويج أو تشكيلة المنتجات أو فجوات المخزون. هذا يغير المحادثات من “بياناتي مقابل بياناتك” إلى “فرصة مشتركة”.

النتيجة هي قرارات أكثر ذكاء، وتجارب أسرع، ونمو فئة أعلى يفيد كلا الجانبين.

مع نضج شبكات الإعلام التجزئة، ما الدور الذي سيلعبه الذكاء الاصطناعي في تحسين الاستهداف والقياس وإسناد النتائج ضمن حلقة مغلقة مع الحفاظ على ثقة المستهلك؟

سيُحوّل الذكاء الاصطناعي أربعة مجالات رئيسية مع نضج شبكات الإعلام التجزئة.

أولاً، في الاستهداف، تتطور الصناعة من فئات الجمهور الثابتة إلى نوايا تنبؤية. من خلال تحليل الإشارات في الوقت الفعلي – مثل سرعة التصفح أو تركيبة السلة – لتحديد اللحظة الدقيقة لاحتياج المشتري، يضمن الذكاء الاصطناعي أن نظهر الإعلانات الصحيحة عندما يهم ذلك أكثر، بدلاً من مجرد استهداف تسمية ديموغرافية واسعة.

ثانيًا، لقياس الإيرادات، يتغير المعيار الذهبي من العائد البسيط على الإنفاق الإعلاني (ROAS) إلى العائد الإضافي على الإنفاق الإعلاني (iROAS). من خلال استخدام الذكاء الاصطناعي السببي، يمكننا قياس تأثير حقيقي الإنفاق الإعلاني من خلال تحديد المشترون الذين تحولوا فقط بسبب الإعلان مقابل أولئك الذين كانوا سيشترون حتى دون الإعلان.

ثالثًا، يصبح الكفاءة التشغيلية حرجًا، خاصة في عمليات الإبداع. لدعم التخصيص الشخصي، تستخدم المتاجر الذكاء الاصطناعي التوليدي ليس فقط للفكرة ولكن لتوسيع الإنتاج. هذا يسمح للفرق بتوليد آلاف التباينات الرقمية والقنوات المحددة في دقائق بدلاً من أسابيع، وحل عرقلة “سرعة المحتوى”.

أخيرًا، يعتمد الحفاظ على الثقة على اعتماد غرف البيانات النظيفة على نطاق واسع. وتتيح هذه البيئات لتجار التجزئة والعلامات التجارية مطابقة مجموعات بياناتهم بأمان لإسناد النتائج ضمن حلقة مغلقة، مع ضمان ألا تغادر المعلومات الحساسة التي تحدد هوية الأشخاص (PII) جدران الحماية الخاصة بكل جهة مطلقًا.

في المستقبل، ما هي القدرات التي ستحدد الجيل التالي من تجار التجزئة المدعومين بالذكاء الاصطناعي، وماذا يجب على القادة البدء في بنائه اليوم ليبقوا منافسين خلال الخمس سنوات القادمة؟

العصر التالي للتجزئة سيتحدد بالانتقال من “التحول الرقمي” إلى “التحول الوكيل”. نحن نمشي نحو مستقبل “التنسيق المستقل”، حيث تعمل شبكات من وكلاء الذكاء الاصطناعي معًا لتشغيل عمليات معقدة – مثل وكيل سلسلة التوريد يخبر وكيل التسويق تلقائيًا بإيقاف الترويج لأن الشحنة متأخرة.

لتحضير هذا، يجب على القادة البدء في بناء ثلاثة أشياء اليوم.

أولاً، نموذج بيانات موحد. لا يمكن للوكلاء التعاون إذا لم يتكلموا نفس اللغة؛ يجب أن تتطور أساس البيانات الخاصة بك من مستودع إلى “نظام عصبي” دلالي.

ثانيًا، إطار الحوكمة للوكلاء. يجب عليك تحديد “قواعد المشاركة” – ما الذي يسمح للذكاء الاصطناعي بالعمل بشكل مستقل مقابل ما يتطلب موافقة بشرية – قبل أن تتوسع.

أخيرًا، أيام اللوحات الثابتة التي توفر تحليلات “مرآة الرؤية الخلفية” معدودة. نحن نمشي نحو تحليلات محادثية توفر رؤى فورية وشخصية. هذه الواجهات تتجاوز مجرد تقارير ما حدث؛ إنها تستخدم الذكاء الاصطناعي الوكيل للاستدلال من خلال أسئلة معقدة “لماذا” وتقديم توصيات توجيهية دقيقة حول ما يجب فعله بعد ذلك، مما يغلق الفجوة بين الرؤية والعمل.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في التعلم أكثر يجب أن يزوروا تريدنس.