إلياس كوركلو، المؤسس المشارك والرئيس التنفيذي لشركة Replenit – سلسلة المقابلات

Ilyas Kurklu، المؤسس المشارك والرئيس التنفيذي لشركة Replenit، هو رائد أعمال ومدير تقني في مجال التجزئة يركز على تطبيق الذكاء الاصطناعي على اتخاذ القرار والتفاعل مع العملاء. في Replenit، يقود الاستراتيجية وتطوير المنتجات والشراكات، مستندًا إلى أكثر من عقد من الخبرة في مساعدة شركات التجزئة الكبرى على النمو من حوالي 10 ملايين دولار إلى 2 مليار دولار في الإيرادات، مع العمل مع أكثر من 300 متجر. تشمل مسيرته أيضًا أدوار استشارية وتطوير أعمال، بالإضافة إلى ست سنوات كقائد فريق ومتنبئ جوي في المديرية العامة للأرصاد الجوية في تركيا، حيث عمل مع بيانات الوقت الحقيقي والرادار وصور الأقمار الصناعية وأنظمة التنبؤ.

Replenit هو منصة اتخاذ قرار بالذكاء الاصطناعي صُممت للتجزئة والتجارة الإلكترونية، وتوفر طبقة بين بنية بيانات المتجر وأنظمة التفاعل مع العملاء الحالية. يجمع محرك اتخاذ القرار بالذكاء الاصطناعي الخاص به بين إشارات العميل والمنتج والسلوك وغيرها لتحديد الإجراء الأفضل التالي لكل عميل في الوقت الفعلي، بينما يستطيع مدير CRM الذكي Maestro AI إدارة سير العمل بشكل مستقل بما في ذلك إعادة المخزون، والبيع المتقاطع، والتفاعل، ومنع الانسحاب، واستعادة العملاء. بدلاً من طلب استبدال المتاجر لتقنياتها الحالية، صُممت Replenit للتكامل مع منصات التجارة والتسويق والبيانات الحالية وتحويل قراراتها إلى اتصالات وإجراءات جاهزة للتنفيذ. وتقول الشركة إن تقنيتها تُستخدم من قبل متاجر مثل L’Occitane وMumzworld وe-bebek وBeko وFaith In Nature.

قضيت سنوات في مساعدة توسيع تقنيات التجزئة المؤسسية قبل تأسيس Replenit مع خمسة مؤسسين مشاركين. ما هو التحدي المتكرر الذي رأيت المتاجر تواجهه والذي أقنعك بوجود طبقة اتخاذ قرار مفقودة في حزمة التكنولوجيا، وكيف أدت هذه الفكرة إلى إنشاء Replenit؟

من خلال العمل مع مئات المتاجر عبر أسواق مختلفة، استمرّنا في سماع ورؤية نفس المشكلة: أصبح المتجرون بارعين جدًا في جمع البيانات وعلى درجة عالية في التنفيذ، لكن الذكاء بينهما لا يزال مفقودًا. كان لديهم منصات CDP، ومستودعات، ومنصات CRM وأنظمة أتمتة التسويق، ومع ذلك كان القرار — ما الذي يجب أن يحدث فعليًا بعد ذلك لهذا العميل الفردي؟ — لا يزال تخمينًا يعتمد على قواعد ثابتة، وفئات واسعة، وجداول الحملات، وحكم الإنسان. كانت البنية والفريق كلاهما حلولًا مؤقتة للواقع أن لا أحد يستطيع التفكير في كل عميل على حدة على نطاق واسع. Replenit هي تلك الطبقة المفقودة من التفكير والقرار. لقد بنينا محركًا يمكنه تفسير سياق العميل والمنتج على مستوى الفرد، وتحديد الإجراء التجاري المناسب التالي، ثم استخدام الأنظمة الحالية للمتجر لتنفيذه.

تُجادل Replenit بأن المتاجر لديها بالفعل الكثير من بيانات العملاء والعديد من الأدوات لتنفيذ الحملات، لكنها تفتقر إلى الذكاء القادر على تحديد ما يجب أن يحدث بعد ذلك. لماذا لم تستطع منصات بيانات العملاء (CDPs) ومنصات إدارة علاقات العملاء (CRM) وأنظمة أتمتة التسويق حل هذه المشكلة بمفردها؟

تم بناء تلك الأنظمة لأداء مهام مختلفة. يمكن لمنصة CDP توحيد بيانات العملاء، لكن توحيد البيانات لا يعني اتخاذ قرار بشأن ما يجب فعله بها. تُعد منصات CRM وأتمتة التسويق طبقات تنفيذية ممتازة. يمكنها إرسال وتنسيق وتحسين الاتصالات بمجرد أن يحدد شخص ما الجمهور المستهدف أو سير العمل أو الحملة المحددة.

حتى مع إضافة تلك المنصات للدرجات التنبؤية، والذكاء الاصطناعي التوليدي، وتحسين وقت الإرسال، لا يزال وحدة العمل الأساسية غالبًا هي الحملة أو الرحلة أو الجمهور أو الشريحة. قد يقوم الذكاء الاصطناعي بتحسين شيء اختاره المسوّق بالفعل. لكنه لا يقرر بالضرورة ما إذا كان يجب حدوث أي شيء على الإطلاق، أو أي هدف دورة حياة هو الأكثر أهمية لهذا العميل المحدد، أو أي منتج ذو صلة، أو لماذا الآن، وبأي نبرة، وإلى أي نتيجة تجارية. هذا هو الفارق الذي نحدده بين الدرجة والقرار. يمكن للتنبؤ ترتيب الاحتمالية. القرار يتطلب التفكير عبر السياق والبدائل ثم الالتزام بإجراء. تتواجد Replenit فوق البنية الحالية لتوفير تلك الطبقة بدلاً من مطالبة المتاجر باستبدال الأنظمة التي لديهم.

جزء أساسي من نهج Replenit هو تطبيق Theory of Mind لاستنتاج نية العميل وسياقه وسلوكه المستقبلي المحتمل. كيف تقوم بترجمة مفهوم من علم الإدراك إلى نظام ذكاء اصطناعي يمكنه اتخاذ قرارات تجارية موثوقة، وكيف تتحقق مما إذا كان النظام قد فسر نية العميل بشكل صحيح؟

نحوِّل مفهوم Theory of Mind إلى طبقة استدلالية تتجاوز ما فعله العميل وتسأل لماذا قد حدث هذا السلوك، وما الذي يشير إليه من نية، وماذا يعني في السياق. بدلاً من الاعتماد فقط على الأنماط التاريخية أو تشابه المنتجات، يستدل النظام على مستوى كل علاقة فردية بين العميل والمنتج ويستخدم ذلك السياق لتحديد ما يجب أن يحدث بعد ذلك.

يمكن أن يشمل هذا الاستدلال فهم الدافع المحتمل وراء عملية الشراء، وكيفية ارتباط المنتجات ببعضها، وما الحاجة التي يحاول العميل تلبيتها، وما إذا كان التوقيت مناسبًا لإجراء معين. ثم تتجاوز Replenit مجرد اقتراح خيار: فهي تتخذ قرارًا وتُعدّ ذلك القرار للتنفيذ عبر الأنظمة الحالية للمتجر.

يتم التحقق من الصحة من خلال النتائج. بمجرد اتخاذ قرار، تقوم Replenit بتتبع ما حدث فعليًا وتغذية تلك النتيجة مرة أخرى في القرارات المستقبلية لهذا العميل. كما أنها تقيم باستمرار أي من مهاراتها ونهج اتخاذ القرار التي تحقق النتائج، وتوسع تلك التي تؤدي جيدًا وتقلل أولوية تلك التي لا تؤدي. بهذا المعنى، يصبح النظام أفضل في معرفة الخطوة الصحيحة للعميل المناسب في الوقت المناسب لأنه يتعلم من النتائج الفعلية، بدلاً من تشغيل المنطق نفسه بشكل متكرر.

معظم أنظمة التخصيص هي في النهاية محركات تنبؤ، تُقدّر ما قد ينقره أو يشتريه الشخص. تُبرز Replenit الانتقال من التنبؤ إلى اتخاذ القرار. من منظور هندسة الذكاء الاصطناعي، ما الذي يتغير عندما يجب على النموذج اختيار الإجراء التالي فعليًا بدلاً من مجرد إنتاج احتمال أو توصية؟

في Replenit، هناك أربعة أجزاء مهمة في تلك البنية. الأول هو الذاكرة الذهبية: سجلات حية للعميل والمنتج والعلامة التجارية تُوفر للنظام سياقًا يتجاوز المعاملة المنعزلة. عندما تكون المعلومات غير مكتملة، يمكن لـ Replenit أيضًا إثراء البيانات المتاحة وتوليد سياق اصطناعي للمساعدة في سد تلك الفجوات.

الثاني هو أكثر من 100 مهارة صناعية. هذه قدرات تفكير متخصصة لفئات وحالات معينة—مثل أداة بناء روتين مستحضرات التجميل لتجار التجزئة في مجال الجمال أو مهندس داخلي لشركات الأثاث والدي آي واي، على سبيل المثال. إلى جانب هذه المهارات، يمكن تشغيل 15 فحصًا داعمًا بالتوازي حول القرار، بما في ذلك فحوصات الاستبدال، والتوافق، والازدواجية، والكبت.

الثالث هو ملكية سير العمل. بدلاً من إنتاج توصية والتوقف عند ذلك، يمكن لـ Maestro التفكير عبر سير عمل دورة الحياة مثل الإعادة المخزنية، والبيع المتقاطع، والتفاعل، واستعادة العملاء، والحد من التسرب، والعروض الترويجية والاستبدال. يمكن لهذه سير العمل أن تعمل بشكل مستمر ومتوازي لعميل فردي، حيث يحدد Maestro الإجراء المناسب في تلك اللحظة المحددة.

أخيرًا، نقوم بتجميع ذلك في ما نسميه حدث القرار الذهبي: قرار مسجَّل وجاهز للتنفيذ يحتوي على الإجراء وتبريره، ويمكن تمريره مباشرةً إلى نظام إدارة علاقات العملاء (CRM) الخاص بالتاجر، أو أتمتة التسويق، أو التجارة الإلكترونية، أو التطبيق، أو أنظمة البيانات عبر أكثر من 120 منصة.

إذن الفرق هو أننا ننتقل من نموذج يتنبأ بما من المرجح أن يحدث إلى نظام يمكنه تذكر السياق، وإدخال الخبرة المناسبة، وتقييم الإجراءات المتاحة، والالتزام بقرار واحد وجعله قابلاً للتنفيذ.

يمكن لـ Maestro أن يقرر بشكل مستقل ما إذا كان يجب أن يتلقى عميل فردي تذكيرًا بإعادة المخزون، أو عرض بيع متقاطع، أو ترويجًا، أو رسالة تفاعل، أو محاولة لاستعادة العميل، أو ربما لا يتدخل على الإطلاق. كيف يوازن النظام بين هذه الإجراءات المتنافسة ويحدد ما هو القرار الحقيقي الأفضل لهذا العميل في تلك اللحظة؟

نقطة الانطلاق هي العميل والهدف التجاري. يحدد التاجر الاستراتيجية والأولويات والحدود. ثم يقوم Maestro بالتفكير عبر سياق العميل والمنتج وسير العمل المتاح لتحديد ما يجب أن يحدث لاحقًا.
قد يشمل ذلك اتخاذ قرار بشأن أي هدف تجاري يجب إعطاؤه الأولوية، أي سير عمل هو المناسب، أي مهارة أو مجموعة مهارات يجب تطبيقها، أي المنتجات ذات الصلة، ومتى يجب تنفيذ الإجراء. يمكن للتجار أيضًا تحديد الأولويات بناءً على مؤشرات مثل الإيرادات، وتكرار الشراء، ومتوسط قيمة الطلب، وحماية الهوامش أو الوقاية من التسرب.

يضيف تفكيرنا القائم على نظرية العقل (Theory-of-Mind) السياق الفردي: ما الذي يبدو أن السلوك يعنيه، وما قد يحتاجه العميل فعليًا ولماذا قد يكون هذا هو اللحظة المناسبة أو لا تكون كذلك. يمكن لمهاراتنا المتخصصة والفحوصات الداعمة أن تعمل جنبًا إلى جنب مع هذا التفكير. عندما يكون القرار الأفضل هو عدم التدخل، لا يقوم Maestro بذلك. بمجرد أن يصل Maestro إلى استنتاج، يلتزم بالقرار وتبريره كحدث جاهز للتنفيذ بدلاً من مجرد إرجاع قائمة من التوصيات للمسوق.

تستخدم Replenit بنية سربية حيث يمكن لعدة وكلاء ذكاء اصطناعي متخصصين العمل بالتوازي. ماذا يحدث عندما يقوم عدة وكلاء بالتفكير حول نفس العميل في نفس الوقت، وكيف تمنع تنفيذ توصيات أو إجراءات متضاربة؟

لا يخلق محرك السرب في Replenit صراعات بين الوكلاء لأنه لا يتعلق بتوازي قرارات العملاء؛ بل يتعلق بتشغيل مكونات قرار واحد بالتوازي. عندما يقوم Maestro بالتفكير حول عميل، يفعّل عدة وكلاء متخصصين في آن واحد: شبكة توجيه توجه القرار إلى النماذج المناسبة، نموذج لغة كبير (LLM) للتفكير يقيّم سياق العميل وسلوكه، وكلاء الإثراء يصنعون بيانات مفقودة عن العميل أو المنتج في الوقت الفعلي، والنماذج المتخصصة تقيم علاقات وتوافق المنتج مع العميل.

بدلاً من تشغيلها بشكل تسلسلي، ما كان سيستغرق وقتًا أطول وتكلفة أعلى، تعمل هذه المكونات بالتوازي على حالة العميل نفسها ثم تتقارب إلى قرار موحد واحد حول ما يجب أن يحدث لاحقًا. لا يوجد صراع لأنهم لا يتنافسون على اختيار إجراءات مختلفة؛ كل منهم يضيف بُعدًا مختلفًا إلى النتيجة نفسها.

على سبيل المثال، قد يكشف الإثراء عن إشارات مفقودة للعميل أو المنتج، وتفسر طبقة التفكير تاريخ الشراء والهدف التجاري، وتحدد نماذج علاقة المنتج المنتج الأساسي والبدائل القابلة للتطبيق، وتزن التقييمات الأثر التجاري المحتمل. كل ذلك يحدث بالتوازي، لكنه ينتج نتيجة واحدة. هذا المستوى من التوازي يُعد ميزة معمارية هامة. من الصعب تعديل ذلك في محركات مبنية كأدوات أحادية، بينما صممت Replenit ذلك في النواة منذ البداية.

الذاكرة المستمرة هي جزء مهم آخر من المنصة، تسمح للقرارات بالبناء على ما حدث مسبقًا مع كل عميل. ما مدى أهمية الذاكرة طويلة الأمد للوكالات الذكية المستقلة، وما هي الضمانات المطلوبة عندما تشمل تلك الذاكرة سلوكيات العملاء الحساسة المحتملة؟

الذاكرة هي أساس اتخاذ القرار المستقل لأن السياق ديناميكي. عندما يرى Maestro أول عملية شراء لمنتج طفل، يتذكر أن سياق الأسرة قد تغير، ويجب أن تعكس القرارات المستقبلية دورة حياة الوالدين. عندما يرى عمليات شراء أولية للعناية بالبشرة، يتذكر أن هذا العميل يبني روتينًا. عندما تظهر أنماط شراء حول اللياقة أو العافية، يلتقط العادة المتشكلة.

كل عملية شراء تُحدّث ما يفهمه النظام عن ذلك العميل — ليس فقط الديموغرافيات، بل ما يدفعه، والسلوكيات التي يرسخها، ولحظات الحياة التي تتكشف — لذا فإن القرار التالي ليس عامًا، بل متجذرًا في سياق العميل الفعلي. تلك الذاكرة المتراكمة هي ما يجعل القرارات أكثر ذكاءً.

الضمان بسيط: نحتفظ بأحداث الشراء والأنماط السياقية التي تنبثق منها — إشارات دورة الحياة، تكوين العادات، دوافع الشراء، وتفضيل الفئات — مع سياسات احتفاظ صارمة وتُسمية مستعارة حيثما أمكن. نطاق البيانات يبقى ضيقًا. نتعقب ما حدث وما السياق الذي تغير، ولا شيء أكثر من ذلك. بدون هذه الضوابط، تصبح الذاكرة المستمرة عبئًا وليس أصلًا.

تم تصميم Replenit لتعمل فوق التقنية التي يستخدمها تجار التجزئة بالفعل بدلاً من إجبارهم على استبدال البنية الحالية. ما الذي تعلمتموه من النشر مع أكثر من 30 تاجر تجزئة مؤسسي حول أكبر الحواجز التقنية أو التنظيمية أمام منح الذكاء الاصطناعي سلطة اتخاذ قرار ذات معنى؟

أوضح مشكلة تقنية واجهناها ليست نقصًا في البيانات بل حالة تلك البيانات. غالبًا ما يمتلك تجار التجزئة المؤسسين كمية كبيرة من البيانات المشتتة عبر الأنظمة، غير المتسقة أو غير المكتملة. لهذا السبب أصبح الإثراء جزءًا مهمًا من البنية التحتية الأساسية. يجب على النظام إنشاء سياق ذي معنى كافٍ للتفكير حتى عندما تكون مجموعة البيانات الأساسية غير مثالية.

من الناحية التنظيمية، السؤال الأصعب هو الثقة. منح الذكاء الاصطناعي سلطة اتخاذ قرار ذات معنى يمس عدة وظائف في آن واحد. فرق البيانات وتكنولوجيا المعلومات تريد الشفافية، والأمان، وأعباء تكامل منخفضة. فرق التسويق تحتاج إلى الثقة بأن تواصل العملاء سيظل متسقًا مع العلامة. فرق إدارة علاقات العملاء تريد الاحتفاظ بالسيطرة الاستراتيجية بدلاً من الشعور بأن نظام الذكاء الاصطناعي يسرق علاقة العميل منهم.

لذلك كان نهجنا هو فصل الاستراتيجية عن التنفيذ. يحدد الأشخاص الأهداف، وتوجيه العلامة، والضوابط، بينما يمتلك Maestro عملية اتخاذ القرار الفردية القابلة للتكرار والتنفيذ داخل تلك الحدود. كل قرار مُلتزم يُصمم ليكون قابلًا للتتبع، ويعمل النظام فوق البنية الحالية بدلاً من فرض ترحيل منصة.

مع تحول الذكاء الاصطناعي إلى تحسين الإيرادات والاحتفاظ، كيف تمنع نظامًا ذاتيًا من تحسينه المفرط للمعايير قصيرة الأجل، مثل دفع العروض الترويجية أو المشتريات غير الضرورية، على حساب ثقة العملاء وقيمة العلامة التجارية على المدى الطويل؟

يقوم Maestro بالتحسين وفقًا لمؤشرات الأداء التي يحددها البشر، وليس وفقًا لمقاييس يختارها لنفسه. إذا عرّفت الأهداف كقيمة عمر العميل ومعدل الاحتفاظ، فهذا ما سيُحسّن، بدلاً من سرعة المعاملات أو حجم العروض الترويجية. إذا أضرت التكتيكات القصيرة الأجل العدوانية بالاحتفاظ، فإنها تفشل أمام مؤشر الأداء الفعلي. يتعلم النظام هذا التوازن مباشرة لأن كل نتيجة تُعيد تغذية الذاكرة، لذا تصبح الاستراتيجيات التي تضر بالاحتفاظ على المدى الطويل أسوأ بوضوح بالنسبة لهدف الأعمال المحدد.

القيود هي هيكلية. يعمل Maestro ضمن الضوابط التي تحددها. لا يمكنه التحسين حولها؛ فهو يعمل داخلها. كل قرار قابل للتتبع، لذا يمكنك تدقيق سبب اختيار Maestro للإرسال أو الإيقاف، وأي مؤشرات أداء أثرت في ذلك الاختيار، وما هو النتيجة المتوقعة. بدون تعريف واضح لمؤشرات الأداء، والضوابط، وشفافية القرار، قد يدفع نظام الذكاء الاصطناعي بقوة مفرطة. لكن نموذج Replenit شفاف ومصمم لتجنب ذلك. الأعمال تحدد ما يهم، ويُنفّذ Maestro تلك الأهداف مع إمكانية تدقيق كاملة، وتساعد كل نتيجة في تحديد ما إذا كانت الاستراتيجية تعمل فعليًا.

نماذج الأساس تتحسن بسرعة، وستصبح الوكلاء الأكثر قدرة متاحة تقريبًا لكل تاجر تجزئة. على المدى الطويل، من أين تعتقد أن الميزة الدفاعية في اتخاذ القرار بالذكاء الاصطناعي ستنطلق: نماذج مملوكة، ذاكرة على مستوى العميل، تفكير متخصص بالمجال، حلقات تغذية راجعة، بنية تحتية، أم شيء آخر تمامًا؟

ستصبح النماذج الأساسية سلعةً، وبالتالي سيحصل الجميع على محركات استدلال ذات قدرة متزايدة. ليست قابلية الدفاع في النموذج نفسه، بل في ما تعرفه عن كل عميل ومدى سرعة تراكم تلك المعرفة. ميزة Maestro هي الذاكرة على مستوى العميل التي تتعمق مع كل عملية شراء وكل نتيجة. بعد ستة أشهر من النتائج، يعرف النظام عميلك أفضل من أي نموذج عام. ليس فقط الديموغرافيات، بل ما يدفعهم، ومتى يكونون مستجيبين، وما الذي يسبب التسرب.

تخلق تلك الذاكرة أيضًا استمرارية. الانتقال إلى نظام آخر يعني فقدان سنتين من السياق المتعلم. إلى جانب ذلك، تمتلك Replenit مهارات متخصصة في المجال مبرمجة لتجارة التجزئة، بما في ذلك فهم مراحل دورة الحياة، وأنماط سرعة الشراء، ومحفزات التجديد، وتفضيل الفئات في مجال الجمال أو البقالة. لكن يمكن نسخ المهارات. الميزة الحقيقية هي حلقة التغذية الراجعة: يقوم Maestro باتخاذ قرار، يلتقط النتيجة، يحدث الذاكرة، ويستخدم ذلك التعلم لجعل القرار التالي أكثر ذكاءً. تلك الحلقة مستمرة ومتراكمّة. مع مرور الوقت، يصبح النظام الذي يعمل على بياناتك أفضل تدريجيًا من نظام جديد يعتمد على نماذج عامة.

البنية التحتية أيضًا مهمة. توافر التزامن الجماعي والنماذج المملوكة يحافظ على اقتصاد الوحدة بشكل أفضل، لكن ذلك مجرد حد أدنى، وليس ميزة تنافسية. الميزة القابلة للدفاع هي الجمع بين جاذبية بيانات العملاء (تكاليف التحويل)، التعلم المستمر (النتائج التي تغذي القرارات المستقبلية)، والاستدلال المتخصص في المجال (السياق الخاص بتجارة التجزئة)، جميعها تعمل معًا. كل عنصر على حدة قابل للنسخ. معًا، يصبح من الصعب تكراره بسرعة كافية للحاق بالركب.

شكرًا لك على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا Replenit.