Crisp uvádí Halo, které přináší umělou inteligenci pro maloobchod do cloudových prostředí podniků

Společnost Crisp uvedla Halo, platformu s umělou inteligencí pro maloobchod, která může běžet v cloudovém prostředí samotného podniku a přibližuje analýzu prodeje a dodavatelského řetězce k datům a systémům správy, které společnosti již používají. Platforma byla představena 29. října a je určena výrobcům spotřebního zboží (CPG), maloobchodníkům, distributorům a makléřům.

Toto uvedení řeší známý problém v maloobchodě: týmy zaznamenají změnu prodeje nebo zásob, ale přesto stráví hodiny shromažďováním souvislostí potřebných k jejímu vysvětlení. Oznámení platformy Halo od Crisp popisuje systém, který propojuje maloobchodní data, logiku specifickou pro dané odvětví a nástroje využívající agenty, aby uživatelům pomohl zkoumat výkonnost a rozhodnout, co dělat dál.

Datový základ maloobchodu v pozadí umělé inteligence

Architektura platformy Halo začíná informacemi přicházejícími od maloobchodníků a distributorů. Přehled platformy od Crisp rozděluje tento základ na integraci, správu a modelování dat, nad nimiž jsou postaveny nástroje využívající agenty a aplikace určené pro konkrétní role.

Tato struktura je důležitá, protože obchodní partneři mohou produkt, prodejnu nebo vykazované období zachycovat různými způsoby. Dotaz na nedostatek zásob je užitečnější, když se podkladové systémy shodují v tom, kterého zboží, místa a časového období se týká.

Crisp popisuje svůj přístup jako vertikální AI: data se před analýzou čistí a obohacují o maloobchodní sémantiku. Podklady k této problematice od společnosti uvádějí jako příklady souvisejícího obchodního kontextu maloobchodní kalendáře, produktové hierarchie, míru plnění objednávek a analýzu vyprodání zásob. Crisp uvádí, že její služby využívá více než 7 000 zákazníků, včetně 90 ze 100 největších společností vyrábějících spotřební zboží balené (CPG); jde o údaje o využívání služeb, které zveřejnila sama společnost.

Provoz v cloudu zákazníka

Halo je k dispozici jako hostovaná platforma nebo v prostředích zákazníků na platformách Databricks, Snowflake a Google Cloud. Druhá možnost nabízí podnikům alternativu k přesunu jejich maloobchodních analýz do další externě hostované aplikace.

Dokumentace architektury Databricks od Crisp uvádí konkrétní příklad. Maloobchodní data ukládá do tabulek Delta spravovaných prostřednictvím Unity Catalog, aplikace a agenty hostuje v Databricks Apps a pro stav aplikací, konverzace a paměť agentů používá databázi Lakebase. Volání modelů probíhají přes Model Serving a AI Gateway, zatímco sémantické dotazy využívají vybraný datový sklad SQL.

Podle společnosti Crisp zůstávají proprietární data v prostředí zákazníka, zatímco neproprietární provozní protokoly a telemetrie se sdílejí s jejími centrálními systémy. Toto rozlišení je přesnější než tvrzení, že nasazení nekomunikuje s žádnými externími systémy. Crisp mezi položky plánu dalšího vývoje řadí také integraci MLflow a publikování svých sémantických modelů jako metrických pohledů Unity Catalog.

Pro IT týmy spočívá význam především v provozní stránce: řízení přístupu, volba odvozování a sledování využití se mohou sladit s již zavedenou infrastrukturou. Samotné umístění nasazení však nedokládá přesnost odpovědi ani vhodnost automatizovaného zásahu.

Od otázek k celému portfoliu k rozhodnutím pro konkrétního maloobchodníka

V rámci uvedení byly představeny Central Desk a Customer Desk. Central Desk poskytuje týmům v ústředí přehled o celém maloobchodním portfoliu pro práci zahrnující prodejní strategii, řízení kategorií a plánování dodavatelského řetězce. Customer Desk je určen týmům spravujícím zákaznické účty, které potřebují znát metriky, terminologii a provozní logiku konkrétního maloobchodního prodejce.

Představme si značku, která zkoumá pokles prodeje konkrétního produktu. Podstatné je zjistit, zda změnu způsobila poptávka, dostupnost, distribuce nebo jiný provozní faktor. Propojení analýzy se záznamy na úrovni prodejen a jednotlivých položek může týmům pomoci zúžit okruh příčin, místo aby pokles v celém portfoliu považovaly za jediný problém.

Právě v tom spočívá praktický rozdíl mezi konverzačním rozhraním a maloobchodní aplikací: druhá z nich musí rozumět obchodním entitám a vztahům, které se za dotazem skrývají. Širší platforma Halo navíc uspořádává své funkce podle oblastí, jako jsou doplňování zásob, plánování kategorií a spolupráce s dodavateli.

Ověřitelné odpovědi a opakovatelné pracovní postupy

Materiály Crisp o agentech AI popisují nástroje, které využívají každodenní informace o prodejnách a produktech k podpoře analýzy a rozhodování. Mezi hlavní způsoby využití těchto nástrojů v rámci Halo společnost řadí konverzační dotazy, pravidelné přehledy, automatizaci pracovních postupů a vlastní aplikace.

Materiály k uvedení zdůrazňují možnost dohledat zdrojová data a logiku, na jejichž základě vznikla doporučení. Díky takovému původu lze odpověď snáze prověřit: analytik může prozkoumat záznamy a postup, které za doporučením stojí, místo aby plynulé vysvětlení bez dalšího považoval za správné.

Při hodnocení platformy se podniky musí kromě vysvětlení zaměřit i na její použití v praxi: které kroky jsou povolené, které vyžadují kontrolu a jak se po zavedení měří změny. Zveřejněné materiály popisují funkce a architekturu nasazení, nikoli nezávislé srovnávací testy přesnosti prognóz nebo finančních výnosů.

Největším přínosem Halo je propojení těchto vrstev. Kontext maloobchodu poskytuje systému AI užitečnější informace, nasazení v cloudu zákazníka může odpovídat stávajícím pravidlům správy a pracovní postupy přizpůsobené jednotlivým rolím zpřístupňují výsledné analýzy lidem odpovědným za zásoby a obchodní rozhodování.