Amanpal Dhupar, Επικεφαλής Λιανικής στην Tredence – Σειρά Συνεντεύξεων

Αμανπάλ Ντουπάρ, Ο επικεφαλής του τμήματος λιανικής πώλησης στην Tredence είναι ένας έμπειρος ηγέτης στις αναλύσεις λιανικής και την τεχνητή νοημοσύνη με πάνω από μια δεκαετία εμπειρίας στο σχεδιασμό και την ανάπτυξη λύσεων που βασίζονται σε δεδομένα και παρέχουν αξιοποιήσιμες πληροφορίες για τους υπεύθυνους λήψης αποφάσεων σε επιχειρήσεις. Καθ' όλη τη διάρκεια της καριέρας του, έχει ηγηθεί στρατηγικών μετασχηματισμών ανάλυσης για ανώτερα στελέχη σε μεγάλους λιανοπωλητές, έχει δημιουργήσει χάρτες πορείας προϊόντων τεχνητής νοημοσύνης για την επίτευξη μετρήσιμων επιχειρηματικών δεικτών απόδοσης (KPI) και έχει κλιμακώσει ομάδες ανάλυσης από την αρχή έως τις επιχειρήσεις μεγάλης κλίμακας, επιδεικνύοντας τόσο τεχνικό βάθος όσο και ευελιξία ηγεσίας.

Τάση είναι μια εταιρεία επιστήμης δεδομένων και λύσεων τεχνητής νοημοσύνης που επικεντρώνεται στην υποστήριξη των επιχειρήσεων στην αξιοποίηση της επιχειρηματικής αξίας μέσω προηγμένων αναλυτικών στοιχείων, μηχανικής μάθησης και λήψης αποφάσεων με τεχνητή νοημοσύνη. Η εταιρεία συνεργάζεται με παγκόσμιες μάρκες -ειδικά στο λιανικό εμπόριο και τα καταναλωτικά αγαθά- για την επίλυση σύνθετων προκλήσεων σε όλο το φάσμα των εμπορευμάτων, της εφοδιαστικής αλυσίδας, της τιμολόγησης, της εμπειρίας πελατών και των λειτουργιών στην αγορά, μετατρέποντας τις γνώσεις σε αντίκτυπο στον πραγματικό κόσμο και βοηθώντας τους πελάτες να εκσυγχρονίσουν τις δυνατότητες ανάλυσης και ευφυΐας τους.

Οι λιανοπωλητές συχνά εφαρμόζουν δεκάδες πιλοτικά προγράμματα Τεχνητής Νοημοσύνης, ωστόσο πολύ λίγοι προχωρούν σε πλήρη ανάπτυξη. Ποια είναι τα πιο συνηθισμένα οργανωτικά λάθη που εμποδίζουν την Τεχνητή Νοημοσύνη να μετατραπεί σε μετρήσιμα επιχειρηματικά αποτελέσματα;

Μια πρόσφατη μελέτη του MIT Solan διαπίστωσε ότι το 95% των πιλοτικών εφαρμογών τεχνητής νοημοσύνης αποτυγχάνουν να επιτύχουν πλήρη ανάπτυξη. Η πραγματικότητα; Οι πιλοτικές εφαρμογές είναι εύκολες, αλλά η παραγωγή δύσκολη. Στην Tredence, έχουμε εντοπίσει τέσσερις συγκεκριμένους οργανωτικούς λόγους που οδηγούν σε αυτό το κενό.

Πρώτον, η αδυναμία κατανόησης της ροής εργασίας του τελικού χρήστη. Οι λιανοπωλητές συχνά εισάγουν την Τεχνητή Νοημοσύνη σε υπάρχουσες προβληματικές διαδικασίες αντί να ρωτούν πώς θα πρέπει να επαναπροσδιοριστεί η ίδια η ροή εργασίας με την Τεχνητή Νοημοσύνη στο επίκεντρο.

Δεύτερον, η έλλειψη μιας προσέγγισης πλατφόρμας για την Τεχνητή Νοημοσύνη των Πράκτορων (Agentic AI). Αντί να αντιμετωπίζουν τους πράκτορες ως μεμονωμένα πειράματα, οι οργανισμοί πρέπει να βελτιστοποιήσουν ολόκληρο τον κύκλο ζωής — από τον σχεδιασμό και την ανάπτυξη πρακτόρων έως την ανάπτυξη, την παρακολούθηση και τη διακυβέρνηση — σε ολόκληρη την επιχείρηση.

Τρίτον, η βάση δεδομένων είναι αδύναμη. Είναι εύκολο να δημιουργηθεί ένα πιλοτικό πρόγραμμα σε ένα καθαρό, επίπεδο αρχείο, αλλά η κλιμάκωση απαιτεί μια ισχυρή βάση σε πραγματικό χρόνο, όπου ακριβή δεδομένα είναι συνεχώς προσβάσιμα σε μοντέλα τεχνητής νοημοσύνης.

Τέλος, βλέπουμε μια τριβή μεταξύ της ώθησης από την πληροφορική και της έλξης από την επιχείρηση. Η επιτυχία επέρχεται μόνο όταν οι ηγέτες των επιχειρήσεων βλέπουν την Τεχνητή Νοημοσύνη ως προστιθέμενη αξία που συνδέεται με μετρήσιμο αντίκτυπο, και όχι ως μια απόσπαση της προσοχής που ωθείται από την πληροφορική. Στην Tredence, η εστίασή μας ήταν πάντα στο «τελευταίο μίλι», όπου γεφυρώνουμε αυτό το χάσμα μεταξύ της δημιουργίας γνώσης και της υλοποίησης αξίας.

Η Tredence συνεργάζεται με πολλούς από τους μεγαλύτερους λιανοπωλητές στον κόσμο, υποστηρίζοντας τρισεκατομμύρια έσοδα. Με βάση αυτά που βλέπετε σε ολόκληρο τον κλάδο, τι διαφοροποιεί τους λιανοπωλητές που εφαρμόζουν με επιτυχία την Τεχνητή Νοημοσύνη από εκείνους που παραμένουν κολλημένοι στον πειραματισμό;

Στην Tredence, η υποστήριξη τρισεκατομμυρίων εσόδων από το λιανικό εμπόριο μας έχει δώσει μια θέση στην πρώτη γραμμή σε ένα σαφές χάσμα του κλάδου: οι λιανοπωλητές που αντιμετωπίζουν την Τεχνητή Νοημοσύνη ως μια σειρά από διαφορετικά πειράματα έναντι εκείνων που κατασκευάζουν ένα βιομηχανοποιημένο «εργοστάσιο Τεχνητής Νοημοσύνης». Ο κύριος διαφοροποιητής έγκειται στη δέσμευση για τα θεμέλια της Πλατφόρμας Agentic AI. Οι πιο επιτυχημένοι οργανισμοί σταματούν να κατασκευάζουν από το μηδέν και αντ' αυτού επενδύουν σε ένα ισχυρό οικοσύστημα που χαρακτηρίζεται από επαναχρησιμοποιήσιμες βιβλιοθήκες στοιχείων, τυποποιημένα πρότυπα σχεδίασης και προκατασκευασμένα μοτίβα πρακτόρων ευθυγραμμισμένα με συγκεκριμένες περιπτώσεις χρήσης λιανικής. Όταν συνδυάζετε ώριμα LLMOps, πλήρη παρατηρησιμότητα και ενσωματωμένα προστατευτικά κιγκλιδώματα υπεύθυνης Τεχνητής Νοημοσύνης (RAI) πάνω σε αυτό το θεμέλιο, ο αντίκτυπος είναι μετασχηματιστικός - συνήθως βλέπουμε την ταχύτητα προς την αξία για νέες περιπτώσεις χρήσης να βελτιώνεται κατά 80%, επειδή η βαριά αρχιτεκτονική εργασία έχει ήδη ολοκληρωθεί.

Ωστόσο, μια πλατφόρμα είναι τόσο καλή όσο το περιεχόμενο που καταναλώνει, κάτι που μας φέρνει στο θεμέλιο των δεδομένων. Η κλιμάκωση απαιτεί κάτι περισσότερο από απλή πρόσβαση σε δεδομένα. Απαιτεί ένα πλούσιο σημασιολογικό επίπεδο όπου τα ισχυρά μεταδεδομένα και τα ενοποιημένα μοντέλα δεδομένων επιτρέπουν στην Τεχνητή Νοημοσύνη να «συλλογίζεται» πραγματικά για την επιχείρηση και όχι απλώς να επεξεργάζεται δεδομένα εισόδου. Τέλος, οι αληθινοί ηγέτες αναγνωρίζουν ότι δεν πρόκειται απλώς για μια τεχνολογική αναθεώρηση, αλλά για μια πολιτισμική αναθεώρηση. Γεφυρώνουν το «τελευταίο μίλι» προχωρώντας πέρα ​​από τον απλό αυτοματισμό στην ομαδική εργασία ανθρώπου-πράκτορα, ανασχεδιάζοντας τις ροές εργασίας έτσι ώστε οι συνεργάτες και οι έμποροι να εμπιστεύονται και να συνεργάζονται με τους ψηφιακούς ομολόγους τους, μετατρέποντας το αλγοριθμικό δυναμικό σε μετρήσιμη επιχειρηματική πραγματικότητα.

Περισσότερο από το 70% των προωθητικών ενεργειών λιανικής πώλησης εξακολουθούν να μην καταφέρνουν να αποσβέσουν τα κέρδη. Πώς μπορεί η Τεχνητή Νοημοσύνη να βελτιώσει ουσιαστικά τον σχεδιασμό, τη μέτρηση και τη βελτιστοποίηση των προωθητικών ενεργειών σε πραγματικό χρόνο;

Το ποσοστό αποτυχίας του 70% επιμένει, επειδή οι λιανοπωλητές συχνά βασίζονται σε αναλύσεις «οπισθοπορείας» που συγχέουν τις συνολικές πωλήσεις με την σταδιακή αύξηση —ουσιαστικά επιδοτώντας πιστούς αγοραστές που θα είχαν αγοράσει ούτως ή άλλως. Για να σπάσουμε αυτόν τον κύκλο, πρέπει να στραφούμε από την περιγραφική αναφορά σε μια πιο προγνωστική προσέγγιση. Στη φάση σχεδιασμού, χρησιμοποιούμε την Αιτιώδη Τεχνητή Νοημοσύνη για να προσομοιώσουμε τα αποτελέσματα και να καθορίσουμε «πραγματικές γραμμές βάσης», προσδιορίζοντας ακριβώς τι θα είχε πουληθεί χωρίς την προώθηση. Αυτό επιτρέπει στους λιανοπωλητές να σταματήσουν να πληρώνουν για οργανική ζήτηση και να στοχεύουν μόνο σε καθαρό όγκο νέων πωλήσεων.

Για τη μέτρηση, η Τεχνητή Νοημοσύνη λύνει το «παζλ χαρτοφυλακίου» ποσοτικοποιώντας τα φαινόμενα φωτοστέφανου και τον κανιβαλισμό. Οι ανθρώπινοι έμποροι συχνά σχεδιάζουν σε σιλό, αλλά η Τεχνητή Νοημοσύνη παρέχει μια εικόνα για ολόκληρη την κατηγορία, διασφαλίζοντας ότι μια προώθηση σε ένα SKU δεν κλέβει απλώς περιθώριο κέρδους από ένα άλλο. Αυτή η ολιστική μέτρηση βοηθά τους λιανοπωλητές να κατανοήσουν εάν αυξάνουν την πίτα της κατηγορίας ή απλώς την τεμαχίζουν διαφορετικά.

Τέλος, για βελτιστοποίηση σε πραγματικό χρόνο, ο κλάδος στρέφεται προς τους Πράκτορες Τεχνητής Νοημοσύνης (AI Agents) που παρακολουθούν τις καμπάνιες «εν πτήσει». Αντί να περιμένουν μια ανάλυση μετά τη σύλληψη εβδομάδες μετά το συμβάν, αυτοί οι πράκτορες προτείνουν αυτόνομα διορθώσεις πορείας - όπως προσαρμογή των δαπανών για ψηφιακές διαφημίσεις ή ανταλλαγή προσφορών - για να σώσουν τα κέρδη και τις ζημίες πριν από τη λήξη της προωθητικής ενέργειας. Αυτή η προσέγγιση μετατοπίζει την εστίαση από την απλή εκκαθάριση του αποθέματος στη μηχανική κερδοφόρα ανάπτυξη.

Τα σφάλματα πρόβλεψης και η έλλειψη αποθεμάτων συνεχίζουν να προκαλούν σημαντικές απώλειες εσόδων. Τι καθιστά τα συστήματα εμπορίας και εφοδιαστικής αλυσίδας που βασίζονται στην τεχνητή νοημοσύνη πιο αποτελεσματικά από τις παραδοσιακές προσεγγίσεις πρόβλεψης;

Η πρώτη μετατόπιση αφορά την πρόβλεψη, όπου η Τεχνητή Νοημοσύνη μας μεταφέρει από το να βασιζόμαστε αποκλειστικά στο εσωτερικό ιστορικό στην απορρόφηση εξωτερικών δεδομένων — όπως ο τοπικός καιρός, τα κοινωνικά γεγονότα και οι οικονομικοί δείκτες. Όταν η πρόβλεψη καταγράφει αυτό το εξωτερικό πλαίσιο, τα κέρδη στην ακρίβεια δεν βελτιώνουν μόνο τον αριθμό των πωλήσεων. Αλλά και τα επόμενα στάδια, βελτιστοποιώντας τη διαχείριση αποθεμάτων, τον προγραμματισμό χωρητικότητας, τα χρονοδιαγράμματα εργασίας και τις λειτουργίες της αποθήκης, ώστε να ευθυγραμμίζονται με την πραγματική ζήτηση.

Η δεύτερη μετατόπιση αφορά τα μη διαθέσιμα αποθέματα (OOS), τα οποία οι περισσότεροι λιανοπωλητές εξακολουθούν να μην μπορούν να μετρήσουν με ακρίβεια. Η τεχνητή νοημοσύνη διορθώνει αυτό το πρόβλημα ανιχνεύοντας ανωμαλίες στα μοτίβα πωλήσεων —προσδιορίζοντας το «Φανταστικό Απόθεμα» όπου το σύστημα πιστεύει ότι ένα είδος είναι σε απόθεμα, αλλά οι πωλήσεις έχουν σταματήσει— και ενεργοποιώντας αυτόματα τις μετρήσεις κύκλων για να διορθώσει το αρχείο. Πέρα από τα δεδομένα, βλέπουμε την άνοδο της υπολογιστικής όρασης για να επισημαίνει φυσικά κενά στα ράφια σε πραγματικό χρόνο και να παρακολουθεί το απόθεμα στα παρασκήνια, διασφαλίζοντας ότι το προϊόν δεν είναι απλώς «στο κτίριο» αλλά διαθέσιμο για αγορά από τον πελάτη.

Το εμπόριο με πρακτορεία γίνεται ένα σημαντικό θέμα στην καινοτομία στο λιανικό εμπόριο. Πώς οι πράκτορες τεχνητής νοημοσύνης που βασίζονται στη συλλογιστική αλλάζουν ουσιαστικά την ανακάλυψη και τη μετατροπή προϊόντων σε σύγκριση με τη σημερινή εμπειρία αγορών που βασίζεται στην αναζήτηση;

Στις σημερινές αγορές που βασίζονται στην αναζήτηση, οι καταναλωτές εξακολουθούν να κάνουν το μεγαλύτερο μέρος της δύσκολης δουλειάς. Πρέπει να ξέρουν τι να ψάξουν, να συγκρίνουν επιλογές και να κατανοήσουν τα ατελείωτα αποτελέσματα. Οι πράκτορες που βασίζονται στη συλλογιστική διαταράσσουν αυτό δημιουργώντας δυναμικά «συνθετικούς διαδρόμους» - προσαρμοσμένες συλλογές που συγκεντρώνουν προϊόντα πολλαπλών κατηγοριών με βάση μια συγκεκριμένη πρόθεση. Για παράδειγμα, αντί να αναζητά ξεχωριστά πέντε είδη, ένας αγοραστής με αποστολή «υγιεινού πρωινού» παρουσιάζεται με έναν συνεκτικό, προσωρινό διάδρομο που περιλαμβάνει τα πάντα, από δημητριακά υψηλής περιεκτικότητας σε πρωτεΐνες μέχρι μπλέντερ, συμπτύσσοντας αμέσως τη διοχέτευση ανακάλυψης από λεπτά σε δευτερόλεπτα.

Από την πλευρά των μετατροπών, αυτοί οι πράκτορες λειτουργούν λιγότερο σαν μηχανές αναζήτησης και περισσότερο σαν «υπηρεσίες θυρωρείου αγορών». Δεν απλώς παραθέτουν επιλογές. Δημιουργούν ενεργά καλάθια με βάση αόριστες ανάγκες. Εάν ένας πελάτης ζητήσει ένα «πρόγραμμα δείπνου για τέσσερα άτομα κάτω των 50 $», ο πράκτορας εξετάζει τους περιορισμούς αποθέματος, τιμής και διατροφής για να προτείνει ένα πλήρες πακέτο. Αυτή η ικανότητα συλλογισμού γεφυρώνει το «κενό εμπιστοσύνης» - διατυπώνοντας γιατί ένα συγκεκριμένο προϊόν ταιριάζει στον τρόπο ζωής ή τον στόχο του χρήστη, ο πράκτορας μειώνει την παράλυση λήψης αποφάσεων και οδηγεί σε υψηλότερα ποσοστά μετατροπών σε σύγκριση με ένα σιωπηλό πλέγμα μικρογραφιών προϊόντων.

Τέλος, βλέπουμε αυτό να επεκτείνεται σε υπερ-εξατομικευμένο περιεχόμενο. Αντί να δείχνει σε όλους το ίδιο banner αρχικής σελίδας, η Agentic AI μπορεί να δημιουργήσει δυναμικές σελίδες προορισμού και οπτικά στοιχεία που αντικατοπτρίζουν την τρέχουσα αγοραστική αποστολή του πελάτη. Ωστόσο, για να εφαρμοστεί αυτό σε μεγάλη κλίμακα, οι λιανοπωλητές διαπιστώνουν ότι πρέπει να βασίσουν αυτούς τους πράκτορες σε ένα Ενοποιημένο Μοντέλο Δεδομένων με αυστηρή διακυβέρνηση της επωνυμίας και της ασφάλειας, διασφαλίζοντας ότι η «δημιουργικότητα» της τεχνητής νοημοσύνης δεν παραισθησιοποιεί ποτέ προϊόντα ή δεν παραβιάζει τη φωνή της επωνυμίας.

Πολλοί λιανοπωλητές δυσκολεύονται με ξεπερασμένες αρχιτεκτονικές δεδομένων. Πώς θα πρέπει οι επιχειρήσεις να εκσυγχρονίσουν τις βάσεις δεδομένων τους, ώστε τα μοντέλα τεχνητής νοημοσύνης να μπορούν να παρέχουν αξιόπιστες και εξηγήσιμες προτάσεις;

Το μεγαλύτερο εμπόδιο για την επιτυχία της Τεχνητής Νοημοσύνης δεν είναι τα μοντέλα, αλλά ο «βάλτος δεδομένων» που κρύβεται από κάτω. Για να εκσυγχρονιστούν, οι λιανοπωλητές πρέπει να σταματήσουν να συλλέγουν απλώς δεδομένα για να δημιουργήσουν ένα ενιαίο σημασιολογικό επίπεδο. Αυτό σημαίνει την εφαρμογή ενός τυπικού «Μοντέλου Δεδομένων» όπου η επιχειρηματική λογική (όπως ακριβώς ο τρόπος υπολογισμού του «Καθαρού Περιθωρίου» ή του «Churn») ορίζεται μία φορά και είναι καθολικά προσβάσιμη, αντί να είναι κρυμμένη σε κατακερματισμένα σενάρια SQL σε ολόκληρο τον οργανισμό.

Δεύτερον, οι επιχειρήσεις πρέπει να στραφούν σε μια νοοτροπία «προϊόντος δεδομένων». Αντί να αντιμετωπίζουν τα δεδομένα ως υποπροϊόν πληροφορικής, οι επιτυχημένοι λιανοπωλητές τα αντιμετωπίζουν ως προϊόν με καθορισμένη ιδιοκτησία, SLA και αυστηρή παρακολούθηση ποιότητας (παρατηρησιμότητα δεδομένων). Όταν συνδυάζετε αυτό το καθαρό, διαχειριζόμενο «χρυσό αρχείο» με πλούσια μεταδεδομένα, ξεκλειδώνετε την επεξήγηση. Η Τεχνητή Νοημοσύνη δεν απλώς εκδίδει μια σύσταση μαύρου κουτιού. Μπορεί να εντοπίσει τη λογική της πίσω στο σημασιολογικό επίπεδο.

Η συνεργασία μεταξύ των λιανοπωλητών και των εταιρειών CPG βασιζόταν ιστορικά σε κατακερματισμένα δεδομένα και ασυνεπείς μετρήσεις. Πώς τα ενοποιημένα μοντέλα δεδομένων και οι κοινές πλατφόρμες τεχνητής νοημοσύνης ξεκλειδώνουν ισχυρότερη απόδοση κατηγορίας και για τις δύο πλευρές;

Μέχρι στιγμής, οι λιανοπωλητές και οι παραγωγοί καταναλωτικών αγαθών (CPG) έχουν εξετάσει τον ίδιο πελάτη μέσα από διαφορετικά πρίσματα, ο καθένας χρησιμοποιώντας τα δικά του δεδομένα και κίνητρα. Τα ενοποιημένα μοντέλα δεδομένων αλλάζουν αυτό δημιουργώντας μια ενιαία εκδοχή της αλήθειας σε όλη την αλυσίδα αξίας, είτε πρόκειται για την απόδοση των ραφιών είτε για τη συμπεριφορά των αγοραστών.

Όταν και οι δύο πλευρές εργάζονται από την ίδια πλατφόρμα τεχνητής νοημοσύνης, μπορούν να εντοπίσουν από κοινού τι οδηγεί στην ανάπτυξη ή τη διαρροή σε επίπεδο κατηγορίας. Θα μπορούσε να είναι οτιδήποτε - τιμολόγηση, προώθηση, ποικιλία ή κενά αποθεμάτων. Αυτό μετατοπίζει τις συζητήσεις από τα «δεδομένα μου έναντι των δικών σας» στην «κοινή μας ευκαιρία».

Το αποτέλεσμα είναι πιο έξυπνες αποφάσεις, ταχύτεροι πειραματισμοί και, τελικά, υψηλότερη ανάπτυξη κατηγορίας που ωφελεί τόσο τους λιανοπωλητές όσο και τις μάρκες.

Καθώς τα δίκτυα λιανικής πώλησης μέσων ενημέρωσης ωριμάζουν, ποιος θα είναι ο ρόλος που θα διαδραματίσει η Τεχνητή Νοημοσύνη στη βελτίωση της στόχευσης, της μέτρησης και της απόδοσης κλειστού βρόχου, διατηρώντας παράλληλα την εμπιστοσύνη των καταναλωτών;

Η Τεχνητή Νοημοσύνη θα μεταμορφώσει τέσσερις βασικούς τομείς καθώς τα δίκτυα λιανικής πώλησης μέσων ενημέρωσης ωριμάζουν.

Καταρχάς, όσον αφορά τη στόχευση, ο κλάδος εξελίσσεται από στατικά τμήματα κοινού σε προγνωστικά. Αναλύοντας σήματα σε πραγματικό χρόνο — όπως η ταχύτητα περιήγησης ή η σύνθεση του καλαθιού αγορών — για να προσδιορίσουμε την ακριβή στιγμή της ανάγκης ενός αγοραστή, η AIe διασφαλίζει ότι προβάλλουμε τις σωστές διαφημίσεις όταν έχει μεγαλύτερη σημασία, αντί να στοχεύουμε απλώς σε μια ευρεία δημογραφική ετικέτα.

Δεύτερον, για τη μέτρηση, το χρυσό πρότυπο μετατοπίζεται από την απλή Απόδοση Δαπάνης Διαφήμισης (ROAS) στην Σταδιακή Απόδοση Δαπάνης (iROAS). Αξιοποιώντας την Αιτιώδη Τεχνητή Νοημοσύνη, μπορούμε να μετρήσουμε τον πραγματικό αντίκτυπο των δαπανών στα μέσα ενημέρωσης, εντοπίζοντας αγοραστές που πραγματοποίησαν μετατροπή μόνο λόγω της διαφήμισης σε σύγκριση με εκείνους που θα έκαναν αυτό να συμβεί οργανικά.

Τρίτον, η λειτουργική αποτελεσματικότητα καθίσταται κρίσιμη, ιδιαίτερα στις δημιουργικές λειτουργίες. Για να υποστηρίξουν την υπερ-εξατομίκευση, οι λιανοπωλητές χρησιμοποιούν την Γενετική Τεχνητή Νοημοσύνη (Generative AI) όχι μόνο για τη δημιουργία ιδεών αλλά και για την κλιμάκωση της παραγωγής. Αυτό επιτρέπει στις ομάδες να δημιουργούν αυτόματα χιλιάδες δυναμικές, ειδικές για κάθε κανάλι παραλλαγές στοιχείων σε λίγα λεπτά αντί για εβδομάδες, λύνοντας το πρόβλημα της «ταχύτητας περιεχομένου».

Τέλος, η διατήρηση της εμπιστοσύνης βασίζεται στην ευρεία υιοθέτηση των clean rooms δεδομένων. Αυτά τα περιβάλλοντα επιτρέπουν στους λιανοπωλητές και τις μάρκες να αντιστοιχίζουν με ασφάλεια τα σύνολα δεδομένων τους για απόδοση κλειστού βρόχου, εγγυώμενοι ότι οι ευαίσθητες προσωπικά αναγνωρίσιμες πληροφορίες (PII) δεν θα εξέρχονται ποτέ από τα αντίστοιχα τείχη προστασίας τους.

Κοιτάζοντας μπροστά, ποιες δυνατότητες θα καθορίσουν την επόμενη γενιά λιανοπωλητών που θα βασίζονται στην Τεχνητή Νοημοσύνη και τι θα πρέπει να αρχίσουν να δημιουργούν οι ηγέτες σήμερα για να παραμείνουν ανταγωνιστικοί τα επόμενα πέντε χρόνια;

Η επόμενη εποχή του λιανικού εμπορίου θα καθοριστεί από τη μετάβαση από τον «ψηφιακό μετασχηματισμό» στον «μετασχηματισμό πρακτόρων». Μεταβαίνουμε σε ένα μέλλον «αυτόνομης ενορχήστρωσης», όπου δίκτυα πρακτόρων Τεχνητής Νοημοσύνης συνεργάζονται για να εκτελούν πολύπλοκες διαδικασίες — όπως ένας πράκτορας της εφοδιαστικής αλυσίδας που λέει αυτόματα σε έναν πράκτορα μάρκετινγκ να διακόψει προσωρινά μια προωθητική ενέργεια επειδή μια αποστολή καθυστερεί.

Για να προετοιμαστούν γι' αυτό, οι ηγέτες πρέπει να αρχίσουν να χτίζουν τρία πράγματα σήμερα.

Το πρώτο είναι ένα ενοποιημένο μοντέλο δεδομένων. Οι πράκτορες δεν μπορούν να συνεργαστούν εάν δεν μιλούν την ίδια γλώσσα. Η βάση δεδομένων σας πρέπει να εξελιχθεί από ένα αποθετήριο αποθήκευσης σε ένα σημασιολογικό «νευρικό σύστημα».

Δεύτερον, υπάρχει ένα πλαίσιο διακυβέρνησης για τους πράκτορες. Πρέπει να ορίσετε τους «κανόνες εμπλοκής» —τι επιτρέπεται να κάνει μια τεχνητή νοημοσύνη αυτόνομα έναντι αυτού που απαιτεί ανθρώπινη έγκριση— πριν από την κλιμάκωσή σας.

Τέλος, οι μέρες των στατικών dashboards που παρείχαν αναλυτικά στοιχεία «οπισθοπορείας» είναι μετρημένες. Οδεύουμε προς αναλύσεις μέσω συνομιλίας που παρέχουν άμεσες, εξατομικευμένες πληροφορίες. Αυτές οι διεπαφές πηγαίνουν πολύ πέρα ​​από την αναφορά «τι συνέβη». Αξιοποιούν την τεχνητή νοημοσύνη για να συλλογιστούν μέσω σύνθετων ερωτήσεων «γιατί» και παρέχουν καθοριστικές συστάσεις για το ακριβώς «τι πρέπει να κάνουμε στη συνέχεια», γεφυρώνοντας αποτελεσματικά το χάσμα μεταξύ γνώσης και δράσης.

Σας ευχαριστούμε για την υπέροχη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να το επισκεφτούν Τάση.