Ilyas Kurklu, Συνιδρυτής και Διευθύνων Σύμβουλος της Replenit – Σειρά Συνεντεύξεων

Ilyas Kurklu, Συνιδρυτής και Διευθύνων Σύμβουλος της Replenit, είναι επιχειρηματίας και εκτελεστικός διευθυντής τεχνολογίας λιανικής, εστιάζοντας στην εφαρμογή της τεχνητής νοημοσύνης στη λήψη αποφάσεων και την εμπλοκή των πελατών. Στη Replenit, ηγείται της στρατηγικής, της ανάπτυξης προϊόντων και των συνεργασιών, βασιζόμενος σε περισσότερα από μια δεκαετία εμπειρίας στην κλιμάκωση επιχειρήσεων λιανικής εμπλοκής από περίπου 10 εκατομμύρια έως 2 δισεκατομμύρια δολάρια εσόδων, συνεργαζόμενος με πάνω από 300 λιανοπωλητές. Η καριέρα του περιλαμβάνει επίσης ρόλους συμβούλου και ανάπτυξης επιχειρήσεων, καθώς και έξι χρόνια ως αρχηγός ομάδας και μετεωρολόγος στη Γενική Διεύθυνση Μετεωρολογίας της Türkiye, όπου εργάστηκε με δεδομένα σε πραγματικό χρόνο, ραντάρ, δορυφορικές εικόνες και συστήματα πρόβλεψης.

Replenit είναι μια πλατφόρμα λήψης αποφάσεων με τεχνητή νοημοσύνη σχεδιασμένη για λιανική και ηλεκτρονικό εμπόριο, παρέχοντας ένα επίπεδο μεταξύ της υποδομής δεδομένων ενός λιανοπωλητή και των υφιστάμενων συστημάτων εμπλοκής πελατών. Η AI Decision Engine της συνδυάζει σήματα πελατών, προϊόντων, συμπεριφοράς και άλλα για να καθορίσει την επόμενη καλύτερη ενέργεια για κάθε πελάτη σε πραγματικό χρόνο, ενώ ο Maestro AI CRM Manager μπορεί αυτόνομα να διαχειρίζεται ροές εργασίας όπως επαναπλήρωση, διασταυρούμενες πωλήσεις, εμπλοκή, πρόληψη απώλειας πελατών και επαναφορά. Αντί να απαιτεί από τους λιανοπωλητές να αντικαταστήσουν την υπάρχουσα τεχνολογική τους στοίβα, το Replenit έχει σχεδιαστεί για ενσωμάτωση με τις τρέχουσες πλατφόρμες εμπορίου, μάρκετινγκ και δεδομένων και μετατρέπει τις αποφάσεις του σε επικοινωνίες και ενέργειες έτοιμες για εκτέλεση. Η εταιρεία δηλώνει ότι η τεχνολογία της χρησιμοποιείται από λιανοπωλητές όπως η L’Occitane, η Mumzworld, η e-bebek, η Beko και η Faith In Nature.

Πέρασες χρόνια βοηθώντας στην κλιμάκωση της τεχνολογίας λιανικής επιχειρήσεων πριν ιδρύσεις το Replenit με πέντε συνιδρυτές. Τι παρατήρησες επανειλημμένα ότι δυσκολεύονταν οι λιανοπωλητές, το οποίο σε έπεισε ότι λείπει ένα επίπεδο λήψης αποφάσεων στην τεχνολογική στοίβα, και πώς αυτή η αντίληψη οδήγησε στο Replenit;

Δουλεύοντας με εκατοντάδες λιανοπωλητές σε διάφορες αγορές, ακούσαμε και παρατηρήσαμε το ίδιο πρόβλημα: οι λιανοπωλητές είχαν γίνει πολύ καλοί στη συλλογή δεδομένων και πολύ καλοί στην εκτέλεση, αλλά η νοημοσύνη μεταξύ τους έλειπε ακόμα. Είχαν CDPs, αποθήκες, πλατφόρμες CRM και συστήματα αυτοματοποίησης μάρκετινγκ, ωστόσο η απόφαση — τι πρέπει πραγματικά να συμβεί στη συνέχεια για αυτόν τον συγκεκριμένο πελάτη; — παρέμενε εικασία βασισμένη σε στατικούς κανόνες, ευρείες τμηματοποιήσεις, ημερολόγια εκστρατειών και ανθρώπινη κρίση. Η στοίβα και η ομάδα ήταν και οι δύο ουσιαστικά παρακάμψεις για το γεγονός ότι κανείς δεν μπορούσε να λογιστεί κάθε πελάτη ξεχωριστά σε κλίμακα. Το Replenit είναι αυτό το ελλιπές επίπεδο λογικής και λήψης αποφάσεων. Έχουμε δημιουργήσει μια μηχανή που μπορεί να ερμηνεύσει το πλαίσιο του πελάτη και του προϊόντος σε ατομικό επίπεδο, να αποφασίσει την κατάλληλη επόμενη εμπορική ενέργεια και, στη συνέχεια, να χρησιμοποιήσει τα υπάρχοντα συστήματα του λιανοπωλητή για την εκτέλεσή της.

Το Replenit υποστηρίζει ότι οι λιανοπωλητές διαθέτουν ήδη άφθονα δεδομένα πελατών και πολλά εργαλεία για την εκτέλεση εκστρατειών, αλλά λείπει η νοημοσύνη που μπορεί να αποφασίσει τι πρέπει να συμβεί στη συνέχεια. Γιατί οι Πλατφόρμες Δεδομένων Πελατών (CDPs), οι Πλατφόρμες Διαχείρισης Πελατειακών Σχέσεων (CRM) και τα συστήματα αυτοματοποίησης μάρκετινγκ δεν έχουν καταφέρει να λύσουν αυτό το πρόβλημα από μόνα τους;

Αυτά τα συστήματα δημιουργήθηκαν για διαφορετικές εργασίες. Ένα CDP μπορεί να ενοποιήσει τα δεδομένα πελατών, αλλά η ενοποίηση των δεδομένων δεν είναι το ίδιο με το να αποφασίσει κανείς τι θα κάνει με αυτά. Οι πλατφόρμες CRM και αυτοματοποίησης μάρκετινγκ είναι πολύ καλές στρώσεις εκτέλεσης. Μπορούν να στέλνουν, να συντονίζουν και να βελτιστοποιούν τις επικοινωνίες μόλις κάποιος ορίσει το συγκεκριμένο κοινό, τη ροή εργασίας ή την εκστρατεία.

Ακόμη και όταν αυτές οι πλατφόρμες προσθέτουν προβλεπτικές βαθμολογίες, γενετική AI και βελτιστοποίηση χρόνου αποστολής, η θεμελιώδης μονάδα εργασίας παραμένει συχνά η εκστρατεία, το ταξίδι, το κοινό ή το τμήμα. Η AI μπορεί να βελτιστοποιήσει κάτι που ο διαφημιστής έχει ήδη επιλέξει να κάνει. Δεν αποφασίζει απαραίτητα αν πρέπει να συμβεί κάτι καθόλου, ποιος στόχος κύκλου ζωής είναι πιο σημαντικός για αυτόν τον συγκεκριμένο πελάτη, ποιο προϊόν είναι σχετικό, γιατί τώρα, με ποιο τόνο και προς ποιο εμπορικό αποτέλεσμα. Αυτή είναι η διάκριση που κάνουμε μεταξύ μιας βαθμολογίας και μιας απόφασης. Η πρόβλεψη μπορεί να κατατάξει την πιθανότητα. Μια απόφαση απαιτεί λογική που λαμβάνει υπόψη το πλαίσιο και τις εναλλακτικές και στη συνέχεια δεσμεύεται σε μια ενέργεια. Το Replenit βρίσκεται πάνω από την υπάρχουσα στοίβα για να παρέχει αυτό το επίπεδο, αντί να ζητά από τους λιανοπωλητές να αντικαταστήσουν τα συστήματα που ήδη διαθέτουν.

Ένα βασικό μέρος της προσέγγισης του Replenit είναι η εφαρμογή του Theory of Mind για την εκτίμηση της πρόθεσης, του πλαισίου και της πιθανής μελλοντικής συμπεριφοράς ενός πελάτη. Πώς μεταφράζετε μια έννοια από την γνωστική επιστήμη σε ένα σύστημα AI που μπορεί να λαμβάνει αξιόπιστες εμπορικές αποφάσεις, και πώς επαληθεύετε εάν το σύστημα έχει ερμηνεύσει σωστά την πρόθεση του πελάτη;

Μεταφράζουμε το Theory of Mind σε ένα επίπεδο λογικής που κοιτάζει πέρα από ό,τι έκανε ένας πελάτης και ρωτά γιατί αυτή η συμπεριφορά μπορεί να συνέβη, τι σηματοδοτεί σχετικά με την πρόθεση και τι σημαίνει στο πλαίσιο. Αντί να βασίζεται μόνο σε ιστορικά μοτίβα ή ομοιότητα προϊόντων, το σύστημα λογίζεται σε επίπεδο κάθε ατομικής σχέσης πελάτη-προϊόντος και χρησιμοποιεί αυτό το πλαίσιο για να καθορίσει τι πρέπει να συμβεί στη συνέχεια.

Αυτή η λογική μπορεί να περιλαμβάνει την κατανόηση της πιθανής κίνησης πίσω από μια αγορά, πώς συνδέονται τα προϊόντα μεταξύ τους, ποια ανάγκη προσπαθεί να καλύψει ο πελάτης και αν ο χρόνος είναι κατάλληλος για μια συγκεκριμένη ενέργεια. Το Replenit, στη συνέχεια, υπερβαίνει την απλή πρόταση μιας επιλογής: παίρνει μια απόφαση και προετοιμάζει αυτήν την απόφαση για εκτέλεση μέσω των υφιστάμενων συστημάτων του λιανοπωλητή.

Η επικύρωση γίνεται μέσω των αποτελεσμάτων. Μόλις ληφθεί μια απόφαση, η Replenit παρακολουθεί τι συνέβη πραγματικά και ενσωματώνει αυτό το αποτέλεσμα στις μελλοντικές αποφάσεις για εκείνο τον πελάτη. Επιπλέον, αξιολογεί συνεχώς ποιες από τις δεξιότητές της και τις προσεγγίσεις λήψης αποφάσεων αποδίδουν, κλιμακώνει εκείνες που λειτουργούν καλά και υποβαθμίζει αυτές που δεν αποδίδουν. Με αυτήν την έννοια, το σύστημα βελτιώνεται στο να γνωρίζει τη σωστή κίνηση για τον σωστό πελάτη τη σωστή στιγμή, επειδή μαθαίνει από πραγματικά αποτελέσματα, αντί να εκτελεί επανειλημμένα την ίδια λογική.

Τα περισσότερα συστήματα εξατομίκευσης είναι τελικά μηχανές πρόβλεψης, εκτιμώντας τι είναι πιθανό να κάνει κάποιος κλικ ή να αγοράσει. Η Replenit δίνει έμφαση στη μετάβαση από την πρόβλεψη στη λήψη αποφάσεων. Από την προοπτική της αρχιτεκτονικής AI, τι αλλάζει όταν το μοντέλο πρέπει πραγματικά να επιλέξει την επόμενη ενέργεια αντί να παράγει απλώς μια πιθανότητα ή σύσταση;

Στη Replenit, η αρχιτεκτονική αυτή αποτελείται από τέσσερα σημαντικά μέρη. Πρώτο είναι η Χρυσή Μνήμη: ζωντανά αρχεία του πελάτη, του προϊόντος και της μάρκας που παρέχουν στο σύστημα συμφραζόμενα πέρα από μια απομονωμένη συναλλαγή. Όταν οι πληροφορίες είναι ελλιπείς, η Replenit μπορεί επίσης να εμπλουτίσει τα διαθέσιμα δεδομένα και να δημιουργήσει συνθετικά συμφραζόμενα για να καλύψει αυτά τα κενά.

Δεύτερο είναι το σύνολο των περισσότερων από 100 βιομηχανικών δεξιοτήτων. Πρόκειται για εξειδικευμένες ικανότητες λογικής για συγκεκριμένες κατηγορίες και καταστάσεις —π.χ. δημιουργός ρουτίνας καλλωπισμού για λιανοπωλητές ομορφιάς ή εσωτερικός αρχιτέκτονας για εταιρείες επίπλων και DIY. Παράλληλα με αυτές τις δεξιότητες, 15 υποστηρικτικοί έλεγχοι μπορούν να εκτελούνται ταυτόχρονα γύρω από μια απόφαση, συμπεριλαμβανομένων ελέγχων υποκατάστασης, συμβατότητας, διπλοτύπων και καταστολής.

Τρίτο είναι η ιδιοκτησία της ροής εργασίας. Αντί να παράγει μόνο μια σύσταση και να σταματά, το Maestro μπορεί να λογίζεται σε όλη τη διάρκεια των ροών εργασίας, όπως επαναπλήρωση, διασταυρούμενη πώληση, δέσμευση, επαναφορά πελάτη, αποχώρηση, προώθηση και υποκατάσταση. Αυτές οι ροές μπορούν να λειτουργούν συνεχώς και παράλληλα για κάθε πελάτη, με το Maestro να καθορίζει ποια ενέργεια είναι κατάλληλη τη συγκεκριμένη στιγμή.

Τέλος, το συσκευάζουμε σε αυτό που ονομάζουμε Χρυσό Γεγονός Απόφασης: μια καταγεγραμμένη, έτοιμη για εκτέλεση απόφαση που περιλαμβάνει τη δράση και τη λογική της, η οποία μπορεί να μεταβιβαστεί απευθείας στο CRM, το σύστημα αυτοματισμού μάρκετινγκ, το ηλεκτρονικό εμπόριο, την εφαρμογή ή τα δεδομένα του λιανοπωλητή, σε περισσότερες από 120 πλατφόρμες.

Έτσι, η διαφορά είναι ότι μεταβαίνουμε από ένα μοντέλο που προβλέπει τι είναι πιθανό να συμβεί σε ένα σύστημα που μπορεί να θυμάται τα συμφραζόμενα, να φέρνει τη σωστή εξειδίκευση, να αξιολογεί τις διαθέσιμες ενέργειες, να δεσμεύεται σε μία απόφαση και να την κάνει εκτελέσιμη.

Το Maestro μπορεί αυτόνομα να αποφασίσει αν ένας συγκεκριμένος πελάτης πρέπει να λάβει υπενθύμιση επαναπλήρωσης, διασταυρούμενη προσφορά, προώθηση, μήνυμα δέσμευσης, προσπάθεια επαναφοράς ή ενδεχομένως καμία παρέμβαση. Πώς ζυγίζει το σύστημα αυτές τις ανταγωνιστικές ενέργειες και καθορίζει ποια είναι πραγματικά η καλύτερη απόφαση για εκείνο τον πελάτη τη συγκεκριμένη στιγμή;

Το σημείο εκκίνησης είναι ο πελάτης και ο εμπορικός στόχος. Ο λιανοπωλητής ορίζει τη στρατηγική, τις προτεραιότητες και τα όρια. Το Maestro, στη συνέχεια, λογίζεται πάνω στα διαθέσιμα συμφραζόμενα πελάτη, προϊόντος και ροής εργασίας για να καθορίσει τι πρέπει να συμβεί στη συνέχεια.
Αυτό μπορεί να περιλαμβάνει την απόφαση για το ποιος εμπορικός στόχος θα προτεραιοποιηθεί, ποια ροή εργασίας είναι σχετική, ποια δεξιότητα ή συνδυασμός δεξιοτήτων θα εφαρμοστεί, ποια προϊόντα έχουν νόημα και πότε πρέπει να γίνει η ενέργεια. Οι λιανοπωλητές μπορούν επίσης να ορίσουν προτεραιότητες γύρω από μετρικές όπως έσοδα, συχνότητα αγορών, μέση αξία παραγγελίας, προστασία περιθωρίου ή πρόληψη αποχώρησης.

Η λογική Theory-of-Mind μας προσθέτει το ατομικό πλαίσιο: τι σημαίνει η συμπεριφορά, τι μπορεί πραγματικά να χρειάζεται ο πελάτης και γιατί αυτή μπορεί ή δεν μπορεί να είναι η κατάλληλη στιγμή. Οι εξειδικευμένες δεξιότητές μας και οι υποστηρικτικοί έλεγχοι λειτουργούν παράλληλα με αυτή τη λογική. Όταν η καλύτερη απόφαση είναι να μην υπάρξει παρέμβαση, το Maestro δεν την εκτελεί. Μόλις το Maestro φτάσει σε συμπέρασμα, δεσμεύει την απόφαση και τη λογική της ως γεγονός έτοιμο για εκτέλεση, αντί να επιστρέφει απλώς ένα μενού συστάσεων σε έναν υπεύθυνο μάρκετινγκ.

Η Replenit χρησιμοποιεί μια αρχιτεκτονική σμήνους στην οποία πολλαπλοί εξειδικευμένοι πράκτορες AI μπορούν να λειτουργούν παράλληλα. Τι συμβαίνει όταν αρκετοί πράκτορες λογίζονται για τον ίδιο πελάτη ταυτόχρονα, και πώς αποτρέπεται η εκτέλεση αντικρουόμενων συστάσεων ή ενεργειών;

Η μηχανή σμήνους της Replenit δεν δημιουργεί συγκρούσεις μεταξύ των πρακτόρων, επειδή δεν πρόκειται για παράλληλη λήψη αποφάσεων πελατών· πρόκειται για παράλληλη εκτέλεση των στοιχείων μιας ενιαίας απόφασης. Όταν το Maestro λογίζεται για έναν πελάτη, ενεργοποιεί ταυτόχρονα πολλαπλούς εξειδικευμένους πράκτορες: ένα δίκτυο διαμερισμού κατευθύνει την απόφαση στα κατάλληλα μοντέλα, ένα LLM λογικής αξιολογεί το πλαίσιο και τη συμπεριφορά του πελάτη, πράκτορες εμπλουτισμού συνθέτουν ελλιπή δεδομένα πελάτη ή προϊόντος σε πραγματικό χρόνο, και εξειδικευμένα μοντέλα αξιολογούν τις σχέσεις προϊόν-πελάτης και την καταλληλότητα.

Αντί να εκτελούνται διαδοχικά, κάτι που θα ήταν πιο αργό και πιο δαπανηρό, λειτουργούν παράλληλα πάνω στην ίδια κατάσταση πελάτη και στη συνέχεια συγκλίνουν σε μία ενοποιημένη απόφαση για το τι πρέπει να συμβεί στη συνέχεια. Δεν υπάρχει σύγκρουση επειδή δεν ανταγωνίζονται για την επιλογή διαφορετικών ενεργειών· κάθε πράκτορας συνεισφέρει μια διαφορετική διάσταση στο ίδιο αποτέλεσμα.

Για παράδειγμα, ο εμπλουτισμός μπορεί να αποκαλύψει ελλιπείς ενδείξεις πελατών ή προϊόντων, η στρώση λογικής ερμηνεύει το ιστορικό αγορών και τον εμπορικό στόχο, τα μοντέλα σχέσεων προϊόντων εντοπίζουν το κύριο προϊόν και τις εφικτές εναλλακτικές, και η αξιολόγηση ζυγίζει την πιθανή επιχειρηματική επίπτωση. Όλα αυτά συμβαίνουν παράλληλα, αλλά παράγουν ένα ενιαίο αποτέλεσμα. Αυτό το επίπεδο παράλληλης επεξεργασίας αποτελεί σημαντικό αρχιτεκτονικό πλεονέκτημα. Είναι δύσκολο να προσαρμοστεί σε μηχανές που έχουν κατασκευαστεί ως περιτυλίγματα μονού εργαλείου, ενώ η Replenit το ενσωμάτωσε στον πυρήνα από την αρχή.

Η μόνιμη μνήμη είναι ένα ακόμη σημαντικό μέρος της πλατφόρμας, επιτρέποντας στις αποφάσεις να βασίζονται σε ό,τι συνέβη προηγουμένως με κάθε πελάτη. Πόσο σημαντική είναι η μακροπρόθεσμη μνήμη για πραγματικά αυτόνομους πράκτορες AI, και ποιες προφυλάξεις απαιτούνται όταν αυτή η μνήμη περιλαμβάνει πιθανώς ευαίσθητη συμπεριφορά πελατών;

Η μνήμη αποτελεί θεμέλιο για την αυτόνομη λήψη αποφάσεων, επειδή το πλαίσιο είναι δυναμικό. Όταν το Maestro παρατηρεί την πρώτη αγορά προϊόντος για μωρό, θυμάται ότι το οικογενειακό πλαίσιο έχει μεταβληθεί, και οι μελλοντικές αποφάσεις πρέπει να αντανακλούν τον κύκλο ζωής των γονέων. Όταν βλέπει τις αρχικές αγορές προϊόντων περιποίησης δέρματος, θυμάται ότι ο πελάτης αυτός δημιουργεί μια ρουτίνα. Όταν εμφανίζονται πρότυπα αγορών γύρω από τη φυσική κατάσταση ή την ευεξία, καταγράφει τη συνήθεια που διαμορφώνεται.

Κάθε αγορά ενημερώνει το σύστημα για το τι κατανοεί σχετικά με αυτόν τον πελάτη — όχι μόνο τα δημογραφικά στοιχεία, αλλά τι τον κινητοποιεί, ποιες συμπεριφορές δημιουργεί και ποια στιγμές της ζωής εξελίσσονται — ώστε η επόμενη απόφαση να μην είναι γενική, αλλά να βασίζεται στο πραγματικό πλαίσιο του πελάτη. Αυτή η συσσωρευτική μνήμη είναι αυτό που κάνει τις αποφάσεις πιο έξυπνες.

Η προφυλάξη είναι απλή: διατηρούμε τα γεγονότα αγοράς και τα συμφραζόμενα πρότυπα που προκύπτουν — σήματα κύκλου ζωής, δημιουργία συνηθειών, κίνητρα αγορών και συγγένεια κατηγοριών — με αυστηρές πολιτικές διατήρησης και ψευδωνυμοποίηση όπου είναι δυνατόν. Η εμβέλεια των δεδομένων παραμένει περιορισμένη. Καταγράφουμε τι συνέβη και ποιο πλαίσιο μεταβλήθηκε, τίποτα περισσότερο. Χωρίς αυτά τα όρια, η μόνιμη μνήμη γίνεται υποχρέωση, όχι περιουσιακό στοιχείο.

Η Replenit έχει σχεδιαστεί ώστε να λειτουργεί πάνω από την τεχνολογία που ήδη χρησιμοποιούν οι λιανοπωλητές, αντί να απαιτεί την αντικατάσταση του υπάρχοντος στοίβας τους. Τι έχετε μάθει από την υλοποίηση με πάνω από 30 επιχειρηματικούς λιανοπωλητές σχετικά με τα μεγαλύτερα τεχνικά ή οργανωτικά εμπόδια στην παροχή στην AI ουσιαστικής εξουσιοδότησης λήψης αποφάσεων;

Το πιο σαφές τεχνικό πρόβλημα που έχουμε αντιμετωπίσει δεν είναι η έλλειψη δεδομένων, αλλά η κατάσταση αυτών των δεδομένων. Οι επιχειρηματικοί λιανοπωλητές συχνά διαθέτουν τεράστιο όγκο δεδομένων που είναι κατακερματισμένα μεταξύ συστημάτων, ασυνεπή ή αλλιώς ελλιπή. Γι’ αυτό ο εμπλουτισμός έγινε σημαντικό μέρος της υποκείμενης αρχιτεκτονικής. Το σύστημα πρέπει να δημιουργεί επαρκές και ουσιαστικό πλαίσιο ώστε να μπορεί να λογίζεται ακόμη και όταν το υποκείμενο σύνολο δεδομένων είναι ατελές.

Οργανωτικά, το πιο δύσκολο ερώτημα είναι η εμπιστοσύνη. Η παροχή στην AI ουσιαστικής εξουσιοδότησης λήψης αποφάσεων αγγίζει ταυτόχρονα πολλές λειτουργίες. Οι ομάδες δεδομένων και IT απαιτούν επεξηγησιμότητα, ασφάλεια και χαμηλό βάρος ενσωμάτωσης. Οι ομάδες μάρκετινγκ χρειάζονται σιγουριά ότι η επικοινωνία με τους πελάτες θα παραμείνει σύμφωνη με το brand. Οι ομάδες CRM θέλουν να διατηρήσουν τον στρατηγικό έλεγχο αντί να αισθάνονται ότι ένα σύστημα AI αφαιρεί τη σχέση με τον πελάτη από αυτούς.

Η προσέγγισή μας, επομένως, είναι να διαχωρίζουμε τη στρατηγική από την εκτέλεση. Οι άνθρωποι ορίζουν τους στόχους, τις οδηγίες του brand και τα όρια, ενώ το Maestro διαχειρίζεται τη επαναλήψιμη ατομική λήψη αποφάσεων και την εκτέλεση εντός αυτών των ορίων. Κάθε δεσμευμένη απόφαση σχεδιάζεται ώστε να είναι ιχνηλατήσιμη, και το σύστημα λειτουργεί πάνω από την υπάρχουσα στοίβα αντί να επιβάλλει μετεγκατάσταση πλατφόρμας.

Καθώς η AI γίνεται υπεύθυνη για τη βελτιστοποίηση εσόδων και διατήρησης, πώς αποτρέπετε ένα αυτόνομο σύστημα από το να βελτιστοποιεί υπερβολικά για βραχυπρόθεσμους δείκτες, όπως η προώθηση περιττών προσφορών ή αγορών, εις βάρος της εμπιστοσύνης των πελατών και της μακροπρόθεσμης αξίας του brand;

Το Maestro βελτιστοποιεί βάσει των KPI που ορίζουν οι άνθρωποι, όχι βάσει δεικτών που επιλέγει αυτόματα. Αν ορίσετε τους στόχους ως αξία ζωής πελάτη και ποσοστό διατήρησης, αυτό είναι στο οποίο θα βελτιστοποιήσει, αντί για την ταχύτητα συναλλαγών ή τον όγκο προωθήσεων. Εάν οι επιθετικές βραχυπρόθεσμες τακτικές βλάψουν τη διατήρηση, αποτυγχάνουν έναντι του πραγματικού KPI. Το σύστημα μαθαίνει αυτήν την ανταλλαγή άμεσα, επειδή κάθε αποτέλεσμα τροφοδοτεί τη μνήμη, έτσι οι στρατηγικές που βλάπτουν τη μακροπρόθεσμη διατήρηση γίνονται εμφανώς χειρότερες για τον επιχειρηματικό στόχο που έχει τεθεί.

Ο περιορισμός είναι δομικός. Το Maestro λειτουργεί εντός των ορίων που θέτετε. Δεν μπορεί να βελτιστοποιήσει γύρω από αυτά· λειτουργεί μέσα σε αυτά. Κάθε απόφαση είναι ιχνηλατήσιμη, ώστε να μπορείτε να ελέγξετε γιατί το Maestro επέλεξε να στείλει ή να κρατήσει πίσω, ποια KPI ζύγισαν αυτήν την επιλογή και ποιο ήταν το αναμενόμενο αποτέλεσμα. Χωρίς σαφή ορισμό KPI, όρια και διαφάνεια αποφάσεων, ένα σύστημα AI θα μπορούσε να προωθήσει υπερβολικά. Αλλά το μοντέλο της Replenit είναι διαφανές και σχεδιασμένο να το αποτρέπει. Η επιχείρηση ορίζει τι είναι σημαντικό, το Maestro εκτελεί προς αυτούς τους στόχους με πλήρη δυνατότητα ελέγχου, και κάθε αποτέλεσμα βοηθά να διαπιστωθεί εάν η στρατηγική λειτουργεί πραγματικά.

Τα μοντέλα βάσης βελτιώνονται ραγδαία και όλο και πιο ικανοί πράκτορες θα γίνουν διαθέσιμοι σε σχεδόν κάθε λιανοπωλητή. Μακροπρόθεσμα, από πού πιστεύετε ότι θα προέρχεται το αμυντικό πλεονέκτημα στη λήψη αποφάσεων AI: από ιδιόκτητα μοντέλα, μνήμη σε επίπεδο πελάτη, ειδική λογική τομέα, βρόχους ανάδρασης, υποδομή ή κάτι εντελώς διαφορετικό;

Τα μοντέλα βάσης θα γίνουν εμπορευματοποιημένα, ώστε όλοι να έχουν πρόσβαση σε ολοένα και πιο ικανές μηχανές λογικής. Η αμυντική θέση δεν προέρχεται από το ίδιο το μοντέλο, αλλά από ό,τι γνωρίζετε για κάθε πελάτη και πόσο γρήγορα συνθέτετε αυτή τη γνώση. Το πλεονέκτημα του Maestro είναι η μνήμη σε επίπεδο πελάτη που εμβαθύνει με κάθε αγορά και κάθε αποτέλεσμα. Μετά από έξι μήνες αποτελεσμάτων, το σύστημα γνωρίζει τον πελάτη σας καλύτερα από ό,τι θα μπορούσε ποτέ ένα γενικό μοντέλο. Όχι μόνο τα δημογραφικά στοιχεία, αλλά τι τους κινεί, πότε είναι δεκτικοί και τι προκαλεί αποχώρηση.

Αυτή η μνήμη δημιουργεί επίσης συνέχεια. Η μετάβαση σε άλλο σύστημα σημαίνει απώλεια δύο ετών μαθαμένου πλαισίου. Παράλληλα, το Replenit διαθέτει εξειδικευμένες δεξιότητες για το λιανικό εμπόριο, όπως κατανόηση των σταδίων του κύκλου ζωής, μοτίβων ταχύτητας αγορών, ενεργοποιητών επαναπλήρωσης και προτίμησης κατηγοριών σε ομορφιά ή παντοπωλεία. Ωστόσο, οι δεξιότητες μπορούν να αντιγραφούν. Το πραγματικό πλεονέκτημα είναι ο βρόχος ανάδρασης: το Maestro λαμβάνει μια απόφαση, καταγράφει το αποτέλεσμα, ενημερώνει τη μνήμη και χρησιμοποιεί αυτή τη μάθηση για να κάνει την επόμενη απόφαση πιο έξυπνη. Αυτός ο βρόχος είναι συνεχής και συνθετικός. Με την πάροδο του χρόνου, ένα σύστημα που λειτουργεί με τα δικά σας δεδομένα γίνεται σταδιακά καλύτερο από ένα νέο σύστημα με γενικά μοντέλα.

Η υποδομή επίσης παίζει ρόλο. Η ταυτόχρονη λειτουργία Swarm και τα ιδιόκτητα μοντέλα βελτιώνουν την οικονομία κλίμακας, αλλά αυτό είναι βασική προϋπόθεση, όχι άμυνα. Το αμυντικό πλεονέκτημα είναι ο συνδυασμός της βαρύτητας των δεδομένων πελατών (κόστος αλλαγής), της συνεχούς μάθησης (αποτελέσματα που τροφοδοτούν μελλοντικές αποφάσεις) και της εξειδικευμένης λογικής (πλαίσιο λιανικού εμπορίου), όλα λειτουργούν μαζί. Κατά μόνη τους, κάθε στοιχείο είναι αντιγράψιμο. Μαζί, είναι δύσκολο να αντιγραφούν γρήγορα ώστε να καλύψουν το κενό.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα θα πρέπει να επισκεφθούν Replenit.