Ajatusjohtajat
Tekoälyagenttien ohjaama kaupankäynti toistaa vanhan yritysdatavirheen

Keskeiset kohdatAgenttinen kaupankäynti vaatii strukturoitua tuotetietoa, jota koneet voivat käsitellä…
Näytä lisää
- Agenttinen kaupankäynti vaatii strukturoitua tuotetietoa, jota koneet voivat käsitellä eivätkä pelkästään ihmisen luettavaa sisältöä.
- B2B-kaupankäynnin on rakennettava semanttinen tuotetietokerros, joka koodaa säännöt, suhteet ja rajoitteet eksplisiittisesti.
- Yritykset, jotka käsittelevät tuotetietoa infrastruktuurina, tulevat luettaviksi tekoälyagenteille ja saavat kilpailuedun.
Yritysten välinen B2B-kauppa perustui pitkään yksinkertaiseen oletukseen: ihmiset selailevat.
He lukevat tuotesivuja, silmäilevät teknisiä tietoja ja sietävät epämääräistä kieltä, koska osaavat esittää tarkentavia kysymyksiä. Kun jokin on epäselvää, he lähettävät sähköpostia myyntiedustajalle. Kun sääntö on piilotettu alaviitteeseen, kokemus auttaa täyttämään aukon.
B2B-tuotetiedot kehittyivät kokonaan tämän toimintatavan ympärille. Niiden ei koskaan tarvinnut olla itsessään riittäviä, vaan ainoastaan ihmisen tulkittavissa. Tekoälyn myötä tämä oletus ei enää päde.
Yritysdatassa on koettu sama jo aiemmin
Jos tämä tuntuu tutulta, siihen on syynsä. Kymmenen vuotta sitten yrityksissä käytiin hyvin samanlaista keskustelua datasta. Tietovarastot olivat täynnä, datajärvet pursusivat, ja lopulta jokainen järjestelmä tuotti jonkinlaisia tietovientejä. Paperilla yrityksillä oli runsaasti dataa. Käytännössä mikään ei edennyt nopeasti, koska liiketoiminnan käyttäjät eivät saaneet vastauksia peruskysymyksiin ilman tulkkeina toimivia analyytikkoja. SQL:stä tuli pullonkaula.
Yritysdata oli järjestetty sen mukaan, miten järjestelmät tallensivat tietoa, ei sen mukaan, miten ihmiset hahmottivat liiketoimintaa. Rivejä ja sarakkeita oli, mutta käsitteitä ei. Liikevaihtotiedot olivat kolmessa taulussa. Asiakas tarkoitti viittä eri asiaa sen mukaan, keneltä kysyttiin ja milloin. Mittareista kiisteltiin loputtomasti, koska kukaan ei ollut määritellyt niitä selkeästi.
Yritysdatan läpimurto syntyi siitä, että monimutkaisuus hyväksyttiin ja otettiin hallintaan. Semanttiset kerrokset ovat yksi esimerkki, mutta ne olivat osa laajempaa muutosta. Yritykset lakkasivat teeskentelemästä, että raakadata olisi sellaisenaan käyttökelpoista, ja alkoivat rakentaa tulkintakerroksia, jotka vastasivat liiketoiminnan todellista ajattelua ja toimintaa.
Mittarimallit toteuttivat tämän määrittelemällä laskentasäännöt kerran sen sijaan, että ne johdettaisiin uudelleen jokaisessa raportissa. Liikevaihto tarkoitti samaa kaikkialla, koska joku oli käyttänyt aikaa sen merkityksen koodaamiseen. Datamallit ja dimensionaaliset skeemat tekivät saman rakenteellisesti. Ne muunsivat operatiiviset taulut asiakkaan, tuotteen, tilauksen ja ajan kaltaisiksi käsitteiksi. Liiketoiminnan käyttäjien ei enää tarvinnut ymmärtää, kuinka monta taululiitosta peruskysymykseen vastaaminen vaati. Yhteydet oli jo määritelty.
Datakatalogit ja hallitut määritelmät ratkaisivat toisen osan ongelmasta. Ne tallensivat merkityksiä, jotka olivat aiemmin vain ihmisten muistissa. Mitä tämä kenttä tarkoittaa? Milloin sitä pitäisi käyttää? Mitkä ovat sen rajoitukset? Konteksti lakkasi olemasta vain tietyn ryhmän hallussa olevaa hiljaista tietoa ja tuli osaksi järjestelmää.
Yhdessä nämä kerrokset ottivat monimutkaisuuden kannettavakseen ja tekivät siitä hallittavaa. Ne loivat vakaita abstraktioita, joiden avulla useammat ihmiset — ja useammat järjestelmät — pystyivät päättelemään oikein tulkitsematta maailmaa joka kerta alusta. Juuri tämä puuttuu tämän päivän B2B-kaupasta.
Agenttien tekemä tuotehaku pakottaa samaan tilintekoon
Tekoälyagenttien ohjaama kaupankäynti panee B2B-tuotetiedot samaan testiin. Valmistajilta ja jakelijoilta ei puutu tuotetietoa. Ne tallentavat sitä jo valtavia määriä: teknisistä tiedoista ja kokoonpanoista hinnoittelulogiikkaan ja sopimusrajoituksiin.
Ongelmana on, että lähes kaikki tämä tieto on jäsennetty ihmisiä varten. Tekniset tiedot ovat PDF-tiedostoissa. Säännöt selitetään painetussa tuoteluettelossa, jota ei koskaan siirretty verkkoon. Poikkeukset ovat implisiittinen osa myynnin taustaprosessia sen sijaan, että ne olisi koodattu. Aivan liian paljon jää organisaation muistin varaan, kun konteksti on myyntitiimien päässä.
Tekoälyagentti ei silmäile PDF-tiedostoa ja ymmärrä sen ideaa. Se ei tiedä, mikä lause ilmaisee ehdottoman rajoituksen ja mikä on myyntipuhetta. Se ei voi turvallisesti päätellä sääntöjä muotoilusta tai sävystä. Jos merkitystä ei ole ilmaistu suoraan, agentti käsittelee sitä tuntemattomana.
Kyse ei ole siitä, että rakenteeton data olisi huonoa
Yksi asia on syytä tehdä selväksi. Rakenteeton data ei ole vihollinen. Se ei ole koskaan ollutkaan.
Yritysanalytiikassa rakenteeton data ei kadonnut semanttisten kerrosten myötä. Se lisättiin rakenteen päälle omaksi kerroksekseen. Rakenne huolehti säännöistä ja suhteista. Rakenteeton sisältö välitti vivahteet, selitykset ja kontekstin.
Sama malli pätee tähän.
Agentit tarvitsevat rakennetta päättelyyn. Ne tarvitsevat selkeästi ilmaistut säännöt, suhteet, rajoitukset ja tilat. Niiden on tiedettävä, mikä on yhteensopivaa, mitä voi konfiguroida, mikä on sallittua ja millä ehdoilla jokin pätee. Pelkkä rakenteeton sisältö ei voi tarjota tätä luotettavasti.
Mutta pelkkä rakennekaan ei riitä. Agentit eivät vain hae attribuutteja. Ne vertailevat vaihtoehtoja. Ne punnitsevat kompromisseja. Ne ratkaisevat sekä sen, mitä jokin on, että sen, milloin sitä pitäisi suositella.
Kuvaileva sisältö on kerros, joka selittää tarkoituksen, asemoinnin ja käyttötapaukset. Se erottaa toisistaan toteamukset ”tämä tuote on olemassa” ja ”tässä tilanteessa se kannattaa valita”. Yritysdatan maailmassa tämä näkyi määritelminä, dokumentaationa ja liiketoimintakontekstina. Tässä se näkyy tuotetason selityksenä, josta agentit voivat oppia. Jäsennelty tuotetieto kertoo agentille, mikä on totta, ja kuvaileva sisältö auttaa sitä päättämään, mikä on olennaista.
Kaupankäynti on optimoitu esittämistä, ei päättelyä varten
Tämä on asian kiusallinen puoli. Kaupankäynnin infrastruktuuri ei oikeastaan koskaan ottanut samaa harppausta kuin yritysdata. Rakensimme parempia tuotetiedonhallintajärjestelmiä eli PIM-järjestelmiä, kattavampia luetteloita ja kauniimpia tuotesivuja. Emme kuitenkaan koskaan rakentaneet tuotteille todellista semanttista kerrosta, vaan optimoimme niiden esittämistä.
Niin kauan kuin ihmiset välittivät B2B-ostamista, tämä toimi. Myyntiedustajat selittivät poikkeustapaukset. Ostajat sietivät epäselvyyttä, ja kaikki osasivat kiertää järjestelmän puutteet.
Agentit poistavat tämän puskurin. B2B-kaupassa puutteet näkyvät heti. Hinnat vaihtelevat asiakastilin mukaan. Saatavuus vaihtelee alueittain. Yhteensopivuus riippuu kokoonpanosta. Sopimukset syrjäyttävät oletusehdot. Oikeuksilla on merkitystä. Mitään tästä ei voi turvallisesti arvata.
Kun agentti arvioi tuotetta, hyvin kirjoitettu kuvaus ei tee siihen vaikutusta. Se haluaa tietää, mikä sopii, mikä on sallittua, mikä on yhteensopivaa ja mitä tapahtuu seuraavaksi. Jos tietoa ei ole ilmaistu selkeästi, agentti ei pyydä tarkennusta vaan siirtyy eteenpäin.
Mitä kaupan alan yritysten on tehtävä nyt
Tämä on käännekohta. Kaupan alan yritykset voivat jatkaa tuotetiedon käsittelemistä sisältönä, jota ihmiset tulkitsevat. Tai ne voivat alkaa käsitellä sitä infrastruktuurina, jonka pohjalta koneet päättelevät.
Tämä tarkoittaa, että teknisistä tiedoista on tehtävä attribuutteja, joiden merkitys on määritelty. Yhteensopivuus on koodattava suhteiksi sen sijaan, että sitä selitettäisiin tekstikappaleissa. Hinnoittelu on ilmaistava logiikkana. Oikeudet on määriteltävä selkeästi. Saatavuus on esitettävä täsmällisenä tilatietona.
Juuri saman muutoksen yritykset joutuivat tekemään analytiikassa. Kun raakadata ja taulut eivät riittäneet, merkitys oli määriteltävä. Kun tämä jäsennelty ydin on olemassa, kuvaileva sisältö lakkaa olemasta tekoälyn ainoa totuuden lähde. Siitä tulee kerros, joka opettaa agenteille, miten tätä totuutta sovelletaan todellisissa tilanteissa.
Näin toimivista valmistajista ja jakelijoista tulee agenteille ymmärrettäviä. Niiden tuotteita on helpompi arvioida ja suositella, ja niihin on helpompi luottaa. Muilla on edelleen dataa, mutta se toimii kuten vanhat yritysten tietovarastot: teknisesti olemassa, käytännössä käyttökelvotonta.
Malli on vanha, mutta seuraukset eivät ole
Mikään tästä ei ole spekulointia. Olemme jo nähneet yritysdatan käyvän läpi täsmälleen saman kehityskulun. Nyt ainoa ero on käyttäjä. Liiketoiminta-analyytikkojen tilalla ovat autonomiset agentit. Koontinäyttöjen tilalla ovat suositukset. Hitaiden päätösten tilalla on välitön poissulkeminen.
Tekoälyagenttien ohjaama kaupankäynti paljastaa vuosikymmeniä vanhan yritysdatan ongelman. Yritykset, jotka tunnistavat sen ja käsittelevät tuotetietoa kuten yritykset oppivat käsittelemään operatiivista dataa, sopeutuvat nopeasti. Muut jatkavat PDF-tiedostojen lisäämistä ja kuvausten uudelleenkirjoittamista sekä ihmettelevät, miksi agentit eivät tunnu koskaan valitsevan niitä.
Historia toistaa itseään. Tällä kertaa koneet seuraavat tarkasti.












