Ennen kuin mallit tulevat, kaupan alan tekoäly tarvitsee infrastruktuurivallankumouksen

Tekoälyn käyttöönotto kaupan alalla etenee hämmästyttävää vauhtia. Tekoälysijoitukset vähittäiskaupassa kasvavat nopeasti, ja markkinan on arvioitu kasvavan 11,6 miljardista dollarista vuonna 2024 yli 40 miljardiin dollariin vuoteen 2030 mennessä.

Vastaavasti, uusia malleja julkaistaan nopeaan tahtiin, toimittajat laajentavat jatkuvasti kykyjään, ja vähittäiskaupan yritykset ovat yhä enenevissä määrin painostettuina hallituksiltaan ja sijoittajiltaan osoittamaan, että he ovat aktiivisesti integroimassa tekoälyä toimintoihinsa.

Pintapuolisesti tämä luo vaikutelman nopeasti ja ratkaisevasti muuttuvasta alasta. Kuitenkin tämän toiminnan alla useimmat näistä aloitteista kerrostaan järjestelmiin, jotka eivät ole koskaan suunniteltu tukemaan niitä.

Rajoitus ei ole mallien saatavuus tai laatu. Se on infrastruktuurin tila niiden alla.

Kun tekoälyä otetaan käyttöön, ensimmäinen budjetti ei pitäisi mennä itse tekoälyyn. Se pitäisi mennä siihen, mitä me kutsumme “datatrustiksi”, eli data-infrastruktuuriksi. Nämä ovat järjestelmien välisiä yhteyksiä, datan deduplikointia ja reaaliaikaisia päivityksiä.

Epäonnistuminen tässä on syy, miksi tekoäly epäonnistuu kaupan alalla, ja miksi niin moni aloite alkaa vauhdilla, mutta kamppailee saadakseen aikaan kestävää vaikutusta. Onnistuneen tekoälyn käyttöönoton edellytyksenä on, että aloitetaan infrastruktuurista.

Toisin sanoen kaupan alalla keskustelu itse usein alkaa yhden tason liian korkealta, keskittyen mallien valintaan tai korkean potentiaalin käyttötapauksien tunnistamiseen. Vähemmän huomiota saa se, voivatko perustavanlaatuinen data-arkkitehtuuri tukea näitä päätöksiä merkityksellisellä tavalla.

Jos perustana oleva data on fragmentoitunut, tekoäly ainoastaan generoi tuloksia, jotka voivat olla haitallisia tai harhaanjohtavia.

Isommissa organisaatioissa tämä taipumus vahvistuu tarpeen mukaan osoittaa edistymistä. “Tekeminen jotain tekoälyllä” tulee tavoitteeksi itsessään, ja mallin esittäminen on usein nopein tapa saavuttaa se, riippumatta siitä, tuottaako se mitattavaa arvoa.

Hallituksen tasolla tekoälyn odotukset nopeutuvat henkilökohtaistamisen, mitattavien hyötyjen ja marginaalisen paranemisen muodossa. Järjestelmätasolla valmius ei ole samaa tasoa. Mitä kauemmin tämä kuilu säilyy, sitä kalliimmaksi se tulee korjata, kun kerroksia teknologiaa lisätään perustaan, joka ei muutu.

Mitä “ei valmis tekoälylle” tarkoittaa käytännössä

Pääongelma on järjestelmien välisen yhtenäisyyden puute. Esimerkiksi yksittäinen asiakas voi olla samanaikaisesti ERP-alustalla, verkkokaupassa ja offline- tai uskollisuusjärjestelmässä, kussakin tapauksessa eri historiat ja oletukset.

Tuotedata on teknisesti täydellinen, mutta rajoitettu siinä, että se antaa mallille kontekstia, jotta se voisi tulkitsemaan tai päättää siitä tehokkaasti. Huonon datan laadun on arvioitu aiheuttavan organisaatioille lähes 13 miljoonan dollarin vuosittaisen kustannuksen, korostaen, kuinka perustavanlaatuisia nämä rajoitukset ovat.

Ihmisryhmät oppivat navigoimaan näissä epäjohdonmukaisuuksissa ajan myötä, rakentamalla epävirallisia siltoja järjestelmien välille. Malli toimii tiukasti rakenteen mukaisesti, johon se on annettu, ja sen tuottamat tulokset ovat rajoitettuja sen mukaan.

Kun tekoäly otetaan käyttöön tähän ympäristöön, tuloksena ei ole puutetta tuloksista, vaan hitaasti heikentynyt laatus.

Malli voi prosessoida dataa ja tuottaa tuloksia, mutta se ei yhdistä järjestelmiä itsestään.

Käytännössä tämä voi ilmetä henkilökohtaistamismoottorina, joka alkaa tarjota erittäin tarkkoja tuotesuosituksia, jotka luokittelevat asiakkaan tapoja, jotka eivät heijasta heidän todellisia mieltymyksiään tai aikomuksiaan.

Teckoälyjärjestelmissä asiakaskokemukset usein tulevat tarkemmiksi mutta vähemmän merkityksellisiksi.

Tämä siirtymä yleisestä merkityksellisyydestä tarkkaan merkityksettömyyteen voi olla vahingollisempaa kuin mitä se näyttää, koska se muuttaa, miten asiakkaat havaitsevat brändin itsessään. Pahimmassa tapauksessa nämä järjestelmät eivät ainoastaan suorita huonosti, vaan heikentävät aktiivisesti asiakaskokemusta.

Miksi useimmat tekoälykokeilut jäävät tyrkyllä, ja mitä se maksaa

Tämä dynamiikka on yksi pääsyy, miksi suuri osa tekoälykokeiluista kaupan alalla ei pääse eteenpäin kokeiluvaiheesta. Alan tiedot osoittavat, että vain noin puolet tekoälyaloitteista pääsee kokeilusta tuotantoon, jättäen merkittävän osan jumiin kokeiluvaiheessa.

Ongelma ei yleensä ole puute sijoituksesta tai aikomuksesta. Rajoitus ilmenee, kun näiden järjestelmien tuottamat tulokset eivät oikeuta skaalautumista.

Tässä vaiheessa organisaatiot joutuvat valitsemaan joko jatkaa optimointia tai hylätä aloitteen kokonaan. Monissa tapauksissa he valitsevat jälkimmäisen, koska ympäristö, johon se otetaan käyttöön, ei voi tukea johdonmukaisia tuloksia.

Alan ympäri sama infrastruktuurin aukko toistuu. Asiakastiedot ovat yhä fragmentoituneita eikä yhdistettyjä. Tuotetiedot ovat olemassa, mutta niiden syvyys ei riitä tulkinnalle. Järjestelmät toimivat rinnakkain eivätkä yhtenäisen informaation virtana. Kun malleja otetaan käyttöön tähän ympäristöön, ne skaalauttavat nämä ongelmat.

Tämän lähestymistavan kustannukset ulottuvat suoraan kustannuksien ulkopuolelle. Ne ilmenevät järjestelmänlaajuisena suosituksien kertymänä, jotka eivät johtaa muutokseen, henkilökohtaistamisena, joka tuntuu epäjohdonmukaiselta, ja automaationa, joka vahvistaa olemassa olevia virheitä.

Ajan myötä tämä luo hiljaisen mutta merkittävän luottamuksen eroosion organisaatiossa. Tiimit alkavat kyseenalaistaa järjestelmien luotettavuutta, joita he rakentavat, ja lisätään teknologian kerroksia yrittääkseen korvata. Tuloksena on viive saavuttaa selkeys, jota tarvitaan järjestelmien rakentamiseen, jotka toimivat.

Syy, miksi monet yritykset rakentavat tekoälykokeiluja, mutta eivät mene niiden kanssa eteenpäin, on, että he rakentavat nämä kokeilut heikkojen perustusten päälle, mikä on kuin kokkaaminen huonoilla aineksilla.

Voit olla Gordon Ramsay -reseptillä ja erinomaisilla laitteilla, mutta jos ainekset ovat huonot, lopputulos on edelleen negatiivinen.

Eroavaisuus startupien ja suurten yritysten välillä

Pienemmät organisaatiot, erityisesti ne, jotka ovat keskisuuren markkinan osalla, usein osoittavat suuremman kyvyn toteuttaa tekoälyä tehokkaasti. Tämä johtuu siitä, että heidän järjestelmänsä eivät ole yhtä fragmentoituneita ja heidän päätöksentekoprosessinsa ovat suorempia.

Isommissa organisaatioissa itse rakenne esittää potentiaalisia esteitä. Aloitteet ovat usein vastauksia ulkoisiin odotuksiin, ja tekoälystä tulee kategoria, joka on käsiteltävä, ei tarkkaan integroitu ominaisuus.

Sanoa “haluamme toteuttaa tekoälyä” on kuin tuoda sähköä tehtaaseen ilman koneita. Valot syttyvät, mutta tuotanto ei parane, koska olet sijoittanut teknologiaan ilman tietämistä, mitä se todella tekee.

Siirtymä malleista infrastruktuuriin

Vaihtoehtoinen lähestymistapa on alkanut muotoutua organisaatioissa, jotka ovat kohdanneet nämä rajoitukset suoraan.

Sen sijaan, että alkaisivat aloittaa budjetteja tekoälymalliin, he panostavat siihen, mitä voidaan kuvailla “datatrustiksi”, eli perustan luomiseen, jossa data on yhdenmukaista, yhdistettyä ja jatkuvasti päivitettyä. Tavoitteena on varmistaa, että käytettävä data voi tukea merkityksellisiä päätöksiä.

Datavalmistelun on arvioitu vievän jopa 80 % ajasta, jota käytetään koneoppimishankkeisiin, korostaen, kuinka paljon työtä on alla olevassa datakerroksessa itse malleja.

Tämä prosessi alkaa yleensä olemassa olevien järjestelmien yksityiskohtaisella kartoituksella ja aukkojen tunnistamisella datavirrassa ja eheysarvoissa. Ensimmäiset 30-60 päivää omistetaan usein ymmärtämiseen, miten tieto liikkuu tai ei liiku organisaation sisällä. Tämä seuraa integraation ja standardisoinnin kautta, jolloin data puhdistetaan, poistetaan duplikaatit ja kohdistetaan alustoittain.

Seuraavien kolmen kuuden kuukauden aikana yritykset keskittyvät luotettavien datakanavien rakentamiseen ja arvokkaiden järjestelmien yhdistämiseen tapoja, jotka tukevat todellisia käyttötapauksia. Vasta kun tämä perusta on paikallaan, on mahdollista ottaa tekoäly käyttöön prosesseihin, jotka voivat tuottaa johdonmukaisia, mitattavia tuloksia.

Kuuden ja yhdeksän kuukauden kuluessa organisaatiot, jotka seuraavat tätä lähestymistapaa, alkavat yleensä nähdä merkityksellisiä tuloksia tekoälyohjatuissa prosesseissa, jotka vaikuttavat mittareihin, kuten muunnokseen, pidättämiseen ja marginaalisen paranemiseen. Tässä vaiheessa mallit lopettavat kokeilun ja tulevat osaksi toimintaa. Heidän suorituskykynsä vakiintuu, ja heidän tuloksensa tulevat toimiviksi, jotta tiimit voivat alkaa luottaa niihin.

Teckoälysijoitusten kiihtyminen kaupan alalla ei ole todennäköistä hidastuvan lähitulevaisuudessa. Epävarmaa on, tuleeko infrastruktuurin valmius pysymään mukana ja tukea sitä. Kasvava kuilu organisaatioiden odotuksien ja järjestelmien tukemisen välillä on jo näkyvissä kasvavassa määrässä kokeiluissa, jotka eivät pääse tuotantoon. Tämän kuilun täyttäminen edellyttää fokuksen siirtymistä kriittisen infrastruktuurin rakentamiseen.

Siirtymä mallien keskustelusta infrastruktuuriin ei tuo saman välitöntä vaikutusta tai näkyvyyttä. Se on kuitenkin siellä, missä monet nykyiset rajoitukset sijaitsevat. Ja siellä on myös seuraava vaihe merkityksellistä edistystä tekoälyohjatussa kaupassa.