Himanshu Jain, perustaja ja tuotejohtaja CommerceIQ:ssä – haastattelusarja

Himanshu Jain, perustaja ja tuotejohtaja CommerceIQ:ssä, johtaa tuotestrategiaa ja -kehitystä keskittyen AI-agenttien rakentamiseen, jotka automatisoivat monimutkaisia vähittäiskaupan ja verkkokaupan työnkulkuja. Vuodesta 2017 lähtien, kun hän perusti CommerceIQ:n, hän on auttanut muokkaamaan yrityksen lähestymistapaa datan, automaation ja tekoälyn soveltamiseen digitaaliseen kaupankäyntiin. Ennen CommerceIQ:ta Jain toimi tuotestrategian, liiketoiminnan kehittämisen ja asiakassuhteiden menestyksen johtotehtävissä Boomerang Commercessa, jossa hän työskenteli suurten jälleenmyyjien kanssa hinnoittelun, valikoiman ja verkkokaupan kasvustrategioiden parissa. Aikaisemmin urallaan hän oli johtava konsultti A.T. Kearneyssä ja vietti lähes viisi vuotta Capital One UK:ssa työskennellen tuotehallinnan, luottoriskin, markkinointistrategian, analytiikan ja tilastollisen mallinnuksen parissa. Hän on myös neuvonut startup-yrityksiä markkinoillemenostrategioissa ja kirjoittanut artikkeleita Amazonista ja verkkokaupasta Marketing Landiin.

CommerceIQ on tekoälypohjainen vähittäiskaupan kaupankäyntialusta, jonka on suunniteltu auttamaan kuluttajabrändejä hallitsemaan ja optimoimaan suorituskykyään eri verkkokauppakanavilla. Sen alusta yhdistää myynnin, vähittäismedian, digitaalisen hyllyn, sisällön, varaston ja kilpailijatiedot, tarjoten tiimeille yhtenäisen näkymän suorituskykyyn yli 1,500 jälleenmyyjän ja 85 maan osalta. CommerceIQ on yhä enemmän keskittynyt agenttiseen tekoälyyn AllyAI-teknologiansa kautta, jossa erikoistuneet agentit voivat analysoida vähittäiskaupan signaaleja, suositella toimia, automatisoida raportointia, optimoida mainosbudjetteja ja -tarjouksia sekä toteuttaa valittuja verkkokauppatyönkulkuja määriteltyjen kontrollien puitteissa. Yritys esittelee tämän lähestymistavan siirtymänä kohti dashboard-pohjaista vähittäiskaupan hallintaa kohti jatkuvaa, tekoälyavusteista toteutusta myynnissä, mediassa, sisällössä ja digitaalisella hyllyllä.

Olet työskennellyt yli vuosikymmenen ajan tuotepäällikön, asiakassuhteiden menestyksen, liiketoiminnan kehittämisen ja muiden tehtävien parissa ennen CommerceIQ:n perustamista. Mikä sai sinut siirtymään agenttiseen vähittäiskauppaan, ja mitkä aiempien teknologiasiirtymien opit ovat muokanneet näkökulmaasi tähän?

Ennen agenttista tekoälyä suurin osa ohjelmistoista oli suunniteltu nopeuttamaan ihmisen työtä. Excel auttaa sinua rakentamaan mallin nopeammin. Hallintapaneeli auttaa sinua tekemään päätöksen nopeammin. Agenttisen vähittäiskaupan muutos on, että ohjelmisto pystyy nyt tekemään työn itse, ei vain nopeuttamaan ihmisen suoritusta. Agentti voi oppia ympäristösi samalla tavalla kuin uusi työntekijä. Prosessisi, sisäiset ohjeistuksesi, tapa, jolla itse teet päätökset, ja sitten toimia kohti tavoitetta alusta loppuun, siten että ihminen tarjoaa kontekstin ja tarkastaa tuloksen sen sijaan, että hän tekisi jokaisen vaiheen. Tämä on täysin eri ohjelmistokategoria kuin mikään, mitä olen aiemmin työskennellyt tuotepäällikön tai asiakassuhteiden menestyksen parissa, ja siksi uskon tämän olevan merkittävin näkemäni teknologinen muutos, ei inkrementaalinen. Myös nopeus on poikkeuksellinen. Älypuhelimet kuluivat vuosia tullakseen yleiseksi. Agenttinen tekoäly on muuttanut koko toimialojen toimintatapoja eikä hidastu. Aikaisemmista siirtymistä oppimani tärkein opetus on, että menneisyyteen perustuvat ennusteet johtavat virheellisiin päätöksiin. Parhaiten toimiva lähestymistapa on pitää mieli avoimena, tarttua toimeen ja oppia siitä, mitä juuri nyt tapahtuu, sen sijaan että perustuisi viime syklin tapahtumiin.

Olet tehnyt eron \”agenttisen kaupankäynnin\” ja \”agenttisen vähittäiskaupan\” välillä: kuluttajat käyttävät AI-agentteja tuotteiden löytämiseen ja ostamiseen, kun taas brändit käyttävät agenteja myyntinsä hallintaan. Kun molemmat osapuolet automatisoituvat yhä enemmän, miten näet kuluttajien, brändien ja jälleenmyyjien välisen suhteen muuttuvan?

Vähittäiskaupan löytöprosessi on kokenut useita todellisia muutoksia. 1980- ja 1990-luvuilla se koostui postissa lähetetyistä kiertokirjeistä, kaupan päättäessä, mitä korostaa, ja ihmisestä, joka valitsi näistä. Amazon loi loputtoman hyllyn. Jokainen avainsanahaku muuttui omaksi rajoittamattomaksi hyllyksi, mutta ihminen luki edelleen otsikot, selaili arvosteluja ja teki valinnan yksin. Nyt tapahtuva muutos on, että ihmiset ja agentit ostavat yhdessä. Ilmaiset aikomuksesi; agentti voi lukea jokaisen tuotteen sivulla kokonaisuudessaan, jokaisen väitteen, arvostelun, kohdan, suorittaa aikomusanalyysin sen perusteella, mitä todella tarvitset, ja antaa sinulle neljä tai viisi suositusta. Valitset edelleen yhden, mutta agentti on jo tehnyt vertailutyön, jonka ihminen teki aikoinaan selailun avulla. Brändin puolella agentit optimoivat tuotesivun (PDP) sisältöä sen perusteella, mitä kuluttajat ja heidän agenttinsa etsivät, päättävät, mihin tuotteisiin tehdä tarjouksia, ja auttavat hallitsemaan myyntiä. Jälleenmyyjä sijoittuu tähän silmukkaan keskelle ja hallitsee, kuinka paljon signaalia kulkee kahden osapuolen välillä ja mitä näytetään kenelle ja millä kampanjalla. Tämä data- ja päätöksentekokerros muuttuu yhä enemmän jälleenmyyjän omistamaksi.

Tuotteiden löytäminen siirtyy perinteisten avainsanahakujen ohi kohti AI-avustajia, jotka vertailevat tuotteita, tiivistävät vaihtoehdot ja antavat suosituksia. Miten brändien tulisi uudelleenajattelua tuotesisältöä ja digitaalisen hyllyn strategiaa, kun ne pyrkivät yhä enemmän ansaitsemaan AI-agentin suosituksen sen sijaan, että ne vain sijoittuivat korkealle hakutuloksissa?

Ihminen selaa sivua nopeasti, lukee arvostelun yhteenvedon ja vilkaisee muutamaa kuvaa. Agentti voi lukea jokaisen pikselin. Jopa ostosagentissa kysymyksesi pilkotaan avainsanoiksi, avainsanat haetaan, tulokset poimitaan, jokainen tuote luetaan kokonaan, ja sitten tarkoitusalgoritmi järjestää lyhyen listan, jonka se näyttää sinulle. Tämä tarkoittaa, että sisällön on toimittava sekä perinteisessä haussa että pikselitason lukemisessa samanaikaisesti, ei toista tai toista. Lisäksi on merkitystä, millaista agenttia optimoit. Ostosagentit, kuten Rufus, Sparky ja Alexa Shopping, ovat ne, joissa todelliset ostot toteutuvat, ja se, mikä vaikuttaa tulokseen, on itse tuotesivu sekä kaikki sen attribuutit ja väitteet. Yleiskäyttöiset agentit, kuten ChatGPT tai Perplexity, toimivat enemmän kuin yläputken tutkimus, ja se, mikä ansaitsee sinulle maininnan siellä, on lähempänä ansaittua mediaa, viitteitä, blogikirjoituksia ja kolmannen osapuolen kirjoituksia. Brändit, jotka käsittelevät näitä samana ongelmana, päätyvät optimoimaan väärälle pinnalle.

Termiä “agenttinen AI” käytetään nyt laajasti erilaisissa tuotteissa. Erityisesti vähittäiskaupassa, mikä erottaa todellisen AI-agentin perinteisestä sääntöpohjaisesta automaatiosta tai analytiikka-alustasta, jonka päällä on generatiivinen AI-rajapinta?

Sääntöpohjainen automaatio on, että jos X tapahtuu, tee Y. Siinä ei ole älykkyyttä, eikä se pysty käsittelemään mitään, mitä et ole nimenomaisesti ohjelmoinut. Generatiivinen käyttöliittymä kojelaudan päällä tekee samasta staattisesta tiedosta vain helpommin luettavan. Todellinen agentti voi ajatella, suunnitella, toteuttaa ja sitten jatkuvasti arvioida ja mukautua, kuin kouluttamasi nuorempi analyytikko. Annetaan sille konteksti, prosessit, ohjeistukset ja aiemmin tekemäsi päätökset, ja se alkaa toimia kohti tavoitetta sen sijaan, että odottaisi seuraavan säännön laukeamista. Tämä on se testi, jota itse käytän: pystyykö se toimimaan niin kuin kouluttamasi henkilö toimisi, vai onko se vain nopeampi versio aina staattisesta?

Kauppatiimit ovat perinteisesti valvoneet varastoa, hinnoittelua, tuotesivuja, vähittäiskaupan mediaa, hakusuorituskykyä ja kilpailutoimintaa tuhansien tuotteiden osalta. Mitkä näistä operatiivisista aukkoista sopivat parhaiten autonomisille AI-agenseille tänään, ja missä ihmisen harkinta on edelleen vaikea korvata?

Ajattelen tätä 2×2-matriisina, jossa tarkastellaan, kuinka paljon harkintaa päätös vaatii ja kuinka suuri vaikutus sillä on. Alhaisen harkinnan työ annetaan agentille suoraan. Korkean harkinnan tai suuren vaikutuksen työ pitää ihmisen tarjoamassa strategista ohjausta ja tarkastamassa tulosta. Käytännössä tämä tarkoittaa, että aloitetaan pitkän hännän SKU:ista ja pitkän hännän jälleenmyyjistä, joita kukaan ei ole koskettanut vuoden aikana, ja asetetaan ne ensin autopilottiin, koska virheen vaikutusalue on pieni. Parhaat SKU:t ja parhaat jälleenmyyjät säilyttävät ihmisen kerroksen, eikä tämä kerros ole pelkästään tarkastusta varten; se on tapa kouluttaa agenttia. Kun huomaat virheen, kerrot sille, mitä sen olisi pitänyt tehdä ja miksi, ja tämä palaute tekee siitä ajan myötä paremman sen sijaan, että se olisi jatkuvasti keskinkertainen.

Erikoistuneet agentit voivat mahdollisesti luoda omia ongelmiaan, jos ne optimoivat eristettyjä tavoitteita. Media-agentti saattaa lisätä mainontaa tuotteelle, jonka varasto on loppumassa, kun taas hinnoitteluagentti voi parantaa konversiota kustannusten kustannuksella. Kuinka varmistat, että useat agentit työskentelevät brändin laajempien kaupallisten tavoitteiden suuntaan sen sijaan, että ne optimoivat vain omia mittareitaan?

Tämä on juuri syy, miksi rakensimme orkestroijan eikä joukkoa itsenäisiä agenteja. Meidän orkestroijamme on nimeltään Ally, ja sen tavoitteena on myynnin kasvu, ei yksittäisen kanavan mittari. Se selvittää, missä mahdollisuudet ja riskit ovat, käy läpi kompromissit ja sitten jakaa erityistehtävät työntekijäagenteille – media-, sisältö- ja hinnoitteluagenteille – jakaen saman tiedon kaikille, jotta kukaan ei optimoi eristyksissä. Ilman tätä kerrosta saat juuri kysymyksessä kuvattua epäonnistumismallia: media-agentti kuluttaa budjettia tuotteeseen, joka on juuri loppumassa, koska sillä ei ole näkyvyyttä varastoon.

Vähittäiskaupan data on usein hajautettua eri jälleenmyyjien portaaleihin, mainosalustoihin, varastojärjestelmiin, tuoteinformaatiojärjestelmiin ja sisäisiin analytiikkatyökaluihin. Kuinka tärkeää datan laatu ja datan yhtenäistäminen on onnistuneessa agenttisessa vähittäiskaupassa, ja tekeekö AI-agenttien suurempi autonomia huonosta tai puutteellisesta datasta vaarallisemman?

Datan saattaminen oikeaan muotoon, oikealla semanttisella rakenteella ja asianmukaisella ontologialla, eikä pelkästään raakojen syötteiden vieressä, on suurin osa varsinaisesta työstä täällä. Monet tiimit ajattelevat, että voit ladata jotain ChatGPT:hen tai kytkeä agentin päälle olemassa oleviin järjestelmiin, ja saat epäsäännöllistä tulosta; joskus se toimii, joskus se hallusinoi, eikä siihen voi luottaa. Autonomia pahentaa tätä, ei paranna, koska ihminen, jolla on huono data, yleensä havaitsee virheen ennen toimimista. Agentti, jolla on huono data, toimii sen kanssa välittömästi, mittakaavassa, ennen kuin kukaan huomaa.

Kun brändit tulevat yhä mukavammiksi AI-agenttien kanssa, miten niiden tulisi päättää, mitkä toiminnot voidaan toteuttaa autonomisesti ja mitkä vaativat edelleen ihmisen hyväksynnän? Millainen käytännön eteneminen näyttää siirtymästä “AI suosittelee” kohti “AI toimii”?

Sen tulisi edetä vähitellen, ei yhdellä hypyllä. Useimmat tiimit aloittavat noin 10 prosenttia automatisoitua ja 90 prosenttia, jotka vaativat hyväksynnän. Kun palautesilmukka toimii, kun ihmiset korjaavat agenttia ja agentti sisällyttää korjauksen, luottamus kasvaa ja suhde siirtyy 20 prosenttiin ja 80 prosenttiin, ja sitten edelleen, sekä toimintojen määrässä että automatisoitavan arvossa. Tämän edistymisen lähtökohta on pienitehoinen työ, pitkän hännän SKU:t ja jälleenmyyjät, joita et muuten aktiivisesti hallinnoinut, ja se laajenee vain vaikuttavampiin, korkeampaa harkintaa vaativiin päätöksiin, kun todellinen tulos on olemassa.

Retail media on perinteisesti keskittynyt voimakkaasti mittareihin, kuten mainoskulujen tuottoon, mutta kiinnostus kasvaa selvittää, luovatko mainokset todella lisämyyntiä. Kuinka AI voi auttaa brändejä tekemään parempia päätöksiä lisäarvon, kannattavuuden ja sen suhteen, mihin mainosrahat tulisi kohdentaa?

Brändit voivat innostua liikaa mittaamisesta. Syvän lisäarvostutkimuksen tekeminen neljännekselle kuulostaa perusteelliselta, mutta markkinat ovat yleensä jo siirtyneet eteenpäin, kun tutkimus on valmis. Haluan mieluummin nähdä tiimien rakentavan joukon käytännöllisiä heuristiikkoja ja toimivan niiden mukaan nopeammin: jos sijoitut jo orgaanisesti korkealle, älä tarjoa enempää; maksat myynnistä, jonka olisit saanut silti. Jos sijoitut orgaanisesti matalalle, silloin mainosbudjetti todella ansaitsee paikkansa. Jos markkinoilla on yleisö, joka ei tiedä tuotteestasi, käytä rahaa siellä kouluttaaksesi heitä. Kiistely siitä, palauttiiko dollari 1,48 vai 1,68 dollaria lisämyyntinä, on aikaa kuluttavaa eikä toimintaan ryhtymistä. Saavuttaessa toimintaan nopeammin ja hyväksyen, että luku on suuntaa antava eikä täydellisen tarkka, on se, mikä todella kasvattaa myyntiä.

Jos ostajapuolen AI-agentit hoitavat yhä enemmän löytämistä, vertailua ja ostamista, kun taas brändipuolen agentit hallinnoivat sisältöä, hinnoittelua, mainontaa ja varastoa, meillä voisi lopulta olla koneita, jotka vaikuttavat molempiin osapuoliin kaupassa. Miten koet, että verkkokauppa näyttää tuossa ympäristössä, ja mikä lopulta erottaa menestyvät brändit niistä, jotka muuttuvat näiden AI‑ohjattujen ostojärjestelmien näkymättömiksi?

En usko, että agentit alkavat tehdä kauppoja keskenään itsenäisesti lähiaikoina. Sen sijaan näen ihmisten ja agenttien ostavan yhdessä molemmilla puolilla, agenttien tekevän vertailu- ja suositustyön, ihmisten edelleen tekevän lopullisen päätöksen, ja saman mallin brändipuolella, agenttien toteuttavan, kun ihmiset asettavat strategian ja hyväksyvät tärkeät päätökset. Tässä maailmassa fyysisen tuotteen on edelleen oltava hyvä; mikään optimointi ei pelasta huonoa tuotetta. Tämän jälkeen erotin on konteksti: kuinka paljon kontekstia agentilla on liiketoiminnastasi, kuinka paljon se on oppinut ja kuinka paljon palautetta se on saanut. Tämä erottaa agentin, joka tekee typeriä virheitä, agentista, joka todella ymmärtää brändisi äänen ja strategian riittävän hyvin luotettavaksi todellisissa päätöksissä. Menestyvät brändit ovat niitä, jotka pitävät agenttien hyvän kontekstin ja toimivan palautesilmukan tarjoamista keskeisenä työnä, eivät sivuprojektina, ja ne, jotka ohittavat tämän askeleen, ovat ne, jotka muuttuvat näkymättömiksi.

Kiitos loistavasta haastattelusta, lukijat, jotka haluavat oppia lisää, tulisi vierailla CommerceIQ.