Ilyas Kurklu, Replenitin perustaja ja toimitusjohtaja – Haastattelusarja

Ilyas Kurklu, Replenitin perustaja ja toimitusjohtaja, on yrittäjä ja vähittäiskaupan teknologiajohtaja, joka keskittyy tekoälyn soveltamiseen asiakaspäätöksenteossa ja -sitouttamisessa. Replenitissä hän johtaa strategiaa, tuotekehitystä ja kumppanuuksia, hyödyntäen yli vuosikymmenen kokemusta yritysverkkokaupan sitouttamisliiketoimintojen skaalaamisesta noin 10 miljoonasta dollaria 2 miljardiin dollaria liikevaihtoa, työskennellen yli 300 vähittäiskauppiaan kanssa. Hänen uransa sisältää myös neuvonantaja- ja liiketoiminnan kehitystehtäviä sekä kuusi vuotta tiiminvetäjänä ja säänennustajana Turkin Meteorologian pääosastolla, jossa hän työskenteli reaaliaikaisilla tiedoilla, tutka- ja satelliittikuvilla sekä ennustejärjestelmillä.

Replenit on tekoälypohjainen päätöksentekoplatformi, joka on suunniteltu vähittäiskauppaa ja verkkokauppaa varten, tarjoten kerroksen jälleenmyyjän tietoinfrastruktuurin ja sen olemassa olevien asiakassitoutumisen järjestelmien väliin. Sen AI Decision Engine yhdistää asiakas-, tuote-, käyttäytymis- ja muita signaaleja määrittääkseen reaaliaikaisesti seuraavan parhaan toimenpiteen yksittäisille asiakkaille, kun taas Maestro AI CRM Manager voi itsenäisesti hallita työnkulkuja, kuten täydennyksiä, ristiinmyyntiä, sitouttamista, asiakaspoistuman ehkäisyä ja takaisinvoittoa. Sen sijaan, että jälleenmyyjien pitäisi korvata olemassa oleva teknologiapino, Replenit on suunniteltu integroitumaan nykyisiin kaupankäynti-, markkinointi- ja dataplatformeihin ja muuntamaan päätökset toteutukseen valmiiksi viesteiksi ja toimenpiteiksi. Yrityksen mukaan sen teknologiaa käyttävät jälleenmyyjät, kuten L’Occitane, Mumzworld, e-bebek, Beko ja Faith In Nature.

Vietit vuosia auttaen yritysverkkokaupan teknologian skaalaamista ennen kuin peristit Replenitin viiden muun perustajan kanssa. Mitä toistuvasti näit jälleenmyyjien kamppailevan, mikä vakuutti sinut siitä, että teknologiapinossa puuttui päätöksentekokerros, ja miten tuo oivallus johti Replenitiin?

Työskennellessämme sadoissa eri markkinoiden jälleenmyyjien kanssa kuulimme ja näimme jatkuvasti saman ongelman: jälleenmyyjät olivat erittäin hyviä datan keräämisessä ja toteutuksessa, mutta niiden välinen älykkyys puuttui edelleen. Heillä oli CDP:t, varastot, CRM-alustat ja markkinoinnin automaatiojärjestelmät, mutta päätös — mitä tulisi konkreettisesti tapahtua seuraavaksi tälle yksittäiselle asiakkaalle? — oli edelleen arvailua, joka perustui staattisiin sääntöihin, laajoihin segmentteihin, kampanjakalentereihin ja ihmisen harkintaan. Sekä teknologiapino että tiimi toimivat käytännössä kiertoteinä siihen tosiasiaan, että kukaan ei pystynyt järkeilemään jokaisen asiakkaan tilannetta laajassa mittakaavassa. Replenit on tuo puuttuva järkeily- ja päätöskerros. Olemme rakentaneet moottorin, joka pystyy tulkitsemaan asiakas- ja tuotekontekstin yksilötasolla, päättämään sopivan seuraavan kaupallisen toimenpiteen ja sen jälkeen käyttämään jälleenmyyjän olemassa olevia järjestelmiä sen toteuttamiseen.

Replenit väittää, että jälleenmyyjillä on jo runsaasti asiakastietoa ja työkaluja kampanjoiden toteuttamiseen, mutta heiltä puuttuu älykkyys, joka pystyy päättämään, mitä seuraavaksi tapahtuu. Miksi asiakasdata-alustat (CDP:t), asiakkuudenhallintajärjestelmät (CRM) ja markkinoinnin automaatiojärjestelmät eivät ole pystyneet ratkaisemaan tätä ongelmaa itse?

Näitä järjestelmiä on rakennettu erilaisiin tehtäviin. CDP voi yhdistää asiakastiedot, mutta tietojen yhdistäminen ei ole sama asia kuin päätöksenteko niiden suhteen. CRM- ja markkinoinnin automaatioalustat ovat erinomaisia toteutuskerroksia. Ne voivat lähettää, orkestroida ja optimoida viestintää, kun joku on määritellyt tarkasti kohdeyleisön, työnkulun tai kampanjan.

Vaikka nämä alustat lisäävätkin ennustavia pisteitä, generatiivista tekoälyä ja lähetysajankohdan optimointia, työn perusyksikkö on usein edelleen kampanja, matka, yleisö tai segmentti. Tekoäly voi optimoida jotain, mitä markkinoija on jo valinnut toteutettavaksi. Se ei kuitenkaan välttämättä päätä, pitäisikö mitään tapahtua lainkaan, mikä elinkaaritavoite on tärkein juuri tälle asiakkaalle, mikä tuote on relevantti, miksi juuri nyt, millä sävyllä ja mihin kaupalliseen lopputulokseen. Tämä on se ero, jonka teemme pisteen ja päätöksen välillä. Ennuste voi järjestää todennäköisyyden. Päätös vaatii järkeilyä kontekstin ja vaihtoehtojen perusteella ja sen jälkeen sitoutumista toimenpiteeseen. Replenit toimii olemassa olevan pinon yläpuolella tarjoten kyseisen kerroksen sen sijaan, että pyytäisi jälleenmyyjiä korvaamaan jo omistamansa järjestelmät.

Replenitin lähestymistavan keskeinen osa on Theory of Mind -soveltaminen asiakkaan aikomuksen, kontekstin ja todennäköisen tulevan käyttäytymisen päättelemiseksi. Miten käännätte kognitiotieteen käsitteen tekoälyjärjestelmään, joka pystyy tekemään luotettavia kaupallisia päätöksiä, ja miten varmistatte, että järjestelmä on tulkinnut asiakkaan aikomuksen oikein?

Käännämme Theory of Mind -konseptin järkeilykerrokseksi, joka tarkastelee asiakkaan tekemiä toimia syvällisemmin ja kysyy, miksi käyttäytyminen on voinut tapahtua, mitä se kertoo aikomuksesta ja mitä se merkitsee kontekstissa. Sen sijaan, että luottaisimme pelkästään historiallisiin malleihin tai tuotelähenteisyyksiin, järjestelmä järkeilee jokaisen yksittäisen asiakas-tuote-suhteen tasolla ja käyttää tätä kontekstia määrittääkseen, mitä seuraavaksi tulisi tapahtua.

Tämä järkeily voi sisältää ostoksen todennäköisen motivaation ymmärtämisen, miten tuotteet liittyvät toisiinsa, mitä tarvetta asiakas pyrkii täyttämään, sekä onko ajoitus oikea tietylle toimenpiteelle. Replenit menee sen jälkeen pelkän vaihtoehdon ehdottamisen yli: se tekee päätöksen ja valmistaa sen toteutettavaksi jälleenmyyjän olemassa olevien järjestelmien kautta.

Vahvistus tapahtuu tulosten kautta. Kun päätös on tehty, Replenit seuraa, mitä todella tapahtui, ja syöttää tuloksen takaisin tuleviin päätöksiin kyseiselle asiakkaalle. Se myös jatkuvasti arvioi, mitkä sen taidoista ja päätöksentekotavoista tuottavat tuloksia, skaalaten hyvin toimivia ja alennellen ne, jotka eivät toimi. Tässä mielessä järjestelmä oppii paremmin tunnistamaan oikean toimenpiteen oikealle asiakkaalle oikeaan aikaan, koska se oppii todellisista tuloksista sen sijaan, että se toistuvasti käyttäisi samaa logiikkaa.

Useimmat personointijärjestelmät ovat lopulta ennustemalleja, jotka arvioivat, mitä joku todennäköisesti klikkaa tai ostaa. Replenit korostaa siirtymistä ennustamisesta päätöksentekoon. AI-arkkitehtuurin näkökulmasta, mitä muuttuu, kun mallin on itse valittava seuraava toimenpide sen sijaan, että se vain tuottaisi todennäköisyyden tai suosituksen?

Replenitillä on kyseisessä arkkitehtuurissa neljä tärkeää osaa. Ensimmäinen on Golden Memory: elävät asiakas-, tuote- ja bränditiedot, jotka antavat järjestelmälle kontekstia yksittäistä tapahtumaa pidemmälle. Jos tieto on puutteellista, Replenit voi myös rikastaa saatavilla olevaa dataa ja luoda synteettistä kontekstia näiden aukkojen täyttämiseksi.

Toinen osa koostuu yli 100 toimialakohtaisesta taidosta. Nämä ovat erikoistuneita päättelykykyjä tietyille kategorioille ja tilanteille – esimerkiksi kosmetiikkarutiinin rakentaja kauneusmyyjille tai sisustusarkkitehti huonekalujen ja tee‑se‑itse‑yrityksille. Näiden taitojen ohella 15 tukitarkistusta voi toimia rinnakkain päätöksen ympärillä, mukaan lukien korvaavuus-, yhteensopivuus-, duplikaatti- ja tukahduttamistarkistukset.

Kolmas osa on työnkulun omistajuus. Sen sijaan, että vain tuottaisi suosituksen ja pysähtyisi, Maestro voi päättää elinkaaren työnkulkujen, kuten täydennyksen, ristiinmyynnin, sitouttamisen, takaisinvoiton, asiakasmenetyksen, kampanjan ja korvaamisen, välillä. Nämä työnkulut voivat toimia jatkuvasti ja rinnakkain yksittäiselle asiakkaalle, ja Maestro määrittää, mikä toimenpide on sopiva juuri sillä hetkellä.

Lopuksi paketoimme sen niin sanotuksi Golden Decision Eventiksi: kirjattuun, toteutukseen valmiiseen päätökseen, joka sisältää toimenpiteen ja sen perustelut, ja jonka voidaan siirtää suoraan jälleenmyyjän CRM-, markkinoinnin automaatio-, verkkokauppa-, sovellus- tai tietojärjestelmiin yli 120 alustalla.

Ero on siis siinä, että siirrymme mallista, joka ennustaa todennäköisen tapahtuman, järjestelmään, joka muistaa kontekstin, tuo oikean asiantuntemuksen, arvioi saatavilla olevat toimenpiteet, sitoutuu yhteen päätökseen ja tekee siitä toteutettavan.

Maestro voi itsenäisesti päättää, tulisiko yksittäiselle asiakkaalle lähettää täydennysmuistutus, ristiinmyyntitarjous, kampanja, sitouttamisviesti, takaisinvoittoyritys tai mahdollisesti olla puuttumatta lainkaan. Miten järjestelmä painottaa näitä kilpailevia toimenpiteitä ja määrittää, mikä on todellakin paras päätös kyseiselle asiakkaalle juuri sillä hetkellä?

Lähtökohtana on asiakas ja kaupallinen tavoite. Jälleenmyyjä asettaa strategian, prioriteetit ja rajoitteet. Maestro sitten päättää saatavilla olevan asiakas-, tuote- ja työnkulkukontekstin perusteella, mitä seuraavaksi tulisi tapahtua.
Tämä voi sisältää päätöksen siitä, mikä kaupallinen tavoite asetetaan etusijalle, mikä työnkulku on relevantti, mitä taitoa tai taitoyhdistelmää tulisi käyttää, mitkä tuotteet ovat järkeviä ja milloin toimenpide toteutetaan. Jälleenmyyjät voivat myös määrittää prioriteetteja mittareiden, kuten liikevaihdon, ostotiheyden, keskimääräisen tilausarvon, katteen suojelun tai asiakasmenetyksen ehkäisyn, perusteella.

Theory-of-Mind‑päättelymme lisää yksilöllisen kontekstin: mitä käyttäytyminen vaikuttaa tarkoittavan, mitä asiakas mahdollisesti todella tarvitsee ja miksi tämä voi olla tai ei olla oikea hetki. Erikoistaitomme ja tukitarkistuksemme voivat toimia rinnakkain tämän päättelyn kanssa. Kun paras päätös on olla puuttumatta, Maestro ei tee niin. Kun Maestro saavuttaa johtopäätöksen, se sitoo päätöksen ja sen perustelut toteutukseen valmiiksi tapahtumaksi sen sijaan, että se vain palauttaisi markkinoijalle suositusvalikon.

Replenit käyttää parviarkkitehtuuria, jossa useat erikoistuneet AI‑agentit voivat toimia rinnakkain. Mitä tapahtuu, kun useat agentit pohtivat samaa asiakasta samanaikaisesti, ja miten estetään ristiriitaisten suositusten tai toimenpiteiden toteuttaminen?

Replenitin parvi‑moottori ei aiheuta agenttiristiriitoja, koska kyse ei ole asiakas­päätösten rinnakkaistamisesta; kyse on yhden päätöksen komponenttien ajamisesta rinnakkain. Kun Maestro pohtii asiakasta, se aktivoi useita erikoistuneita agenteja samanaikaisesti: ohjausverkko ohjaa päätöksen oikeille malleille, päättely‑LLM arvioi asiakaskontekstin ja -käyttäytymisen, rikastusagentit synteettisesti täyttävät puuttuvat asiakas‑ tai tuotedata reaaliaikaisesti, ja erikoistuneet mallit arvioivat tuote‑asiakassuhteita ja sopivuutta.

Sen sijaan, että nämä ajettaisiin peräkkäin, mikä olisi hitaampaa ja kalliimpaa, ne toimivat rinnakkain samassa asiakastilassa ja sitten yhdistyvät yhdeksi yhtenäiseksi päätökseksi siitä, mitä seuraavaksi tulisi tapahtua. Konfliktia ei synny, koska ne eivät kilpaile erilaisten toimenpiteiden valinnasta; jokainen tuo eri ulottuvuuden samaan lopputulokseen.

Esimerkiksi rikastus voi tuoda esiin puuttuvia asiakas- tai tuotetietoja, päättelykerros tulkitsee ostohistorian ja kaupallisen tavoitteen, tuotesuhdemallit tunnistavat perustuotteen ja mahdolliset korvaavat tuotteet, ja pisteytys arvioi mahdollisen liiketoimintavaikutuksen. Kaikki tämä tapahtuu rinnakkain, mutta tuottaa yhden tuloksen. Tämä rinnakkaisuuden taso on tärkeä arkkitehtoninen etu. On vaikeaa jälkiasentaa sitä moottoreihin, jotka on rakennettu yksittäisinä työkalukotelimina, kun taas Replenit suunnitteli sen ytimeen alusta alkaen.

Jatkuva muisti on toinen tärkeä osa alustaa, mikä mahdollistaa päätösten rakentamisen aiemmin kunkin asiakkaan kanssa tapahtuneen perusteella. Kuinka tärkeä pitkäaikainen muisti on aidosti autonomisille AI-agentteille, ja mitä suojatoimia tarvitaan, kun muisti sisältää mahdollisesti arkaluontoista asiakaskäyttäytymistä?

Muisti on perusta autonomiselle päätöksenteolle, koska konteksti on dynaaminen. Kun Maestro havaitsee ensimmäisen vauvan tuotteen ostoksen, se muistaa, että kotitalouden konteksti on muuttunut, ja tulevien päätösten tulisi heijastaa vanhempien elinkaaren vaihetta. Kun se näkee ensimmäiset ihonhoitotuotteiden ostot, se muistaa, että tämä asiakas rakentaa rutiinia. Kun ostomallit nousevat esiin kuntoilun tai hyvinvoinnin ympärillä, se tallentaa muodostuvan tavan.

Jokainen ostos päivittää sen, mitä järjestelmä ymmärtää kyseisestä asiakkaasta – ei pelkästään demografisia tietoja, vaan sitä, mikä heitä ohjaa, millaisia käyttäytymismalleja he luovat ja mitä elämänvaiheita he käyvät läpi – joten seuraava päätös ei ole geneerinen, vaan perustuu asiakkaan todelliseen kontekstiin. Tämä kertautuva muisti tekee päätöksistä älykkäämpiä.

Suojatoimenpide on yksinkertainen: säilytämme ostotapahtumat ja niistä syntyvät kontekstuaaliset mallit – elinkaarisignaalit, tapojen muodostuminen, ostomotiivit ja kategorian affiniteetti – tiukoilla säilytyskäytännöillä ja mahdollisuuksien mukaan pseudonymisoinnilla. Datan laajuus pysyy tiukkana. Seuraamme, mitä tapahtui ja mikä konteksti muuttui, enempää ei. Ilman näitä suojarakenteita jatkuva muisti muuttuu velaksi, ei varallisuudeksi.

Replenit on suunniteltu istumaan sen teknologian päälle, jota jälleenmyyjät jo käyttävät, sen sijaan että heidän täytyisi korvata olemassa oleva järjestelmä. Mitä olet oppinut toteuttamisesta yli 30 yritysasiakkaan kanssa suurimmista teknisistä tai organisatorisista esteistä, jotka rajoittavat AI:n merkityksellistä päätösvaltaa?

Selkein kohtaamaamme tekninen ongelma ei ole datan puute, vaan sen kunto. Yritysjälleenmyyjillä on usein valtava määrä dataa, joka on hajautunut eri järjestelmiin, epäyhtenäistä tai muuten puutteellista. Tästä syystä rikastus on noussut tärkeäksi osaksi taustarakennetta. Järjestelmän on luotava riittävästi merkityksellistä kontekstia, jotta se voi tehdä päätelmiä, vaikka perusdata olisi epätäydellistä.

Organisatorisesti vaikeampi kysymys on luottamus. AI:n merkityksellisen päätösvaltuuden antaminen koskettaa useita toimintoja samanaikaisesti. Data- ja IT-tiimit haluavat selitettävyyttä, turvallisuutta ja vähäistä integrointikuormaa. Markkinointitiimit tarvitsevat varmuutta siitä, että asiakasviestintä pysyy brändin mukaisena. CRM-tiimit haluavat säilyttää strategisen kontrollin sen sijaan, että AI-järjestelmä ottaisi asiakassuhteen heiltä.

Lähestymistapamme on siksi erottaa strategia toteutuksesta. Ihmiset määrittelevät tavoitteet, brändiohjeistuksen ja suojarakenteet, kun taas Maestro hallitsee toistettavaa yksittäistä päätöksentekoa ja toteutusta näiden rajojen sisällä. Jokainen sitoutunut päätös on suunniteltu jäljitettäväksi, ja järjestelmä toimii olemassa olevan pinojen päällä sen sijaan, että se pakottaisi alustan siirron.

Kun AI:sta tulee vastuussa tuloksen ja asiakasuskollisuuden optimoinnista, miten estät autonomisen järjestelmän optimoimasta liian aggressiivisesti lyhyen aikavälin mittareita, kuten pakottamasta tarpeettomia kampanjoita tai ostoksia, asiakasluottamuksen ja pitkän aikavälin brändiarvon kustannuksella?

Maestro optimoi niiden KPI:iden mukaan, jotka ihmiset määrittelevät, eikä omien valitsemien mittareiden perusteella. Jos tavoitteiksi asetetaan asiakaskokonaisarvo ja säilyvyysprosentti, se optimoi näiden puolesta, eikä esimerkiksi transaktioiden nopeutta tai kampanjamäärää. Jos aggressiiviset lyhyen aikavälin taktiikat heikentävät säilyvyyttä, ne epäonnistuvat todellista KPI:tä vastaan. Järjestelmä oppii tämän kompromissin suoraan, koska jokainen tulos syötetään takaisin muistiin, jolloin pitkän aikavälin säilyvyyttä vahingoittavat strategiat osoittautuvat selvästi huonommiksi asetetulle liiketoimintatavoitteelle.

Rajoite on rakenteellinen. Maestro toimii niiden asettamiesi suojarakenteiden sisällä. Se ei voi optimoida niiden ympärillä; se toimii niiden sisällä. Jokainen päätös on jäljitettävissä, joten voit tarkastaa, miksi Maestro päätti lähettää tai pidättää, mitkä KPI:t painottivat päätöstä ja mikä odotettu lopputulos oli. Ilman selkeää KPI-määrittelyä, suojarakenteita ja päätösten läpinäkyvyyttä AI-järjestelmä saattaisi toimia liian aggressiivisesti. Mutta Replenitin malli on läpinäkyvä ja suunniteltu estämään se. Yritys määrittelee, mikä on tärkeää, Maestro toteuttaa tavoitteet täydellisellä auditointimahdollisuudella, ja jokainen tulos auttaa arvioimaan, toimiiko strategia todella.

Perusmallit kehittyvät nopeasti, ja yhä kykenevämmät agentit tulevat saataville lähes kaikille jälleenmyyjille. Pitkällä aikavälillä mistä uskot, että AI-päätöksenteon puolustettava etu syntyy: omistetuista malleista, asiakastason muistista, toimialakohtaisesta päättelystä, palautesilmukoista, infrastruktuurista vai jostain täysin muusta?

Perusmallit tullaan kaupallistamaan, joten kaikilla on pääsy yhä kykenevämpiin päättelymoottoreihin. Puolustuskyky ei perustu itse malliin, vaan siihen, mitä tiedät jokaisesta asiakkaasta ja kuinka nopeasti keräät tätä tietoa. Maestro‑etu on asiakastason muisti, joka syvenee jokaisen ostoksen ja jokaisen tuloksen myötä. Kuuden kuukauden tulosten jälkeen järjestelmä tuntee asiakkaasi paremmin kuin mikä tahansa geneerinen malli. Ei pelkästään demografiat, vaan myös se, mikä heitä ohjaa, milloin he ovat vastaanottavaisia ja mikä laukaisee churnin.

Tämä muisti luo myös jatkuvuutta. Siirtyminen toiseen järjestelmään merkitsee kahden vuoden opitun kontekstin menettämistä. Samalla Replenitillä on vähittäiskauppaa varten koodatut toimialakohtaiset taidot, kuten elinkaarivaiheiden, ostonopeusmallien ja täydennyslaukaisijoiden sekä kauneus- ja elintarvikekategorioiden affiniteettien ymmärtäminen. Mutta taidot voidaan kopioida. Todellinen etu on palautesilmukka: Maestro tekee päätöksen, tallentaa tuloksen, päivittää muistin ja käyttää oppimaansa tehdäkseen seuraavan päätöksen älykkäämmämmin. Tämä silmukka on jatkuva ja kasvava. Ajan myötä dataasi käyttävä järjestelmä kehittyy yhä paremmaksi kuin puhdas järjestelmä geneeristen mallien pohjalta.

Infrastruktuurilla on myös merkitystä. Swarm‑samanaikaisuus ja omistettu malli parantavat yksikkökustannuksia, mutta se on perusasia, ei suojamuuria. Puolustettava etu on asiakastiedon painovoiman (vaihtokustannusten), jatkuvan oppimisen (tulosten palaaminen tuleviin päätöksiin) ja toimialakohtaisen päättelyn (vähittäiskaupan konteksti) yhdistelmä, jotka toimivat yhdessä. Erillisinä ne ovat kopioitavissa. Yhdessä ne ovat vaikeita jäljitellä riittävän nopeasti, jotta ne voitaisiin saavuttaa.

Kiitos erinomaisesta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa käydä Replenit.