हिमांशु जैन, सह-संस्थापक और हेड ऑफ प्रोडक्ट्स at CommerceIQ – इंटरव्यू सीरीज़

Himanshu Jain, CommerceIQ के सह-संस्थापक और हेड ऑफ प्रोडक्ट्स, उत्पाद रणनीति और विकास का नेतृत्व करते हैं, जिसमें जटिल रिटेल और ईकॉमर्स वर्कफ़्लो को स्वचालित करने वाले AI एजेंट बनाना प्रमुख है। 2017 में CommerceIQ की सह-स्थापना के बाद से उन्होंने कंपनी के डेटा, ऑटोमेशन और AI को डिजिटल कॉमर्स में लागू करने के दृष्टिकोण को आकार देने में मदद की है। CommerceIQ से पहले, जैन ने Boomerang Commerce में उत्पाद रणनीति, बिजनेस डेवलपमेंट और कस्टमर सक्सेस नेतृत्व भूमिकाएँ निभाई, जहाँ उन्होंने प्रमुख रिटेलर्स के साथ प्राइसिंग, असॉर्टमेंट और ईकॉमर्स ग्रोथ स्ट्रैटेजी पर काम किया। अपने करियर की शुरुआत में वह A.T. Kearney में मैनेजमेंट कंसल्टेंट थे और Capital One UK में लगभग पाँच साल तक प्रोडक्ट मैनेजमेंट, क्रेडिट रिस्क, मार्केटिंग स्ट्रैटेजी, एनालिटिक्स और स्टैटिस्टिकल मॉडलिंग में कार्यरत रहे। उन्होंने स्टार्टअप्स को गो-टू-मार्केट स्ट्रैटेजी पर सलाह भी दी है और Marketing Land में Amazon और ईकॉमर्स पर लेख योगदान किए हैं।

CommerceIQ एक AI-संचालित रिटेल कॉमर्स प्लेटफ़ॉर्म है, जो उपभोक्ता ब्रांड्स को उनके ईकॉमर्स चैनलों में प्रदर्शन को प्रबंधित और अनुकूलित करने में मदद करता है। इसका प्लेटफ़ॉर्म बिक्री, रिटेल मीडिया, डिजिटल शेल्फ, कंटेंट, इन्वेंटरी और प्रतिस्पर्धी डेटा को एक साथ लाता है, जिससे टीमों को 1,500 से अधिक रिटेलर्स और 85 देशों में प्रदर्शन का एकीकृत दृश्य मिलता है। CommerceIQ ने अपने AllyAI तकनीक के माध्यम से एजेंटिक AI पर अधिक ध्यान केंद्रित किया है, जिसमें विशेषीकृत एजेंट होते हैं जो रिटेल सिग्नल्स का विश्लेषण, कार्रवाई की सिफ़ारिश, रिपोर्टिंग का स्वचालन, विज्ञापन बोली और बजट का अनुकूलन, और परिभाषित नियंत्रणों के भीतर चयनित ईकॉमर्स वर्कफ़्लो को निष्पादित कर सकते हैं। कंपनी इस दृष्टिकोण को डैशबोर्ड-चालित रिटेल मैनेजमेंट से निरंतर, AI-सहायता प्राप्त निष्पादन की ओर बदलाव के रूप में प्रस्तुत करती है, जो बिक्री, मीडिया, कंटेंट और डिजिटल शेल्फ को कवर करता है।

आपने CommerceIQ की सह-स्थापना से पहले उत्पाद प्रबंधन, कस्टमर सक्सेस, बिजनेस डेवलपमेंट आदि में एक दशक से अधिक समय काम किया है। आपको एजेंटिक रिटेल में प्रवेश करने के लिए क्या प्रेरित किया, और उन पहले तकनीकी बदलावों से कौन‑से सबक मिले हैं जिन्होंने आपके इस दृष्टिकोण को आकार दिया?

एजेंटिक AI से पहले अधिकांश सॉफ़्टवेयर का उद्देश्य मानव के काम को तेज़ बनाना था। Excel आपको मॉडल तेज़ी से बनाने में मदद करता है। एक डैशबोर्ड आपको निर्णय तेज़ी से लेने में मदद करता है। एजेंटिक रिटेल के साथ जो बदलाव आया है वह यह है कि सॉफ़्टवेयर अब स्वयं काम कर सकता है, न कि केवल मानव की गति बढ़ा सके। एक एजेंट आपके वातावरण को उसी तरह सीख सकता है जैसे नया कर्मचारी सीखता है। आपके प्रोसेस, आपके आंतरिक दिशानिर्देश, आप कैसे निर्णय लेते हैं, और फिर लक्ष्य की ओर अंत‑से‑अंत कार्य करते हैं, जहाँ मानव संदर्भ प्रदान करता है और आउटपुट की ऑडिट करता है, न कि हर कदम को स्वयं करता है। यह सॉफ़्टवेयर का एक पूरी तरह अलग वर्ग है, जो मैंने पहले उत्पाद प्रबंधन या कस्टमर सक्सेस में काम किए किसी भी चीज़ से अलग है, और इसलिए मैं इसे सबसे मौलिक तकनीकी बदलाव मानता हूँ, न कि एक क्रमिक सुधार। गति भी पहले की किसी चीज़ जैसी नहीं है। स्मार्टफ़ोन को सर्वव्यापी बनने में कई साल लगे। एजेंटिक AI ने पूरे उद्योगों के काम करने के तरीके को बदल दिया है और यह धीमा नहीं हो रहा है। पहले के बदलावों से मैंने जो सबसे गंभीर सबक सीखा है, वह यह है कि जो लोग अतीत से प्रोजेक्ट करते हैं, वे यहाँ गलत निर्णय लेते हैं। मेरा मानना है कि सबसे अच्छा तरीका है खुले दिमाग से काम लेना, खुद को व्यावहारिक रूप से शामिल करना, और अभी जो हो रहा है उससे सीखना, न कि पिछले चक्र में हुए घटनाओं से।

आपने “एजेंटिक कॉमर्स” (जहाँ उपभोक्ता AI एजेंट का उपयोग करके उत्पाद खोजते और खरीदते हैं) और “एजेंटिक रिटेल” (जहाँ ब्रांड एजेंट का उपयोग करके अपनी बिक्री प्रबंधन करते हैं) के बीच अंतर किया है। जैसे-जैसे दोनों पक्ष अधिक स्वचालित होते जा रहे हैं, आप उपभोक्ताओं, ब्रांड्स और रिटेलर्स के बीच संबंध में कौन‑से परिवर्तन देखते हैं?

रिटेल डिस्कवरी ने कुछ वास्तविक बदलाव देखे हैं। 80 और 90 के दशक में यह मेल में सर्कुलर, स्टोर द्वारा तय किए गए स्पॉटलाइट, और एक मानव द्वारा चयन था। Amazon ने अंतहीन शेल्फ़ बनाया। हर कीवर्ड सर्च अपनी अनंत शेल्फ बन गया, लेकिन अभी भी मानव शीर्षक पढ़ रहा था, समीक्षाएँ स्किम कर रहा था, और अकेले निर्णय ले रहा था। अब जो बदल रहा है वह यह है कि मानव और एजेंट मिलकर खरीदते हैं। आप एक इंटेंट व्यक्त करते हैं; एक एजेंट पेज पर मौजूद हर उत्पाद को पूरी तरह पढ़ता है, हर दावा, हर समीक्षा, हर बुलेट, आपके वास्तविक आवश्यकता के विरुद्ध इंटेंट विश्लेषण करता है, और आपको चार‑पाँच सिफ़ारिशें देता है। आप अभी भी एक चुनते हैं, लेकिन एजेंट ने वह तुलना कार्य पहले ही कर दिया है जो मानव को स्किम करके करना पड़ता था। ब्रांड पक्ष पर, एजेंट उपभोक्ताओं और उनके एजेंटों की खोज के आधार पर PDP कंटेंट को अनुकूलित कर रहे हैं, कौन‑से उत्पादों पर बोली लगानी है तय कर रहे हैं, और मर्चेंडाइजिंग प्रबंधन में मदद कर रहे हैं। रिटेलर इस लूप के बीच में बैठा है और तय करता है कि दोनों पक्षों के बीच कितना सिग्नल प्रवाहित होता है और कौन‑से प्रॉमोशन के तहत क्या दिखाया जाता है। यह डेटा और निर्णय‑लेने की परत रिटेलर के लिए अधिक स्वामित्वपूर्ण होती जा रही है।

उत्पाद खोज अब पारंपरिक कीवर्ड सर्च से आगे बढ़कर AI असिस्टेंट्स की ओर बढ़ रही है, जो उत्पादों की तुलना, विकल्पों का सारांश और सिफ़ारिशें प्रदान करती हैं। जब ब्रांड्स को अब AI एजेंट से सिफ़ारिश जीतने की कोशिश करनी पड़ती है, न कि केवल सर्च परिणाम में उच्च रैंक पाने की, तो उन्हें उत्पाद कंटेंट और डिजिटल शेल्फ रणनीति को कैसे पुनः विचार करना चाहिए?

एक व्यक्ति पृष्ठ को जल्दी से देखता है, समीक्षात्मक सार पढ़ता है, और कुछ छवियों को देखता है। एक एजेंट हर पिक्सेल पढ़ सकता है। यहां तक कि एक शॉपिंग एजेंट के भीतर भी, आपका प्रश्न कीवर्ड्स में विभाजित हो जाता है, उन कीवर्ड्स की खोज की जाती है, परिणाम निकाले जाते हैं, प्रत्येक उत्पाद को पूरी तरह पढ़ा जाता है, और फिर एक इंटेंट एल्गोरिद्म उस शॉर्टलिस्ट को रैंक करता है जो वह आपको दिखाता है। इसका मतलब है कि सामग्री को पारंपरिक खोज और उस पिक्सेल-स्तर की पढ़ाई दोनों के लिए एक साथ काम करना चाहिए, न कि केवल एक के लिए। यह भी महत्वपूर्ण है कि आप किस प्रकार के एजेंट को अनुकूलित कर रहे हैं। Rufus, Sparky, और Alexa Shopping जैसे शॉपिंग एजेंट वही जगह हैं जहाँ वास्तविक खरीदारी पूरी होती है, और यहाँ प्रभाव डालने वाला तत्व उत्पाद पृष्ठ स्वयं और उस पर मौजूद हर विशेषता और दावे हैं। ChatGPT या Perplexity जैसे सामान्य‑उद्देश्य एजेंट अधिकतर टॉप‑ऑफ़‑फ़नल शोध की तरह कार्य करते हैं, और जहाँ आपको उल्लेख मिलता है वह अधिकतर अर्जित मीडिया, उद्धरण, ब्लॉग पोस्ट और तृतीय‑पक्षीय लेखन के समान होता है। जो ब्रांड इनको एक ही समस्या मानते हैं, वे गलत सतह को अनुकूलित करने लगते हैं।

“एजेंटिक AI” शब्द अब विभिन्न प्रकार के उत्पादों पर लागू किया जा रहा है। रिटेल में विशेष रूप से, एक वास्तविक AI एजेंट को पारंपरिक नियम‑आधारित ऑटोमेशन या जेनरेटिव AI इंटरफ़ेस वाले एनालिटिक्स प्लेटफ़ॉर्म से क्या अलग करता है?

नियम‑आधारित ऑटोमेशन का अर्थ है यदि X होता है, तो Y करो। इसमें कोई बुद्धिमत्ता नहीं होती, और यह उन चीज़ों को संभाल नहीं सकता जिन्हें आपने स्पष्ट रूप से प्रोग्राम नहीं किया है। डैशबोर्ड के ऊपर एक जेनरेटिव इंटरफ़ेस केवल वही स्थिर अंतर्दृष्टि को पढ़ने में आसान बनाता है। एक वास्तविक एजेंट सोच सकता है, योजना बना सकता है, कार्यान्वित कर सकता है, और फिर लगातार मूल्यांकन और अनुकूलन कर सकता है, जैसे कि आपने प्रशिक्षित एक जूनियर विश्लेषक। आप उसे संदर्भ, अपनी प्रक्रियाएँ, दिशानिर्देश, और पहले किए गए निर्णय देते हैं, और वह लक्ष्य के विरुद्ध कार्य करना शुरू कर देता है बजाय अगले नियम के सक्रिय होने की प्रतीक्षा करने के। यही वह परीक्षण है जिसे मैं वास्तव में उपयोग करता हूँ: क्या वह उसी तरह कार्य कर सकता है जैसा आपका प्रशिक्षित व्यक्ति करता, या यह सिर्फ हमेशा स्थिर रहने वाली चीज़ का तेज़ संस्करण है?

वाणिज्य टीमों ने पारंपरिक रूप से इन्वेंटरी, मूल्य निर्धारण, उत्पाद पृष्ठ, रिटेल मीडिया, खोज प्रदर्शन, और हजारों उत्पादों में प्रतिस्पर्धी गतिविधियों की निगरानी करने वाले लोगों को रखा है। इन संचालनात्मक अंतरालों में से कौन से आज स्वायत्त AI एजेंटों के लिए सबसे उपयुक्त हैं, और कहाँ मानवीय निर्णय को बदलना कठिन रहता है?

मैं इसे एक 2×2 मैट्रिक्स के रूप में देखता हूँ जो निर्णय में आवश्यक निर्णय‑निर्धारण की मात्रा और उसके प्रभाव को दर्शाता है। कम‑निर्णय कार्य सीधे एजेंट को सौंपे जाते हैं। उच्च‑निर्णय या उच्च‑प्रभाव वाले कार्य में एक मानव रणनीतिक मार्गदर्शन प्रदान करता है और परिणाम का ऑडिट करता है। व्यवहार में, इसका मतलब है कि आप अपने लोंग‑टेल SKU और लोंग‑टेल रिटेलरों से शुरू करें, जो एक साल से किसी ने नहीं छुआ है, और उन्हें पहले ऑटोपायलट पर रखें क्योंकि गलती का ब्लास्ट रेडियस कम होता है। आपके शीर्ष SKU और शीर्ष रिटेलर एक मानव परत बनाए रखते हैं, और वह परत केवल ऑडिट के लिए नहीं है; यह वह तरीका है जिससे आप एजेंट को प्रशिक्षित करते हैं। जब आप कुछ पकड़ते हैं, तो आप उसे बताते हैं कि उसे क्या करना चाहिए था और क्यों, और वही प्रतिक्रिया समय के साथ उसे बेहतर बनाती है, न कि केवल लगातार औसत स्तर पर।

विशेषीकृत एजेंट अलग‑अलग उद्देश्यों के लिए अनुकूलन करने पर अपने स्वयं के समस्याएँ पैदा कर सकते हैं। एक मीडिया एजेंट उन उत्पादों के लिए विज्ञापन बढ़ा सकता है जो स्टॉक में कम हो रहे हैं, जबकि एक प्राइसिंग एजेंट मार्जिन की कीमत पर रूपांतरण को सुधार सकता है। आप कैसे सुनिश्चित करते हैं कि कई एजेंट ब्रांड के व्यापक व्यावसायिक लक्ष्यों की ओर काम करें, न कि केवल अपने व्यक्तिगत मीट्रिक को अनुकूलित करें?

यही कारण है कि हमने स्वतंत्र एजेंटों के सेट के बजाय एक ऑर्केस्ट्रेटर बनाया। हमारा ऑर्केस्ट्रेटर Ally कहलाता है, और इसका लक्ष्य बिक्री वृद्धि है, न कि किसी एक चैनल का मीट्रिक। यह अवसरों और जोखिमों को पहचानता है, समझौते को संभालता है, और फिर कार्य एजेंटों, मीडिया, कंटेंट और प्राइसिंग को विशिष्ट कार्य सौंपता है, सभी के बीच समान जानकारी साझा करता है ताकि कोई भी अकेले अनुकूलन न करे। इस परत के बिना, आप प्रश्न में वर्णित विफलता मोड प्राप्त करते हैं: एक मीडिया एजेंट ऐसे उत्पाद पर खर्च करता है जो स्टॉक समाप्त होने वाला है क्योंकि उसे इन्वेंट्री की दृश्यता नहीं है।

रिटेल डेटा अक्सर रिटेलर पोर्टलों, विज्ञापन प्लेटफ़ॉर्म, इन्वेंट्री सिस्टम, उत्पाद जानकारी सिस्टम और आंतरिक एनालिटिक्स टूल्स में बिखरा रहता है। सफल एजेंटिक रिटेल के लिए डेटा गुणवत्ता और डेटा एकीकरण कितने महत्वपूर्ण हैं, और AI एजेंटों को अधिक स्वायत्तता देने से खराब या अधूरे डेटा का जोखिम बढ़ जाता है क्या?

डेटा को सही रूप में लाना, जिसमें वास्तविक अर्थपूर्ण संरचना और उचित ओन्टोलॉजी हो, न कि केवल कच्चे फ़ीड्स को एक साथ रखना, यहाँ का अधिकांश वास्तविक कार्य है। कई टीमें मानती हैं कि आप कुछ ChatGPT में अपलोड कर सकते हैं या मौजूदा सिस्टम के ऊपर एक एजेंट जोड़ सकते हैं, और जो परिणाम मिलता है वह असंगत होता है; कभी यह काम करता है, तो कभी यह भ्रमित करता है, और उस पर भरोसा करने का कोई तरीका नहीं होता। स्वायत्तता इसे बेहतर नहीं बल्कि बदतर बनाती है, क्योंकि खराब डेटा वाले मानव आमतौर पर त्रुटि को कार्रवाई से पहले पकड़ लेते हैं। खराब डेटा वाला एजेंट तुरंत, बड़े पैमाने पर, किसी को नोटिस करने से पहले ही कार्य करता है।

जैसे-जैसे ब्रांड AI एजेंटों के साथ अधिक सहज होते हैं, उन्हें कैसे तय करना चाहिए कि कौन‑से कार्य स्वायत्त रूप से निष्पादित किए जा सकते हैं और कौन‑से कार्य अभी भी मानव अनुमोदन की आवश्यकता रखते हैं? “AI सिफ़ारिश करता है” से “AI कार्य करता है” की प्रगति व्यवहार में कैसी दिखती है?

यह धीरे-धीरे होना चाहिए, एक ही छलांग में नहीं। अधिकांश टीमें लगभग 10 प्रतिशत स्वचालित और 90 प्रतिशत अनुमोदन की आवश्यकता वाले स्तर से शुरू करती हैं। जैसे ही प्रतिक्रिया लूप चलता है, जैसे मनुष्य एजेंट को सुधारते हैं और एजेंट उस सुधार को शामिल करता है, भरोसा बनता है और वह अनुपात 20 और 80 तक बदल जाता है, फिर आगे, दोनों कार्यों की मात्रा और स्वचालित किए जा रहे मूल्य में। इस प्रगति का प्रारंभिक बिंदु वह कम प्रभाव वाला काम, लंबी पूंछ वाले SKU और रिटेलर हैं जिन्हें आप पहले से सक्रिय रूप से प्रबंधित नहीं कर रहे थे, और यह केवल तब उच्च‑प्रभाव, उच्च‑निर्णयात्मक निर्णयों में विस्तारित होता है जब ट्रैक रिकॉर्ड वास्तव में मौजूद हो जाता है।

Retail media पारंपरिक रूप से विज्ञापन खर्च पर रिटर्न जैसे मीट्रिक पर बहुत केंद्रित रहा है, लेकिन यह निर्धारित करने में बढ़ती रुचि है कि क्या विज्ञापन वास्तव में अतिरिक्त बिक्री पैदा कर रहा है। AI ब्रांडों को इन्क्रिमेंटैलिटी, लाभप्रदता, और विज्ञापन खर्च को कहाँ आवंटित किया जाना चाहिए, इस बारे में बेहतर निर्णय लेने में कैसे मदद कर सकता है?

ब्रांड मापदंडों के प्रति बहुत अधिक आकर्षित हो सकते हैं। एक तिमाही के लिए गहन इन्क्रिमेंटैलिटी अध्ययन चलाना कठोर लगता है, लेकिन आमतौर पर बाजार अध्ययन समाप्त होने तक ही आगे बढ़ चुका होता है। मैं चाहता हूँ कि टीमें व्यावहारिक हीयुरिस्टिक्स का सेट बनाएँ और उन पर तेज़ी से कार्य करें: यदि आप पहले से ही ऑर्गेनिक रूप से उच्च रैंक पर हैं, तो अधिक बोली न लगाएँ; आप उस बिक्री के लिए भुगतान कर रहे हैं जो आपको वैसे भी मिल ही जाती। यदि आप ऑर्गेनिक रूप से कम रैंक पर हैं, तो वही वह समय है जब विज्ञापन खर्च वास्तव में अपना मूल्य सिद्ध करता है। यदि कोई इन‑मार्केट ऑडियंस है जो आपके उत्पाद के अस्तित्व से अनभिज्ञ है, तो उन्हें शिक्षित करने के लिए वहाँ खर्च करें। यह तर्क करना कि एक डॉलर ने क्रमशः 1.48 या 1.68 डॉलर का इन्क्रिमेंटल रिटर्न दिया, कार्रवाई न करने में बिताया गया समय है। कार्रवाई तक जल्दी पहुँचना और यह स्वीकार करना कि संख्या दिशा‑सही होगी न कि पूरी तरह सटीक, वही वास्तव में बिक्री को बढ़ाता है।

यदि शॉपर‑साइड AI एजेंट खोज, तुलना और खरीदारी को अधिकाधिक संभालते हैं जबकि ब्रांड‑साइड एजेंट सामग्री, मूल्य निर्धारण, विज्ञापन और इन्वेंट्री को प्रबंधित करते हैं, तो अंततः मशीनें लेन‑देन के दोनों पक्षों को प्रभावित कर सकती हैं। आपका क्या विचार है कि ऐसे वातावरण में ई‑कॉमर्स कैसा दिखेगा, और अंततः कौन से ब्रांड जीतेंगे और कौन से इन AI‑चालित खरीदारी प्रणालियों में अदृश्य हो जाएंगे?

मुझे नहीं लगता कि हम जल्द ही एजेंटों के बीच स्वायत्त लेन‑देन की दिशा में जा रहे हैं। इसके बजाय मैं देखता हूँ कि मनुष्य और एजेंट दोनों पक्षों पर साथ‑साथ खरीदारी कर रहे हैं, एजेंट तुलना और सिफ़ारिश का काम करते हैं, मनुष्य अंतिम निर्णय लेते हैं, और ब्रांड पक्ष पर भी वही पैटर्न है, जहाँ एजेंट कार्यान्वित करते हैं जबकि मनुष्य रणनीति निर्धारित करते हैं और महत्वपूर्ण निर्णयों को अनुमोदित करते हैं। इस दुनिया में, भौतिक उत्पाद अभी भी अच्छा होना चाहिए; कोई भी अनुकूलन बुरे उत्पाद को नहीं बचा सकता। इसके बाद विभाजन संदर्भ है: एजेंट को आपके व्यवसाय के बारे में कितना संदर्भ मिलता है, उसने कितना सीखा है, और उसे कितना फीडबैक मिला है। यही वह बात है जो एक ऐसे एजेंट को अलग करती है जो बेतुके गलतियाँ करता है और एक ऐसे एजेंट को जो आपके ब्रांड की आवाज़ और रणनीति को पर्याप्त रूप से समझता है ताकि वास्तविक निर्णयों में भरोसा किया जा सके। जो ब्रांड जीतते हैं, वे वही हैं जो एजेंटों को अच्छा संदर्भ और कार्यशील फीडबैक लूप प्रदान करने को मुख्य कार्य मानते हैं, न कि एक साइड प्रोजेक्ट, और जो इस कदम को छोड़ते हैं, वे अदृश्य हो जाते हैं।

उत्कृष्ट साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं उन्हें CommerceIQ पर जाना चाहिए।