Ilyas Kurklu, Replenit के सह-संस्थापक और सीईओ – साक्षात्कार श्रृंखला

Ilyas Kurklu, Replenit के सह-संस्थापक और सीईओ, एक उद्यमी और रिटेल प्रौद्योगिकी कार्यकारी हैं जो ग्राहक निर्णय-निर्माण और सहभागिता में कृत्रिम बुद्धिमत्ता लागू करने पर केंद्रित हैं। Replenit में, वह रणनीति, उत्पाद विकास और साझेदारियों का नेतृत्व करते हैं, और एक दशक से अधिक के अनुभव पर आधारित हैं, जिसने लगभग $10 मिलियन से $2 बिलियन तक की राजस्व वाले एंटरप्राइज़ रिटेल सहभागिता व्यवसायों को स्केल करने में मदद की, जबकि 300 से अधिक रिटेलर्स के साथ काम किया। उनके करियर में सलाहकार और व्यवसाय विकास भूमिकाएँ भी शामिल हैं, साथ ही Türkiye’s General Directorate of Meteorology में टीम लीड और मौसम पूर्वानुमानकर्ता के रूप में छह साल का कार्यकाल, जहाँ उन्होंने रीयल‑टाइम डेटा, रडार, सैटेलाइट इमेजरी और फ़ोरकास्टिंग सिस्टम्स के साथ काम किया।

Replenit एक AI निर्णय प्लेटफ़ॉर्म है जो रिटेल और ई‑कॉमर्स के लिए डिज़ाइन किया गया है, और रिटेलर के डेटा इन्फ्रास्ट्रक्चर और उसके मौजूदा ग्राहक सहभागिता सिस्टम के बीच एक परत प्रदान करता है। इसका AI Decision Engine ग्राहक, उत्पाद, व्यवहारिक और अन्य संकेतों को मिलाकर व्यक्तिगत ग्राहकों के लिए वास्तविक समय में अगली सर्वश्रेष्ठ कार्रवाई निर्धारित करता है, जबकि इसका Maestro AI CRM Manager स्वचालित रूप से रीप्लेनिशमेंट, क्रॉस‑सेलिंग, सहभागिता, चर्न प्रिवेंशन और विं‑बैक सहित वर्कफ़्लो को प्रबंधित कर सकता है। रिटेलर्स को अपना मौजूदा तकनीकी स्टैक बदलने के लिए मजबूर करने के बजाय, Replenit को वर्तमान कॉमर्स, मार्केटिंग और डेटा प्लेटफ़ॉर्म के साथ एकीकृत होने के लिए डिज़ाइन किया गया है और इसके निर्णयों को कार्यान्वयन‑तैयार संचार और कार्रवाई में बदलता है। कंपनी के अनुसार, इसकी तकनीक का उपयोग L’Occitane, Mumzworld, e-bebek, Beko, और Faith In Nature सहित रिटेलर्स द्वारा किया जा रहा है।

आपने Replenit के पाँच सह-संस्थापकों के साथ कंपनी स्थापित करने से पहले एंटरप्राइज़ रिटेल प्रौद्योगिकी को स्केल करने में कई साल बिताए। आपने लगातार रिटेलर्स को किस समस्या से जूझते देखा जो आपको यह विश्वास दिलाया कि तकनीकी स्टैक में निर्णय‑निर्माण की एक परत गायब है, और यह अंतर्दृष्टि आपको Replenit की ओर कैसे ले गई?

विभिन्न बाजारों में सैकड़ों रिटेलर्स के साथ काम करते हुए, हमने लगातार वही समस्या सुनी और देखी: रिटेलर्स डेटा एकत्र करने में और निष्पादन में बहुत कुशल हो गए थे, लेकिन उनके बीच की बुद्धिमत्ता अभी भी अनुपस्थित थी। उनके पास CDPs, वेयरहाउस, CRM प्लेटफ़ॉर्म और मार्केटिंग ऑटोमेशन सिस्टम थे, फिर भी निर्णय — इस व्यक्तिगत ग्राहक के लिए अगला क्या होना चाहिए? — अभी भी स्थिर नियमों, व्यापक सेगमेंट, कैंपेन कैलेंडर और मानव निर्णय पर आधारित अनुमान था। स्टैक और टीम दोनों ही इस तथ्य के प्रभावी उपाय थे कि कोई भी हर ग्राहक को व्यक्तिगत स्तर पर बड़े पैमाने पर तर्क नहीं कर सकता था। Replenit वह अनुपस्थित तर्क और निर्णय परत है। हमने एक इंजन बनाया है जो ग्राहक और उत्पाद संदर्भ को व्यक्तिगत स्तर पर व्याख्यायित कर सकता है, उपयुक्त अगली व्यावसायिक कार्रवाई तय करता है, और फिर रिटेलर के मौजूदा सिस्टम का उपयोग करके उसे लागू करता है।

Replenit तर्क देता है कि रिटेलर्स के पास पहले से ही बहुत सारा ग्राहक डेटा और अभियानों को निष्पादित करने के लिए कई उपकरण हैं, लेकिन ऐसी बुद्धिमत्ता की कमी है जो यह तय कर सके कि अगला क्या होना चाहिए। क्यों Customer Data Platforms (CDPs), Customer Relationship Management (CRM) प्लेटफ़ॉर्म, और मार्केटिंग ऑटोमेशन सिस्टम स्वयं इस समस्या को हल नहीं कर पाए हैं?

इन सिस्टमों को विभिन्न कार्यों के लिए बनाया गया था। एक CDP ग्राहक डेटा को एकीकृत कर सकता है, लेकिन डेटा को एकीकृत करना इसका उपयोग तय करने के समान नहीं है। CRM और मार्केटिंग ऑटोमेशन प्लेटफ़ॉर्म बहुत अच्छे निष्पादन परतें हैं। वे किसी व्यक्ति द्वारा विशिष्ट दर्शकों, वर्कफ़्लो या कैंपेन को परिभाषित करने के बाद संचार को भेज, व्यवस्थित और अनुकूलित कर सकते हैं।

भले ही ये प्लेटफ़ॉर्म प्रेडिक्टिव स्कोर, जेनरेटिव AI और सेंड‑टाइम ऑप्टिमाइज़ेशन जोड़ते हों, कार्य की मूल इकाई अक्सर अभी भी कैंपेन, जर्नी, ऑडियंस या सेगमेंट रहती है। AI कुछ ऐसा अनुकूलित कर सकता है जिसे मार्केटर ने पहले ही चुन लिया हो। यह आवश्यक नहीं कि यह तय करे कि कुछ भी होना चाहिए या नहीं, उस विशेष ग्राहक के लिए कौन सा लाइफ़साइकल लक्ष्य सबसे महत्वपूर्ण है, कौन सा उत्पाद प्रासंगिक है, अब क्यों, किस टोन में, और किस व्यावसायिक परिणाम की ओर। यही वह अंतर है जो हम स्कोर और निर्णय के बीच बनाते हैं। प्रेडिक्शन संभावनाओं को रैंक कर सकता है। एक निर्णय को संदर्भ और विकल्पों के बीच तर्क करना पड़ता है और फिर कार्रवाई के लिए प्रतिबद्ध होना पड़ता है। Replenit मौजूदा स्टैक के ऊपर स्थित होकर वह परत प्रदान करता है, बजाय इसके कि रिटेलर्स को अपने मौजूदा सिस्टम को बदलने के लिए कहा जाए।

Replenit के दृष्टिकोण का एक मुख्य हिस्सा Theory of Mind को लागू करके ग्राहक की मंशा, संदर्भ और संभावित भविष्य के व्यवहार का अनुमान लगाना है। आप संज्ञानात्मक विज्ञान से एक अवधारणा को ऐसे AI सिस्टम में कैसे अनुवादित करते हैं जो विश्वसनीय व्यावसायिक निर्णय ले सके, और आप कैसे सत्यापित करते हैं कि सिस्टम ने ग्राहक की मंशा को सही ढंग से समझा है?

हम Theory of Mind को एक तर्क परत में अनुवादित करते हैं जो ग्राहक द्वारा किए गए कार्यों से परे देखती है और पूछती है कि वह व्यवहार क्यों हुआ हो सकता है, यह मंशा के बारे में क्या संकेत देता है, और संदर्भ में इसका क्या अर्थ है। केवल ऐतिहासिक पैटर्न या उत्पाद समानता पर निर्भर रहने के बजाय, सिस्टम प्रत्येक व्यक्तिगत ग्राहक‑उत्पाद संबंध के स्तर पर तर्क करता है और उस संदर्भ का उपयोग करके तय करता है कि अगला क्या होना चाहिए।

यह तर्कसंगति खरीद के पीछे संभावित प्रेरणा को समझना, उत्पादों के आपस में कैसे संबंधित हैं, ग्राहक किस आवश्यकता को पूरा करने की कोशिश कर रहा है, और क्या किसी विशेष कार्रवाई के लिए समय सही है, शामिल कर सकती है। Replenit फिर केवल एक विकल्प सुझाने से आगे बढ़ता है: यह एक निर्णय लेता है और उस निर्णय को रिटेलर के मौजूदा सिस्टम के माध्यम से कार्यान्वयन के लिए तैयार करता है।

सत्यापन परिणामों के माध्यम से होता है। एक बार निर्णय ले लिया जाने के बाद, Replenit यह ट्रैक करता है कि वास्तव में क्या हुआ और उस परिणाम को उस ग्राहक के भविष्य के निर्णयों में वापस फीड करता है। यह लगातार यह भी मूल्यांकन करता रहता है कि उसकी कौन‑सी क्षमताएँ और निर्णय‑निर्माण दृष्टिकोण परिणाम दे रहे हैं, जो अच्छी तरह काम कर रहे हैं उन्हें स्केल करता है और जो नहीं कर रहे हैं उन्हें कम प्राथमिकता देता है। इस अर्थ में, सिस्टम सही ग्राहक के लिए सही समय पर सही कदम जानने में बेहतर होता जाता है क्योंकि यह वास्तविक परिणामों से सीख रहा है, न कि केवल वही तर्क बार‑बार चलाकर।

अधिकांश निजीकरण प्रणालियाँ अंततः भविष्यवाणी इंजन होती हैं, जो अनुमान लगाती हैं कि कोई व्यक्ति क्या क्लिक या खरीद सकता है। Replenit भविष्यवाणी से निर्णय‑निर्माण की ओर बढ़ने पर ज़ोर देता है। AI वास्तु‑शिल्प के दृष्टिकोण से, क्या बदलता है जब मॉडल को केवल संभावना या सिफ़ारिश उत्पन्न करने के बजाय वास्तविक अगले कार्य को चुनना पड़ता है?

Replenit में इस वास्तु‑शिल्प के चार महत्वपूर्ण भाग हैं। पहला है गोल्डन मेमोरी: ग्राहक, उत्पाद और ब्रांड के जीवित रिकॉर्ड जो प्रणाली को एक अलग लेन‑देन से परे संदर्भ प्रदान करते हैं। जहाँ जानकारी अधूरी होती है, Replenit उपलब्ध डेटा को समृद्ध कर सकता है और उन अंतरालों को भरने के लिए सिंथेटिक संदर्भ उत्पन्न कर सकता है।

दूसरा है 100 से अधिक उद्योग‑विशिष्ट क्षमताएँ। ये विशेष श्रेणियों और स्थितियों के लिए अनुकूलित तर्क‑समर्थन क्षमताएँ हैं—जैसे सौंदर्य रिटेलरों के लिए कॉस्मेटिक रूटीन बिल्डर या फर्नीचर और DIY कंपनियों के लिए इंटीरियर आर्किटेक्ट। इन क्षमताओं के साथ, 15 सहायक जाँचें निर्णय के आसपास समानांतर रूप से चल सकती हैं, जिनमें प्रतिस्थापन, संगतता, डुप्लिकेशन और दमन जाँचें शामिल हैं।

तीसरा है वर्कफ़्लो स्वामित्व। केवल एक सिफ़ारिश उत्पन्न करके वहीं रुकने के बजाय, Maestro पुनःपूर्ति, क्रॉस‑सेल, एंगेजमेंट, पुनः‑वापसी, चर्न, प्रमोशन और प्रतिस्थापन जैसे जीवन‑चक्र वर्कफ़्लो के पार तर्क कर सकता है। ये वर्कफ़्लो व्यक्तिगत ग्राहक के लिए निरंतर और समानांतर रूप से संचालित हो सकते हैं, जहाँ Maestro उस विशेष क्षण में उपयुक्त कार्रवाई निर्धारित करता है।

अंत में, हम इसे एक गोल्डन डिसीजन इवेंट के रूप में पैकेज करते हैं: एक लॉग किया गया, निष्पादन‑तैयार निर्णय जिसमें कार्रवाई और उसका तर्क शामिल होता है, जिसे सीधे रिटेलर के CRM, मार्केटिंग ऑटोमेशन, ई‑कॉमर्स, ऐप या डेटा सिस्टम में 120 से अधिक प्लेटफ़ॉर्म पर पास किया जा सकता है।

तो अंतर यह है कि हम एक ऐसे मॉडल से आगे बढ़ रहे हैं जो केवल यह भविष्यवाणी करता है कि क्या होने की संभावना है, से एक ऐसे सिस्टम की ओर जो संदर्भ को याद रख सकता है, सही विशेषज्ञता ला सकता है, उपलब्ध विकल्पों का मूल्यांकन कर सकता है, एक निर्णय पर प्रतिबद्ध हो सकता है और उसे निष्पादन‑योग्य बना सकता है।

Maestro स्वायत्त रूप से तय कर सकता है कि किसी व्यक्तिगत ग्राहक को पुनःपूर्ति स्मरण, क्रॉस‑सेल, प्रमोशन, एंगेजमेंट संदेश, पुनः‑वापसी प्रयास, या बिल्कुल भी कोई हस्तक्षेप नहीं देना चाहिए। सिस्टम इन प्रतिस्पर्धी कार्रवाइयों को कैसे तौलता है और उस क्षण में ग्राहक के लिए वास्तव में सबसे अच्छा निर्णय कैसे निर्धारित करता है?

शुरुआती बिंदु ग्राहक और व्यावसायिक लक्ष्य है। रिटेलर रणनीति, प्राथमिकताएँ और सीमाएँ निर्धारित करता है। Maestro फिर उपलब्ध ग्राहक, उत्पाद और वर्कफ़्लो संदर्भ के पार तर्क करता है ताकि यह तय किया जा सके कि अगला क्या होना चाहिए। इसमें यह तय करना शामिल हो सकता है कि कौन‑सा व्यावसायिक लक्ष्य प्राथमिकता में रहेगा, कौन‑सा वर्कफ़्लो प्रासंगिक है, कौन‑सी क्षमता या क्षमताओं का संयोजन लागू किया जाना चाहिए, कौन‑से उत्पाद उपयुक्त हैं, और कार्रवाई कब होनी चाहिए। रिटेलर राजस्व, खरीद आवृत्ति, औसत ऑर्डर मूल्य, मार्जिन संरक्षण या चर्न रोकथाम जैसे मीट्रिक के आसपास प्राथमिकताएँ भी निर्धारित कर सकते हैं।

हमारा थ्योरी‑ऑफ़‑माइंड तर्क व्यक्तिगत संदर्भ जोड़ता है: व्यवहार का क्या अर्थ है, ग्राहक को वास्तव में क्या चाहिए हो सकता है और यह क्यों सही या गलत समय हो सकता है। हमारी विशेष क्षमताएँ और सहायक जाँचें इस तर्क के साथ समानांतर चल सकती हैं। जब सबसे अच्छा निर्णय हस्तक्षेप न करना हो, तो Maestro नहीं करता। एक बार Maestro निष्कर्ष पर पहुँच जाता है, वह निर्णय और उसका तर्क को एक निष्पादन‑तैयार इवेंट के रूप में प्रतिबद्ध करता है, न कि केवल मार्केटर को सिफ़ारिशों की सूची लौटाता है।

Replenit एक स्वॉर्म आर्किटेक्चर का उपयोग करता है जिसमें कई विशेषीकृत AI एजेंट समानांतर रूप से कार्य कर सकते हैं। जब कई एजेंट एक ही ग्राहक के बारे में एक साथ तर्क कर रहे हों, तो क्या होता है, और आप कैसे सुनिश्चित करते हैं कि विरोधाभासी सिफ़ारिशें या कार्रवाइयाँ निष्पादित न हों?

Replenit का स्वॉर्म इंजन एजेंट टकराव नहीं पैदा करता क्योंकि यह ग्राहक निर्णयों को समानांतर बनाने के बारे में नहीं है; यह एक ही निर्णय के घटकों को समानांतर चलाने के बारे में है। जब Maestro ग्राहक के बारे में तर्क करता है, तो वह कई विशेषीकृत एजेंटों को एक साथ सक्रिय करता है: एक गेटिंग नेटवर्क निर्णय को सही मॉडलों तक पहुँचाता है, एक रेज़निंग LLM ग्राहक संदर्भ और व्यवहार का मूल्यांकन करता है, समृद्धि एजेंट वास्तविक‑समय में लापता ग्राहक या उत्पाद डेटा को संश्लेषित करते हैं, और विशेषीकृत मॉडल उत्पाद‑ग्राहक संबंध और फिट का मूल्यांकन करते हैं।

इनको क्रमिक रूप से चलाने के बजाय, जो धीमा और महँगा होता, वे एक ही ग्राहक स्थिति पर समानांतर काम करते हैं और फिर यह तय करने के लिए एकीकृत निर्णय पर पहुँचते हैं कि अगला क्या होना चाहिए। कोई टकराव नहीं है क्योंकि वे अलग‑अलग कार्यों का चयन करने के लिए प्रतिस्पर्धा नहीं कर रहे; प्रत्येक अलग‑अलग आयाम को समान परिणाम में योगदान देता है।

उदाहरण के लिए, एन्हांसमेंट से गायब ग्राहक या उत्पाद संकेत उभर सकते हैं, तर्क स्तर खरीद इतिहास और व्यावसायिक उद्देश्य की व्याख्या करता है, उत्पाद-रिश्ते मॉडल एंकर उत्पाद और संभावित विकल्पों की पहचान करते हैं, और स्कोरिंग संभावित व्यावसायिक प्रभाव को तौलती है। यह सब समानांतर रूप से होता है, लेकिन एक ही परिणाम उत्पन्न करता है। इस स्तर का समानांतरता एक महत्वपूर्ण वास्तुशिल्प लाभ है। इसे एकल‑टूल रैपर के रूप में निर्मित इंजनों में retrofitting करना कठिन है, जबकि Replenit ने इसे शुरुआत से ही कोर में इंजीनियर किया है।

स्थायी स्मृति प्लेटफ़ॉर्म का एक और महत्वपूर्ण हिस्सा है, जो प्रत्येक ग्राहक के साथ पहले हुए घटनाओं पर आधारित निर्णयों को बनाता है। दीर्घकालिक स्मृति वास्तव में स्वायत्त AI एजेंटों के लिए कितनी महत्वपूर्ण है, और जब यह स्मृति संभावित संवेदनशील ग्राहक व्यवहार को शामिल करती है तो किन सुरक्षा उपायों की आवश्यकता होती है?

स्मृति स्वायत्त निर्णय‑निर्धारण की बुनियाद है क्योंकि संदर्भ गतिशील होता है। जब Maestro पहली बार कोई बेबी प्रोडक्ट खरीदता देखता है, तो वह याद रखता है कि घर का संदर्भ बदल गया है, और भविष्य के निर्णयों को माता‑पिता के जीवन‑चक्र को प्रतिबिंबित करना चाहिए। जब वह शुरुआती स्किनकेयर खरीदारी देखता है, तो वह याद रखता है कि यह ग्राहक एक रूटीन बना रहा है। जब फिटनेस या वेलनेस के आसपास खरीद पैटर्न उभरते हैं, तो वह बनते हुए आदत को पकड़ लेता है।

प्रत्येक खरीदारी सिस्टम को उस ग्राहक के बारे में समझ को अपडेट करती है—सिर्फ जनसांख्यिकी नहीं, बल्कि क्या उन्हें प्रेरित करता है, वे कौन‑से व्यवहार स्थापित कर रहे हैं, और कौन‑से जीवन‑क्षण unfold हो रहे हैं—इसलिए अगला निर्णय सामान्य नहीं, बल्कि ग्राहक के वास्तविक संदर्भ में निहित होता है। यह संचयी स्मृति ही निर्णयों को अधिक समझदार बनाती है।

सुरक्षा उपाय सरल है: हम खरीद घटनाओं और उनसे उत्पन्न होने वाले संदर्भ पैटर्न—जीवन‑चक्र संकेत, आदत निर्माण, खरीद प्रेरक, और श्रेणी प्रवृत्ति—को सख्त रखरखाव नीतियों और जहाँ संभव हो प्स्यूडोनिमाइज़ेशन के साथ संरक्षित रखते हैं। डेटा का दायरा कड़ा रहता है। हम केवल यह ट्रैक करते हैं कि क्या हुआ और कौन‑सा संदर्भ बदल गया, और कुछ नहीं। इन गार्डरेल्स के बिना, स्थायी स्मृति एक देन बन जाती है, न कि संपत्ति।

Replenit को इस तरह डिजाइन किया गया है कि वह रिटेलर्स द्वारा पहले से उपयोग की जा रही तकनीक के ऊपर बैठता है, न कि उन्हें अपने मौजूदा स्टैक को बदलने के लिए मजबूर करता है। 30 से अधिक एंटरप्राइज़ रिटेलर्स के साथ डिप्लॉयमेंट से आपने AI को अर्थपूर्ण निर्णय‑निर्धारण अधिकार देने में सबसे बड़े तकनीकी या संगठनात्मक बाधाओं के बारे में क्या सीखा?

हमारी सबसे स्पष्ट तकनीकी समस्या डेटा की कमी नहीं, बल्कि डेटा की स्थिति है। एंटरप्राइज़ रिटेलर्स अक्सर बहुत सारा डेटा रखते हैं जो विभिन्न सिस्टमों में बिखरा, असंगत या अधूरा होता है। इसलिए एन्हांसमेंट मूल वास्तुशिल्प का एक महत्वपूर्ण हिस्सा बन गया। सिस्टम को पर्याप्त अर्थपूर्ण संदर्भ बनाना पड़ता है ताकि वह तर्क कर सके, भले ही मूल डेटासेट अधूरा हो।

संगठनात्मक रूप से, सबसे कठिन प्रश्न भरोसा है। AI को अर्थपूर्ण निर्णय‑निर्धारण अधिकार देना कई कार्यों को एक साथ छूता है। डेटा और IT टीमें व्याख्यात्मकता, सुरक्षा और कम एकीकरण बोझ चाहती हैं। मार्केटिंग टीमें यह सुनिश्चित करना चाहती हैं कि ग्राहक संचार ब्रांड के अनुरूप बना रहे। CRM टीमें रणनीतिक नियंत्रण बनाए रखना चाहती हैं, न कि यह महसूस करना कि AI सिस्टम ग्राहक संबंध को उनसे छीन रहा है।

हमारा दृष्टिकोण इसलिए रणनीति को निष्पादन से अलग करना रहा है। लोग उद्देश्यों, ब्रांड निर्देश और गार्डरेल्स को परिभाषित करते हैं, जबकि Maestro उन सीमाओं के भीतर दोहराने योग्य व्यक्तिगत निर्णय‑निर्धारण और निष्पादन का स्वामित्व लेता है। प्रत्येक प्रतिबद्ध निर्णय को ट्रेस करने योग्य बनाया गया है, और सिस्टम मौजूदा स्टैक के ऊपर काम करता है न कि प्लेटफ़ॉर्म माइग्रेशन को मजबूर करता है।

जैसे ही AI राजस्व और प्रतिधारण को अनुकूलित करने के लिए जिम्मेदार बनता है, आप कैसे सुनिश्चित करते हैं कि एक स्वायत्त सिस्टम अल्पकालिक मीट्रिक—जैसे अनावश्यक प्रमोशन या खरीद को धकेलना—के लिए अत्यधिक अनुकूलन न करे, जिससे ग्राहक भरोसा और दीर्घकालिक ब्रांड मूल्य को नुकसान न पहुंचे?

Maestro उन KPI को अनुकूलित करता है जो मनुष्य परिभाषित करते हैं, न कि वह स्वयं चुनता है। यदि आप लक्ष्य ग्राहक जीवनकाल मूल्य और प्रतिधारण दर निर्धारित करते हैं, तो वही वह अनुकूलित करता है, न कि लेन‑देन गति या प्रमोशन मात्रा। यदि आक्रामक अल्पकालिक रणनीतियाँ प्रतिधारण को नुकसान पहुँचाती हैं, तो वे वास्तविक KPI के विरुद्ध विफल हो जाती हैं। सिस्टम इस ट्रेड‑ऑफ़ को सीधे सीखता है क्योंकि प्रत्येक परिणाम स्मृति में वापस फीड होता है, इसलिए दीर्घकालिक प्रतिधारण को नुकसान पहुँचाने वाली रणनीतियाँ व्यवसाय लक्ष्य के लिए स्पष्ट रूप से खराब साबित होती हैं।

सीमा संरचनात्मक है। Maestro उन गार्डरेल्स के भीतर काम करता है जो आप स्थापित करते हैं। वह उनके आसपास अनुकूलन नहीं कर सकता; वह उनके अंदर ही संचालित होता है। प्रत्येक निर्णय ट्रेस करने योग्य है, इसलिए आप ऑडिट कर सकते हैं कि Maestro ने भेजना या रोकना क्यों चुना, कौन‑से KPI ने उस चयन को वज़न दिया, और अपेक्षित परिणाम क्या था। स्पष्ट KPI परिभाषा, गार्डरेल्स और निर्णय पारदर्शिता के बिना, एक AI सिस्टम बहुत अधिक आक्रामक रूप से धकेल सकता है। लेकिन Replenit का मॉडल पारदर्शी है और इसे रोकने के लिए डिज़ाइन किया गया है। व्यवसाय यह निर्धारित करता है कि क्या महत्वपूर्ण है, Maestro उन लक्ष्यों की ओर पूर्ण ऑडिटेबिलिटी के साथ कार्य करता है, और प्रत्येक परिणाम यह तय करने में मदद करता है कि रणनीति वास्तव में काम कर रही है या नहीं।

फाउंडेशन मॉडल तेज़ी से सुधार रहे हैं और अधिक सक्षम एजेंट लगभग हर रिटेलर के लिए उपलब्ध हो जाएंगे। दीर्घकालिक रूप से, AI निर्णय‑निर्धारण में प्रतिरक्षित लाभ किससे आएगा: स्वामित्व वाले मॉडल, ग्राहक‑स्तर की स्मृति, डोमेन‑विशिष्ट तर्क, फीडबैक लूप, इन्फ्रास्ट्रक्चर, या कुछ और पूरी तरह से?

फ़ाउंडेशन मॉडल कमोडिटाइज़ हो जाएंगे, इसलिए हर कोई अधिक सक्षम तर्क इंजन तक पहुँच पाएगा। रक्षा क्षमता मॉडल स्वयं में नहीं है, बल्कि यह है कि आप प्रत्येक ग्राहक के बारे में क्या जानते हैं और आप उस ज्ञान को कितनी तेज़ी से संचित करते हैं। Maestro का लाभ ग्राहक-स्तरीय स्मृति है जो प्रत्येक खरीद और प्रत्येक परिणाम के साथ गहरी होती जाती है। छह महीने के परिणामों के बाद, सिस्टम आपके ग्राहक को एक सामान्य मॉडल से अधिक अच्छी तरह जानता है। केवल जनसांख्यिकी नहीं, बल्कि क्या उन्हें प्रेरित करता है, कब वे ग्रहणशील होते हैं, और क्या कारण बनता है ग्राहक छोड़ने का।

वह स्मृति निरंतरता भी बनाती है। किसी अन्य सिस्टम में स्विच करने का मतलब है दो साल के सीखे हुए संदर्भ को खो देना। इसके साथ ही, Replenit के पास रिटेल के लिए डोमेन-विशिष्ट कौशल एन्कोडेड हैं, जिसमें जीवनचक्र चरणों को समझना, खरीद गति पैटर्न, पुनःपूर्ति ट्रिगर, सौंदर्य या किराना में श्रेणी संबंध शामिल है। लेकिन कौशल को कॉपी किया जा सकता है। वास्तविक लाभ फीडबैक लूप है: Maestro एक निर्णय लेता है, परिणाम को कैप्चर करता है, स्मृति को अपडेट करता है, और उस सीख को उपयोग करके अगला निर्णय अधिक स्मार्ट बनाता है। वह लूप निरंतर और संचयी है। समय के साथ, आपका डेटा पर चलने वाला सिस्टम सामान्य मॉडलों पर आधारित नए सिस्टम से क्रमशः बेहतर हो जाता है।

इन्फ्रास्ट्रक्चर भी महत्वपूर्ण है। स्वॉर्म समवर्तीता और स्वामित्व वाले मॉडल इकाई अर्थशास्त्र को बेहतर रखते हैं, लेकिन यह बुनियादी आवश्यकताएँ हैं, न कि प्रतिरोध। रक्षा योग्य लाभ ग्राहक डेटा गुरुत्व (स्विचिंग लागत), निरंतर सीखना (परिणामों का भविष्य के निर्णयों में फीडबैक), और डोमेन-विशिष्ट तर्क (रिटेल-विशिष्ट संदर्भ) का संयोजन है, जो सभी मिलकर काम करते हैं। अलग‑अलग, प्रत्येक को कॉपी किया जा सकता है। साथ मिलकर, इन्हें इतनी तेज़ी से दोहराना कठिन है कि प्रतिस्पर्धा से आगे निकल सकें।

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