Crisp Meluncurkan Halo untuk Menghadirkan AI Ritel di Lingkungan Cloud Perusahaan

Crisp meluncurkan Halo, platform AI ritel yang dapat dijalankan di lingkungan cloud milik perusahaan sendiri. Platform ini mendekatkan analisis penjualan dan rantai pasok ke data serta sistem tata kelola yang sudah digunakan perusahaan. Diumumkan pada 29 Oktober, platform ini ditujukan bagi produsen barang konsumen dalam kemasan (CPG), peritel, distributor, dan pialang.

Peluncuran ini menjawab persoalan yang sudah lazim di bidang ritel: tim dapat melihat perubahan penjualan atau persediaan, tetapi masih perlu menghabiskan waktu berjam-jam untuk mengumpulkan konteks yang dibutuhkan guna menjelaskannya. Pengumuman Halo dari Crisp menjelaskan sebuah sistem yang memadukan data ritel, logika khusus industri, dan perangkat berbasis agen untuk membantu pengguna menyelidiki kinerja dan menentukan langkah selanjutnya.

Landasan Data Ritel di Balik AI

Arsitektur Halo bermula dari informasi yang diterima dari peritel dan distributor. Ikhtisar platform Crisp membagi landasan tersebut menjadi integrasi, pengelolaan, dan pemodelan data, dengan perangkat berbasis agen serta aplikasi khusus untuk tiap peran yang dibangun di atasnya.

Struktur ini penting karena suatu produk, toko, atau periode pelaporan dapat direpresentasikan secara berbeda oleh masing-masing mitra dagang. Pertanyaan tentang kekurangan persediaan menjadi lebih berguna ketika sistem yang mendasarinya sepakat mengenai barang, lokasi, dan periode waktu yang dimaksud.

Crisp menggambarkan pendekatannya sebagai AI vertikal: data dibersihkan dan diperkaya dengan semantik ritel sebelum digunakan untuk analisis. Materi latar belakang perusahaan menyebut kalender peritel, hierarki produk, tingkat pemenuhan, dan analisis kehabisan stok sebagai contoh konteks bisnis yang terkait. Crisp menyatakan bahwa lebih dari 7.000 pelanggan, termasuk 90 dari 100 perusahaan CPG terbesar, menggunakan layanannya; angka adopsi tersebut dilaporkan oleh perusahaan.

Berjalan di Dalam Cloud Pelanggan

Halo tersedia sebagai platform yang dihosting atau di lingkungan pelanggan di Databricks, Snowflake, dan Google Cloud. Opsi kedua memberi perusahaan alternatif selain memindahkan intelijen ritel mereka ke aplikasi lain yang dihosting secara eksternal.

Dokumentasi arsitektur Databricks dari Crisp memberikan contoh konkret. Dokumentasi tersebut menempatkan data ritel dalam tabel Delta yang diatur melalui Unity Catalog, menghosting aplikasi dan agen di Databricks Apps, serta menggunakan basis data Lakebase untuk status aplikasi, percakapan, dan memori agen. Panggilan model dijalankan melalui Model Serving dan AI Gateway, sedangkan kueri semantik menggunakan gudang SQL yang dipilih.

Menurut Crisp, data eksklusif tetap berada di lingkungan pelanggan, sementara log operasional dan telemetri non-eksklusif dibagikan dengan sistem pusatnya. Penjelasan ini lebih tepat daripada menyiratkan bahwa penerapan tersebut sama sekali tidak berkomunikasi dengan pihak luar. Crisp juga mencantumkan integrasi MLflow dan publikasi model semantiknya sebagai Unity Catalog Metric Views sebagai item dalam peta jalan.

Bagi tim TI, arti pentingnya terletak pada aspek operasional: kontrol akses, pilihan inferensi, dan pelacakan penggunaan dapat diselaraskan dengan infrastruktur yang sudah tersedia. Namun, lokasi penerapan saja tidak membuktikan keakuratan jawaban atau kelayakan tindakan otomatis.

Dari Pertanyaan Seputar Portofolio hingga Keputusan Khusus Peritel

Peluncuran ini memperkenalkan Central Desk dan Customer Desk. Central Desk memberi tim kantor pusat pandangan menyeluruh atas portofolio ritel mereka untuk pekerjaan yang mencakup strategi penjualan, manajemen kategori, dan perencanaan rantai pasok. Customer Desk ditujukan bagi tim pengelola akun yang membutuhkan metrik, istilah, dan logika operasional dari masing-masing peritel.

Bayangkan sebuah merek sedang menyelidiki penurunan penjualan produk tertentu. Pertanyaan yang perlu dijawab adalah apakah perubahan tersebut mencerminkan permintaan, ketersediaan, distribusi, atau faktor operasional lainnya. Menghubungkan analisis dengan catatan di tingkat toko dan barang dapat membantu tim mempersempit penyelidikan, alih-alih menganggap penurunan di seluruh portofolio sebagai satu masalah tunggal.

Inilah perbedaan praktis antara antarmuka percakapan dan aplikasi ritel: aplikasi ritel harus memahami entitas bisnis serta hubungan di balik pertanyaan. Platform Halo yang lebih luas juga mengelompokkan kemampuannya berdasarkan fungsi seperti pengisian ulang persediaan, perencanaan kategori, dan kolaborasi dengan pemasok.

Jawaban yang Dapat Ditelusuri dan Alur Kerja yang Dapat Diulang

Materi agen AI Crisp menjelaskan perangkat yang menggunakan intelijen harian di tingkat toko dan produk untuk mendukung analisis dan tindakan. Untuk Halo secara keseluruhan, perusahaan mencantumkan pertanyaan percakapan, laporan berkala, otomatisasi alur kerja, dan aplikasi khusus sebagai cara utama menggunakan perangkat tersebut.

Materi peluncuran menekankan penelusuran rekomendasi hingga ke data sumber dan logika yang digunakan untuk menghasilkannya. Asal-usul tersebut dapat memudahkan pemeriksaan jawaban: analis dapat meninjau catatan dan penalaran di balik rekomendasi, alih-alih menerima begitu saja penjelasan yang terdengar meyakinkan.

Bagi perusahaan yang mengevaluasi platform ini, pertanyaan pentingnya tidak hanya menyangkut penjelasan tersebut, tetapi juga pelaksanaan: tindakan apa yang diizinkan, tindakan apa yang memerlukan peninjauan, dan bagaimana perubahan diukur setelah diterapkan. Materi yang dipublikasikan menjelaskan kemampuan dan arsitektur penerapan, bukan hasil tolok ukur independen mengenai akurasi peramalan atau imbal hasil finansial.

Nilai jual terkuat Halo terletak pada keterhubungan antara lapisan-lapisan tersebut. Konteks ritel memberi sistem AI informasi yang lebih berguna untuk diolah, penerapan di cloud pelanggan dapat menyesuaikan diri dengan tata kelola yang sudah ada, dan alur kerja khusus untuk tiap peran menyajikan hasil analisis kepada pihak yang bertanggung jawab atas persediaan dan keputusan komersial.