ראיונות
Amanpal Dhupar, ראש תחום קמעונאות ב-Trendence – סדרת ראיונות
אמנפאל דופאר, ראש מחלקת קמעונאות ב-Tredence, הוא מנהיג מנוסה בתחום האנליטיקה והבינה המלאכותית בקמעונאות, עם למעלה מעשור של מומחיות בתכנון ופיתוח פתרונות מונעי נתונים המספקים תובנות מעשיות למקבלי החלטות ארגוניים. לאורך הקריירה שלו, הוא הוביל טרנספורמציות אסטרטגיות של אנליטיקה עבור מנהלים בכירים בקמעונאים גדולים, בנה מפות דרכים למוצרי בינה מלאכותית כדי להניע מדדי ביצועים עסקיים מדידים, והרחיב צוותי אנליטיקה משלב הישנות ועד לפעילות בקנה מידה גדול - תוך הפגנת עומק טכני וגמישות מנהיגותית.
טרדנס היא חברת פתרונות למדעי נתונים ובינה מלאכותית המתמקדת בסיוע לארגונים למציאת ערך עסקי באמצעות ניתוח מתקדם, למידת מכונה וקבלת החלטות המונעת על ידי בינה מלאכותית. החברה משתפת פעולה עם מותגים גלובליים - במיוחד בתחומי הקמעונאות ומוצרי הצריכה - כדי לפתור אתגרים מורכבים בתחומי הסחורה, שרשרת האספקה, התמחור, חוויית הלקוח ותפעול הכניסה לשוק, תוך תרגום תובנות להשפעה על העולם האמיתי ועוזרת ללקוחות למודרן את יכולות הניתוח והמודיעין שלהם.
קמעונאים לעיתים קרובות מפעילים עשרות פיילוטים של בינה מלאכותית, אך מעטים מאוד עוברים לפריסה בקנה מידה מלא. מהן הטעויות הארגוניות הנפוצות ביותר שמונעות מבינה מלאכותית להפוך לתוצאות עסקיות מדידות?
מחקר שנערך לאחרונה ב-MIT Solan מצא כי 95% מטייסי הבינה המלאכותית לא מצליחים להגיע לפריסה מלאה. המציאות? פיילוטים הם קלים, אבל ייצור קשה. ב-Tredence, זיהינו ארבע סיבות ארגוניות ספציפיות המניעות את הפער הזה.
ראשית, חוסר ההבנה של זרימת העבודה של משתמש הקצה. קמעונאים לעתים קרובות משלבים בינה מלאכותית בתהליכים קיימים שבורים במקום לשאול כיצד יש לדמיין מחדש את זרימת העבודה עצמה עם בינה מלאכותית במרכז.
שנית, היעדר גישת פלטפורמה לבינה מלאכותית של סוכנים. במקום להתייחס לסוכנים כאל ניסויים חד פעמיים, ארגונים צריכים לייעל את כל מחזור החיים - החל מתכנון ופיתוח סוכנים ועד לפריסה, ניטור וממשל - ברחבי הארגון.
שלישית, בסיס נתונים חלש. קל לבנות פיילוט על קובץ שטוח ונקי, אך קנה מידה דורש בסיס חזק בזמן אמת שבו נתונים מדויקים נגישים באופן רציף למודלים של בינה מלאכותית.
לבסוף, אנו רואים חיכוך בין דחיפה מצד ה-IT לבין משיכה עסקית. הצלחה מתרחשת רק כאשר מנהיגים עסקיים רואים בבינה מלאכותית ערך מוסף הקשור להשפעה מדידה, ולא הסחת דעת שמניעה ה-IT. ב-Tredence, המיקוד שלנו תמיד היה על "הקילומטר האחרון", שם אנו מגשרים על הפער בין יצירת תובנות למימוש ערך.
Tredence עובדת עם רבות מהקמעונאים הגדולים בעולם, ותומכת בהכנסות של טריליוני דולרים. בהתבסס על מה שאתם רואים ברחבי התעשייה, מה מבדיל בין הקמעונאים שמצליחים להגדיל את הבינה המלאכותית לבין אלו שנותרו תקועים בניסויים?
ב-Tredence, תמיכה בהכנסות קמעונאיות של טריליוני דולרים העניקה לנו מקום בשורה הראשונה מול פער ברור בתעשייה: קמעונאים שמתייחסים לבינה מלאכותית כסדרה של ניסויים שונים לעומת אלו שבונים "מפעל בינה מלאכותית" מתועש. המבדיל העיקרי טמון במחויבות ליסודות פלטפורמת הבינה המלאכותית של Agentic. הארגונים המצליחים ביותר מפסיקים לבנות מאפס ובמקום זאת משקיעים במערכת אקולוגית חזקה המאופיינת בספריות רכיבים רב פעמיות, תבניות עיצוב סטנדרטיות ותבניות סוכנים מוכנות מראש המותאמות למקרי שימוש קמעונאיים ספציפיים. כאשר משלבים LLMOps בוגרים, תצפית מלאה ומעקות בטיחות של בינה מלאכותית אחראית (RAI) מוטמעים על גבי יסודות אלה, ההשפעה היא טרנספורמטיבית - אנו רואים בדרך כלל שיפור של 80% במהירות התוצאה עבור מקרי שימוש חדשים מכיוון שהעבודה האדריכלית הכבדה כבר נעשתה.
עם זאת, פלטפורמה טובה רק כמו ההקשר שהיא צורכת, מה שמביא אותנו לבסיס הנתונים. קנה מידה דורש יותר מגישה גולמית לנתונים בלבד; זה דורש שכבה סמנטית עשירה שבה מטא-דאטה חזקים ומודלים מאוחדים של נתונים מאפשרים לבינה מלאכותית "להסיק" את העסק ולא רק את קלט התהליך. לבסוף, המנהיגים האמיתיים מכירים בכך שלא מדובר רק בשיפוץ טכנולוגי אלא בשיפוץ תרבותי. הם מגשרים על "הקילומטר האחרון" על ידי מעבר מעבר לאוטומציה פשוטה לצוותים אנושיים-סוכנים, תוך הנדסה מחדש של זרימות עבודה כך שעובדים וסוחרים בוטחים וישתפו פעולה עם עמיתיהם הדיגיטליים, והופכים את הפוטנציאל האלגוריתמי למציאות עסקית מדידה.
יותר מ-70 אחוזים ממבצעי המכירות הקמעונאיים עדיין לא מצליחים להגיע לשיא הרווח. כיצד בינה מלאכותית יכולה לשפר באופן משמעותי את תכנון המבצעים, המדידה והאופטימיזציה בזמן אמת?
שיעור הכישלון של 70% נמשך משום שקמעונאים מסתמכים לעתים קרובות על ניתוחים של "מבט לאחור" שמבלבלים בין סך המכירות לבין עלייה מצטברת - ובכך מסבסדים למעשה קונים נאמנים שהיו רוכשים בכל מקרה. כדי לשבור את המעגל הזה, עלינו לעבור מדיווח תיאורי לגישה ניבויית יותר. בשלב התכנון, אנו משתמשים בבינה מלאכותית סיבתית כדי לדמות תוצאות ולקבוע "קווי בסיס אמיתיים", תוך זיהוי בדיוק מה היה נמכר ללא המבצע. זה מאפשר לקמעונאים להפסיק לשלם עבור ביקוש אורגני ולמקד רק בנפח נטו חדש.
לצורך מדידה, בינה מלאכותית פותרת את "חידת תיק העבודות" על ידי כימות אפקטי הילה וקניבליזציה. סוחרים אנושיים מתכננים לעתים קרובות בממגורות, אך בינה מלאכותית מספקת תמונה כלל-קטגוריה, ומבטיחה שמבצע על מק"ט אחד אינו רק גונב רווח מאחר. מדידה הוליסטית זו עוזרת לקמעונאים להבין אם הם מגדילים את עוגת הקטגוריה או פשוט פורסים אותה בצורה שונה.
לבסוף, לצורך אופטימיזציה בזמן אמת, התעשייה נעה לעבר סוכני בינה מלאכותית המנטרים קמפיינים "בתוך כדי תנועה". במקום להמתין לניתוח שלאחר המוות שבועות לאחר האירוע, סוכנים אלה ממליצים באופן עצמאי על תיקוני כיוון - כמו התאמת הוצאות פרסום דיגיטלי או החלפת מבצעים - כדי להציל את הרווח וההפסד לפני סיום המבצע. גישה זו מעבירה את המיקוד מניקוי מלאי פשוט להנדסת צמיחה רווחית.
שגיאות חיזוי וחוסר במלאי ממשיכים לגרום להפסדי הכנסות משמעותיים. מה הופך מערכות סחורה ושרשרת אספקה המונעות על ידי בינה מלאכותית ליעילות יותר מגישות חיזוי מסורתיות?
השינוי הראשון הוא בתחזיות, שבהן בינה מלאכותית מעבירה אותנו מהסתמכות בלעדי על היסטוריה פנימית לקליטת נתונים חיצוניים - כמו מזג אוויר מקומי, אירועים חברתיים ומדדים כלכליים. כאשר התחזית לוכדת את ההקשר החיצוני הזה, השיפורים בדיוק לא רק משפרים את מספר המכירות; הם מתפשטים במורד הזרם, וממטבים את ניהול המלאי, תכנון הקיבולת, לוחות הזמנים של העבודה ותפעול המחסן כדי להתאים אותם לביקוש האמיתי.
השינוי השני הוא במצב של "אזל מהמלאי" (OOS), שרוב הקמעונאים עדיין לא מצליחים למדוד במדויק. בינה מלאכותית מתקנת זאת על ידי זיהוי אנומליות בדפוסי המכירות - זיהוי "מלאי רפאים" שבו המערכת חושבת שפריט נמצא במלאי, אך המכירות הופסקו - והפעלה אוטומטית של ספירות מחזוריות כדי לתקן את הרשומה. מעבר לנתונים, אנו רואים את עליית הראייה הממוחשבת כדי לסמן פיזית פערים במדפים בזמן אמת ולעקוב אחר המלאי בחדרים האחוריים, מה שמבטיח שהמוצר לא רק "בתוך הבניין" אלא זמין ללקוח לקנייה.
מסחר סוכני הופך לנושא מרכזי בחדשנות קמעונאית. כיצד סוכני בינה מלאכותית מבוססי חשיבה משנים באופן משמעותי את גילוי והמרת המוצר בהשוואה לחוויית הקנייה המונחית על ידי חיפוש של ימינו?
בקניות המונעות על ידי חיפוש של ימינו, הצרכנים עדיין עושים את רוב העבודה הקשה. עליהם לדעת מה לחפש, להשוות אפשרויות ולהבין אינספור תוצאות. סוכנים מבוססי חשיבה משבשים זאת על ידי יצירת "מעברים סינתטיים" באופן דינמי - קולקציות מותאמות אישית המאגדות מוצרים מרובי קטגוריות על סמך כוונה ספציפית. לדוגמה, במקום לחפש בנפרד חמישה פריטים, קונה עם משימת "בוקר בריא" מוצג בפני מעבר מגובש וזמני הכולל הכל, החל מדגני בוקר עתירי חלבון ועד בלנדרים, מה שמצמצם באופן מיידי את משפך הגילוי מדקות לשניות.
בצד ההמרה, סוכנים אלה פועלים פחות כמו מנועי חיפוש ויותר כמו "שוערים של קניות". הם לא רק מפרטים אפשרויות; הם בונים באופן פעיל סלים המבוססים על צרכים פתוחים. אם לקוח מבקש "תוכנית ארוחת ערב לארבעה אנשים מתחת ל-50 דולר", הסוכן מסיק באמצעות אילוצי מלאי, מחיר ואילוצים תזונתיים כדי להציע חבילה מלאה. יכולת חשיבה זו סוגרת את "פער הביטחון" - על ידי ניסוח מדוע מוצר ספציפי מתאים לאורח החיים או למטרה של המשתמש, הסוכן מפחית שיתוק קבלת החלטות ומניע שיעורי המרה גבוהים יותר בהשוואה לרשת שקטה של תמונות ממוזערות של מוצרים.
לבסוף, אנו רואים את זה מתרחב לתוכן היפר-אישי. במקום להציג לכולם את אותו באנר בדף הבית, בינה מלאכותית של Agentic יכולה לייצר דפי נחיתה דינמיים ויזואליה המשקפים את משימת הקנייה הנוכחית של הלקוח. עם זאת, כדי שזה יתפתח, קמעונאים מגלים שעליהם לקרקע את הסוכנים הללו במודל נתונים מאוחד עם ניהול מותג ובטיחות קפדני, תוך הבטחה שה"יצירתיות" של הבינה המלאכותית לעולם לא תזות מוצרים או תפר את קול המותג.
קמעונאים רבים מתמודדים עם ארכיטקטורות נתונים מיושנות. כיצד על ארגונים לחדש את יסודות הנתונים שלהם כדי שמודלים של בינה מלאכותית יוכלו לספק המלצות אמינות וניתנות להסבר?
המכשול הגדול ביותר להצלחת בינה מלאכותית אינו המודלים אלא "ביצת הנתונים" שמתחתם. כדי להתקדם למודרניזציה, קמעונאים חייבים להפסיק לאסוף נתונים ולבנות שכבה סמנטית מאוחדת. משמעות הדבר היא יישום "מודל נתונים" סטנדרטי שבו לוגיקה עסקית (כמו האופן שבו מחושבים "רווח נקי" או "נטישה") מוגדרת פעם אחת ונגישה באופן אוניברסלי, במקום להיות מוסתרת בסקריפטים מקוטעים של SQL ברחבי הארגון.
שנית, ארגונים צריכים לעבור לחשיבה של "מוצר נתונים". במקום להתייחס לנתונים כתוצר לוואי של ה-IT, קמעונאים מצליחים מתייחסים אליהם כמוצר עם בעלות מוגדרת, הסכמי רמת שירות (SLA) וניטור איכות קפדני (ניתנות לצפייה בנתונים). כאשר משלבים את "רשומת הזהב" הנקי והמפוקח הזה עם מטא-דאטה עשיר, פותחים את היכולת להסביר. הבינה המלאכותית לא רק יורקת המלצה בסגנון "קופסה שחורה"; היא יכולה לעקוב אחר ההיגיון שלה דרך השכבה הסמנטית.
שיתוף פעולה בין קמעונאים לחברות מוצרי צריכה הסתמך באופן היסטורי על נתונים מקוטעים ומדדים לא עקביים. כיצד מודלים מאוחדים של נתונים ופלטפורמות בינה מלאכותית משותפות מאפשרים ביצועים חזקים יותר של הקטגוריות עבור שני הצדדים?
עד כה, קמעונאים וספקי מוצרי צריכה בחנו את אותו לקוח דרך עדשות שונות, כל אחד באמצעות הנתונים והתמריצים שלו. מודלים מאוחדים של נתונים משנים זאת על ידי יצירת גרסה אחת של האמת לאורך שרשרת הערך, בין אם מדובר בביצועי מדף או בהתנהגות קונים.
כאשר שני הצדדים עובדים על אותה פלטפורמת בינה מלאכותית, הם יכולים לזהות במשותף מה מניע צמיחה או דליפה ברמת הקטגוריה. זה יכול להיות כל דבר - תמחור, קידום מכירות, מבחר או פערים במלאי. זה מעביר את השיחות מ"הנתונים שלי לעומת שלכם" ל"הזדמנות משותפת שלנו".
התוצאה היא החלטות חכמות יותר, ניסויים מהירים יותר, ובסופו של דבר, צמיחה גבוהה יותר של הקטגוריות המועילה הן לקמעונאים והן למותגים.
ככל שרשתות מדיה קמעונאיות יתבגרו, איזה תפקיד תמלא בינה מלאכותית בשיפור המיקוד, המדידה והייחוס בלולאה סגורה, תוך שמירה על אמון הצרכנים?
בינה מלאכותית תשנה ארבעה תחומים מרכזיים ככל שרשתות המדיה הקמעונאיות יתבגרו.
ראשית, במיקוד, התעשייה מתפתחת מפלחי קהל סטטיים לכוונה חיזויה. על ידי ניתוח אותות בזמן אמת - כמו מהירות גלישה או הרכב עגלת הקניות - כדי לזהות את הרגע המדויק של הצורך של קונה, AIe מבטיחה שאנו מציגים את המודעות הנכונות כשזה הכי חשוב, במקום רק למקד לתווית דמוגרפית רחבה.
שנית, למדידה, הסטנדרט הזהב עובר מתשואה פשוטה על הוצאות פרסום (ROAS) ל-ROAS מצטבר (iROAS). על ידי מינוף בינה מלאכותית סיבתית, נוכל למדוד את ההשפעה האמיתית של הוצאות המדיה על ידי זיהוי קונים שביצעו המרה רק בגלל המודעה לעומת אלו שהיו חווים המרה אורגנית.
שלישית, יעילות תפעולית הופכת קריטית, במיוחד בפעילות יצירתית. כדי לתמוך בהיפר-פרסונליזציה, קמעונאים משתמשים בבינה מלאכותית גנרטיבית לא רק ליצירת רעיונות אלא גם להרחבת הייצור. זה מאפשר לצוותים לייצר באופן אוטומטי אלפי וריאציות נכסים דינמיות וספציפיות לערוץ תוך דקות במקום שבועות, ובכך לפתור את צוואר הבקבוק של "מהירות התוכן".
לבסוף, שמירה על אמון תלויה באימוץ נרחב של חדרי נתונים נקיים. סביבות אלו מאפשרות לקמעונאים ולמותגים להתאים בצורה מאובטחת את מערכי הנתונים שלהם לצורך ייחוס בלולאה סגורה, מה שמבטיח שמידע מזהה אישי (PII) רגיש לא יעזוב את חומות האש שלהם.
במבט קדימה, אילו יכולות יגדירו את הדור הבא של קמעונאים המונעים על ידי בינה מלאכותית, ומה צריכים מנהיגים להתחיל לבנות היום כדי להישאר תחרותיים בחמש השנים הבאות?
העידן הבא של הקמעונאות יוגדר על ידי המעבר מ"טרנספורמציה דיגיטלית" ל"טרנספורמציה סוכנית". אנו עוברים לעתיד של "תזמור אוטונומי", שבו רשתות של סוכני בינה מלאכותית משתפות פעולה כדי להפעיל תהליכים מורכבים - כמו סוכן שרשרת אספקה שאומר אוטומטית לסוכן שיווק להשהות מבצע בגלל עיכוב במשלוח.
כדי להתכונן לכך, מנהיגים חייבים להתחיל לבנות שלושה דברים עוד היום.
ראשית, מודל נתונים מאוחד. סוכנים אינם יכולים לשתף פעולה אם הם לא מדברים באותה שפה; בסיס הנתונים שלך חייב להתפתח ממאגר אחסון ל"מערכת עצבים" סמנטית.
שנית, מסגרת ממשל לסוכנים. עליכם להגדיר את "כללי הפעולה" - מה מותר לבינה מלאכותית לעשות באופן אוטונומי לעומת מה דורש אישור אנושי - לפני שאתם מתרחבים.
לבסוף, ימי לוחות המחוונים הסטטיים המספקים ניתוחים של "מבט לאחור" ספורים. אנו נעים לעבר ניתוחים שיחתיים המספקים תובנות מיידיות ומותאמות אישית. ממשקים אלה הולכים הרבה מעבר לדיווח על "מה קרה"; הם ממנפים בינה מלאכותית סוכנתית כדי להסיק מסקנות באמצעות שאלות "למה" מורכבות ולספק המלצות מרשם לגבי "מה לעשות הלאה", ובכך סוגרים ביעילות את הפער בין תובנה לפעולה.
תודה על הראיון הנהדר, קוראים שרוצים ללמוד עוד צריכים לבקר טרדנס.
