Ilyas Kurklu, co-fondator și CEO al Replenit – Serie de interviuri

Ilyas Kurklu, co-fondator și CEO al Replenit, este un antreprenor și executiv în tehnologia retailului concentrat pe aplicarea inteligenței artificiale în luarea deciziilor și implicarea clienților. La Replenit, el conduce strategia, dezvoltarea produselor și parteneriatele, bazându-se pe peste un deceniu de experiență în scalarea afacerilor de implicare a retailului enterprise, de la aproximativ $10 milioane la $2 miliarde în venituri, lucrând cu peste 300 de retaileri. Cariera sa include, de asemenea, roluri de consiliere și dezvoltare de afaceri, precum și șase ani ca lider de echipă și meteorolog la Direcția Generală de Meteorologie a Turciei, unde a lucrat cu date în timp real, radare, imagini din satelit și sisteme de prognoză.

Replenit este o platformă de luare a deciziilor AI concepută pentru retail și comerț electronic, oferind un strat între infrastructura de date a retailerului și sistemele sale existente de implicare a clienților. Motorul său AI Decision Engine combină semnale de la client, produs, comportament și altele pentru a determina cea mai bună acțiune următoare pentru fiecare client în timp real, în timp ce Maestro AI CRM Manager poate gestiona în mod autonom fluxuri de lucru, inclusiv reaprovizionare, vânzare încrucișată, implicare, prevenirea abandonului și recâștigarea clienților. În loc să oblige retailerii să înlocuiască stiva tehnologică existentă, Replenit este proiectat să se integreze cu platformele actuale de comerț, marketing și date și să transforme deciziile în comunicări și acțiuni gata de execuție. Compania afirmă că tehnologia sa este utilizată de retaileri precum L’Occitane, Mumzworld, e-bebek, Beko și Faith In Nature.

Ai petrecut ani ajutând la scalarea tehnologiei retailului enterprise înainte de a fonda Replenit împreună cu cinci co-fondatori. Ce ai observat în mod repetat că retailerii se luptă cu, care te-a convins că lipsea un strat de luare a deciziilor în stiva tehnologică, și cum a condus această perspectivă la crearea Replenit?

Lucrând cu sute de retaileri în diferite piețe, am auzit și am observat aceeași problemă: retailerii deveniseră foarte buni în colectarea datelor și în execuție, dar inteligența intermediară încă lipsea. Aveau CDP-uri, depozite, platforme CRM și sisteme de automatizare a marketingului, totuși decizia — ce ar trebui să se întâmple în continuare pentru acest client individual? — rămânea o ghicire bazată pe reguli statice, segmente largi, calendare de campanii și judecata umană. Stiva și echipa erau ambele soluții provizorii pentru faptul că nimeni nu putea raționa despre fiecare client în parte la scară. Replenit este acel strat lipsă de raționament și decizie. Am construit un motor care poate interpreta contextul clientului și al produsului la nivel individual, decide acțiunea comercială potrivită următoare și apoi folosește sistemele existente ale retailerului pentru a o executa.

Replenit susține că retailerii au deja o cantitate mare de date despre clienți și multe instrumente pentru desfășurarea campaniilor, dar le lipsește inteligența care să poată decide ce ar trebui să se întâmple în continuare. De ce platformele Customer Data Platforms (CDP-uri), platformele Customer Relationship Management (CRM) și sistemele de automatizare a marketingului nu au reușit să rezolve singure această problemă?

Aceste sisteme au fost create pentru sarcini diferite. Un CDP poate unifica datele clienților, dar unificarea datelor nu este același lucru cu deciderea a ceea ce se face cu ele. Platformele CRM și de automatizare a marketingului sunt straturi de execuție foarte bune. Ele pot trimite, orchestra și optimiza comunicările odată ce cineva a definit publicul specific, fluxul de lucru sau campania.

Chiar și atunci când aceste platforme adaugă scoruri predictive, AI generativ și optimizare a momentului de trimitere, unitatea fundamentală de lucru rămâne adesea campania, parcursul, publicul sau segmentul. AI-ul poate optimiza ceva ce marketerul a ales deja să facă. Nu decide neapărat dacă ar trebui să se întâmple ceva, care obiectiv al ciclului de viață este cel mai important pentru acel client în particular, care produs este relevant, de ce acum, în ce ton și spre ce rezultat comercial. Aceasta este distincția pe care o facem între un scor și o decizie. Predicția poate ordona probabilitatea. O decizie necesită raționament pe baza contextului și a alternativelor și apoi angajarea într-o acțiune. Replenit se situează deasupra stivei existente pentru a furniza acel strat, în loc să ceară retailerilor să înlocuiască sistemele pe care le au deja.

O parte esențială a abordării Replenit este aplicarea Teoria minții pentru a deduce intenția, contextul și comportamentul viitor probabil al unui client. Cum traduci un concept din știința cognitivă într-un sistem AI care poate lua decizii comerciale fiabile și cum validezi dacă sistemul a interpretat corect intenția clientului?

Transformăm Teoria minții într-un strat de raționament care privește dincolo de ceea ce a făcut un client și întreabă de ce acel comportament ar fi putut avea loc, ce semnalează despre intenție și ce înseamnă în context. În loc să se bazeze doar pe modele istorice sau pe similaritatea produselor, sistemul raționează la nivelul fiecărei relații individuale client-produs și folosește acel context pentru a determina ce ar trebui să se întâmple în continuare.

Acest raționament poate include înțelegerea motivației probabile din spatele unei achiziții, modul în care produsele se relaționează între ele, ce nevoie încearcă să satisfacă clientul și dacă momentul este potrivit pentru o anumită acțiune. Replenit trece apoi dincolo de simpla sugestie a unei opțiuni: ia o decizie și pregătește acea decizie pentru execuție prin sistemele existente ale retailerului.

Validarea are loc prin rezultate. Odată ce se ia o decizie, Replenit urmărește ce s‑a întâmplat efectiv și alimentează acel rezultat în deciziile viitoare pentru acel client. De asemenea, evaluează continuu care dintre abilitățile și abordările sale de luare a deciziilor livrează rezultate, scalându-le pe cele care performează bine și deprioritizându-le pe cele care nu o fac. În acest sens, sistemul devine mai bun în a ști mișcarea potrivită pentru clientul potrivit la momentul potrivit, deoarece învață din rezultate reale, în loc să ruleze aceeași logică în mod repetat.

Majoritatea sistemelor de personalizare sunt în esență motoare de predicție, estimând ce este probabil ca cineva să dea click sau să cumpere. Replenit subliniază trecerea de la predicție la luarea deciziilor. Din perspectiva arhitecturii AI, ce se schimbă când modelul trebuie să aleagă efectiv următoarea acțiune în loc să producă pur și simplu o probabilitate sau o recomandare?

La Replenit, există patru părți importante ale acelei arhitecturi. Prima este Golden Memory: înregistrări vii ale clientului, produsului și brandului care oferă sistemului context dincolo de o tranzacție izolată. Când informațiile sunt incomplete, Replenit poate, de asemenea, să îmbogățească datele disponibile și să genereze context sintetic pentru a ajuta la închiderea acelor lacune.

A doua sunt peste 100 de abilități de industrie. Acestea sunt capabilități de raționament specializate pentru categorii și situații specifice – de exemplu, un constructor de rutine cosmetice pentru retaileri de frumusețe sau un arhitect interior pentru companii de mobilă și bricolaj. Alături de aceste abilități, 15 verificări de susținere pot rula în paralel în jurul unei decizii, inclusiv verificări de substituție, compatibilitate, duplicate și suprimare.

A treia este deținerea fluxului de lucru. În loc să producă o recomandare și să se oprească acolo, Maestro poate raționa pe parcursul fluxurilor de lucru ale ciclului de viață, cum ar fi reaprovizionarea, cross‑sell, implicarea, win‑back, churn, promoția și substituția. Aceste fluxuri de lucru pot funcționa continuu și în paralel pentru un client individual, Maestro determinând ce acțiune este adecvată în acel moment precis.

În final, împachetăm totul în ceea ce numim un Eveniment Decizie de Aur: o decizie înregistrată, pregătită pentru execuție, care conține acțiunea și raționamentul său, și care poate fi transmisă direct în CRM‑ul retailerului, în automatizarea de marketing, în comerțul electronic, în aplicație sau în sistemele de date, pe peste 120 de platforme.

Așadar, diferența este că trecem de la un model care prezice ce este probabil să se întâmple la un sistem care poate reține contextul, aduce expertiza potrivită, evaluează acțiunile disponibile, se angajează la o decizie și o face executabilă.

Maestro poate decide autonom dacă un anumit client ar trebui să primească un reminder de reaprovizionare, un cross‑sell, o promoție, un mesaj de implicare, o încercare de win‑back sau, eventual, nicio intervenție. Cum evaluează sistemul aceste acțiuni concurente și determină care este cu adevărat cea mai bună decizie pentru acel client în acel moment?

Punctul de plecare este clientul și obiectivul comercial. Retailerul stabilește strategia, prioritățile și limitele. Maestro apoi raționează pe baza contextului disponibil al clientului, produsului și fluxului de lucru pentru a determina ce ar trebui să se întâmple în continuare.
Aceasta poate include deciderea care obiectiv comercial să fie prioritar, care flux de lucru este relevant, ce abilitate sau combinație de abilități să fie aplicată, ce produse au sens și când ar trebui să aibă loc acțiunea. Retailerii pot, de asemenea, să definească priorități în jurul unor metrici precum venitul, frecvența achizițiilor, valoarea medie a comenzii, protecția marjei sau prevenirea pierderii clienților.

Raționamentul nostru de tip Theory‑of‑Mind adaugă contextul individual: ce înseamnă comportamentul, ce ar putea avea cu adevărat nevoie clientul și de ce acesta ar putea sau nu fi momentul potrivit. Abilitățile noastre specializate și verificările de susținere pot rula alături de acest raționament. Când cea mai bună decizie este să nu intervenim, Maestro nu o face. Odată ce Maestro ajunge la o concluzie, angajează decizia și raționamentul său ca un eveniment pregătit pentru execuție, în loc să returneze pur și simplu un meniu de recomandări unui marketer.

Replenit folosește o arhitectură swarm în care multiple agenți AI specializați pot opera în paralel. Ce se întâmplă când mai mulți agenți raționează despre același client în același timp și cum preveniți ca recomandările sau acțiunile conflictuale să fie executate?

Motorul swarm al Replenit nu creează conflicte între agenți deoarece nu se referă la paralelizarea deciziilor pentru clienți; este vorba de rularea componentelor unei singure decizii în paralel. Când Maestro raționează despre un client, activează simultan mai mulți agenți specializați: o rețea de gating direcționează decizia către modelele potrivite, un LLM de raționament evaluează contextul și comportamentul clientului, agenții de îmbogățire sintetizează datele lipsă ale clientului sau ale produsului în timp real, iar modelele specializate evaluează relațiile și potrivirea produs‑client.

În loc să le ruleze secvențial, ceea ce ar fi mai lent și mai costisitor, acestea operează în paralel pe același stat al clientului și apoi converg spre o decizie unificată despre ce ar trebui să se întâmple în continuare. Nu există conflict deoarece nu concurează pentru a selecta acțiuni diferite; fiecare contribuie cu o dimensiune diferită la același rezultat.

De exemplu, îmbogățirea poate evidenția semnale lipsă ale clienților sau ale produselor, stratul de raționament interpretează istoricul achizițiilor și obiectivul comercial, modelele de relație dintre produse identifică produsul de referință și substituenții viabili, iar scorarea evaluează impactul potențial asupra afacerii. Toate acestea se desfășoară în paralel, dar produc un singur rezultat. Acest nivel de paralelizare este un avantaj arhitectural important. Este dificil de adaptat la motoare construite ca învelișuri de un singur instrument, în timp ce Replenit l-a proiectat în nucleu încă de la început.

Memoria persistentă este o altă parte importantă a platformei, permițând deciziilor să se bazeze pe ceea ce s-a întâmplat anterior cu fiecare client. Cât de importantă este memoria pe termen lung pentru agenții AI cu adevărat autonomi și ce măsuri de siguranță sunt necesare atunci când acea memorie implică comportamente potențial sensibile ale clienților?

Memoria este fundamentală pentru luarea deciziilor autonome, deoarece contextul este dinamic. Când Maestro observă o primă achiziție de produse pentru bebeluși, își amintește că contextul gospodăriei s-a schimbat și deciziile viitoare ar trebui să reflecte ciclul de viață al părinților. Când observă achiziții inițiale de produse de îngrijire a pielii, își amintește că acest client își construiește o rutină. Când apar modele de achiziție legate de fitness sau wellness, captează obiceiul care se formează.

Fiecare achiziție actualizează ceea ce sistemul înțelege despre acel client — nu doar demograficele, ci ce îi motivează, ce comportamente își stabilește și ce momente de viață se desfășoară — astfel încât următoarea decizie nu este generică, ci este ancorată în contextul real al clientului. Acea memorie cumulativă este cea care face deciziile mai inteligente.

Măsura de siguranță este simplă: păstrăm evenimentele de achiziție și tiparele contextuale care apar din ele — semnale de ciclu de viață, formarea obiceiurilor, factori de achiziție și afinitatea de categorie — cu politici stricte de păstrare și pseudonimizare acolo unde este posibil. Domeniul de date rămâne restrâns. Monitorizăm ce s-a întâmplat și ce context s-a schimbat, nimic în plus. Fără aceste bariere, memoria persistentă devine o povară, nu un activ.

Replenit este conceput să se așeze peste tehnologia pe care retailerii o utilizează deja, în loc să le ceară să înlocuiască infrastructura existentă. Ce ați învățat din implementarea la peste 30 de retaileri enterprise despre cele mai mari bariere tehnice sau organizaționale în a oferi AI o autoritate semnificativă în luarea deciziilor?

Cea mai clară problemă tehnică pe care am întâlnit-o nu este lipsa de date, ci starea acelor date. Retailerii enterprise au adesea o cantitate mare de date fragmentate între sisteme, inconsistente sau incomplete. De aceea îmbogățirea a devenit o parte importantă a arhitecturii de bază. Sistemul trebuie să creeze un context semnificativ suficient pentru a raționa chiar și atunci când setul de date de bază este imperfect.

Din punct de vedere organizațional, întrebarea mai dificilă este încrederea. Acordarea AI a unei autorități semnificative în luarea deciziilor atinge simultan mai multe funcții. Echipele de date și IT doresc explicabilitate, securitate și o sarcină redusă de integrare. Echipele de marketing au nevoie de încredere că comunicarea cu clienții va rămâne în conformitate cu brandul. Echipele CRM doresc să păstreze controlul strategic în loc să simtă că un sistem AI le ia relația cu clientul.

Prin urmare, abordarea noastră a fost să separăm strategia de execuție. Oamenii definesc obiectivele, directivele de brand și limitele, în timp ce Maestro deține luarea deciziilor individuale repetitive și execuția în interiorul acelor limite. Fiecare decizie angajată este concepută să fie urmărită, iar sistemul funcționează peste stiva existentă în loc să impună o migrație a platformei.

Pe măsură ce AI devine responsabil pentru optimizarea veniturilor și a retenției, cum preveniți ca un sistem autonom să optimizeze prea agresiv pentru metrici pe termen scurt, cum ar fi promovarea unor oferte sau achiziții inutile, în detrimentul încrederii clienților și al valorii pe termen lung a brandului?

Maestro optimizează în funcție de KPI-urile definite de oameni, nu de metrici pe care le alege singur. Dacă definiți obiectivele ca valoarea pe viață a clientului și rata de retenție, acestea sunt ce optimizează, nu viteza tranzacțiilor sau volumul de promoții. Dacă tacticile agresive pe termen scurt afectează retenția, ele eșuează în raport cu KPI-ul real. Sistemul învață direct acest compromis deoarece fiecare rezultat se întoarce în memorie, astfel încât strategiile care dăunează retenției pe termen lung devin demonstrabil mai rele pentru obiectivul de afacere stabilit.

Constrângerea este structurală. Maestro funcționează în cadrul limitelor pe care le stabiliți. Nu poate optimiza în jurul lor; operează în interiorul lor. Fiecare decizie este urmărită, astfel încât să puteți audita de ce Maestro a ales să trimită sau să rețină, care KPI-uri au ponderat acea alegere și care a fost rezultatul așteptat. Fără o definiție clară a KPI-urilor, limitele și transparența deciziilor, un sistem AI ar putea acționa prea agresiv. Dar modelul Replenit este transparent și conceput să evite acest lucru. Afacerea definește ce contează, Maestro execută spre acele obiective cu auditabilitate completă, iar fiecare rezultat ajută la determinarea dacă strategia funcționează cu adevărat.

Modelele de bază se îmbunătățesc rapid și agenții din ce în ce mai capabili vor deveni disponibili pentru aproape fiecare retailer. Pe termen lung, de unde credeți că va proveni avantajul defensiv în luarea deciziilor AI: modele proprietare, memorie la nivel de client, raționament specific domeniului, bucle de feedback, infrastructură sau altceva complet diferit?

Modelele de bază vor deveni comoditizate, astfel încât toată lumea va avea acces la motoare de raționament din ce în ce mai capabile. Defensibilitatea nu constă în modelul în sine, ci în ceea ce știi despre fiecare client și cât de repede compui acea cunoaștere. Avantajul Maestro este memoria la nivel de client, care se adâncește cu fiecare achiziție și fiecare rezultat. După șase luni de rezultate, sistemul cunoaște clientul tău mai bine decât orice model generic ar putea. Nu doar demograficele, ci ce îi motivează, când sunt receptivi, ce declanșează abandonul.

Acea memorie creează, de asemenea, continuitate. Trecerea la un alt sistem înseamnă pierderea a doi ani de context învățat. În plus, Replenit are abilități specifice domeniului codificate pentru retail, inclusiv înțelegerea etapelor ciclului de viață, modele de viteză a achizițiilor, declanșatoare de reaprovizionare, afinitate de categorie în frumusețe sau produse alimentare. Dar abilitățile pot fi copiate. Avantajul real este bucla de feedback: Maestro ia o decizie, captează rezultatul, actualizează memoria și folosește acea învățare pentru a face următoarea decizie mai inteligentă. Acea buclă este continuă și compusă. În timp, un sistem care rulează pe datele tale devine progresiv mai bun decât un sistem nou bazat pe modele generice.

Infrastructura contează, de asemenea. Concurența Swarm și modelele deținute mențin mai bine economia pe unitate, dar acestea sunt condiții de bază, nu un șanț defensiv. Avantajul defensibil este combinația dintre gravitatea datelor clienților (costuri de schimb), învățarea continuă (rezultatele care se întorc în deciziile viitoare) și raționamentul specific domeniului (context specific retailului), toate lucrând împreună. În izolare, fiecare este copiatabil. Împreună, sunt greu de replicat suficient de rapid pentru a recupera.

Vă mulțumim pentru interviul excelent, cititorii care doresc să afle mai multe ar trebui să viziteze Replenit.