Amanpal Dhupar, Mkuu wa Rejareja katika Tredence - Msururu wa Mahojiano

Amanpal Dhupar, Mkuu wa Rejareja katika Tredence ni mtaalamu wa uchanganuzi wa rejareja na kiongozi wa AI mwenye uzoefu wa zaidi ya muongo mmoja katika kubuni na kutengeneza suluhisho zinazoendeshwa na data ambazo hutoa maarifa yanayoweza kutekelezeka kwa watoa maamuzi wa biashara. Katika taaluma yake yote, ameongoza mabadiliko ya kimkakati ya uchanganuzi kwa watendaji wakuu katika wauzaji wakubwa, amejenga ramani za bidhaa za AI ili kuendesha KPI za biashara zinazopimika, na ameongeza timu za uchanganuzi kuanzia utoto hadi shughuli kubwa—akionyesha kina cha kiufundi na uhodari wa uongozi.

Tredence ni kampuni ya suluhisho za sayansi ya data na AI inayolenga kusaidia biashara kufungua thamani ya biashara kupitia uchanganuzi wa hali ya juu, ujifunzaji wa mashine, na kufanya maamuzi yanayoendeshwa na AI. Kampuni hiyo inashirikiana na chapa za kimataifa—hasa katika bidhaa za rejareja na za watumiaji—kutatua changamoto tata katika uuzaji wa bidhaa, mnyororo wa usambazaji, bei, uzoefu wa wateja, na shughuli zinazoingia sokoni, ikitafsiri maarifa kuwa athari halisi na kuwasaidia wateja kuboresha uchanganuzi wao na uwezo wao wa akili.

Wauzaji rejareja mara nyingi huendesha majaribio kadhaa ya AI, lakini ni wachache sana wanaoingia katika uwekaji kamili. Ni makosa gani ya kawaida ya shirika ambayo huzuia AI kuwa matokeo ya biashara yanayopimika?

Utafiti wa hivi karibuni wa MIT Solan uligundua kuwa 95% ya marubani wa AI hushindwa kufikia upelekaji kamili. Ukweli ni kwamba marubani ni rahisi, lakini uzalishaji ni mgumu. Katika Tredence, tumetambua sababu nne maalum za shirika zinazosababisha pengo hili.

Kwanza ni kushindwa kuelewa mtiririko wa kazi wa mtumiaji wa mwisho. Wauzaji mara nyingi huingiza AI katika michakato iliyopo iliyoharibika badala ya kuuliza jinsi mtiririko wa kazi wenyewe unavyopaswa kufikiria upya huku AI ikiwa katikati.

Pili ni ukosefu wa mbinu ya jukwaa la Agent AI. Badala ya kuwatendea mawakala kama majaribio ya mara moja, mashirika yanahitaji kurahisisha mzunguko mzima wa maisha—kuanzia usanifu na uundaji wa mawakala hadi upelekaji, ufuatiliaji, na utawala—katika biashara nzima.

Tatu ni msingi dhaifu wa data. Ni rahisi kujenga jaribio kwenye faili tambarare safi, lakini upimaji unahitaji msingi imara na wa wakati halisi ambapo data sahihi inapatikana kila mara kwa mifumo ya AI.

Hatimaye, tunaona msuguano kati ya msukumo wa TEHAMA dhidi ya mvuto wa biashara. Mafanikio hutokea tu wakati viongozi wa biashara wanaona AI kama nyongeza ya thamani inayohusishwa na athari inayoweza kupimika, badala ya usumbufu unaosukumwa na TEHAMA. Katika Tredence, lengo letu limekuwa kwenye 'maili ya mwisho,' ambapo tunaziba pengo hili kati ya uzalishaji wa maarifa na utambuzi wa thamani.

Tredence inafanya kazi na wauzaji wengi wakubwa duniani, ikiunga mkono matrilioni ya mapato. Kulingana na unachokiona katika tasnia nzima, ni nini kinachowatofautisha wauzaji wanaotumia AI kwa ufanisi na wale wanaobaki wamekwama katika majaribio?

Katika Tredence, kusaidia matrilioni katika mapato ya rejareja kumetupa nafasi ya mbele katika mgawanyiko wazi wa tasnia: wauzaji rejareja wanaochukulia AI kama mfululizo wa majaribio tofauti dhidi ya yale yanayojenga 'kiwanda cha AI' cha viwandani. Tofauti kuu iko katika kujitolea kwa misingi ya Jukwaa la AI la Wakala. Mashirika yaliyofanikiwa zaidi huacha kujenga kuanzia mwanzo na badala yake huwekeza katika mfumo ikolojia imara unaojulikana na maktaba za vipengele vinavyoweza kutumika tena, templeti za kawaida za muundo, na mifumo ya wakala iliyojengwa tayari inayolingana na kesi maalum za matumizi ya rejareja. Unapoweka safu za LLMOp zilizokomaa, uangalizi kamili, na vizuizi vya AI (RAI) vinavyowajibika juu ya msingi huu, athari ni ya mabadiliko—kwa kawaida tunaona kasi hadi thamani ya kesi mpya za matumizi ikiboreka kwa 80% kwa sababu kuinua nzito kwa usanifu tayari kumekamilika.

Hata hivyo, jukwaa ni zuri tu kama muktadha unaotumia, jambo ambalo linatuleta kwenye msingi wa data. Kuongeza ukubwa kunahitaji zaidi ya ufikiaji mbichi wa data; kunahitaji safu tajiri ya kisemantiki ambapo metadata kali na mifumo ya data iliyounganishwa huruhusu AI 'kufikiria' kuhusu biashara badala ya kusindika tu pembejeo. Hatimaye, viongozi wa kweli wanatambua kwamba hii si tu marekebisho ya teknolojia bali ni ya kitamaduni. Wanaunganisha 'maelezo ya mwisho' kwa kusonga mbele zaidi ya otomatiki rahisi hadi ushirikiano wa mawakala wa kibinadamu, kurekebisha upya mtiririko wa kazi ili washirika na wafanyabiashara waamini na kushirikiana na wenzao wa kidijitali, wakibadilisha uwezo wa algoriti kuwa uhalisia wa biashara unaopimika.

Zaidi ya asilimia 70 ya matangazo ya rejareja bado hayajafanikiwa. Ni kwa jinsi gani akili bandia (AI) inaweza kuboresha kwa njia ya maana upangaji wa matangazo, kipimo, na uboreshaji wa muda halisi?

Kiwango cha kushindwa cha 70% kinaendelea kwa sababu wauzaji mara nyingi hutegemea uchanganuzi wa 'kioo cha nyuma' unaochanganya mauzo yote na ongezeko la mauzo—kimsingi kuwafadhili wanunuzi waaminifu ambao wangenunua hata hivyo. Ili kuvunja mzunguko huu, tunahitaji kuhama kutoka kuripoti maelezo hadi mbinu ya utabiri zaidi. Katika awamu ya kupanga, tunatumia Causal AI kuiga matokeo na kuanzisha 'misingi ya kweli,' kutambua hasa kile ambacho kingeuzwa bila ofa. Hii inaruhusu wauzaji kuacha kulipa mahitaji ya kikaboni na kulenga tu ujazo mpya wa mtandao.

Kwa ajili ya kipimo, AI hutatua 'fumbo la kwingineko' kwa kupima athari za halo na ulaji wa watu. Wafanyabiashara wa kibinadamu mara nyingi hupanga katika silos, lakini AI hutoa mtazamo wa kategoria nzima, kuhakikisha kwamba ofa kwenye SKU moja si tu kuiba faida kutoka kwa nyingine. Kipimo hiki cha jumla huwasaidia wauzaji wa rejareja kuelewa kama wanakuza pai ya kategoria au wanaikata tu tofauti.

Hatimaye, kwa ajili ya uboreshaji wa muda halisi, tasnia inaelekea kwa Mawakala wa AI wanaofuatilia kampeni 'zinaporushwa.' Badala ya kusubiri uchambuzi wa baada ya kifo wiki kadhaa baada ya tukio, mawakala hawa wanapendekeza marekebisho ya kozi kwa uhuru—kama vile kurekebisha matumizi ya matangazo ya kidijitali au kubadilishana ofa—ili kuokoa P&L kabla ya ofa kuisha. Mbinu hii hubadilisha mwelekeo kutoka kwa kusafisha tu orodha hadi uhandisi wa ukuaji wenye faida.

Makosa ya utabiri na kuisha kwa hisa kunaendelea kusababisha hasara kubwa ya mapato. Ni nini hufanya mifumo ya uuzaji na ugavi inayoendeshwa na akili bandia (AI) kuwa na ufanisi zaidi kuliko mbinu za kawaida za utabiri?

Mabadiliko ya kwanza ni katika utabiri, ambapo AI inatuhamisha kutoka kutegemea historia ya ndani pekee hadi kuingiza data ya nje—kama vile hali ya hewa ya ndani, matukio ya kijamii, na viashiria vya kiuchumi. Utabiri unapoonyesha muktadha huu wa nje, faida za usahihi haziboreshi tu idadi ya mauzo; zinajitokeza katika mtiririko wa chini, zikiboresha usimamizi wa hesabu, upangaji wa uwezo, ratiba za kazi, na shughuli za ghala ili kuendana na mahitaji halisi.

Mabadiliko ya pili ni katika Out-of-Stocks (OOS), ambayo wauzaji wengi bado wanashindwa kupima kwa usahihi. AI hurekebisha hili kwa kugundua kasoro katika mifumo ya mauzo—kutambua 'Phantom Inventory' ambapo mfumo unafikiri bidhaa iko kwenye hisa, lakini mauzo yamesimama—na kusababisha kiotomatiki hesabu za mzunguko ili kurekebisha rekodi. Zaidi ya data, tunaona ongezeko la maono ya kompyuta ili kuashiria mapengo ya rafu katika muda halisi na kufuatilia hesabu katika vyumba vya nyuma, kuhakikisha bidhaa haiko 'ndani ya jengo' tu bali inapatikana kwa mteja kununua.

Biashara ya mawakala inakuwa mada kuu katika uvumbuzi wa rejareja. Je, mawakala wa akili bandia wanaotegemea hoja hubadilishaje ugunduzi na ubadilishaji wa bidhaa ikilinganishwa na uzoefu wa ununuzi wa leo unaoendeshwa na utafutaji?

Katika ununuzi wa leo unaoendeshwa na utafutaji, watumiaji bado hufanya kazi nyingi nzito. Wanapaswa kujua cha kutafuta, kulinganisha chaguzi, na kuelewa matokeo yasiyo na mwisho. Mawakala wanaotegemea hoja huvuruga hili kwa kutoa 'njia za usanifu'—mikusanyiko maalum ambayo hukusanya bidhaa za kategoria nyingi kulingana na nia maalum. Kwa mfano, badala ya kutafuta bidhaa tano tofauti, mnunuzi mwenye dhamira ya 'alfajiri yenye afya' huwasilishwa na njia ya muda iliyoshikamana, yenye kila kitu kuanzia nafaka zenye protini nyingi hadi vichanganyaji, ikivunja papo hapo njia ya ugunduzi kutoka dakika hadi sekunde.

Kwa upande wa ubadilishaji, mawakala hawa hawafanyi kama injini za utafutaji bali kama 'wahudumu wa ununuzi.' Hawaorodheshi tu chaguo; hujenga vikapu kwa bidii kulingana na mahitaji ya wazi. Ikiwa mteja anauliza 'mpango wa chakula cha jioni kwa chini ya $50,' wakala huuliza kupitia hesabu, bei, na vikwazo vya lishe ili kupendekeza kifurushi kamili. Uwezo huu wa kufikiri hufunga 'pengo la kujiamini'—kwa kuelezea kwa nini bidhaa maalum inafaa mtindo wa maisha au lengo la mtumiaji, wakala hupunguza ulemavu wa kufanya maamuzi na husababisha viwango vya juu vya ubadilishaji ikilinganishwa na gridi ya kimya ya vijipicha vya bidhaa.

Hatimaye, tunaona hili likienea hadi kwenye maudhui yaliyobinafsishwa kupita kiasi. Badala ya kuwaonyesha kila mtu bango moja la ukurasa wa nyumbani, Agent AI inaweza kutoa kurasa za kutua na taswira zinazobadilika zinazoakisi dhamira ya ununuzi ya mteja ya sasa. Hata hivyo, ili hili liweze kuongezeka, wauzaji rejareja wanaona wanahitaji kuwaweka mawakala hawa katika Mfumo wa Data Unified wenye utawala mkali wa chapa na usalama, kuhakikisha kwamba 'ubunifu' wa AI hauonyeshi kamwe bidhaa au kukiuka sauti ya chapa.

Wauzaji wengi wanapambana na usanifu wa data wa zamani. Makampuni yanapaswaje kuboresha misingi yao ya data ili mifumo ya AI iweze kutoa mapendekezo ya kuaminika na yanayoweza kuelezewa?

Kizuizi kikubwa cha mafanikio ya AI si mifumo bali ni 'kinamasi cha data' kilicho chini yake. Ili kuboresha, wauzaji lazima waache kukusanya data tu ili kujenga safu ya kisemantiki iliyounganishwa. Hii ina maana ya kutekeleza 'Mfano wa Data' wa kawaida ambapo mantiki ya biashara (kama vile 'Margin Net' au 'churn' inavyohesabiwa) hufafanuliwa mara moja na inapatikana kwa wote, badala ya kufichwa katika hati za SQL zilizogawanyika katika shirika lote.

Pili, makampuni yanahitaji kuhamia kwenye mtazamo wa 'bidhaa ya data'. Badala ya kuichukulia data kama bidhaa mbadala ya TEHAMA, wauzaji rejareja waliofanikiwa huichukulia kama bidhaa yenye umiliki uliobainishwa, SLA, na ufuatiliaji mkali wa ubora (uangalizi wa data). Unapochanganya 'rekodi hii ya dhahabu' safi na inayoongozwa na metadata tajiri, unafungua uelezeo. AI haitoi tu pendekezo la kisanduku cheusi; inaweza kufuatilia mantiki yake kupitia safu ya kisemantiki.

Ushirikiano kati ya wauzaji rejareja na kampuni za CPG kihistoria umetegemea data iliyogawanyika na vipimo visivyolingana. Je, mifumo ya data iliyounganishwa na mifumo ya AI iliyoshirikiwa hufunguaje utendaji bora wa kategoria kwa pande zote mbili?

Hadi sasa, wauzaji rejareja na CPG wamemtazama mteja mmoja kupitia lenzi tofauti, kila mmoja akitumia data na motisha zake. Mifumo ya data iliyounganishwa hubadilisha hili kwa kuunda toleo moja la ukweli katika mnyororo wa thamani, iwe ni utendaji wa rafu au tabia ya mnunuzi.

Pande zote mbili zinapofanya kazi kutoka kwa mfumo mmoja wa AI, zinaweza kutambua kwa pamoja kinachochochea ukuaji au uvujaji katika kiwango cha kategoria. Inaweza kuwa chochote - bei, ukuzaji, urval, au mapengo ya hesabu. Hii hubadilisha mazungumzo kutoka "data yangu dhidi ya yako" hadi "fursa yetu ya pamoja."

Matokeo yake ni maamuzi bora zaidi, majaribio ya haraka, na hatimaye, ukuaji wa juu wa kategoria unaowanufaisha wauzaji na chapa.

Kadri mitandao ya vyombo vya habari vya rejareja inavyokua, ni jukumu gani AI itachukua katika kuboresha ulengaji, upimaji, na uainishaji wa kitanzi kilichofungwa huku ikidumisha uaminifu wa watumiaji?

AI itabadilisha maeneo manne muhimu kadri mitandao ya vyombo vya habari vya rejareja inavyokua.

Kwanza, katika kulenga, tasnia inabadilika kutoka sehemu za hadhira tuli hadi nia ya utabiri. Kwa kuchanganua ishara za wakati halisi—kama vile kasi ya kuvinjari au muundo wa kikapu—ili kutambua wakati sahihi wa hitaji la mnunuzi, AIe inahakikisha tunaonyesha matangazo sahihi wakati ni muhimu zaidi badala ya kulenga lebo pana ya idadi ya watu.

Pili, kwa ajili ya kipimo, kiwango cha dhahabu kinabadilika kutoka Marejesho rahisi ya Matumizi ya Matangazo (ROAS) hadi ROAS ya ziada (iROAS). Kwa kutumia Causal AI, tunaweza kupima athari halisi ya matumizi ya vyombo vya habari kwa kutambua wanunuzi waliobadilisha tu kwa sababu ya tangazo dhidi ya wale ambao wangefanya hivyo kihalisia.

Tatu, ufanisi wa uendeshaji unakuwa muhimu sana, hasa katika shughuli za ubunifu. Ili kusaidia ubinafsishaji mkubwa, wauzaji wa rejareja wanatumia AI ya Kuzalisha si tu kwa mawazo bali pia kuongeza uzalishaji. Hii inaruhusu timu kutoa kiotomatiki maelfu ya tofauti za rasilimali zinazobadilika, mahususi kwa njia maalum kwa dakika badala ya wiki, na kutatua kikwazo cha 'kasi ya maudhui'.

Hatimaye, kudumisha uaminifu kunategemea utumiaji mkubwa wa vyumba vya usafi wa data. Mazingira haya huruhusu wauzaji na chapa kulinganisha seti zao za data kwa usalama kwa ajili ya uainishaji wa kitanzi kilichofungwa ili kuhakikisha kwamba Taarifa nyeti Zinazotambulika Kibinafsi (PII) zinaondoka kwenye ngome zao husika.

Tukiangalia mbele, ni uwezo gani utakaoamua kizazi kijacho cha wauzaji rejareja wanaotumia akili bandia, na viongozi wanapaswa kuanza kujenga nini leo ili kubaki na ushindani katika kipindi cha miaka mitano ijayo?

Enzi inayofuata ya rejareja itafafanuliwa na mabadiliko kutoka 'mabadiliko ya kidijitali' hadi 'mabadiliko ya kiajenti.' Tunaelekea kwenye mustakabali wa 'upangaji huru,' ambapo mitandao ya mawakala wa AI hushirikiana kuendesha michakato tata—kama vile wakala wa ugavi anayemwambia kiotomatiki wakala wa masoko asimamishe ofa kwa sababu usafirishaji umechelewa.

Ili kujiandaa kwa hili, viongozi lazima waanze kujenga mambo matatu leo.

Kwanza ni mfumo wa data uliounganishwa. Mawakala hawawezi kushirikiana ikiwa hawazungumzi lugha moja; msingi wako wa data lazima ubadilike kutoka kwenye hazina ya kuhifadhi hadi 'mfumo wa neva' wa maana.

Pili ni mfumo wa utawala kwa mawakala. Unahitaji kufafanua 'sheria za ushiriki'—kile ambacho AI inaruhusiwa kufanya kwa uhuru dhidi ya kile kinachohitaji idhini ya mwanadamu—kabla ya kuongeza ukubwa.

Hatimaye, siku za dashibodi tuli zinazotoa uchanganuzi wa 'mwonekano wa nyuma' zimehesabiwa. Tunaelekea kwenye uchanganuzi wa mazungumzo unaotoa maarifa ya papo hapo na yaliyobinafsishwa. Violesura hivi huenda mbali zaidi ya kuripoti 'kilichotokea'; vinatumia akili bandia ya kibunifu kuhoji kupitia maswali tata ya 'kwa nini' na kutoa mapendekezo ya maagizo kuhusu 'nini cha kufanya baadaye,' kwa ufanisi kufunga pengo kati ya maarifa na vitendo.

Asante kwa mahojiano mazuri, wasomaji wanaotaka kujifunza zaidi watembelee Tredence.