ก่อนจะมีการสร้างโมเดลเพิ่มเติม AI ในการค้าปลีกต้องการการปฏิวัติโครงสร้างพื้นฐาน

การนำเทคโนโลยี AI มาใช้ในธุรกิจการค้าปลีกกำลังพัฒนาไปอย่างรวดเร็ว โดยมีการลงทุนใน AI ในภาคการค้าปลีกเพิ่มขึ้นอย่างรวดเร็ว โดยคาดว่าตลาดจะเติบโตจาก 11.6 พันล้านดอลลาร์ในปี 2024 เป็นมากกว่า 40 พันล้านดอลลาร์ภายในปี 2030

ในทำนองเดียวกัน โมเดลใหม่ๆ ได้รับการเปิดตัวอย่างต่อเนื่อง ผู้ให้บริการยังคงขยายความสามารถของตน และผู้ค้าปลีกต้องเผชิญกับแรงกดดันจากคณะกรรมการและนักลงทุนในการแสดงให้เห็นว่าพวกเขากำลังรวม AI เข้ากับการดำเนินงานของตนอย่างแข็งขัน

จากภายนอก สิ่งนี้ทำให้เกิดภาพลักษณ์ของอุตสาหกรรมที่กำลังเปลี่ยนแปลงอย่างรวดเร็วและเด็ดขาด แต่ภายใต้การเคลื่อนไหวนี้ ส่วนใหญ่ของโครงการเหล่านี้ถูกวางซ้อนบนระบบที่ไม่ได้ถูกออกแบบมาเพื่อสนับสนุนพวกมัน

ข้อจำกัดไม่ใช่ความพร้อมหรือคุณภาพของโมเดล แต่เป็นสภาพของโครงสร้างพื้นฐานที่อยู่ภายใต้พวกมัน

เมื่อนำ AI มาใช้ งบประมาณแรกไม่ควรไปสู่ AI เอง แต่ควรไปสู่สิ่งที่เรียกว่า “data trust” ซึ่งเป็นโครงสร้างพื้นฐานของข้อมูล ซึ่งรวมถึงการเชื่อมต่อระหว่างระบบ การลบข้อมูลซ้ำ และการอัปเดตในเวลาจริง

การไม่ทำเช่นนี้เป็นสาเหตุหลักที่ทำให้ AI ล้มเหลวในการค้าปลีก และทำไมหลายๆ ความพยายามจึงเริ่มต้นด้วยความสำเร็จ แต่ดิ้นรนในการเปลี่ยนเป็นผลลัพธ์ที่ยั่งยืน เพื่อนำ AI มาใช้ได้สำเร็จ เราต้องเริ่มต้นด้วยโครงสร้างพื้นฐาน

ในทางตรงกันข้าม ในการค้าปลีก การสนทนาในตัวเองมักจะเริ่มต้นในระดับที่สูงเกินไป โดยมุ่งเน้นไปที่การเลือกโมเดลหรือการระบุกรณีการใช้งานที่มีศักยภาพสูง มากกว่าการพิจารณาว่าโครงสร้างพื้นฐานของข้อมูลสามารถสนับสนุนการตัดสินใจเหล่านี้ได้อย่างมีความหมายหรือไม่

หากข้อมูลที่อยู่ภายใต้นั้นกระจัดกระจาย AI จะสร้างผลลัพธ์ที่อาจเป็นอันตรายหรือทำให้เข้าใจผิด

ในองค์กรขนาดใหญ่ การกระทำนี้ได้รับการสนับสนุนจากความจำเป็นในการแสดงความก้าวหน้า “การทำอะไรบางอย่างกับ AI” กลายเป็นเป้าหมายในตัวมันเอง และการนำโมเดลมาใช้往往เป็นวิธีที่รวดเร็วที่สุดในการบรรลุเป้าหมายนั้น ไม่ว่าจะสร้างมูลค่าที่วัดได้หรือไม่

สิ่งที่ “ไม่พร้อมสำหรับ AI” ดูเหมือนในทางปฏิบัติ

ปัญหาที่สำคัญที่สุดคือการขาดความสอดคล้องระหว่างระบบ ตัวอย่างเช่น ลูกค้าเดียวกันอาจมีอยู่ในระบบ ERP, สภาพแวดล้อมการค้าปลีกออนไลน์, และระบบออฟไลน์หรือระบบความภักดี โดยแต่ละระบบมีประวัติและสมมติฐานที่แตกต่างกัน

ข้อมูลผลิตภัณฑ์ แม้ว่าจะสมบูรณ์จากด้านเทคนิค แต่ก็มีข้อจำกัดในด้านการให้ข้อมูลที่จะทำให้โมเดลสามารถตีความหรือให้เหตุผลเกี่ยวกับมันได้อย่างมีประสิทธิภาพ คุณภาพข้อมูลที่ไม่ดีเพียงอย่างเดียวคาดว่าจะทำให้องค์กรเสียค่าใช้จ่ายเกือบ 13 ล้านดอลลาร์ต่อปี ซึ่งเน้นย้ำถึงข้อจำกัดที่มีผลกระทบต่อโครงสร้างพื้นฐาน

ทีมงานของมนุษย์เรียนรู้ที่จะนำทางความไม่สอดคล้องเหล่านี้ตลอดเวลา โดยสร้างสะพานเชื่อมระหว่างระบบอย่างไม่เป็นทางการ โมเดลในทางตรงกันข้าม ทำงานอย่างเคร่งครัดภายในโครงสร้างที่ได้รับ และผลลัพธ์ที่สร้างขึ้นถูกจำกัดตามนั้น

เมื่อนำ AI มาใช้ในสภาพแวดล้อมนี้ ผลลัพธ์ไม่ใช่การขาดการผลิต แต่เป็นการเสื่อมสภาพของคุณภาพอย่างช้าๆ

โมเดลสามารถประมวลผลข้อมูลและสร้างผลลัพธ์ แต่จะไม่เชื่อมต่อระบบโดยอัตโนมัติ

ในทางปฏิบัติ สิ่งนี้อาจปรากฏเป็นเครื่องมือแนะนำผลิตภัณฑ์ที่เริ่มให้คำแนะนำที่เฉพาะเจาะจงซึ่งจัดประเภทลูกค้าในทางที่ไม่สะท้อนถึงความชอบหรือความตั้งใจที่แท้จริงของพวกเขา

ในระบบที่ขับเคลื่อนด้วย AI ประสบการณ์ของลูกค้ามักจะกลายเป็นไปอย่างแม่นยำแต่น้อยเกินไปที่จะเกี่ยวข้อง

การเปลี่ยนแปลงจากความเกี่ยวข้องทั่วไปไปสู่ความไม่เกี่ยวข้องที่เฉพาะเจาะจงอาจเป็นอันตรายมากกว่าที่ดูเหมือน เนื่องจากสิ่งนี้เปลี่ยนแปลงวิธีที่ลูกค้าเห็นแบรนด์เอง ในกรณีที่เลวร้ายที่สุด ระบบเหล่านี้ไม่เพียงแต่ทำงานไม่ได้ผล แต่ยังทำให้ประสบการณ์ของลูกค้าเสื่อมลงอย่างแข็งขัน

ทำไมโครงการ AI ส่วนใหญ่จึงหยุดชะงัก และมีค่าใช้จ่ายเท่าใด

การเคลื่อนไหวนี้เป็นหนึ่งในสาเหตุหลักที่ทำให้โครงการ AI ในการค้าปลีกจำนวนมากล้มเหลวในการพัฒนาต่อไปหลังจากการทดลอง ข้อมูลอุตสาหกรรมบ่งชี้ว่าเพียงครึ่งหนึ่งของโครงการ AI สามารถพัฒนาไปสู่การผลิตได้ โดยที่เหลือยังคงอยู่ในขั้นทดลอง

ปัญหาไม่ใช่การขาดการลงทุนหรือความตั้งใจ ข้อจำกัดเกิดขึ้นเมื่อผลลัพธ์ที่สร้างขึ้นโดยระบบเหล่านี้ไม่คุ้มค่ากับการขยายขนาด

ในจุดนั้น องค์กรต้องเลือกระหว่างการลงทุนต่อไปในการปรับให้เหมาะสมหรือละทิ้งโครงการทั้งหมด ในหลายกรณี พวกเขาตัดสินใจเลือกตัวที่สองเพราะสภาพแวดล้อมที่โครงการถูกนำไปใช้ไม่สามารถรองรับผลลัพธ์ที่สม่ำเสมอ

ทั่วทั้งอุตสาหกรรม ช่องว่างโครงสร้างพื้นฐานเดียวกันซ้ำๆ กัน ข้อมูลลูกค้ายังคงกระจัดกระจายมากกว่ารวมเป็นหนึ่งเดียว ข้อมูลผลิตภัณฑ์มีอยู่ แต่ขาดความลึกที่จำเป็นสำหรับการตีความ ระบบทำงานในแบบขนานมากกว่าทำงานเป็นกระแสข้อมูลที่สอดคล้องกัน เมื่อนำโมเดลมาใช้ ระบบเหล่านี้จะขยายปัญหาเหล่านี้

củaการเข้าใกล้นี้ขยายออกไปนอกเหนือจากค่าใช้จ่ายโดยตรง มันปรากฏเป็นการสะสมของระบบที่ผลลัพธ์ไม่สอดคล้องกัน การแนะนำผลิตภัณฑ์ที่ไม่สอดคล้องกัน และการทำให้ข้อผิดพลาดที่มีอยู่รุนแรงขึ้น

เมื่อเวลาผ่านไป สิ่งนี้สร้างการกัดเซาะความเชื่อมั่นภายในองค์กรอย่างช้าๆ ทีมงานเริ่มสงสัยถึงความน่าเชื่อถือของระบบที่พวกเขากำลังสร้าง และมีการนำเทคโนโลยีเข้ามาเพิ่มเติมเพื่อชดเชย ผลลัพธ์คือความล่าช้าในการบรรลุความชัดเจนที่จำเป็นในการสร้างระบบที่ทำงาน

สาเหตุที่หลายบริษัทสร้างโครงการ AI แต่ไม่เคยพัฒนาไปไกลกว่านั้น คือพวกเขากำลังสร้างโครงการเหล่านี้บนพื้นฐานที่อ่อนแอ ซึ่งเหมือนกับการทำอาหารด้วยวัตถุดิบที่ไม่ดี

คุณอาจมีสูตรของ Gordon Ramsay และอุปกรณ์ที่ดี แต่ถ้าวัตถุดิบไม่ดี ผลลัพธ์ก็จะยังคงไม่ดี

ความแตกต่างระหว่างสตาร์ทอัพและองค์กรขนาดใหญ่

องค์กรขนาดเล็ก โดยเฉพาะอย่างยิ่ง那些ในกลุ่มตลาดกลาง มักแสดงให้เห็นถึงความสามารถที่ดีกว่าในการนำ AI มาใช้อย่างมีประสิทธิภาพ สิ่งนี้เกิดจากการที่ระบบของพวกเขาไม่กระจัดกระจายและกระบวนการตัดสินใจมีความตรงไปตรงมา

ในองค์กรขนาดใหญ่ โครงสร้างตัวเองนำเสนออุปสรรคที่อาจเกิดขึ้น โครงการมักถูกขับเคลื่อนโดยความจำเป็นในการตอบสนองความคาดหวังภายนอก และ AI กลายเป็นหมวดหมู่ที่ต้องได้รับการแก้ไขมากกว่าความสามารถที่ถูกบูรณาการอย่างรอบคอบ

การกล่าวว่า “เราต้องการนำ AI มาใช้” เหมือนกับการนำไฟฟ้าเข้าไปในโรงงานโดยไม่มีเครื่องจักร ไฟจะสว่าง แต่การผลิตจะไม่ดีขึ้น เพราะคุณลงทุนในเทคโนโลยีโดยไม่ทราบว่ามันจะทำอะไรได้บ้าง

การเปลี่ยนแปลงจากโมเดลไปสู่โครงสร้างพื้นฐาน

แนวทางที่แตกต่างกำลังเริ่มเกิดขึ้นในหมู่องค์กรที่ได้พบกับข้อจำกัดเหล่านี้โดยตรง

แทนที่จะจัดสรรเงินงบประมาณแรกให้กับโมเดล AI พวกเขากำลังลงทุนในสิ่งที่สามารถอธิบายได้ว่าเป็น “data trust” ซึ่งเป็นการสร้างพื้นฐานที่ข้อมูลมีความสอดคล้อง เชื่อมต่อ และอัปเดตอย่างต่อเนื่อง วัตถุประสงค์คือเพื่อให้แน่ใจว่าข้อมูลที่ใช้สามารถสนับสนุนการตัดสินใจที่มีความหมาย

การเตรียมข้อมูลสามารถใช้เวลาสูงถึง 80% ของเวลาที่ใช้ในโครงการ machine learning ซึ่งเน้นย้ำถึงความสำคัญของการทำงานในระดับข้อมูลมากกว่าในระดับโมเดล

กระบวนการนี้มักจะเริ่มต้นด้วยการทำแผนที่ระบบที่มีอยู่อย่างละเอียดและระบุช่องว่างในกระแสข้อมูลและความสมบูรณ์ 30 ถึง 60 วันแรกมักจะถูกใช้ในการทำความเข้าใจว่าข้อมูลเคลื่อนย้ายหรือไม่เคลื่อนย้ายไปตามองค์กร สิ่งนี้ตามด้วยช่วงเวลาในการรวมและมาตรฐาน化 โดยที่ข้อมูลถูกทำความสะอาด ลบข้อมูลซ้ำ และจัดตำแหน่งข้ามแพลตฟอร์ม

ในช่วงสามถึงหกเดือนต่อมา บริษัทต่างๆ มุ่งเน้นไปที่การสร้างท่อข้อมูลที่เชื่อถือได้และเชื่อมต่อระบบที่มีคุณค่าสูงในลักษณะที่รองรับกรณีการใช้งานที่แท้จริง เพียงหลังจากที่พื้นฐานนี้ถูกสร้างขึ้นแล้ว จึงเป็นไปได้ที่จะนำ AI เข้ามาในกระบวนการทำงานที่สามารถสร้างผลลัพธ์ที่สม่ำเสมอและวัดผลได้

ภายในระยะหกถึงเก้าเดือน องค์กรที่ปฏิบัติตามแนวทางนี้มักจะเริ่มเห็นผลลัพธ์ที่มีความหมายในรูปแบบของกระบวนการขับเคลื่อนด้วย AI ที่มีอิทธิพลต่อเมตริก เช่น การแปลง การรักษา และการปรับปรุงมาร์จิน ในจุดนั้น โมเดลจะหยุดเป็นการทดลองและกลายเป็นส่วนหนึ่งของการดำเนินงาน การทำงานของพวกมันจะเสถียร และผลลัพธ์จะกลายเป็นข้อมูลที่สามารถดำเนินการได้จนกระทั่งทีมสามารถพึ่งพาได้

การเร่งการลงทุนใน AI ในการค้าปลีกไม่น่าจะชะลอตัวในระยะสั้น สิ่งที่ยังคงไม่แน่นอนคือโครงสร้างพื้นฐานจะพร้อมหรือไม่เพื่อรองรับและสนับสนุนมัน ช่องว่างที่กว้างขึ้นระหว่างสิ่งที่องค์กรคาดหวังให้ AI นำมาสู่และระบบที่สามารถสนับสนุนได้กำลังปรากฏในจำนวนโครงการทดลองที่ล้มเหลวในการเข้าสู่การผลิต การแก้ไขช่องว่างนี้ต้องการการเปลี่ยนแปลงของโฟกัสไปสู่การสร้างโครงสร้างพื้นฐานที่สำคัญนี้ การเปลี่ยนการคุยกันจากโมเดลไปสู่โครงสร้างพื้นฐานไม่ได้รับการรับรู้หรือมีความเร่งด่วนในแบบเดียวกัน แต่นี่คือที่ที่ข้อจำกัดในปัจจุบันอยู่ และนี่คือที่ที่ขั้นตอนต่อไปของความก้าวหน้าที่มีความหมายในด้านการค้าปลีกที่ขับเคลื่อนด้วย AI มีแนวโน้มที่จะเกิดขึ้น

การเปลี่ยนการคุยกันจากโมเดลไปสู่โครงสร้างพื้นฐานไม่ได้รับการรับรู้หรือมีความเร่งด่วนในแบบเดียวกัน แต่นี่คือที่ที่ข้อจำกัดในปัจจุบันอยู่ และนี่คือที่ที่ขั้นตอนต่อไปของความก้าวหน้าที่มีความหมายในด้านการค้าปลีกที่ขับเคลื่อนด้วย AI มีแนวโน้มที่จะเกิดขึ้น การเปลี่ยนโฟกัสไปสู่การสร้างโครงสร้างพื้นฐานที่สำคัญนี้