Amanpal Dhupar, หัวหน้าฝ่ายค้าปลีกที่ Tredence – สัมภาษณ์รายการ

Amanpal Dhupar, หัวหน้าฝ่ายค้าปลีกที่ Tredence เป็นผู้นำด้านการวิเคราะห์ข้อมูลค้าปลีกและ AI ที่มีประสบการณ์มากกว่าหนึ่งทศวรรษในการออกแบบและพัฒนาโซลูชันที่ขับเคลื่อนด้วยข้อมูลที่ให้ข้อมูลเชิงลึกที่สามารถดำเนินการได้สำหรับผู้ตัดสินใจระดับองค์กรตลอดอาชีพการงานของเขา เขาได้นำการเปลี่ยนแปลงด้านการวิเคราะห์เชิงกลยุทธ์สำหรับผู้บริหารระดับสูงในผู้ค้าปลีกรายใหญ่ สร้างเส้นทางผลิตภัณฑ์ AI เพื่อขับเคลื่อน KPI ธุรกิจที่วัดผลได้ และขยายทีมการวิเคราะห์จากขนาดเล็กไปสู่การดำเนินงานขนาดใหญ่ โดยแสดงให้เห็นถึงความลึกทางเทคนิคและความสามารถในการเป็นผู้นำ

Tredence เป็นบริษัทที่ให้บริการด้านวิทยาศาสตร์ข้อมูลและ AI ที่มุ่งเน้นในการช่วยให้ธุรกิจปลดล็อกมูลค่าทางธุรกิจผ่านการวิเคราะห์ขั้นสูง การเรียนรู้ของเครื่อง และการตัดสินใจด้วยพลังของ AI บริษัทเป็นพันธมิตรกับแบรนด์ระดับโลก โดยเฉพาะในภาคค้าปลีกและสินค้าอุปโภคบริโภค เพื่อแก้ไขปัญหาที่ซับซ้อนในด้านการค้าปลีก การจัดการห่วงโซ่อุปทาน การกำหนดราคา ประสบการณ์ของลูกค้า และการดำเนินงานการตลาด โดยการแปลข้อมูลเชิงลึกให้เป็นผลกระทบในโลกแห่งความเป็นจริง และช่วยให้ลูกค้าปรับปรุงความสามารถด้านการวิเคราะห์และข่าวกรองของตน

ผู้ค้าปลีกมักจะดำเนินการทดลอง AI หลายสิบโครงการ แต่มีเพียงไม่กี่โครงการที่สามารถนำไปสู่การนำไปใช้จริงได้ สิ่งที่ผิดพลาดที่พบบ่อยที่สุดขององค์กรที่ขัดขวาง AI ไม่ให้กลายเป็นผลลัพธ์ทางธุรกิจที่วัดผลได้คืออะไร?

การศึกษาของ MIT Solan พบว่า 95% ของการทดลอง AI ไม่สามารถบรรลุการนำไปใช้จริงได้ ความเป็นจริงคือการทดลองเป็นสิ่งที่ง่าย แต่การผลิตเป็นสิ่งที่ยาก ที่ Tredence เราได้ระบุสาเหตุขององค์กรที่ชัดเจน四ประการซึ่งผลักดันให้เกิดช่องว่างนี้

ประการแรกคือความล้มเหลวในการเข้าใจกระบวนการทำงานของผู้ใช้ปลายทาง ผู้ค้าปลีกมักจะแทรก AI เข้าไปในกระบวนการที่มีอยู่ซึ่งเสียหายแล้ว แทนที่จะถามว่ากระบวนการทำงานควรได้รับการออกแบบใหม่ด้วย AI เป็นศูนย์กลาง

ประการที่สองคือการขาดแนวทางในการใช้ AI ที่มีเจตนา แทนที่จะรักษาเอเย่นต์ให้เป็นการทดลองแบบ one-off องค์กรต้องทำให้กระบวนการชีวิตทั้งหมดง่ายขึ้น ตั้งแต่การออกแบบและการพัฒนาไปจนถึงการนำไปใช้ การติดตาม และการกำกับดูแลทั่วทั้งองค์กร

ประการที่สามคือรากฐานข้อมูลที่อ่อนแอ เป็นเรื่องง่ายที่จะสร้างการทดลองโดยใช้ไฟล์แบบราบ แต่การขยายขนาดต้องใช้รากฐานที่แข็งแกร่งและทันเวลา โดยที่ข้อมูลที่ถูกต้องสามารถเข้าถึงได้อย่างต่อเนื่องสำหรับโมเดล AI

สุดท้าย เราเห็นความเสียดสีระหว่างการผลักดันของ IT และการดึงดูดของธุรกิจ ความสำเร็จเกิดขึ้นเมื่อผู้นำธุรกิจมองเห็น AI เป็นสิ่งที่เพิ่มมูลค่าเชื่อมโยงกับผลกระทบที่วัดผลได้ แทนที่จะเป็นความวุ่นวายที่ผลักดันโดย IT ที่ Tredence จุดมุ่งเน้นของเรามาเป็นเวลาหลายปีในการเชื่อมช่องว่างระหว่างการสร้างข้อมูลเชิงลึกและการทำให้จริง

Tredence ร่วมมือกับผู้ค้าปลีกที่ใหญ่ที่สุดในโลกหลายราย โดยสนับสนุนรายได้หลายล้านล้านเหรียญสหรัฐฯ ตามที่คุณเห็นในอุตสาหกรรม คุณคิดว่าอะไรคือปัจจัยที่ทำให้ผู้ค้าปลีกที่สามารถขยาย AI ได้สำเร็จแตกต่างจากผู้ที่ยังคงอยู่ในขั้นทดลอง?

ที่ Tredence การสนับสนุนรายได้ค้าปลีกหลายล้านล้านเหรียญสหรัฐฯ ได้ให้เราได้รับชมอุตสาหกรรมที่มีการแบ่งแยกชัดเจน: ผู้ค้าปลีกที่มอง AI เป็นการทดลองที่แตกต่างกัน และผู้ที่สร้าง ‘โรงงาน AI’ ที่เป็นอุตสาหกรรม สิ่งที่แตกต่างหลักๆ คือการมุ่งมั่นที่จะสร้างรากฐานของ AI ที่มีเจตนา องค์กรที่ประสบความสำเร็จที่สุดหยุดการสร้างจากศูนย์และลงทุนในระบบนิเวศที่มีไลบรารี่ส่วนประกอบที่สามารถใช้ซ้ำได้ แบบจำลองการออกแบบมาตรฐาน และรูปแบบเอเย่นต์ที่สร้างไว้ล่วงหน้าซึ่งจัดตำแหน่งให้เหมาะสมกับกรณีการใช้งานค้าปลีกเฉพาะ เมื่อคุณเพิ่ม LLMOps ที่มีความสามารถเต็มรูปแบบ การสังเกตที่ครอบคลุม และการป้องกัน AI ที่มีความรับผิดชอบ (RAI) ที่ฝังตัวไว้บนรากฐานนี้ ผลกระทบจะเป็นการเปลี่ยนแปลง – โดยปกติเราจะเห็นความเร็วในการสร้างมูลค่าใหม่สำหรับกรณีการใช้งานใหม่ๆ ดีขึ้น 80% เนื่องจากรากฐานทางสถาปัตยกรรมที่หนักหน่วงได้ทำไว้แล้ว

อย่างไรก็ตาม ระบบใดๆ ก็ไม่ดีไปกว่าบริบทที่มันบริโภค ซึ่งนำเราไปสู่รากฐานข้อมูล การขยายขนาดต้องใช้มากกว่าแค่การเข้าถึงข้อมูลที่ไม่ได้ประมวลผล ต้องใช้ชั้นข้อมูลที่มีคำอธิบายที่เข้มแข็ง โดยที่เมตาดาต้าที่แข็งแกร่งและแบบจำลองข้อมูลที่รวมกันทำให้ AI สามารถ ‘ให้เหตุผล’ เกี่ยวกับธุรกิจได้จริงๆ แทนที่จะแค่ประมวลผลข้อมูลเข้า

สุดท้าย ผู้นำที่แท้จริงตระหนักว่านี่ไม่ใช่แค่การเปลี่ยนแปลงทางเทคโนโลยี แต่ยังเป็นการเปลี่ยนแปลงทางวัฒนธรรมด้วย พวกเขาช่วยให้ ‘ไมล์สุดท้าย’ โดยการย้ายจากแค่การทำให้กระบวนการทำงานอัตโนมัติไปสู่การทำงานร่วมกันระหว่างมนุษย์และเอเย่นต์ โดยการออกแบบกระบวนการทำงานใหม่เพื่อให้พนักงานและผู้ค้าปลีกเชื่อถือและร่วมมือกับพันธมิตรดิจิทัลของตน ทำให้ศักยภาพของอัลกอริทึมกลายเป็นความเป็นจริงทางธุรกิจที่วัดผลได้

มากกว่า 70% ของการส่งเสริมการขายยังคงล้มเหลวในการทำกำไรได้ AI สามารถปรับปรุงการวางแผนการส่งเสริมการขาย การวัดผล และการปรับให้เหมาะสมแบบเรียลไทม์ได้อย่างไร?

อัตราการล้มเหลว 70% ยังคงอยู่เนื่องจากผู้ค้าปลีกมักจะพึ่งพาการวิเคราะห์ ‘มองย้อนหลัง’ ที่ทำให้ยอดขายทั้งหมดสับสนกับการเพิ่มขึ้นจริงๆ ซึ่งโดยพื้นฐานแล้วคือการช่วยเหลือผู้ซื้อที่ซื่อสัตย์ซึ่งจะซื้อของอยู่แล้ว เพื่อหยุดช่วงเวลานี้ เราต้องเปลี่ยนจากการรายงานเชิงอธิบายไปสู่แนวทางที่คาดการณ์ได้มากขึ้น ในขั้นตอนการวางแผน เราใช้ AI ที่มีเหตุผลในการจำลองผลลัพธ์และกำหนด ‘บรรทัดฐานที่แท้จริง’ โดยระบุว่าสินค้าใดจะขายได้หากไม่มีการส่งเสริมการขาย ซึ่งช่วยให้ผู้ค้าปลีกหยุดจ่ายเงินสำหรับความต้องการที่เป็นธรรมชาติและกำหนดเป้าหมายไปยังปริมาณใหม่ๆ

สำหรับการวัดผล AI จะแก้ ‘ปัญหาผลงาน’ โดยการปริมาณผลกระทบฮาโลและผลกระทบของการกินเนื้อคน ผู้ค้าปลีกมักวางแผนในห้องที่แยกจากกัน แต่ AI ให้มุมมองที่ครอบคลุมในระดับหมวดหมู่ ซึ่งทำให้แน่ใจว่าการส่งเสริมการขายสำหรับ SKU หนึ่งๆ ไม่ได้เพียงแค่ขโมยมาร์จินจากอีก SKU หนึ่ง การวัดผลที่ครอบคลุมนี้ช่วยให้ผู้ค้าปลีกเข้าใจว่าพวกเขาเติบโตหมวดหมู่หรือแค่ตัดชิ้นให้แตกต่างกัน

สุดท้าย สำหรับการปรับให้เหมาะสมแบบเรียลไทม์ อุตสาหกรรมกำลังเคลื่อนไปสู่ตัวแทน AI ที่ติดตามแคมเปญ ‘ในระหว่างการบิน’ แทนที่จะรอการวิเคราะห์หลังการเสียชีวิตหลายสัปดาห์หลังจากเหตุการณ์ ตัวแทนเหล่านี้แนะนำการเปลี่ยนแปลงเส้นทางอัตโนมัติ เช่น การปรับเปลี่ยนการใช้จ่ายโฆษณาดิจิทัลหรือการเปลี่ยนข้อเสนอ เพื่อช่วยชีวิต P&L ก่อนที่การส่งเสริมการขายจะสิ้นสุดลง แนวทางนี้เปลี่ยนโฟกัสจากการล้างสต๊อกไปสู่การเติบโตที่มีประสิทธิภาพ

ข้อผิดพลาดในการคาดการณ์และการขาดสินค้าทำให้เกิดการสูญเสียรายได้จำนวนมาก AI ที่ขับเคลื่อนการค้าปลีกและการจัดการห่วงโซ่อุปทานมีประสิทธิภาพมากกว่าการคาดการณ์แบบดั้งเดิมอย่างไร?

การเปลี่ยนแปลงครั้งแรกคือการคาดการณ์ โดยที่ AI ย้ายเราจากการตั้งใจพึ่งพาเพียงประวัติภายในไปสู่การบริโภคข้อมูลภายนอก เช่น สภาพอากาศท้องถิ่น เหตุการณ์สังคม และตัวชี้วัดทางเศรษฐกิจ เมื่อคาดการณ์ครอบคลุมบริบทภายนอก ความแม่นยำที่ดีขึ้นไม่เพียงแต่ปรับปรุงตัวเลขยอดขายเท่านั้น แต่ยังเพิ่มประสิทธิภาพการจัดการสินค้าคงคลัง การวางแผนความสามารถ การจัดตารางการทำงาน และการดำเนินงานของคลังสินค้าให้สอดคล้องกับความต้องการที่แท้จริง

การเปลี่ยนแปลงครั้งที่สองคือการขาดสินค้า ซึ่งผู้ค้าปลีกส่วนใหญ่ยังคงวัดไม่ได้อย่างแม่นยำ AI แก้ไขปัญหานี้โดยการตรวจจับรูปแบบการขายที่ผิดปกติ โดยระบุ ‘สินค้าในคลังที่เป็นภาพลวง’ โดยที่ระบบคิดว่าสินค้าอยู่ในสต๊อก แต่การขายหยุดแล้ว และโดยอัตโนมัติทริกเกอร์การนับวงจรเพื่อแก้ไขบันทึก นอกเหนือจากข้อมูลแล้ว เรากำลังเห็นการเพิ่มขึ้นของการมองเห็นคอมพิวเตอร์เพื่อระบุช่องว่างบนชั้นวางแบบเรียลไทม์และติดตามสินค้าในห้องหลัง เพื่อให้แน่ใจว่าสินค้าไม่เพียงอยู่ใน ‘อาคาร’ เท่านั้น แต่ยังพร้อมสำหรับการซื้อของลูกค้า

การค้าปลีกแบบตัวแทนกำลังเป็นธีมหลักในการนวัตกรรมค้าปลีก ตัวแทน AI ที่ใช้เหตุผลเปลี่ยนแปลงการค้นพบสินค้าและการแปลงแบบใดเมื่อเทียบกับประสบการณ์การช็อปปิ้งแบบขับเคลื่อนด้วยการค้นหาของวันนี้?

ในประสบการณ์การช็อปปิ้งแบบขับเคลื่อนด้วยการค้นหา ผู้บริโภคยังคงต้องทำงานหนักมาก พวกเขาต้องรู้ว่าจะค้นหาอะไร เปรียบเทียบตัวเลือก และเข้าใจผลลัพธ์ที่ไม่สิ้นสุด ตัวแทนโดยอาศัยเหตุผลเปลี่ยนแปลงสิ่งนี้โดยการสร้าง ‘ทางเดินสังเคราะห์’ ไดนามิก ซึ่งรวบรวมสินค้าหลายหมวดหมู่ตามความตั้งใจเฉพาะ ตัวอย่างเช่น แทนที่จะค้นหาสินค้า 5 ชิ้นแยกกัน ลูกค้าที่มีภารกิจ ‘เช้าแบบดีต่อสุขภาพ’ จะได้รับทางเดินชั่วคราวที่มีทุกอย่างตั้งแต่ซีเรียลโปรตีนสูงไปจนถึงเครื่องปั่นสมูทตี้ โดยการยุบช่องทางการค้นพบจากนาทีเป็นวินาที

ด้านการแปลง ตัวแทนเหล่านี้ทำงานเหมือน ‘ผู้ช่วยช็อปปิ้ง’ มากกว่าเครื่องมือค้นหา พวกเขาไม่เพียงแสดงตัวเลือกเท่านั้น แต่ยังสร้างตะกร้าโดยอิงจากความต้องการที่เปิดกว้าง หากลูกค้าถาม ‘แผนอาหารเย็นสำหรับ 4 คนในราคา 50 ดอลลาร์’ ตัวแทนจะให้เหตุผลผ่านสินค้าคงคลัง ราคา และข้อจำกัดด้านอาหารเพื่อแนะนำชุดค่าผสมที่สมบูรณ์ ความสามารถในการให้เหตุผลนี้ช่วยปิด ‘ช่องว่างความมั่นใจ’ โดยการอธิบายว่าทำไมสินค้าจึงเหมาะกับวิถีชีวิตหรือเป้าหมายของลูกค้า ตัวแทนจึงลดการชะงักงันในการตัดสินใจและขับเคลื่อนอัตราการแปลงที่สูงกว่าเมื่อเทียบกับกริดของภาพส่วนตัว

สุดท้าย เรากำลังเห็นสิ่งนี้ขยายไปสู่เนื้อหาที่ปรับให้เหมาะกับแต่ละบุคคล มากกว่าที่จะแสดงแบนเนอร์หน้าแรกเดียวกันให้กับทุกคน AI ที่ใช้ตัวแทนสามารถสร้างหน้าลงจอดและภาพที่มีชีวิตชีวาไดนามิกซึ่งสะท้อนถึงภารกิจช็อปปิ้งปัจจุบันของลูกค้า อย่างไรก็ตาม เพื่อให้สิ่งนี้ขยายตัว ผู้ค้าปลีกพบว่าพวกเขาต้องการให้ตัวแทนเหล่านี้มีรากฐานมาจากโมเดลข้อมูลที่รวมกัน โดยมีการกำกับดูแลแบรนด์และความปลอดภัยอย่างเข้มงวด เพื่อให้แน่ใจว่า ‘ความสร้างสรรค์’ ของ AI ไม่เคยสร้างสินค้าหรือละเมิดเสียงแบรนด์

ผู้ค้าปลีกหลายรายต้องต่อสู้กับโครงสร้างข้อมูลที่ล้าสมัย องค์กรควรปรับปรุงรากฐานข้อมูลของตนอย่างไรเพื่อให้ AI สามารถให้คำแนะนำที่เชื่อถือได้และอธิบายได้?

อุปสรรคที่ใหญ่ที่สุดต่อความสำเร็จของ AI ไม่ใช่โมเดล แต่เป็น ‘บogs ข้อมูล’ ที่อยู่ด้านล่าง เพื่อปรับปรุง ผู้ค้าปลีกต้องหยุดการรวบรวมข้อมูลเพื่อสร้างชั้นเชิงอธิบายที่รวมกัน ซึ่งหมายถึงการนำไปใช้ ‘แบบจำลองข้อมูล’ มาตรฐาน โดยที่ตรรกะทางธุรกิจ (เช่น วิธีการคำนวณ ‘มาร์จินสุทธิ’ หรือ ‘การลาออก’ อย่างไร) ถูกกำหนดเพียงครั้งเดียวและสามารถเข้าถึงได้ทั่วทั้งองค์กร แทนที่จะซ่อนอยู่ในซกริปต์ SQL ที่กระจัดกระจายทั่วทั้งองค์กร

ประการที่สอง องค์กรต้องย้ายไปยัง ‘มุมมองผลิตภัณฑ์ข้อมูล’ แทนที่จะรักษาข้อมูลให้เป็นผลพลอยได้จาก IT ผู้ค้าปลีกที่ประสบความสำเร็จรักษาข้อมูลให้เป็นผลิตภัณฑ์ที่มีเจ้าของที่กำหนดไว้ SLA และการตรวจสอบคุณภาพอย่างเข้มงวด (การตรวจสอบข้อมูล) เมื่อคุณรวม ‘บันทึกทอง’ ที่สะอาดและมีการกำกับดูแลนี้เข้ากับเมตาดาต้าที่มีรายละเอียด คุณจะปลดล็อกความสามารถในการอธิบาย AI ไม่เพียงแต่ให้คำแนะนำแบบกล่องดำเท่านั้น แต่ยังสามารถติดตามตรรกะกลับไปที่ชั้นเชิงอธิบาย

การทำงานร่วมกันระหว่างผู้ค้าปลีกและบริษัท CPG มักจะพึ่งพาข้อมูลที่กระจัดกระจายและตัวชี้วัดที่ไม่สอดคล้องกัน โมเดลข้อมูลที่รวมกันและแพลตฟอร์ม AI ที่ใช้ร่วมกันสามารถปลดล็อกประสิทธิภาพหมวดหมู่ที่แข็งแกร่งยิ่งขึ้นสำหรับทั้งสองฝ่ายได้อย่างไร?

จนถึงตอนนี้ ผู้ค้าปลีกและ CPG มองเห็นลูกค้าเดียวกันผ่านเลนส์ที่แตกต่างกัน โดยใช้ข้อมูลและแรงจูงใจของตนเอง โมเดลข้อมูลที่รวมกันเปลี่ยนแปลงสิ่งนี้โดยการสร้าง ‘ความจริงที่เป็นหนึ่งเดียว’ ทั่วทั้งห่วงโซ่คุณค่า ไม่ว่าจะเป็นประสิทธิภาพของชั้นวางหรือพฤติกรรมของลูกค้า

เมื่อทั้งสองฝ่ายทำงานบนแพลตฟอร์ม AI เดียวกัน พวกเขาสามารถระบุสิ่งที่ขับเคลื่อนการเติบโตหรือการรั่วไหลในระดับหมวดหมู่ร่วมกัน ไม่ว่าจะเป็นเรื่องราคา การส่งเสริมการขาย การเลือกสินค้า หรือช่องว่างในการจัดหาสินค้า การเปลี่ยนแปลงนี้เปลี่ยนการอภิปรายจาก ‘ข้อมูลของฉันเทียบกับของคุณ’ ไปเป็น ‘โอกาสร่วมกัน’ ของเรา

ผลลัพธ์คือการตัดสินใจที่ฉลาดกว่า การทดลองที่เร็วขึ้น และในที่สุดแล้วการเติบโตของหมวดหมู่ที่สูงขึ้นซึ่งให้ประโยชน์ต่อทั้งผู้ค้าปลีกและแบรนด์

เมื่อเครือข่ายสื่อค้าปลีกเติบโตขึ้น AI จะมีบทบาทอย่างไรในการปรับปรุงการกำหนดเป้าหมาย การวัดผล และการกำหนดคุณลักษณะแบบปิดวงจร ในขณะเดียวกันก็รักษาความไว้วางใจของผู้บริโภค?

AI จะเปลี่ยนแปลงสี่พื้นที่หลักเมื่อเครือข่ายสื่อค้าปลีกเติบโตขึ้น

ประการแรก ในการกำหนดเป้าหมาย อุตสาหกรรมกำลังพัฒนาไปสู่การคาดการณ์ความตั้งใจ แทนที่จะกำหนดเป้าหมายไปยังเซ็กเมนต์ผู้ชมที่คงที่ โดยการวิเคราะห์สัญญาณแบบเรียลไทม์ เช่น ความเร็วในการเลื่อนหรือการประกอบตะกร้าเพื่อระบุวินาทีที่แน่นอนที่ความต้องการของลูกค้า AI รับรองว่าเราจะแสดงโฆษณาที่ถูกต้องเมื่อมันสำคัญที่สุด แทนที่จะกำหนดเป้าหมายไปยังป้ายกำกับประชากรที่กว้าง

ประการที่สอง สำหรับการวัดผล มาตรฐานทองคำเปลี่ยนจาก Return on Ad Spend (ROAS) ที่เรียบง่ายไปสู่ iROAS (incremental ROAS) ที่เพิ่มขึ้น โดยใช้ AI ที่มีเหตุผล เราสามารถวัดผลกระทบจริงของการลงทุนสื่อได้โดยการระบุลูกค้าที่เปลี่ยนใจเพราะโฆษณาเท่านั้น แทนที่จะเกิดขึ้นตามธรรมชาติ

ประการที่สาม การทำงานร่วมกันอย่างมีประสิทธิภาพกลายเป็นสิ่งสำคัญ โดยเฉพาะอย่างยิ่งในด้านการดำเนินงานสร้างสรรค์ เพื่อสนับสนุนการปรับให้เหมาะกับแต่ละบุคคล ผู้ค้าปลีกใช้ AI ที่สร้างสรรค์ไม่เพียงแต่สำหรับการสร้างสรรค์เท่านั้น แต่ยังเพื่อปรับขนาดการผลิตด้วย ทำให้ทีมสามารถสร้างการเปลี่ยนแปลงของสินทรัพย์หลายพันรายการได้ภายในไม่กี่นาที แทนที่จะเป็นสัปดาห์ โดยแก้ไขปัญหาการขาด ‘ความเร็วของเนื้อหา’

สุดท้าย การรักษาความไว้วางใจขึ้นอยู่กับการนำห้องสะอาดข้อมูลมาใช้อย่างแพร่หลาย สภาพแวดล้อมเหล่านี้ช่วยให้ผู้ค้าปลีกและแบรนด์สามารถจับคู่ชุดข้อมูลของตนได้อย่างปลอดภัยเพื่อการกำหนดคุณลักษณะแบบปิดวงจร โดยการรับประกันว่าข้อมูลส่วนบุคคลที่สามารถระบุตัวตนได้ (PII) ไม่เคยออกจากไฟร์วอลล์ของตน

เมื่อมองไปข้างหน้า ความสามารถใดจะกำหนดผู้ค้าปลีกที่มีพลัง AI รุ่นต่อไป และผู้นำควรเริ่มสร้างอะไรวันนี้เพื่อให้สามารถแข่งขันได้ในช่วงห้าปีข้างหน้า?

ยุคหน้าของค้าปลีกจะถูกกำหนดโดยการเปลี่ยนแปลงจาก ‘การเปลี่ยนแปลงดิจิทัล’ ไปเป็น ‘การเปลี่ยนแปลงที่ใช้ตัวแทน’ เรากำลังจะเข้าสู่ยุคของ ‘การกำกับดูแลอัตโนมัติ’ โดยที่เครือข่ายของตัวแทน AI ร่วมมือกันเพื่อจัดการกระบวนการที่ซับซ้อน เช่น ตัวแทนห่วงโซ่อุปทานที่บอกตัวแทนการตลาดให้หยุดการส่งเสริมการขายเพราะการส่งมอบล่าช้า

เพื่อเตรียมพร้อมสำหรับสิ่งนี้ ผู้นำต้องเริ่มสร้างสามสิ่งวันนี้

ประการแรก คือโมเดลข้อมูลที่รวมกัน ตัวแทนไม่สามารถร่วมมือกันได้หากพวกเขาไม่พูดภาษาเดียวกัน รากฐานข้อมูลของคุณต้องพัฒนาจากที่เก็บข้อมูลไปสู่ ‘ระบบประสาท’ เชิงอธิบาย

ประการที่สอง คือโครงสร้างการกำกับดูแลสำหรับตัวแทน คุณต้องกำหนด ‘กฎการมีส่วนร่วม’ – สิ่งที่ AI ได้รับอนุญาตให้ทำอัตโนมัติเทียบกับสิ่งที่ต้องการการอนุมัติของมนุษย์ – ก่อนที่คุณจะขยายขนาด

สุดท้าย วันของแดชบอร์ดแบบคงที่ที่ให้ ‘การวิเคราะห์ย้อนหลัง’ กำลังจะสิ้นสุดลง เรากำลังจะย้ายไปสู่การวิเคราะห์เชิงสนทนาแบบส่วนตัวที่ให้ข้อมูลเชิงลึกแบบเรียลไทม์ และให้คำแนะนำเชิงสั่งการเกี่ยวกับสิ่งที่ต้องทำต่อไป โดยพื้นฐานแล้วการปิดช่องว่างระหว่างการสร้างข้อมูลเชิงลึกและการทำให้จริง

ขอขอบคุณสำหรับสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Tredence เพื่อเรียนรู้เพิ่มเติม