Crisp เปิดตัว Halo นำ AI สำหรับค้าปลีกเข้าสู่สภาพแวดล้อมคลาวด์ขององค์กร

Crisp เปิดตัว Halo แพลตฟอร์ม AI สำหรับค้าปลีกที่ทำงานภายในสภาพแวดล้อมคลาวด์ขององค์กรเองได้ ช่วยให้การวิเคราะห์ยอดขายและห่วงโซ่อุปทานอยู่ใกล้กับข้อมูลและระบบกำกับดูแลที่บริษัทใช้งานอยู่แล้วมากขึ้น แพลตฟอร์มนี้ประกาศเปิดตัวเมื่อวันที่ 29 ตุลาคม โดยมีกลุ่มเป้าหมายเป็นผู้ผลิตสินค้าอุปโภคบริโภค (CPG) ผู้ค้าปลีก ผู้จัดจำหน่าย และนายหน้า

การเปิดตัวนี้มุ่งแก้ปัญหาที่พบได้ทั่วไปในธุรกิจค้าปลีก นั่นคือทีมงานอาจเห็นยอดขายหรือสินค้าคงคลังเปลี่ยนแปลงไป แต่ยังต้องใช้เวลาหลายชั่วโมงรวบรวมข้อมูลแวดล้อมที่จำเป็นต่อการอธิบายสาเหตุ ประกาศเปิดตัว Halo ของ Crisp กล่าวถึงระบบที่ผสานข้อมูลค้าปลีก ตรรกะเฉพาะอุตสาหกรรม และเครื่องมือเอเจนต์ เพื่อช่วยให้ผู้ใช้ตรวจสอบผลการดำเนินงานและตัดสินใจได้ว่าควรทำอะไรต่อ

รากฐานข้อมูลค้าปลีกที่รองรับ AI

สถาปัตยกรรมของ Halo เริ่มจากข้อมูลที่ได้รับจากผู้ค้าปลีกและผู้จัดจำหน่าย ภาพรวมแพลตฟอร์มของ Crisp แบ่งรากฐานดังกล่าวออกเป็นการผสานรวมข้อมูล การจัดการข้อมูล และการสร้างแบบจำลอง โดยมีเครื่องมือเอเจนต์และแอปพลิเคชันเฉพาะบทบาทสร้างต่อยอดอยู่ด้านบน

โครงสร้างดังกล่าวมีความสำคัญ เพราะคู่ค้าทางธุรกิจแต่ละรายอาจนำเสนอข้อมูลสินค้า ร้านค้า หรือรอบเวลารายงานแตกต่างกัน คำถามเกี่ยวกับสินค้าคงคลังที่ขาดแคลนจะมีประโยชน์มากขึ้น เมื่อระบบพื้นฐานระบุได้ตรงกันว่าคำถามนั้นกล่าวถึงสินค้า สถานที่ และช่วงเวลาใด

Crisp อธิบายแนวทางของตนว่าเป็น AI เฉพาะอุตสาหกรรม โดยทำความสะอาดข้อมูลและเสริมความหมายในบริบทค้าปลีกก่อนนำไปวิเคราะห์ เอกสารข้อมูลประกอบของบริษัทระบุปฏิทินของผู้ค้าปลีก ลำดับชั้นของสินค้า อัตราการเติมสินค้า และการวิเคราะห์สินค้าขาดสต็อก เป็นตัวอย่างของบริบทธุรกิจที่เกี่ยวข้อง Crisp ระบุว่ามีลูกค้ามากกว่า 7,000 ราย รวมถึงบริษัท CPG 90 แห่งจาก 100 อันดับแรก ที่ใช้บริการของบริษัท ตัวเลขการใช้งานเหล่านี้เป็นข้อมูลที่บริษัทรายงานเอง

ทำงานภายในคลาวด์ของลูกค้า

Halo ให้บริการในรูปแบบแพลตฟอร์มโฮสต์ หรือใช้งานภายในสภาพแวดล้อมของลูกค้าบน Databricks, Snowflake และ Google Cloud แนวทางหลังนี้เป็นอีกทางเลือกหนึ่งสำหรับองค์กรที่ไม่ต้องการย้ายระบบวิเคราะห์ข้อมูลค้าปลีกไปยังแอปพลิเคชันที่โฮสต์โดยผู้ให้บริการภายนอก

เอกสารสถาปัตยกรรม Databricksของ Crisp แสดงตัวอย่างที่เป็นรูปธรรม โดยจัดเก็บข้อมูลค้าปลีกไว้ในตาราง Delta ซึ่งอยู่ภายใต้การกำกับดูแลผ่าน Unity Catalog โฮสต์แอปพลิเคชันและเอเจนต์ใน Databricks Apps และใช้ฐานข้อมูล Lakebase สำหรับสถานะของแอปพลิเคชัน บทสนทนา และความจำของเอเจนต์ การเรียกใช้โมเดลทำงานผ่าน Model Serving และ AI Gateway ส่วนการสืบค้นเชิงความหมายใช้คลังข้อมูล SQL ที่เลือกไว้

Crisp ระบุว่าข้อมูลกรรมสิทธิ์ยังคงอยู่ภายในสภาพแวดล้อมของลูกค้า ขณะที่บันทึกการทำงานและข้อมูลเทเลเมทรีที่ไม่ใช่ข้อมูลกรรมสิทธิ์จะถูกแบ่งปันกับระบบส่วนกลางของบริษัท การแยกแยะเช่นนี้แม่นยำกว่าการกล่าวว่าการติดตั้งใช้งานไม่มีการสื่อสารกับภายนอกเลย นอกจากนี้ Crisp ยังระบุว่าการผสานรวม MLflow และการเผยแพร่โมเดลเชิงความหมายในรูปแบบ Unity Catalog Metric Views เป็นรายการในแผนงาน

สำหรับทีมไอที ประเด็นสำคัญอยู่ที่การปฏิบัติงาน กล่าวคือ การควบคุมการเข้าถึง การเลือกวิธีอนุมาน และการติดตามการใช้งานสามารถทำงานให้สอดคล้องกับโครงสร้างพื้นฐานที่มีอยู่แล้วได้ อย่างไรก็ตาม ตำแหน่งที่ติดตั้งใช้งานเพียงอย่างเดียวไม่ได้ยืนยันว่าคำตอบถูกต้องหรือการดำเนินการอัตโนมัตินั้นเหมาะสม

จากคำถามภาพรวมทั้งพอร์ตโฟลิโอสู่การตัดสินใจเฉพาะผู้ค้าปลีก

การเปิดตัวนี้มาพร้อม Central Desk และ Customer Desk โดย Central Desk ช่วยให้ทีมสำนักงานใหญ่เห็นภาพรวมของพอร์ตโฟลิโอธุรกิจค้าปลีก สำหรับงานตั้งแต่กลยุทธ์การขาย การบริหารหมวดหมู่ ไปจนถึงการวางแผนห่วงโซ่อุปทาน ส่วน Customer Desk ออกแบบมาสำหรับทีมดูแลลูกค้าที่ต้องใช้ตัวชี้วัด คำศัพท์ และตรรกะการดำเนินงานเฉพาะของผู้ค้าปลีกรายใดรายหนึ่ง

ลองพิจารณากรณีแบรนด์หนึ่งกำลังตรวจสอบยอดขายที่ลดลงของสินค้าบางรายการ คำถามที่เป็นประโยชน์คือ การเปลี่ยนแปลงนี้เกิดจากอุปสงค์ ความพร้อมจำหน่าย การกระจายสินค้า หรือปัจจัยด้านการดำเนินงานอื่น การเชื่อมโยงการวิเคราะห์เข้ากับข้อมูลระดับร้านค้าและสินค้าอาจช่วยให้ทีมจำกัดขอบเขตการตรวจสอบได้ แทนที่จะมองยอดขายที่ลดลงทั่วทั้งพอร์ตโฟลิโอว่าเป็นปัญหาเดียว

นี่คือข้อแตกต่างในทางปฏิบัติระหว่างอินเทอร์เฟซสำหรับสนทนากับแอปพลิเคชันสำหรับธุรกิจค้าปลีก กล่าวคือ แอปพลิเคชันต้องเข้าใจหน่วยธุรกิจและความสัมพันธ์เบื้องหลังคำถามด้วย แพลตฟอร์ม Halo ในภาพรวมยังจัดกลุ่มความสามารถตามหน้าที่ต่าง ๆ เช่น การเติมสินค้า การวางแผนหมวดหมู่ และการทำงานร่วมกับซัพพลายเออร์

คำตอบที่ตรวจสอบย้อนกลับได้และเวิร์กโฟลว์ที่ทำซ้ำได้

เอกสารเกี่ยวกับเอเจนต์ AIของ Crisp กล่าวถึงเครื่องมือที่ใช้ข้อมูลเชิงลึกระดับร้านค้าและสินค้าในแต่ละวันเพื่อสนับสนุนการวิเคราะห์และการดำเนินการ ทั่วทั้ง Halo บริษัทระบุวิธีหลักในการใช้เครื่องมือเหล่านี้ไว้หลายรูปแบบ ได้แก่ การถามตอบด้วยภาษาสนทนา รายงานที่จัดทำเป็นประจำ ระบบอัตโนมัติสำหรับเวิร์กโฟลว์ และแอปพลิเคชันที่พัฒนาขึ้นโดยเฉพาะ

เอกสารเปิดตัวเน้นการตรวจสอบย้อนกลับจากคำแนะนำไปยังข้อมูลต้นทางและตรรกะที่ใช้สร้างคำแนะนำนั้น การระบุที่มาดังกล่าวช่วยให้ตรวจสอบคำตอบได้ง่ายขึ้น นักวิเคราะห์สามารถตรวจดูข้อมูลและเหตุผลเบื้องหลังคำแนะนำ แทนที่จะยอมรับคำอธิบายที่ฟังลื่นไหลโดยไม่ตรวจสอบ

สำหรับองค์กรที่กำลังประเมินแพลตฟอร์ม คำถามสำคัญไม่ได้หยุดอยู่ที่คำอธิบาย แต่ยังครอบคลุมถึงการนำไปปฏิบัติด้วย เช่น อนุญาตให้ดำเนินการใดได้บ้าง การดำเนินการใดต้องผ่านการตรวจสอบ และจะวัดผลการเปลี่ยนแปลงหลังนำไปใช้ได้อย่างไร เอกสารที่เผยแพร่กล่าวถึงความสามารถและสถาปัตยกรรมการติดตั้งใช้งาน ไม่ใช่ผลการประเมินอิสระด้านความแม่นยำในการพยากรณ์หรือผลตอบแทนทางการเงิน

จุดเด่นที่สุดของ Halo คือการเชื่อมโยงองค์ประกอบเหล่านั้นเข้าด้วยกัน บริบทด้านค้าปลีกช่วยให้ระบบ AI มีข้อมูลที่เป็นประโยชน์มากขึ้น ขณะที่การติดตั้งใช้งานบนคลาวด์ของลูกค้าสามารถสอดคล้องกับแนวทางกำกับดูแลที่มีอยู่ และเวิร์กโฟลว์ที่ออกแบบตามบทบาทช่วยนำผลการวิเคราะห์ไปให้ผู้รับผิดชอบด้านสินค้าคงคลังและการตัดสินใจเชิงพาณิชย์