อัมมันพาล ดูพาร์ หัวหน้าฝ่ายค้าปลีกที่ Tredence – ซีรีส์สัมภาษณ์

อัมมันพาล ดูพาร์ หัวหน้าฝ่ายค้าปลีกที่ Tredence เป็นผู้นำด้านการวิเคราะห์ข้อมูลค้าปลีกและ AI ที่มีประสบการณ์มากกว่า 10 ปี ในการออกแบบและพัฒนาวิธีแก้ปัญหาที่ขับเคลื่อนด้วยข้อมูลที่ให้ข้อมูลเชิงลึกที่สามารถดำเนินการได้สำหรับผู้ตัดสินใจระดับองค์กรตลอดอาชีพการงานของเขา เขาได้นำการเปลี่ยนแปลงด้านการวิเคราะห์เชิงกลยุทธ์สำหรับผู้บริหารระดับสูงในผู้ค้าปลีกรายใหญ่ สร้างแผนเส้นทางผลิตภัณฑ์ AI เพื่อขับเคลื่อน KPI ธุรกิจที่วัดผลได้ และขยายทีมการวิเคราะห์จากช่วงแรกเริ่มจนถึงการดำเนินงานขนาดใหญ่—แสดงให้เห็นทั้งความลึกทางเทคนิคและความสามารถในการเป็นผู้นำ

Tredence เป็นบริษัทที่ให้บริการด้านวิทยาศาสตร์ข้อมูลและ AI ที่มุ่งเน้นในการช่วยให้ธุรกิจปลดล็อกมูลค่าทางธุรกิจผ่านการวิเคราะห์ข้อมูลขั้นสูง การเรียนรู้ของเครื่อง และการตัดสินใจที่ขับเคลื่อนด้วย AI บริษัทเป็นพันธมิตรกับแบรนด์ระดับโลก—โดยเฉพาะในค้าปลีกและสินค้าอุปโภคบริโภค—เพื่อแก้ไขปัญหาที่ซับซ้อนในด้านการขายสินค้า การจัดการห่วงโซ่อุปทาน การกำหนดราคา ประสบการณ์ของลูกค้า และการดำเนินงานการตลาด โดยการแปลข้อมูลเชิงลึกให้เป็นผลกระทบในโลกแห่งความเป็นจริง และช่วยให้ลูกค้าปรับปรุงความสามารถด้านการวิเคราะห์และข่าวกรองของตน

ผู้ค้าปลีกมักจะดำเนินการทดลอง AI หลายสิบครั้ง แต่มีเพียงไม่กี่รายที่สามารถนำไปสู่การนำไปใช้จริงได้ ความผิดพลาดขององค์กรที่พบบ่อยที่สุดคืออะไรที่ขัดขวางไม่ให้ AI กลายเป็นผลลัพธ์ทางธุรกิจที่วัดผลได้

การศึกษาของ MIT Solan พบว่า 95% ของการทดลอง AI ไม่สามารถบรรลุการนำไปใช้จริงได้ ความเป็นจริงคือการทดลองเป็นเรื่องง่าย แต่การผลิตเป็นเรื่องยาก ที่ Tredence เราได้ระบุเหตุผลขององค์กรที่เฉพาะเจาะจง 4 ประการซึ่งขับเคลื่อนช่องว่างนี้

ประการแรกคือความล้มเหลวในการเข้าใจกระบวนการทำงานของผู้ใช้ปลายทาง ผู้ค้าปลีกมักจะใส่ AI เข้าไปในกระบวนการที่มีอยู่แล้วที่เสียหาย แทนที่จะถามว่ากระบวนการทำงานนั้นควรจะถูกจินตนาการใหม่ด้วย AI เป็นศูนย์กลาง

ประการที่สองคือการขาดแนวทางในการใช้ AI ที่มีเจตนา องค์กรควรสร้างแพลตฟอร์มที่ครอบคลุมสำหรับการออกแบบและพัฒนา AI แทนที่จะพิจารณา AI เป็นการทดลองเพียงครั้งเดียว

ประการที่สามคือฐานข้อมูลที่อ่อนแอ การสร้างการทดลองบนไฟล์แบบราบเป็นเรื่องง่าย แต่การขยายตัวต้องอาศัยฐานข้อมูลที่มีประสิทธิภาพและทันเวลา โดยที่ข้อมูลที่ถูกต้องสามารถเข้าถึงได้โดย AI ได้ตลอดเวลา

สุดท้าย เราจะเห็นความตึงเครียดระหว่างการผลักดันของ IT และการดึงของธุรกิจ ความสำเร็จเกิดขึ้นเมื่อผู้นำธุรกิจมองเห็น AI เป็นคุณค่าที่เกี่ยวข้องกับผลกระทบที่วัดผลได้ ไม่ใช่สิ่งรบกวนที่ผลักดันโดย IT ที่ Tredence ความสนใจของเรามุ่งเน้นไปที่ “ไมล์สุดท้าย” โดยที่เราช่วยลดช่องว่างระหว่างการสร้างข้อมูลเชิงลึกและการใช้ประโยชน์

Tredence ทำงานร่วมกับผู้ค้าปลีกที่ใหญ่ที่สุดในโลก โดยสนับสนุนมูลค่าการขายหลายล้านล้านเหรียญสหรัฐฯ ตามสิ่งที่คุณเห็นในอุตสาหกรรม คุณคิดว่าอะไรที่ทำให้ผู้ค้าปลีกที่สามารถขยาย AI ได้สำเร็จแตกต่างจากผู้ที่ยังคงอยู่ในขั้นทดลอง

ที่ Tredence การสนับสนุนมูลค่าการขายค้าปลีกหลายล้านล้านเหรียญสหรัฐฯ ได้ให้เราเข้าใจถึงความแตกต่างที่ชัดเจนในอุตสาหกรรม: ผู้ค้าปลีกที่มอง AI เป็นการทดลองที่แยกจากกันเทียบกับผู้ที่สร้าง “โรงงาน AI” ที่มีมาตรฐาน สิ่งที่แตกต่างหลักอยู่ที่ความมุ่งมั่นต่อการสร้างแพลตฟอร์ม AI ที่มีเจตนา องค์กรที่ประสบความสำเร็จที่สุดหยุดการสร้างจากศูนย์ และลงทุนในระบบนิเวศที่มีองค์ประกอบที่สามารถใช้ซ้ำได้ แบบจำลองการออกแบบมาตรฐาน และรูปแบบตัวแทนการที่สอดคล้องกับกรณีการใช้งานค้าปลีกเฉพาะ เมื่อคุณเพิ่ม LLMOps ที่เติบโตเต็มที่ การสังเกตการณ์ที่ครอบคลุม และการป้องกัน AI ที่มีความรับผิดชอบ (RAI) ลงบนพื้นฐานนี้ ผลกระทบจะเป็นการเปลี่ยนแปลงอย่างมาก—โดยทั่วไปเราจะเห็นการปรับปรุงความเร็วในการให้คุณค่าใหม่สำหรับกรณีการใช้งานใหม่ๆ ถึง 80% เนื่องจากการยกเครื่องทางสถาปัตยกรรมที่หนักหน่วงได้เสร็จสิ้นแล้ว

อย่างไรก็ตาม แพลตฟอร์มที่ดีเท่านั้นถือว่าเป็นดีเท่ากับบริบทที่มันบริโภค ซึ่งนำเราไปสู่ฐานข้อมูล การขยายตัวต้องมีมากกว่าแค่การเข้าถึงข้อมูลดิบ มันต้องมีระดับเซมานติกที่มีประสิทธิภาพ โดยที่เมตาดาต้าที่แข็งแกร่งและแบบจำลองข้อมูลที่ถูกต้องทำให้ AI สามารถ “ให้เหตุผล” เกี่ยวกับธุรกิจได้จริงๆ แทนที่จะแค่ประมวลผลข้อมูลเข้า

ผู้นำที่แท้จริงตระหนักว่านี่ไม่ใช่แค่การเปลี่ยนแปลงทางเทคโนโลยี แต่ยังเป็นการเปลี่ยนแปลงทางวัฒนธรรมด้วย พวกเขาช่วยลดช่องว่างระหว่างการสร้างข้อมูลเชิงลึกและการดำเนินการโดยการขยายจากความเป็นอัตโนมัติแบบง่ายๆ ไปสู่การทำงานร่วมกันระหว่างมนุษย์และตัวแทน โดยการออกแบบกระบวนการทำงานใหม่เพื่อให้พนักงานและผู้ค้าปลีกสามารถทำงานร่วมกับตัวแทนของตนได้อย่างมีประสิทธิภาพ และเปลี่ยนศักยภาพเชิงอัลกอริทึมให้เป็นผลลัพธ์ทางธุรกิจที่วัดผลได้

มากกว่า 70% ของการโปรโมตค้าปลีกยังคงไม่สามารถทำกำไรได้ AI สามารถปรับปรุงการวางแผน การวัดผล และการปรับให้เหมาะสมแบบเรียลไทม์ได้อย่างไร

อัตราการล้มเหลว 70% ยังคงอยู่เพราะผู้ค้าปลีกมักจะพึ่งพาการวิเคราะห์ “มองย้อนหลัง” ที่สับสนระหว่างยอดขายทั้งหมดกับการเพิ่มขึ้นของยอดขาย—โดยพื้นฐานแล้วคือการชดเชยความต้องการที่ซื่อสัตย์ของผู้ซื้อที่จะซื้ออยู่แล้ว เพื่อหยุดวงจรนี้ เราต้องเปลี่ยนจากรายงานเชิงอธิบายไปสู่แนวทางที่คาดการณ์ได้มากขึ้น ในช่วงการวางแผน เราใช้ Causal AI เพื่อจำลองผลลัพธ์และกำหนด “บรรทัดฐานที่แท้จริง” โดยการระบุว่าอะไรจะขายได้โดยไม่ต้องมีการโปรโมต นี่ทำให้ผู้ค้าปลีกหยุดจ่ายเงินสำหรับความต้องการที่มีอยู่แล้วและมุ่งเป้าไปที่ปริมาณใหม่เท่านั้น

สำหรับการวัดผล AI จะแก้ปัญหา “ปั๊มผลงาน” โดยการ量化ผลกระทบฮาโลและผลกระทบต่อการกินเนื้อคนอื่น ผู้ค้าปลีกมักจะวางแผนในกล่อง แต่ AI ให้มุมมองในระดับหมวดหมู่ โดยรับประกันว่าการโปรโมตใน SKU หนึ่งไม่ได้เพียงแค่ขโมยมาร์จินจากอีก SKU หนึ่ง การวัดผลที่ครอบคลุมนี้ช่วยให้ผู้ค้าปลีกเข้าใจว่าพวกเขากำลังขยายขนาดของหมวดหมู่หรือแค่แบ่งปันหมวดหมู่ใหม่

สุดท้าย สำหรับการปรับให้เหมาะสมแบบเรียลไทม์ อุตสาหกรรมกำลังเคลื่อนไปสู่ตัวแทน AI ที่ติดตามแคมเปญ “ระหว่างการบิน” แทนที่จะรอการวิเคราะห์หลังการดำเนินการหลายสัปดาห์หลังจากเหตุการณ์ ตัวแทนเหล่านี้แนะนำการแก้ไขเส้นทางโดยอัตโนมัติ—เช่น การปรับเปลี่ยนการซื้อโฆษณาดิจิทัลหรือการเปลี่ยนข้อเสนอ—เพื่อช่วยชีวิต P&L ก่อนที่การโปรโมตจะสิ้นสุดลง แนวทางนี้เปลี่ยนการเน้นจากแค่การเคลียร์คลังสินค้าไปสู่การสร้างการเติบโตที่มีกำไร

ข้อผิดพลาดในการคาดการณ์และการขาดสินค้า继续ทำให้เกิดการสูญเสียรายได้จำนวนมาก AI ที่ขับเคลื่อนการค้าปลีกและการจัดการห่วงโซ่อุปทานมีประสิทธิภาพมากกว่าวิธีการคาดการณ์แบบดั้งเดิมอย่างไร

การเปลี่ยนแปลงแรกคือการคาดการณ์ โดยที่ AI ช่วยให้เราเปลี่ยนจากการพึ่งพาเพียงประวัติภายในไปสู่การบริโภคข้อมูลภายนอก—เช่น สภาพอากาศท้องถิ่น เหตุการณ์ทางสังคม และตัวชี้วัดทางเศรษฐกิจ เมื่อการคาดการณ์ครอบคลุมบริบทภายนอก ความแม่นยำที่ได้รับจะไม่เพียงแต่ปรับปรุงตัวเลขการขายเท่านั้น แต่ยัง tối ưu hóaการจัดการสินค้าคงคลัง การวางแผนความจุ การจัดตารางการทำงาน และการดำเนินงานคลังสินค้าให้สอดคล้องกับความต้องการที่แท้จริง

การเปลี่ยนแปลงที่สองคือการขาดสินค้า ซึ่งผู้ค้าปลีกส่วนใหญ่ยังคงไม่สามารถวัดผลได้อย่างแม่นยำ AI ช่วยแก้ไขปัญหานี้โดยการตรวจจับความผิดปกติในรูปแบบการขาย—การระบุ “สินค้าผี” ที่ระบบคิดว่ามีสินค้า แต่การขายหยุดแล้ว—และช่วยให้สามารถเรียกใช้การนับวงจรอัตโนมัติเพื่อแก้ไขบันทึก นอกเหนือจากข้อมูลแล้ว เรายังเห็นการเพิ่มขึ้นของการมองเห็นคอมพิวเตอร์เพื่อระบุช่องว่างบนชั้นวางแบบเรียลไทม์และติดตามสินค้าในห้องหลังร้าน เพื่อให้แน่ใจว่าสินค้าไม่เพียงแต่อยู่ในอาคาร แต่ยังพร้อมสำหรับการซื้อของลูกค้า

การค้าปลีกแบบอเจนติกกำลังเป็นธีมหลักในการนวัตกรรมค้าปลีก ตัวแทน AI ที่อาศัยการให้เหตุผลเปลี่ยนแปลงการค้นพบสินค้าและการแปลงสภาพอย่างไรเมื่อเทียบกับการช้อปปิ้งแบบขับเคลื่อนด้วยการค้นหาของวันนี้

ในขณะนี้ผู้บริโภคยังคงต้องทำการค้นหาส่วนใหญ่ด้วยตนเอง พวกเขาต้องรู้ว่าจะหาอะไร บรรลุเป้าหมาย และเข้าใจผลลัพธ์ที่ไม่สิ้นสุด ตัวแทนการให้เหตุผลรบกวนการทำงานนี้โดยการสร้าง “ทางเดินสังเคราะห์” ไดนามิก—การรวบรวมผลิตภัณฑ์หลายหมวดหมู่ตามความตั้งใจเฉพาะ ตัวอย่างเช่น แทนที่จะค้นหา 5 รายการแยกกัน ผู้ช้อปที่มีภารกิจ “เช้าแบบดีต่อสุขภาพ” จะได้รับการนำเสนอทางเดินชั่วคราวที่มีทุกอย่างตั้งแต่ซีเรียลโปรตีนสูงไปจนถึงเครื่องปั่นสมูทตี้ โดยการย่อช่องทางการค้นพบจากนาทีเป็นวินาที

ด้านการแปลงสภาพ ตัวแทนเหล่านี้ไม่เพียงแต่แสดงตัวเลือกเท่านั้น แต่ยังสร้างตะกร้าซื้อของตามความต้องการที่เปิดกว้าง หากลูกค้าถามถึง “แผนอาหารเย็นสำหรับ 4 คนในราคาไม่เกิน 50 ดอลลาร์” ตัวแทนจะให้เหตุผลผ่านสินค้าคงคลัง ราคา และข้อจำกัดด้านอาหารเพื่อแนะนำชุดค่าผสมที่สมบูรณ์ ความสามารถในการให้เหตุผลนี้ช่วยลด “ช่องว่างความมั่นใจ” —โดยการอธิบายว่าทำไมสินค้าเฉพาะจึงเหมาะกับไลฟ์สไตล์หรือเป้าหมายของลูกค้า ตัวแทนจึงลดการชะลอการตัดสินใจและขับเคลื่อนอัตราการแปลงที่สูงกว่าเมื่อเทียบกับกริดผลิตภัณฑ์เงียบๆ

สุดท้าย เรากำลังเห็นสิ่งนี้ขยายไปสู่เนื้อหาที่มีการปรับให้เหมาะสมสูง โดยไม่ต้องแสดงแบนเนอร์หน้าแรกให้ทุกคน ตัวแทน AI ที่มีเจตนา (Agentic AI) สามารถสร้างหน้าลงจอดแบบไดนามิกและภาพที่สะท้อนถึงภารกิจช้อปปิ้งปัจจุบันของลูกค้าได้ อย่างไรก็ตาม เพื่อให้สิ่งนี้ขยายตัว ผู้ค้าปลีกพบว่าพวกเขาต้องสร้างตัวแทนเหล่านี้บนแบบจำลองข้อมูลที่รวมกัน โดยมีการกำกับดูแลแบรนด์และความปลอดภัยอย่างเข้มงวด เพื่อให้แน่ใจว่า “ความคิดสร้างสรรค์” ของ AI ไม่เคยสร้างสินค้าหรือละเมิดเสียงแบรนด์

ผู้ค้าปลีกหลายรายต้องดิ้นรนกับโครงสร้างข้อมูลที่ล้าสมัย องค์กรควรปรับปรุงพื้นฐานข้อมูลของตนอย่างไร เพื่อให้ AI สามารถให้คำแนะนำที่เชื่อถือได้และอธิบายได้

อุปสรรคที่ใหญ่ที่สุดต่อความสำเร็จของ AI ไม่ใช่โมเดล แต่เป็น “บogs ข้อมูล” ที่อยู่ใต้พวกมัน เพื่อปรับปรุง ผู้ค้าปลีกต้องหยุดการรวบรวมข้อมูลเพื่อสร้างชั้นเซมานติกที่รวมกัน ซึ่งหมายถึงการนำแบบจำลองข้อมูลมาตรฐานที่ตรรกะทางธุรกิจ (เช่น วิธีการคำนวณ “มาร์จินสุทธิ” หรือ “การล้มเลิก”) ถูกกำหนดไว้เพียงครั้งเดียวและสามารถเข้าถึงได้ทั่วทั้งองค์กร แทนที่จะซ่อนอยู่ในสคริปต์ SQL ที่กระจัดกระจายทั่วทั้งองค์กร

ที่สอง องค์กรต้องเปลี่ยนไปสู่ความคิดของ “ผลิตภัณฑ์ข้อมูล” แทนที่จะรักษาข้อมูลให้เป็นผลิตภัณฑ์ IT ที่มีเจ้าของที่กำหนดไว้ SLA และการตรวจสอบคุณภาพอย่างเข้มงวด (การตรวจสอบข้อมูล) เมื่อคุณรวมข้อมูล “บันทึกทอง” ที่สะอาดและมีการกำกับดูแลนี้เข้ากับเมตาดาต้าที่มีประสิทธิภาพ คุณจะปลดล็อกความสามารถในการอธิบายได้ AI ไม่เพียงแต่ให้คำแนะนำแบบกล่องดำ แต่ยังสามารถสืบเหตุผลกลับไปถึงชั้นเซมานติกได้

การทำงานร่วมกันระหว่างผู้ค้าปลีกและบริษัท CPG มักจะพึ่งพาข้อมูลที่กระจัดกระจายและมาตรการที่ไม่สอดคล้องกัน แบบจำลองข้อมูลที่รวมกันและแพลตฟอร์ม AI ที่ใช้ร่วมกันสามารถปลดล็อกประสิทธิภาพหมวดหมู่ที่แข็งแกร่งยิ่งขึ้นสำหรับทั้งสองฝ่ายได้อย่างไร

จนถึงตอนนี้ ผู้ค้าปลีกและ CPG มองเห็นลูกค้าเดียวกันผ่านเลนส์ที่แตกต่างกัน โดยใช้ข้อมูลและแรงจูงใจของตนเอง แบบจำลองข้อมูลที่รวมกันเปลี่ยนแปลงสิ่งนี้โดยการสร้าง “ความจริงเดียว” ทั่วทั้งห่วงโซ่คุณค่า ไม่ว่าจะเป็นประสิทธิภาพของชั้นวางหรือพฤติกรรมของลูกค้า

เมื่อทั้งสองฝ่ายทำงานบนแพลตฟอร์ม AI ที่เหมือนกัน พวกเขาสามารถระบุร่วมกันว่าอะไรที่ขับเคลื่อนการเติบโตหรือการรั่วไหลในระดับหมวดหมู่ได้ อาจเป็นเรื่องของราคา การโปรโมต การเลือกสินค้า หรือช่องว่างในการจัดหาสินค้า การเปลี่ยนแปลงนี้เปลี่ยนการอภิปรายจาก “ข้อมูลของฉันเทียบกับข้อมูลของคุณ” เป็น “โอกาสร่วมกันของเรา”

ผลลัพธ์คือการตัดสินใจที่ฉลาดขึ้น การทดลองที่เร็วขึ้น และในที่สุดคือการเติบโตของหมวดหมู่ที่สูงขึ้นซึ่งจะช่วยให้ทั้งผู้ค้าปลีกและแบรนด์

เมื่อเครือข่ายสื่อค้าปลีกมีความเป็นมืออาชีพ AI จะมีบทบาทอย่างไรในการปรับปรุงการกำหนดเป้าหมาย การวัดผล และการกำหนดค่าล่วงหน้าแบบปิดในขณะเดียวกันก็รักษาความไว้วางใจของผู้บริโภค

AI จะเปลี่ยนแปลงสี่พื้นที่หลักเมื่อเครือข่ายสื่อค้าปลีกมีความเป็นมืออาชีพ

ประการแรกในการกำหนดเป้าหมาย อุตสาหกรรมกำลังพัฒนาไปสู่ความตั้งใจที่คาดการณ์ได้ โดยการวิเคราะห์สัญญาณแบบเรียลไทม์—เช่น ความเร็วในการเลื่อนหรือการรวมสินค้าในตะกร้า—เพื่อระบุวินาทีที่แน่นอนที่ผู้ช้อปต้องการ AI จะช่วยให้เราแสดงโฆษณาที่ถูกต้องเมื่อมันสำคัญที่สุด แทนที่จะกำหนดเป้าหมายไปยังป้ายกำกับประชากรทั่วไป

ประการที่สอง สำหรับการวัดผล มาตรฐานทองคำเปลี่ยนจากการeturn on Ad Spend (ROAS) ไปเป็น iROAS (Incremental ROAS) โดยใช้ Causal AI เพื่อวัดผลกระทบจริงของการซื้อสื่อ โดยการระบุผู้ซื้อที่เปลี่ยนใจมาเพราะโฆษณาเท่านั้น ไม่ใช่ผู้ที่จะซื้ออยู่แล้ว

ประการที่สาม การเพิ่มประสิทธิภาพการดำเนินงานมีความสำคัญอย่างยิ่ง โดยเฉพาะอย่างยิ่งในด้านการดำเนินงานเชิงสร้างสรรค์ เพื่อการปรับให้เหมาะสมสูง ผู้ค้าปลีกกำลังใช้ AI ที่สร้างสรรค์ไม่เพียงแต่สำหรับการสร้างสรรค์ แต่ยังสำหรับการขยายการผลิตด้วย ซึ่งช่วยให้ทีมสามารถสร้างการเปลี่ยนแปลงของสื่อแบบไดนามิกหลายพันรายการในนาทีแทนหลายสัปดาห์ โดยการแก้ปัญหาการขาด “ความเร็วเนื้อหา”

สุดท้าย การรักษาความไว้วางใจขึ้นอยู่กับการนำ “ห้องข้อมูลสะอาด” ไปใช้อย่างแพร่หลาย สิ่งแวดล้อมเหล่านี้ช่วยให้ผู้ค้าปลีกและแบรนด์สามารถจับคู่ชุดข้อมูลของตนได้อย่างปลอดภัยสำหรับการกำหนดค่าล่วงหน้าแบบปิด โดยการรับประกันว่าข้อมูลส่วนบุคคลที่ละเอียดอ่อน (PII) ไม่เคยออกจากไฟร์วอลล์ของตน

เมื่อมองไปข้างหน้า ความสามารถใดที่จะกำหนดผู้ค้าปลีกที่มีพลัง AI รุ่นต่อไป และอะไรที่ผู้นำควรเริ่มสร้างวันนี้เพื่อรักษาความสามารถในการแข่งขันในอีก 5 ปี

ยุคหน้าของค้าปลีกจะถูกกำหนดโดยการเปลี่ยนแปลงจาก “การเปลี่ยนแปลงดิจิทัล” ไปเป็น “การเปลี่ยนแปลงอเจนติก” เรากำลังจะเข้าสู่ยุคของ “การกำกับดูแลอัตโนมัติ” โดยที่เครือข่ายของตัวแทน AI ทำงานร่วมกันเพื่อจัดการกระบวนการที่ซับซ้อน—เช่น ตัวแทนห่วงโซ่อุปทานที่บอกตัวแทนการตลาดให้หยุดโปรโมตเพราะการส่งสินค้าล่าช้า

เพื่อเตรียมพร้อมสำหรับสิ่งนี้ ผู้นำต้องเริ่มสร้างสามสิ่งนี้วันนี้

ประการแรกคือแบบจำลองข้อมูลที่รวมกัน ตัวแทนไม่สามารถทำงานร่วมกันได้หากพวกมันไม่พูดภาษาเดียวกัน พื้นฐานข้อมูลของคุณต้องเปลี่ยนจากการเก็บข้อมูลไปสู่ “ระบบประสาท” เซมานติก

ประการที่สองคือการกำกับดูแลสำหรับตัวแทน คุณต้องกำหนด “กฎของการมีส่วนร่วม” —สิ่งที่ AI ได้รับอนุญาตให้ทำอัตโนมัติเทียบกับสิ่งที่ต้องการการอนุมัติของมนุษย์—ก่อนที่คุณจะขยายตัว

สุดท้าย วันของ داشบอร์ดแบบคงที่ที่ให้ “การวิเคราะห์แบบมองย้อนหลัง” กำลังจะหมดลง เรากำลังจะเปลี่ยนไปสู่การวิเคราะห์แบบสนทนา ที่ให้ข้อมูลเชิงลึกแบบเรียลไทม์และส่วนบุคคล สิ่งเหล่านี้ไม่เพียงแต่บอกว่า “เกิดอะไรขึ้น” เท่านั้น แต่ยังใช้ AI ที่มีเจตนาในการให้เหตุผลผ่านคำถามที่ซับซ้อน “ทำไม” และให้คำแนะนำเชิงลึกเกี่ยวกับสิ่งที่ต้องทำต่อไป โดยการปิดช่องว่างระหว่างข้อมูลเชิงลึกและการดำเนินการ

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Tredence เพื่อเรียนรู้เพิ่มเติม