Amanpal Dhupar หัวหน้าฝ่ายค้าปลีกของ Tredence – Interview Series

อามันปาล ดูปาร์หัวหน้าฝ่ายค้าปลีกของ Tredence เป็นผู้นำด้านการวิเคราะห์ข้อมูลค้าปลีกและ AI ที่มีประสบการณ์มายาวนานกว่าทศวรรษ ในการออกแบบและพัฒนาโซลูชันที่ขับเคลื่อนด้วยข้อมูล ซึ่งให้ข้อมูลเชิงลึกที่นำไปใช้ได้จริงสำหรับผู้บริหารระดับสูงในองค์กร ตลอดอาชีพการงาน เขาได้นำการเปลี่ยนแปลงเชิงกลยุทธ์ด้านการวิเคราะห์ข้อมูลสำหรับผู้บริหารระดับสูงในร้านค้าปลีกรายใหญ่ สร้างแผนงานผลิตภัณฑ์ AI เพื่อขับเคลื่อนตัวชี้วัดประสิทธิภาพทางธุรกิจที่วัดผลได้ และขยายทีมวิเคราะห์ข้อมูลตั้งแต่เริ่มต้นจนถึงการดำเนินงานขนาดใหญ่ ซึ่งแสดงให้เห็นถึงทั้งความเชี่ยวชาญทางเทคนิคและความสามารถในการเป็นผู้นำที่หลากหลาย

ความน่าเชื่อถือ เป็นบริษัทด้านวิทยาศาสตร์ข้อมูลและโซลูชัน AI ที่มุ่งเน้นการช่วยเหลือองค์กรต่างๆ ในการสร้างมูลค่าทางธุรกิจผ่านการวิเคราะห์ขั้นสูง การเรียนรู้ของเครื่องจักร และการตัดสินใจโดยใช้ AI บริษัทร่วมมือกับแบรนด์ระดับโลก โดยเฉพาะอย่างยิ่งในอุตสาหกรรมค้าปลีกและสินค้าอุปโภคบริโภค เพื่อแก้ไขความท้าทายที่ซับซ้อนในด้านการค้า การจัดการห่วงโซ่อุปทาน การกำหนดราคา ประสบการณ์ของลูกค้า และการดำเนินงานด้านการตลาด โดยการแปลงข้อมูลเชิงลึกให้เกิดผลกระทบในโลกแห่งความเป็นจริง และช่วยให้ลูกค้าปรับปรุงขีดความสามารถด้านการวิเคราะห์และปัญญาประดิษฐ์ให้ทันสมัยยิ่งขึ้น

ผู้ค้าปลีกมักทดลองใช้ AI ในโครงการนำร่องหลายสิบโครงการ แต่มีเพียงไม่กี่รายที่นำไปใช้งานจริงอย่างเต็มรูปแบบ อะไรคือข้อผิดพลาดทางองค์กรที่พบบ่อยที่สุดซึ่งขัดขวางไม่ให้ AI กลายเป็นผลลัพธ์ทางธุรกิจที่วัดผลได้?

ผลการศึกษาล่าสุดจาก MIT Solan พบว่า 95% ของโครงการนำร่อง AI ล้มเหลวในการนำไปใช้งานจริงในวงกว้าง ความจริงก็คือ โครงการนำร่องนั้นง่าย แต่การใช้งานจริงนั้นยาก ที่ Tredence เราได้ระบุเหตุผลเชิงองค์กรเฉพาะสี่ประการที่ผลักดันช่องว่างนี้

ประการแรกคือความล้มเหลวในการทำความเข้าใจขั้นตอนการทำงานของผู้ใช้ปลายทาง ผู้ค้าปลีกมักนำ AI มาใช้ในกระบวนการที่บกพร่องอยู่แล้ว แทนที่จะถามว่าควรปรับปรุงขั้นตอนการทำงานอย่างไรโดยมี AI เป็นศูนย์กลาง

ประการที่สองคือ การขาดแนวทางการใช้งานแพลตฟอร์มสำหรับปัญญาประดิษฐ์แบบเอเจนต์ แทนที่จะมองเอเจนต์เป็นเพียงการทดลองครั้งเดียว องค์กรต่างๆ จำเป็นต้องปรับปรุงกระบวนการทำงานตลอดวงจรชีวิตทั้งหมด ตั้งแต่การออกแบบและพัฒนาเอเจนต์ ไปจนถึงการใช้งาน การตรวจสอบ และการกำกับดูแล ทั่วทั้งองค์กร

ประการที่สามคือฐานข้อมูลที่ไม่แข็งแรง การสร้างระบบนำร่องบนไฟล์ข้อมูลแบบเรียบที่สะอาดนั้นทำได้ง่าย แต่การขยายขนาดต้องอาศัยฐานข้อมูลที่แข็งแกร่งและทำงานแบบเรียลไทม์ ซึ่งข้อมูลที่ถูกต้องจะต้องเข้าถึงได้อย่างต่อเนื่องสำหรับโมเดล AI

สุดท้ายนี้ เราเห็นความขัดแย้งระหว่างแรงผลักดันจากฝ่ายไอทีกับแรงดึงดูดจากฝ่ายธุรกิจ ความสำเร็จจะเกิดขึ้นได้ก็ต่อเมื่อผู้นำธุรกิจมองว่า AI เป็นสิ่งที่เพิ่มมูลค่าและเชื่อมโยงกับผลกระทบที่วัดผลได้ ไม่ใช่สิ่งรบกวนที่ฝ่ายไอทีผลักดัน ที่ Tredence เราให้ความสำคัญกับ "ช่วงสุดท้าย" มาโดยตลอด ซึ่งเราเชื่อมช่องว่างระหว่างการสร้างข้อมูลเชิงลึกและการสร้างมูลค่า

Tredence ร่วมงานกับผู้ค้าปลีกรายใหญ่ที่สุดของโลกหลายราย โดยให้การสนับสนุนรายได้หลายล้านล้านดอลลาร์ จากสิ่งที่คุณเห็นในอุตสาหกรรมนี้ อะไรคือสิ่งที่แยกผู้ค้าปลีกที่ประสบความสำเร็จในการนำ AI มาใช้จากผู้ที่ยังคงติดอยู่กับการทดลอง?

ที่ Tredence การสนับสนุนรายได้ค้าปลีกหลายล้านล้านดอลลาร์ทำให้เราได้เห็นความแตกต่างอย่างชัดเจนในอุตสาหกรรมนี้: ผู้ค้าปลีกที่มอง AI เป็นเพียงการทดลองที่กระจัดกระจาย กับผู้ที่สร้าง "โรงงาน AI" แบบอุตสาหกรรม ปัจจัยสำคัญที่ทำให้เกิดความแตกต่างอยู่ที่ความมุ่งมั่นในรากฐานของแพลตฟอร์ม Agentic AI องค์กรที่ประสบความสำเร็จมากที่สุดจะหยุดการสร้างจากศูนย์ และหันมาลงทุนในระบบนิเวศที่แข็งแกร่ง ซึ่งมีลักษณะเฉพาะคือไลบรารีส่วนประกอบที่นำกลับมาใช้ใหม่ได้ แม่แบบการออกแบบมาตรฐาน และรูปแบบเอเจนต์ที่สร้างไว้ล่วงหน้าซึ่งสอดคล้องกับกรณีการใช้งานค้าปลีกเฉพาะ เมื่อคุณเพิ่ม LLMOps ที่ครบวงจร การตรวจสอบแบบฟูลสแต็ก และมาตรการป้องกัน AI ที่มีความรับผิดชอบ (RAI) ที่ฝังอยู่บนรากฐานนี้ ผลกระทบที่เกิดขึ้นจะเปลี่ยนแปลงไปอย่างมาก—โดยทั่วไปเราจะเห็นความเร็วในการสร้างมูลค่าสำหรับกรณีการใช้งานใหม่ ๆ ดีขึ้นถึง 80% เพราะงานด้านสถาปัตยกรรมที่ซับซ้อนได้ทำเสร็จแล้ว

อย่างไรก็ตาม แพลตฟอร์มจะดีได้ก็ต่อเมื่อบริบทที่รองรับนั้นดี ซึ่งนำเราไปสู่รากฐานข้อมูล การขยายขนาดไม่ได้ต้องการเพียงแค่การเข้าถึงข้อมูลดิบเท่านั้น แต่ยังต้องการเลเยอร์เชิงความหมายที่สมบูรณ์ ซึ่งเมตาเดต้าที่แข็งแกร่งและโมเดลข้อมูลที่เป็นหนึ่งเดียวจะช่วยให้ AI สามารถ "ใช้เหตุผล" เกี่ยวกับธุรกิจได้ แทนที่จะแค่ประมวลผลข้อมูลป้อนเข้า สุดท้ายแล้ว ผู้นำที่แท้จริงตระหนักว่านี่ไม่ใช่แค่การยกเครื่องเทคโนโลยี แต่เป็นการเปลี่ยนแปลงทางวัฒนธรรม พวกเขาเชื่อม "ช่วงสุดท้าย" โดยก้าวข้ามระบบอัตโนมัติแบบง่ายๆ ไปสู่การทำงานร่วมกันระหว่างมนุษย์และตัวแทน ปรับปรุงกระบวนการทำงานใหม่เพื่อให้พนักงานและผู้ค้าไว้วางใจและทำงานร่วมกับคู่ค้าดิจิทัล เปลี่ยนศักยภาพของอัลกอริทึมให้เป็นความจริงทางธุรกิจที่วัดผลได้

ปัจจุบันโปรโมชั่นค้าปลีกมากกว่า 70 เปอร์เซ็นต์ยังคงไม่คุ้มทุน AI จะช่วยปรับปรุงการวางแผน การวัดผล และการเพิ่มประสิทธิภาพแบบเรียลไทม์ของโปรโมชั่นได้อย่างไร?

อัตราความล้มเหลว 70% ยังคงอยู่เพราะผู้ค้าปลีกมักพึ่งพาการวิเคราะห์แบบ "มองย้อนหลัง" ซึ่งทำให้สับสนระหว่างยอดขายรวมกับยอดขายที่เพิ่มขึ้นทีละน้อย—โดยพื้นฐานแล้วเป็นการอุดหนุนลูกค้าประจำที่ซื้อสินค้าอยู่แล้วไม่ว่าจะอย่างไรก็ตาม เพื่อที่จะทำลายวงจรนี้ เราจำเป็นต้องเปลี่ยนจากการรายงานแบบบรรยายไปสู่แนวทางที่คาดการณ์ได้มากขึ้น ในขั้นตอนการวางแผน เราใช้ AI เชิงสาเหตุเพื่อจำลองผลลัพธ์และสร้าง "เกณฑ์พื้นฐานที่แท้จริง" โดยระบุอย่างแน่ชัดว่าสินค้าอะไรที่จะขายได้หากไม่มีโปรโมชั่น ซึ่งจะช่วยให้ผู้ค้าปลีกหยุดจ่ายเงินสำหรับความต้องการที่เกิดขึ้นเองตามธรรมชาติและมุ่งเป้าไปที่ปริมาณใหม่สุทธิเท่านั้น

ในด้านการวัดผล AI ช่วยแก้ "ปริศนาพอร์ตโฟลิโอ" โดยการวัดผลกระทบเชิงบวกและผลเสียที่เกิดขึ้นกับสินค้าอื่น ผู้ค้าที่เป็นมนุษย์มักวางแผนแบบแยกส่วน แต่ AI ให้มุมมองที่ครอบคลุมทั้งหมวดหมู่ ทำให้มั่นใจได้ว่าโปรโมชั่นสำหรับสินค้าหนึ่งรายการจะไม่ไปแย่งกำไรจากสินค้าอื่น การวัดผลแบบองค์รวมนี้ช่วยให้ผู้ค้าปลีกเข้าใจว่าพวกเขากำลังขยายขนาดของหมวดหมู่สินค้าหรือเพียงแค่แบ่งส่วนสินค้าในรูปแบบที่แตกต่างออกไป

สุดท้ายนี้ เพื่อการเพิ่มประสิทธิภาพแบบเรียลไทม์ อุตสาหกรรมกำลังมุ่งไปสู่การใช้ AI Agent ที่คอยตรวจสอบแคมเปญ "ระหว่างดำเนินการ" แทนที่จะรอการวิเคราะห์ภายหลังหลายสัปดาห์หลังจากแคมเปญสิ้นสุดลง ตัวแทนเหล่านี้จะแนะนำการปรับเปลี่ยนอย่างอัตโนมัติ เช่น การปรับงบประมาณโฆษณาดิจิทัล หรือการสลับข้อเสนอ เพื่อช่วยกอบกู้ผลกำไรก่อนที่โปรโมชั่นจะสิ้นสุดลง แนวทางนี้เปลี่ยนจุดสนใจจากการแค่ระบายสินค้าคงคลังไปสู่การสร้างการเติบโตที่ทำกำไรได้

การคาดการณ์ที่ผิดพลาดและสินค้าหมดสต็อกยังคงเป็นสาเหตุสำคัญของการสูญเสียรายได้ อะไรทำให้ระบบการจัดการสินค้าและห่วงโซ่อุปทานที่ขับเคลื่อนด้วย AI มีประสิทธิภาพมากกว่าวิธีการคาดการณ์แบบดั้งเดิม?

การเปลี่ยนแปลงครั้งแรกเกิดขึ้นในด้านการพยากรณ์ ซึ่ง AI ช่วยให้เราเปลี่ยนจากการพึ่งพาข้อมูลภายในเพียงอย่างเดียว มาเป็นการดึงข้อมูลภายนอกเข้ามาใช้ เช่น สภาพอากาศในท้องถิ่น เหตุการณ์ทางสังคม และตัวชี้วัดทางเศรษฐกิจ เมื่อการพยากรณ์ครอบคลุมบริบทภายนอกเหล่านี้ ความแม่นยำที่เพิ่มขึ้นจะไม่เพียงแต่ช่วยเพิ่มยอดขายเท่านั้น แต่ยังส่งผลต่อเนื่องไปยังขั้นตอนอื่นๆ เช่น การจัดการสินค้าคงคลัง การวางแผนกำลังการผลิต ตารางการทำงาน และการดำเนินงานในคลังสินค้า เพื่อให้สอดคล้องกับความต้องการที่แท้จริง

การเปลี่ยนแปลงครั้งที่สองคือเรื่องสินค้าหมดสต็อก (Out-of-Stocks หรือ OOS) ซึ่งผู้ค้าปลีกส่วนใหญ่ยังคงวัดผลได้อย่างไม่แม่นยำ AI เข้ามาแก้ไขปัญหานี้โดยการตรวจจับความผิดปกติในรูปแบบการขาย—ระบุ "สินค้าคงคลังล่องหน" ที่ระบบคิดว่าสินค้ามีอยู่ในสต็อก แต่ยอดขายหยุดลง—และจะทำการนับสินค้าคงคลังโดยอัตโนมัติเพื่อแก้ไขบันทึก นอกจากข้อมูลแล้ว เรายังเห็นการพัฒนาของระบบคอมพิวเตอร์วิชั่นที่สามารถระบุช่องว่างบนชั้นวางสินค้าแบบเรียลไทม์และติดตามสินค้าคงคลังในห้องเก็บสินค้าด้านหลัง ทำให้มั่นใจได้ว่าสินค้าไม่ได้แค่ "อยู่ในร้าน" แต่พร้อมให้ลูกค้าซื้อได้

การค้าแบบตัวแทน (Agentic commerce) กำลังกลายเป็นประเด็นสำคัญในนวัตกรรมค้าปลีก ตัวแทน AI ที่ใช้เหตุผลจะเปลี่ยนแปลงการค้นหาสินค้าและการเปลี่ยนมาเป็นลูกค้าได้อย่างไร เมื่อเทียบกับประสบการณ์การช้อปปิ้งที่ขับเคลื่อนด้วยการค้นหาในปัจจุบัน?

ในยุคการช้อปปิ้งที่ขับเคลื่อนด้วยการค้นหาในปัจจุบัน ผู้บริโภคยังคงต้องทำงานหนักเป็นส่วนใหญ่ พวกเขาต้องรู้ว่าจะมองหาอะไร เปรียบเทียบตัวเลือก และทำความเข้าใจผลลัพธ์ที่ไม่มีที่สิ้นสุด ระบบอัตโนมัติที่ใช้เหตุผลเข้ามาเปลี่ยนแปลงสิ่งนี้โดยการสร้าง "ชั้นวางสินค้าจำลอง" ขึ้นมาโดยอัตโนมัติ ซึ่งเป็นคอลเลกชันที่กำหนดเองซึ่งรวบรวมผลิตภัณฑ์หลายหมวดหมู่ตามความตั้งใจเฉพาะ ตัวอย่างเช่น แทนที่จะค้นหาสินค้าห้าชิ้นแยกกัน ผู้ซื้อที่มีภารกิจ "อาหารเช้าเพื่อสุขภาพ" จะได้รับชั้นวางสินค้าชั่วคราวที่สอดคล้องกัน ซึ่งมีทุกอย่างตั้งแต่ซีเรียลโปรตีนสูงไปจนถึงเครื่องปั่น ทำให้กระบวนการค้นหาสินค้าลดลงจากหลายนาทีเหลือเพียงไม่กี่วินาที

ในด้านการเพิ่มอัตราการแปลง ตัวแทนเหล่านี้ทำหน้าที่คล้ายกับ 'ผู้ช่วยส่วนตัวในการช้อปปิ้ง' มากกว่าเครื่องมือค้นหา พวกเขาไม่ได้แค่แสดงรายการตัวเลือก แต่สร้างตะกร้าสินค้าอย่างกระตือรือร้นโดยอิงจากความต้องการที่เปิดกว้าง หากลูกค้าถามหา 'ชุดอาหารเย็นสำหรับสี่คนราคาไม่เกิน 50 ดอลลาร์' ตัวแทนจะพิจารณาจากสินค้าคงคลัง ราคา และข้อจำกัดด้านอาหาร เพื่อแนะนำชุดสินค้าที่สมบูรณ์ ความสามารถในการให้เหตุผลนี้ช่วยลด 'ช่องว่างความมั่นใจ' โดยการอธิบายว่าทำไมผลิตภัณฑ์เฉพาะจึงเหมาะสมกับไลฟ์สไตล์หรือเป้าหมายของผู้ใช้ ตัวแทนจะช่วยลดความลังเลในการตัดสินใจและเพิ่มอัตราการแปลงให้สูงขึ้นเมื่อเทียบกับการแสดงภาพขนาดย่อของผลิตภัณฑ์แบบเงียบๆ

ในที่สุด เราก็ได้เห็นการขยายขอบเขตนี้ไปสู่เนื้อหาที่ปรับแต่งเฉพาะบุคคลอย่างมาก แทนที่จะแสดงแบนเนอร์หน้าแรกแบบเดียวกันให้กับทุกคน AI ของ Agentic สามารถสร้างหน้า Landing Page และภาพแบบไดนามิกที่สะท้อนถึงภารกิจการช้อปปิ้งปัจจุบันของลูกค้าได้ อย่างไรก็ตาม เพื่อให้สามารถขยายขนาดได้ ผู้ค้าปลีกพบว่าพวกเขาจำเป็นต้องวางรากฐานให้กับเอเจนต์เหล่านี้ในโมเดลข้อมูลแบบรวมศูนย์ (Unified Data Model) พร้อมด้วยการกำกับดูแลด้านแบรนด์และความปลอดภัยอย่างเข้มงวด เพื่อให้มั่นใจว่า 'ความคิดสร้างสรรค์' ของ AI จะไม่สร้างภาพลวงตาของผลิตภัณฑ์หรือละเมิดน้ำเสียงของแบรนด์

ผู้ค้าปลีกจำนวนมากประสบปัญหาเกี่ยวกับโครงสร้างข้อมูลที่ล้าสมัย องค์กรควรปรับปรุงโครงสร้างพื้นฐานข้อมูลอย่างไรเพื่อให้โมเดล AI สามารถให้คำแนะนำที่น่าเชื่อถือและอธิบายได้?

อุปสรรคที่ใหญ่ที่สุดต่อความสำเร็จของ AI ไม่ใช่ตัวโมเดล แต่เป็น 'บึงข้อมูล' ที่อยู่เบื้องล่าง ในการปรับปรุงให้ทันสมัย ​​ผู้ค้าปลีกต้องหยุดเพียงแค่รวบรวมข้อมูล แต่ต้องสร้างเลเยอร์ความหมายที่เป็นหนึ่งเดียว ซึ่งหมายถึงการนำ 'โมเดลข้อมูล' มาตรฐานมาใช้ โดยที่ตรรกะทางธุรกิจ (เช่น วิธีการคำนวณ 'อัตรากำไรสุทธิ' หรือ 'อัตราการเลิกใช้บริการ' อย่างละเอียด) จะถูกกำหนดไว้เพียงครั้งเดียวและสามารถเข้าถึงได้ทั่วทั้งองค์กร แทนที่จะซ่อนอยู่ในสคริปต์ SQL ที่กระจัดกระจายอยู่ทั่วองค์กร

ประการที่สอง องค์กรต่างๆ จำเป็นต้องเปลี่ยนมาใช้แนวคิด "ผลิตภัณฑ์ข้อมูล" แทนที่จะมองข้อมูลเป็นผลพลอยได้จากระบบไอที ผู้ค้าปลีกที่ประสบความสำเร็จจะมองข้อมูลเป็นผลิตภัณฑ์ที่มีการกำหนดผู้เป็นเจ้าของ ข้อตกลงระดับบริการ (SLA) และการตรวจสอบคุณภาพอย่างเข้มงวด (ความสามารถในการสังเกตข้อมูล) เมื่อคุณรวม "บันทึกข้อมูลหลัก" ที่สะอาดและมีการกำกับดูแลนี้เข้ากับเมตาเดต้าที่ครบถ้วน คุณจะสามารถอธิบายการทำงานได้ ปัญญาประดิษฐ์จะไม่เพียงแค่แสดงคำแนะนำแบบกล่องดำเท่านั้น แต่ยังสามารถติดตามตรรกะของมันย้อนกลับไปผ่านชั้นความหมายได้

การทำงานร่วมกันระหว่างผู้ค้าปลีกและบริษัทสินค้าอุปโภคบริโภคในอดีตนั้นอาศัยข้อมูลที่กระจัดกระจายและตัวชี้วัดที่ไม่สอดคล้องกัน แล้วโมเดลข้อมูลที่เป็นหนึ่งเดียวและแพลตฟอร์ม AI ที่ใช้ร่วมกันจะช่วยเพิ่มประสิทธิภาพการดำเนินงานในหมวดหมู่สินค้าให้แก่ทั้งสองฝ่ายได้อย่างไร?

ที่ผ่านมา ผู้ค้าปลีกและบริษัทสินค้าอุปโภคบริโภคต่างมองลูกค้ากลุ่มเดียวกันผ่านมุมมองที่แตกต่างกัน โดยแต่ละฝ่ายใช้ข้อมูลและแรงจูงใจของตนเอง แต่โมเดลข้อมูลแบบครบวงจรจะเปลี่ยนสิ่งนี้ไป โดยสร้างข้อมูลที่ถูกต้องและเป็นหนึ่งเดียวตลอดห่วงโซ่คุณค่า ไม่ว่าจะเป็นประสิทธิภาพของสินค้าบนชั้นวางหรือพฤติกรรมของผู้ซื้อ

เมื่อทั้งสองฝ่ายใช้แพลตฟอร์ม AI เดียวกัน พวกเขาสามารถระบุปัจจัยที่ขับเคลื่อนการเติบโตหรือการรั่วไหลในระดับหมวดหมู่ได้อย่างร่วมกัน ซึ่งอาจเป็นอะไรก็ได้ เช่น ราคา โปรโมชั่น การจัดประเภทสินค้า หรือช่องว่างของสินค้าคงคลัง สิ่งนี้จะเปลี่ยนการสนทนาจาก “ข้อมูลของฉันเทียบกับข้อมูลของคุณ” ไปเป็น “โอกาสร่วมกันของเรา”

ผลลัพธ์ที่ได้คือ การตัดสินใจที่ชาญฉลาดขึ้น การทดลองที่รวดเร็วขึ้น และท้ายที่สุดคือ การเติบโตของหมวดหมู่สินค้าที่สูงขึ้น ซึ่งเป็นประโยชน์ต่อทั้งผู้ค้าปลีกและแบรนด์ต่างๆ

เมื่อเครือข่ายสื่อค้าปลีกเติบโตขึ้น ปัญญาประดิษฐ์ (AI) จะมีบทบาทอย่างไรในการปรับปรุงการกำหนดกลุ่มเป้าหมาย การวัดผล และการวิเคราะห์แหล่งที่มาของผลลัพธ์แบบครบวงจร ในขณะเดียวกันก็รักษาความไว้วางใจของผู้บริโภคไว้ได้?

AI จะเปลี่ยนแปลง 4 ด้านหลัก เมื่อเครือข่ายสื่อค้าปลีกเติบโตขึ้น

ประการแรก ในด้านการกำหนดกลุ่มเป้าหมาย อุตสาหกรรมกำลังพัฒนาจากกลุ่มเป้าหมายแบบคงที่ไปสู่การคาดการณ์ความตั้งใจ โดยการวิเคราะห์สัญญาณแบบเรียลไทม์ เช่น ความเร็วในการเรียกดูเว็บไซต์ หรือองค์ประกอบของตะกร้าสินค้า เพื่อระบุช่วงเวลาที่ลูกค้าต้องการซื้อสินค้าอย่างแม่นยำ AIe จึงมั่นใจได้ว่าเราจะแสดงโฆษณาที่เหมาะสมในเวลาที่สำคัญที่สุด แทนที่จะกำหนดเป้าหมายเพียงแค่กลุ่มประชากรแบบกว้างๆ

ประการที่สอง สำหรับการวัดผล มาตรฐานทองคำกำลังเปลี่ยนจากผลตอบแทนจากการใช้จ่ายโฆษณา (ROAS) แบบธรรมดา ไปเป็นผลตอบแทนจากการใช้จ่ายโฆษณาแบบเพิ่มขึ้น (iROAS) โดยการใช้ AI เชิงสาเหตุ เราสามารถวัดผลกระทบที่แท้จริงของการใช้จ่ายสื่อได้ โดยการระบุผู้ซื้อที่ตัดสินใจซื้อเพราะโฆษณาเท่านั้น เทียบกับผู้ที่อาจตัดสินใจซื้อได้เองโดยธรรมชาติ

ประการที่สาม ประสิทธิภาพในการดำเนินงานกำลังมีความสำคัญมากขึ้น โดยเฉพาะอย่างยิ่งในด้านการสร้างสรรค์ เพื่อสนับสนุนการปรับแต่งให้ตรงกับความต้องการเฉพาะบุคคลอย่างมาก ผู้ค้าปลีกจึงใช้ AI แบบสร้างสรรค์ (Generative AI) ไม่เพียงแต่สำหรับการระดมความคิดเท่านั้น แต่ยังใช้เพื่อขยายขนาดการผลิตด้วย ซึ่งช่วยให้ทีมสามารถสร้างรูปแบบสินทรัพย์แบบไดนามิกที่เฉพาะเจาะจงสำหรับแต่ละช่องทางได้หลายพันแบบโดยอัตโนมัติในเวลาเพียงไม่กี่นาที แทนที่จะใช้เวลาหลายสัปดาห์ ช่วยแก้ปัญหาคอขวดของ 'ความเร็วในการสร้างเนื้อหา'

สุดท้าย การรักษาความไว้วางใจนั้นขึ้นอยู่กับการนำห้องปลอดข้อมูลมาใช้กันอย่างแพร่หลาย สภาพแวดล้อมเหล่านี้ช่วยให้ผู้ค้าปลีกและแบรนด์ต่างๆ สามารถจับคู่ชุดข้อมูลของตนได้อย่างปลอดภัยสำหรับการระบุแหล่งที่มาแบบครบวงจร ซึ่งรับประกันได้ว่าข้อมูลส่วนบุคคลที่ละเอียดอ่อน (PII) จะไม่รั่วไหลออกจากไฟร์วอลล์ของพวกเขาเลย

เมื่อมองไปข้างหน้า ความสามารถใดที่จะกำหนดอนาคตของธุรกิจค้าปลีกที่ขับเคลื่อนด้วย AI และผู้นำควรเริ่มสร้างอะไรบ้างในวันนี้เพื่อรักษาความสามารถในการแข่งขันในอีกห้าปีข้างหน้า?

ยุคต่อไปของการค้าปลีกจะถูกกำหนดโดยการเปลี่ยนผ่านจาก 'การเปลี่ยนแปลงทางดิจิทัล' ไปสู่ ​​'การเปลี่ยนแปลงเชิงตัวแทน' เรากำลังก้าวไปสู่อนาคตของ 'การจัดการแบบอัตโนมัติ' ซึ่งเครือข่ายของตัวแทน AI จะทำงานร่วมกันเพื่อดำเนินกระบวนการที่ซับซ้อน เช่น ตัวแทนห่วงโซ่อุปทานที่บอกตัวแทนการตลาดโดยอัตโนมัติให้ระงับโปรโมชั่นชั่วคราวเนื่องจากการจัดส่งล่าช้า

เพื่อเตรียมพร้อมสำหรับเรื่องนี้ ผู้นำต้องเริ่มสร้างสามสิ่งนี้ตั้งแต่วันนี้

ประการแรกคือแบบจำลองข้อมูลที่เป็นหนึ่งเดียว ตัวแทนไม่สามารถทำงานร่วมกันได้หากพวกเขาไม่ใช้ภาษาเดียวกัน โครงสร้างพื้นฐานข้อมูลของคุณต้องพัฒนาจากแหล่งเก็บข้อมูลไปสู่ ​​'ระบบประสาท' ที่มีความหมาย

ประการที่สองคือกรอบการกำกับดูแลสำหรับหน่วยงานต่างๆ คุณต้องกำหนด 'กฎเกณฑ์ในการปฏิบัติงาน' ก่อนขยายขนาดการใช้งาน กล่าวคือ สิ่งที่ AI สามารถทำได้โดยอิสระ และสิ่งที่ต้องได้รับการอนุมัติจากมนุษย์

ในที่สุด ยุคของแดชบอร์ดแบบคงที่ที่ให้การวิเคราะห์แบบ 'มองย้อนหลัง' ก็ใกล้จะหมดไปแล้ว เรากำลังก้าวไปสู่การวิเคราะห์เชิงสนทนาที่ให้ข้อมูลเชิงลึกแบบทันทีและเฉพาะบุคคล อินเทอร์เฟซเหล่านี้ก้าวไปไกลกว่าการรายงาน 'สิ่งที่เกิดขึ้น' พวกมันใช้ AI ที่เป็นตัวแทนในการให้เหตุผลผ่านคำถาม 'ทำไม' ที่ซับซ้อน และให้คำแนะนำเชิงกำหนดว่า 'ควรทำอะไรต่อไป' อย่างมีประสิทธิภาพ ช่วยลดช่องว่างระหว่างข้อมูลเชิงลึกและการลงมือปฏิบัติ

ขอบคุณสำหรับบทสัมภาษณ์ที่ดี ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม ความน่าเชื่อถือ.