Himanshu Jain, ผู้ร่วมก่อตั้งและหัวหน้าผลิตภัณฑ์ที่ CommerceIQ – ชุดสัมภาษณ์

Himanshu Jain, ผู้ร่วมก่อตั้งและหัวหน้าผลิตภัณฑ์ที่ CommerceIQ, นำกลยุทธ์และการพัฒนาผลิตภัณฑ์โดยมุ่งเน้นการสร้างเอเย่นต์ AI ที่ทำงานอัตโนมัติในกระบวนการค้าปลีกและอีคอมเมิร์ซที่ซับซ้อน ตั้งแต่ก่อตั้ง CommerceIQ ในปี 2017 เขาได้ช่วยกำหนดแนวทางของบริษัทในการนำข้อมูล, การอัตโนมัติ, และ AI ไปใช้ในพาณิชย์ดิจิทัล ก่อนเข้าร่วม CommerceIQ, Jain เคยดำรงตำแหน่งผู้นำด้านกลยุทธ์ผลิตภัณฑ์, การพัฒนาธุรกิจ, และความสำเร็จของลูกค้าที่ Boomerang Commerce, ซึ่งเขาทำงานร่วมกับผู้ค้าปลีกรายใหญ่ในการกำหนดราคา, การจัดสินค้าตามประเภท, และกลยุทธ์การเติบโตของอีคอมเมิร์ซ ในช่วงแรกของอาชีพ, เขาเป็นที่ปรึกษาการจัดการที่ A.T. Kearney และใช้เวลาประมาณห้าปีที่ Capital One UK ทำงานด้านการจัดการผลิตภัณฑ์, ความเสี่ยงเครดิต, กลยุทธ์การตลาด, การวิเคราะห์, และการสร้างโมเดลสถิติ เขายังให้คำปรึกษาแก่สตาร์ทอัพเกี่ยวกับกลยุทธ์การเข้าสู่ตลาดและเขียนบทความเกี่ยวกับ Amazon และอีคอมเมิร์ซให้กับ Marketing Land

CommerceIQ เป็นแพลตฟอร์มพาณิชย์ค้าปลีกที่ใช้ AI ช่วยออกแบบเพื่อช่วยแบรนด์ผู้บริโภคจัดการและเพิ่มประสิทธิภาพการทำงานของพวกเขาผ่านช่องทางอีคอมเมิร์ซ แพลตฟอร์มของมันรวบรวมข้อมูลการขาย, สื่อค้าปลีก, ชั้นวางดิจิทัล, เนื้อหา, สต็อก, และข้อมูลการแข่งขัน, ทำให้ทีมงานมีมุมมองรวมของประสิทธิภาพผ่านผู้ค้าปลีกกว่า 1,500 รายและ 85 ประเทศ CommerceIQ ได้ให้ความสำคัญเพิ่มขึ้นกับ AI แบบเอเย่นต์ผ่านเทคโนโลยี AllyAI, โดยมีเอเย่นต์เฉพาะที่สามารถวิเคราะห์สัญญาณค้าปลีก, แนะนำการกระทำ, อัตโนมัติการรายงาน, ปรับประสิทธิภาพการประมูลและงบประมาณโฆษณา, และดำเนินการเวิร์กโฟลว์อีคอมเมิร์ซที่เลือกไว้ภายในขอบเขตที่กำหนด บริษัทวางตำแหน่งแนวทางนี้ว่าเป็นการเปลี่ยนแปลงจากการจัดการค้าปลีกที่ขับเคลื่อนด้วยแดชบอร์ดไปสู่การดำเนินการอย่างต่อเนื่องที่ได้รับการช่วยเหลือจาก AI ครอบคลุมการขาย, สื่อ, เนื้อหา, และชั้นวางดิจิทัล

คุณได้ทำงานด้านการจัดการผลิตภัณฑ์, ความสำเร็จของลูกค้า, การพัฒนาธุรกิจ, และอื่น ๆ มากกว่าสิบปีก่อนก่อตั้ง CommerceIQ. สิ่งใดทำให้คุณเข้าสู่การค้าปลีกแบบเอเย่นต์, และบทเรียนใดจากการเปลี่ยนแปลงเทคโนโลยีก่อนหน้านี้ที่ส่งผลต่อมุมมองของคุณต่อสิ่งนี้?

ซอฟต์แวร์ส่วนใหญ่ก่อนที่ AI แบบเอเย่นต์จะมาถึงถูกออกแบบมาเพื่อทำให้การทำงานของมนุษย์เร็วขึ้น Excel ช่วยให้คุณสร้างโมเดลได้เร็วขึ้น แดชบอร์ดช่วยให้คุณตัดสินใจได้เร็วขึ้น สิ่งที่เปลี่ยนไปกับการค้าปลีกแบบเอเย่นต์คือซอฟต์แวร์ตอนนี้สามารถทำงานเองได้ ไม่ใช่แค่เร่งความเร็วในการทำงานของมนุษย์เท่านั้น เอเย่นต์สามารถเรียนรู้สภาพแวดล้อมของคุณได้เหมือนกับพนักงานใหม่ กระบวนการของคุณ, แนวทางภายใน, วิธีที่คุณตัดสินใจจริง ๆ, และจากนั้นดำเนินการสู่เป้าหมายตั้งแต่ต้นจนจบ โดยมีมนุษย์ให้บริบทและตรวจสอบผลลัพธ์แทนที่จะทำทุกขั้นตอน นี่คือประเภทซอฟต์แวร์ที่แตกต่างอย่างสิ้นเชิงจากสิ่งใดที่ฉันเคยทำงานกับในด้านการจัดการผลิตภัณฑ์หรือความสำเร็จของลูกค้า และเป็นเหตุผลที่ฉันคิดว่านี่เป็นการเปลี่ยนแปลงเทคโนโลยีที่พื้นฐานที่สุดที่ฉันเคยเห็น ไม่ใช่การเปลี่ยนแปลงแบบค่อยเป็นค่อยไป ความเร็วของการเปลี่ยนแปลงก็ไม่เหมือนกับอะไรที่เคยมีมาก่อน สมาร์ทโฟนต้องใช้หลายปีจึงจะเป็นที่แพร่หลาย AI แบบเอเย่นต์ได้เปลี่ยนวิธีการทำงานของอุตสาหกรรมทั้งหมดและยังไม่หยุดชะงัก บทเรียนจากการเปลี่ยนแปลงก่อนหน้านี้ที่ฉันให้ความสำคัญสูงสุดคือ ผู้คนที่อิงจากอดีตมักทำการตัดสินใจผิดที่นี่ วิธีที่ฉันพบว่ามีประสิทธิภาพที่สุดคือการเปิดใจรับฟัง, ลงมือทำจริง, และเรียนรู้จากสิ่งที่กำลังเกิดขึ้นในขณะนี้ มากกว่าที่เกิดขึ้นในรอบก่อนหน้า

คุณได้แยกแยะความแตกต่างระหว่าง \”agentic commerce\” ซึ่งผู้บริโภคใช้เอเย่นต์ AI เพื่อค้นหาและซื้อสินค้า, และ \”agentic retail\” ซึ่งแบรนด์ใช้เอเย่นต์เพื่อจัดการวิธีการขายของพวกเขา. เมื่อทั้งสองฝ่ายกลายเป็นอัตโนมัติมากขึ้น, คุณมองว่าความสัมพันธ์ระหว่างผู้บริโภค, แบรนด์, และผู้ค้าปลีกจะเปลี่ยนแปลงอย่างไร?

การค้นพบสินค้าในค้าปลีกได้ผ่านการเปลี่ยนแปลงสำคัญหลายครั้ง ในยุค 80s และ 90s การค้นหาเกิดจากแคตาล็อกส่งทางไปรษณีย์, ร้านค้าตัดสินใจว่าจะเน้นสินค้าชิ้นใด, และคนเลือกจากนั้น Amazon ได้สร้าง “aisle” ที่ไม่มีที่สิ้นสุด การค้นหาด้วยคีย์เวิร์ดแต่ละคำกลายเป็นชั้นวางสินค้าที่ไม่มีขอบเขต, แต่คนยังคงอ่านหัวข้อ, สแกนรีวิว, และทำการเลือกด้วยตนเอง สิ่งที่กำลังเปลี่ยนแปลงตอนนี้คือมนุษย์และเอเย่นต์ทำการซื้อร่วมกัน คุณแสดงเจตนา; เอเย่นต์สามารถอ่านสินค้าทุกรายการบนหน้าอย่างเต็มรูปแบบ, ทุกข้ออ้าง, ทุกรีวิว, ทุกหัวข้อย่อย, ทำการวิเคราะห์เจตนาตามความต้องการที่แท้จริงของคุณ, และเสนอแนะสี่หรือห้าตัวเลือกให้คุณ คุณยังคงเลือกหนึ่งรายการ, แต่เอเย่นต์ได้ทำงานเปรียบเทียบที่คนเคยทำโดยการสแกนให้เสร็จแล้ว ด้านแบรนด์, เอเย่นต์กำลังปรับปรุงเนื้อหา PDP ตามสิ่งที่ผู้บริโภคและเอเย่นต์ของพวกเขากำลังมองหา, ตัดสินใจสินค้าที่จะประมูล, และช่วยจัดการการจัดแสดงสินค้า ผู้ค้าปลีกอยู่ตรงกลางของวงจรนี้และควบคุมปริมาณสัญญาณที่ไหลระหว่างสองฝ่ายและสิ่งที่จะแสดงให้กับใครและภายใต้โปรโมชั่นใด ชั้นข้อมูลและการตัดสินใจนี้กำลังกลายเป็นทรัพย์สินเฉพาะของผู้ค้าปลีกมากขึ้นเรื่อย ๆ

การค้นพบสินค้ากำลังเคลื่อนย้ายออกจากการค้นหาด้วยคีย์เวิร์ดแบบดั้งเดิมไปสู่ผู้ช่วย AI ที่เปรียบเทียบสินค้า, สรุปตัวเลือก, และให้คำแนะนำ. แบรนด์ควรพิจารณาใหม่อย่างไรเกี่ยวกับเนื้อหาผลิตภัณฑ์และกลยุทธ์ชั้นวางดิจิทัลเมื่อพวกเขาพยายามให้เอเย่นต์ AI แนะนำสินค้าแทนการแค่จัดอันดับสูงในผลการค้นหา?

มนุษย์สแกนหน้าเว็บอย่างเร็ว อ่านสรุปรีวิว และดูรูปภาพสองสามรูป ตัวเอเจนต์สามารถอ่านทุกพิกเซล แม้ในเอเจนต์ช้อปปิ้ง คำถามของคุณจะถูกแยกเป็นคีย์เวิร์ด คีย์เวิร์ดเหล่านั้นจะถูกค้นหา ผลลัพธ์จะถูกสกัด ทุกผลิตภัณฑ์จะถูกอ่านอย่างเต็มที่ แล้วอัลกอริทึมเจตนาจะจัดอันดับรายการสั้นที่แสดงให้คุณ นั่นหมายความว่าข้อมูลต้องทำงานได้ทั้งสำหรับการค้นหาแบบดั้งเดิมและการอ่านระดับพิกเซลในเวลาเดียวกัน ไม่ใช่อย่างใดอย่างหนึ่ง นอกจากนี้ยังสำคัญว่าเรากำลังปรับให้เหมาะกับเอเจนต์ประเภทใด เอเจนต์ช้อปปิ้งอย่าง Rufus, Sparky, และ Alexa Shopping คือที่การซื้อจริงเกิดขึ้น และสิ่งที่ทำให้ผลลัพธ์ดีขึ้นคือหน้าผลิตภัณฑ์เองและคุณลักษณะและข้ออ้างอิงทั้งหมดบนหน้านั้น เอเจนต์ทั่วไปอย่าง ChatGPT หรือ Perplexity ทำหน้าที่คล้ายการวิจัยขั้นต้นของช่องทางบนสุด และสิ่งที่ทำให้คุณได้รับการกล่าวถึงนั้นใกล้เคียงกับสื่อที่ได้รับการยอมรับ การอ้างอิง บล็อกโพสต์ และบทความจากบุคคลที่สาม แบรนด์ที่มองว่าทั้งสองเป็นปัญหาเดียวกันจะจบลงด้วยการปรับให้เหมาะกับพื้นผิวที่ผิดพลาด

คำว่า “agentic AI” ตอนนี้ถูกนำไปใช้กับผลิตภัณฑ์หลากหลายประเภท โดยเฉพาะในอุตสาหกรรมค้าปลีก สิ่งที่แยกแยะเอเจนต์ AI ที่แท้จริงออกจากระบบอัตโนมัติตามกฎแบบดั้งเดิมหรือแพลตฟอร์มวิเคราะห์ที่มีอินเทอร์เฟซ AI สร้างสรรค์ซ้อนอยู่ด้านบนคืออะไร?

ระบบอัตโนมัติตามกฎคือ หาก X เกิดขึ้น ให้ทำ Y มันไม่มีสติปัญญาและไม่สามารถจัดการกับสิ่งใดที่คุณไม่ได้กำหนดไว้โดยชัดเจน อินเทอร์เฟซสร้างสรรค์บนแดชบอร์ดเพียงทำให้ข้อมูลเชิงสถิติเช่นเดิมอ่านง่ายขึ้น เอเจนต์ที่แท้จริงสามารถคิด วางแผน ปฏิบัติการ และจากนั้นประเมินและปรับตัวอย่างต่อเนื่อง เหมือนนักวิเคราะห์ระดับจูเนียร์ที่คุณฝึกอบรม คุณให้บริบท กระบวนการ แนวทางปฏิบัติ และการตัดสินใจที่เคยทำไว้กับมัน แล้วมันเริ่มทำงานตามเป้าหมายแทนที่จะรอให้กฎต่อไปทำงาน นั่นคือการทดสอบที่ฉันใช้จริง: มันสามารถทำงานได้เหมือนคนที่คุณฝึกสอนหรือเป็นเพียงเวอร์ชันที่เร็วขึ้นของสิ่งที่เคยคงที่อยู่เสมอ?

ทีมค้าปลีกโดยทั่วไปมีบุคคลคอยตรวจสอบสินค้าคงคลัง การตั้งราคา หน้าแสดงผลิตภัณฑ์ สื่อค้าปลีก ประสิทธิภาพการค้นหา และกิจกรรมการแข่งขันในหลายพันผลิตภัณฑ์ ช่องว่างการดำเนินงานใดบ้างที่เหมาะสมที่สุดสำหรับเอเจนต์ AI อิสระในวันนี้ และการตัดสินใจของมนุษย์ยังคงยากต่อการทดแทนในส่วนใด?

ฉันคิดเกี่ยวกับเรื่องนี้เป็นกราฟ 2×2 ที่แสดงว่าการตัดสินใจต้องการการพิจารณามากแค่ไหนและมีผลกระทบมากแค่ไหน งานที่ต้องการการพิจารณาต่ำจะถูกมอบให้เอเจนต์ทำโดยตรง งานที่ต้องการการพิจารณาสูงหรือผลกระทบสูงจะยังคงต้องมีมนุษย์ให้คำแนะนำเชิงกลยุทธ์และตรวจสอบผลลัพธ์ ในทางปฏิบัติหมายถึงการเริ่มต้นด้วย SKU ยาวและผู้ค้าปลีกยาวซึ่งไม่มีใครยุ่งเกี่ยวมานานปีและนำพวกมันเข้าสู่โหมดอัตโนมัติก่อน เนื่องจากความเสี่ยงของข้อผิดพลาดต่ำ SKU ชั้นนำและผู้ค้าปลีกชั้นนำยังคงมีชั้นมนุษย์คอยดูแล และชั้นนี้ไม่ได้เป็นเพียงการตรวจสอบเท่านั้น มันเป็นวิธีที่คุณฝึกเอเจนต์ เมื่อคุณพบข้อผิดพลาด คุณบอกมันว่าควรทำอย่างไรและทำไม และข้อเสนอแนะนั้นคือสิ่งที่ทำให้มันดีขึ้นตามเวลา แทนที่จะคงอยู่ในระดับกลางตลอด

เอเจนต์เฉพาะทางอาจสร้างปัญหาใหม่ได้หากพยายามเพิ่มประสิทธิภาพตามเป้าหมายแยกส่วน เอเจนต์สื่ออาจเพิ่มการโฆษณาสำหรับสินค้าที่กำลังจะหมดสต็อก ในขณะที่เอเจนต์การตั้งราคาอาจปรับปรุงอัตราการแปลงโดยเสียกำไร คุณจะทำอย่างไรให้เอเจนต์หลายตัวทำงานสู่เป้าหมายเชิงพาณิชย์ที่กว้างขึ้นของแบรนด์ แทนที่จะปรับแต่งเมตริกส่วนบุคคลของตนเอง?

นี่คือเหตุผลที่เราสร้างออร์เคสตราเตอร์แทนการใช้เอเจนต์อิสระหลายตัว ของเราเรียกว่า Ally และเป้าหมายของมันคือการเติบโตของยอดขาย ไม่ใช่เมตริกของช่องทางใดช่องทางหนึ่ง มันระบุโอกาสและความเสี่ยง ทำการประเมินการแลกเปลี่ยน แล้วมอบหมายงานเฉพาะให้กับเอเจนต์ทำงาน สื่อ เนื้อหา และการตั้งราคา โดยแชร์ข้อมูลเดียวกันให้ทุกเอเจนต์เพื่อไม่ให้ใครปรับแต่งแบบแยกส่วน หากไม่มีชั้นนี้ คุณจะเจอรูปแบบความล้มเหลวที่ระบุในคำถาม: เอเจนต์สื่อใช้จ่ายกับสินค้าที่กำลังจะหมดสต็อกเพราะไม่มีการมองเห็นสินค้าคงคลัง

ข้อมูลค้าปลีกมักกระจายอยู่ในพอร์ทัลของผู้ค้าปลีก แพลตฟอร์มโฆษณา ระบบสินค้าคงคลัง ระบบข้อมูลผลิตภัณฑ์ และเครื่องมือวิเคราะห์ภายใน ความสำคัญของคุณภาพข้อมูลและการรวมข้อมูลต่อการทำงานของเอเจนต์ในอุตสาหกรรมค้าปลีกที่ประสบความสำเร็จคืออะไร และการให้เอเจนต์ AI มีอิสระมากขึ้นทำให้ข้อมูลที่ไม่สมบูรณ์หรือไม่ดีเป็นอันตรายมากขึ้นหรือไม่?

การจัดรูปแบบข้อมูลให้เป็นโครงสร้างที่ถูกต้อง ด้วยโครงสร้างเชิงความหมายที่แท้จริงและออนโทโลยีที่เหมาะสม ไม่ใช่แค่ฟีดดิบที่วางเคียงกัน เป็นงานหลักส่วนใหญ่ที่ต้องทำหลายทีมคิดว่าคุณสามารถอัปโหลดข้อมูลเข้าไปใน ChatGPT หรือเชื่อมต่อเอเจนต์กับระบบที่มีอยู่แล้ว และผลลัพธ์ที่ได้จะไม่สอดคล้อง บางครั้งทำงานได้ บางครั้งก็สร้างข้อมูลเทียมโดยไม่มีวิธีพึ่งพา ความอิสระทำให้สถานการณ์แย่ลง ไม่ดีขึ้น เพราะมนุษย์ที่มีข้อมูลไม่ดีมักจะจับข้อผิดพลาดก่อนดำเนินการ ส่วนเอเจนต์ที่มีข้อมูลไม่ดีจะดำเนินการทันทีในระดับใหญ่ ก่อนที่ใครจะสังเกตเห็น

เมื่อแบรนด์เริ่มคุ้นเคยกับเอเจนต์ AI มากขึ้น พวกเขาควรตัดสินใจอย่างไรว่าการกระทำใดสามารถดำเนินการโดยอัตโนมัติได้และการกระทำใดควรยังคงต้องได้รับการอนุมัติจากมนุษย์? กระบวนการเปลี่ยนจาก \”AI recommends\” ไปเป็น \”AI acts\” มีลักษณะอย่างไรในทางปฏิบัติ?

ควรดำเนินการอย่างค่อยเป็นค่อยไป ไม่ใช่กระโดดครั้งเดียว ทีมส่วนใหญ่เริ่มที่ประมาณ 10 เปอร์เซ็นต์อัตโนมัติและ 90 เปอร์เซ็นต์ต้องได้รับการอนุมัติ เมื่อวงจรข้อเสนอแนะทำงาน เมื่อมนุษย์แก้ไขเอเจนต์และเอเจนต์นำการแก้ไขนั้นไปใช้ ความเชื่อมั่นจะเพิ่มขึ้นและอัตราส่วนนี้จะเปลี่ยนเป็น 20 เปอร์เซ็นต์และ 80 เปอร์เซ็นต์ แล้วต่อไป ทั้งในปริมาณของการกระทำและมูลค่าของสิ่งที่ถูกอัตโนมัติ จุดเริ่มต้นของการก้าวหน้าเหล่านี้คืองานที่มีผลกระทบต่ำ เช่น SKU หางยาวและผู้ค้าปลีกที่คุณไม่ได้จัดการอย่างแข็งขันอยู่แล้ว และจะขยายไปสู่การตัดสินใจที่มีผลกระทบสูงและต้องใช้การพิจารณามากขึ้นเมื่อมีประวัติการทำงานที่ชัดเจน

สื่อค้าปลีกโดยทั่วไปเคยมุ่งเน้นที่เมตริกเช่นผลตอบแทนต่อค่าโฆษณา (ROAS) อย่างหนัก แต่ขณะนี้มีความสนใจเพิ่มขึ้นในการตรวจสอบว่าการโฆษณานั้นจริง ๆ แล้วสร้างยอดขายเพิ่มหรือไม่ AI จะช่วยแบรนด์ทำการตัดสินใจที่ดีขึ้นเกี่ยวกับการเพิ่มมูลค่า ความสามารถทำกำไร และการจัดสรรงบโฆษณาอย่างไร?

แบรนด์อาจหลงใหลกับการวัดผลเกินไป การทำการศึกษาการเพิ่มมูลค่าอย่างลึกซึ้งเป็นระยะไตรมาสหนึ่งอาจดูเข้มงวด แต่โดยปกติตลาดจะเปลี่ยนแปลงไปแล้วเมื่อการศึกษาเสร็จสิ้น ฉันอยากให้ทีมสร้างชุดของหลักการเชิงปฏิบัติและดำเนินการอย่างรวดเร็ว: หากคุณอยู่ในอันดับสูงแบบออร์แกนิกแล้ว ไม่ต้องเพิ่มประมูล; คุณกำลังจ่ายเพื่อการขายที่คุณอาจได้มาเอง หากคุณอยู่ในอันดับต่ำแบบออร์แกนิก นั่นคือช่วงที่การใช้จ่ายโฆษณาจริง ๆ คุ้มค่า หากมีกลุ่มเป้าหมายในตลาดที่ยังไม่รู้จักผลิตภัณฑ์ของคุณ ให้ใช้จ่ายเพื่อให้ความรู้แก่พวกเขา การโต้เถียงว่าดอลลาร์หนึ่งคืนค่าเพิ่ม 1.48 หรือ 1.68 ดอลลาร์เป็นการใช้เวลาที่ไม่ทำอะไรจริง การไปสู่การกระทำอย่างรวดเร็วและยอมรับว่าตัวเลขจะถูกต้องในเชิงทิศทางแม้ไม่แม่นยำเต็มที่ คือสิ่งที่ผลักดันยอดขายจริง

หากเอเจนต์ AI ด้านผู้ซื้อเริ่มรับมือกับการค้นพบ การเปรียบเทียบ และการซื้อสินค้าในขณะที่เอเจนต์ด้านแบรนด์จัดการเนื้อหา ราคา การโฆษณา และสินค้าคงคลัง เราอาจในที่สุดมีเครื่องจักรที่มีอิทธิพลต่อทั้งสองด้านของการทำธุรกรรม คุณคิดว่าอีคอมเมิร์ซจะเป็นอย่างไรในสภาพแวดล้อมนั้น และอะไรจะเป็นตัวแยกแบรนด์ที่ประสบความสำเร็จจากแบรนด์ที่กลายเป็นที่มองไม่เห็นต่อระบบการซื้อที่ขับเคลื่อนด้วย AI?

ฉันไม่คิดว่าเราจะมุ่งหน้าไปสู่การที่เอเจนต์ทำธุรกรรมกับกันและกันโดยอัตโนมัติในเร็ว ๆ นี้ สิ่งที่ฉันเห็นแทนคือมนุษย์และเอเจนต์ร่วมกันซื้อจากทั้งสองฝ่าย เอเจนต์ทำงานเปรียบเทียบและแนะนำ ส่วนมนุษย์ยังคงเป็นผู้ตัดสินใจขั้นสุดท้าย และรูปแบบเดียวกันบนด้านแบรนด์ เอเจนต์ดำเนินการขณะมนุษย์กำหนดกลยุทธ์และอนุมัติการตัดสินใจที่สำคัญ ในโลกนั้น ผลิตภัณฑ์จริงยังต้องดีอยู่เสมอ; การปรับแต่งใด ๆ ก็ไม่สามารถช่วยผลิตภัณฑ์ที่แย่ได้ หลังจากนั้น สิ่งที่แยกต่างกันคือบริบท: เอเจนต์มีบริบทเกี่ยวกับธุรกิจของคุณมากแค่ไหน ได้เรียนรู้อะไรบ้าง และได้รับข้อเสนอแนะมากแค่ไหน นั่นคือสิ่งที่แยกเอเจนต์ที่ทำผิดพลาดโง่ ๆ กับเอเจนต์ที่เข้าใจเสียงและกลยุทธ์ของแบรนด์อย่างเพียงพอเพื่อให้เชื่อถือได้กับการตัดสินใจจริง แบรนด์ที่ชนะคือผู้ที่ให้ความสำคัญกับการให้เอเจนต์บริบทที่ดีและวงจรข้อเสนอแนะที่ทำงานเป็นงานหลัก ไม่ใช่โครงการเสริม ส่วนผู้ที่ข้ามขั้นตอนนี้จะกลายเป็นที่มองไม่เห็น

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม, ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม CommerceIQ.