Ilyas Kurklu, ผู้ร่วมก่อตั้งและซีอีโอของ Replenit – ซีรีส์สัมภาษณ์

Ilyas Kurklu, ผู้ร่วมก่อตั้งและซีอีโอของ Replenit, เป็นผู้ประกอบการและผู้บริหารเทคโนโลยีการค้าปลีกที่มุ่งเน้นการประยุกต์ปัญญาประดิษฐ์ในการตัดสินใจและการมีส่วนร่วมของลูกค้า ที่ Replenit เขานำทีมด้านกลยุทธ์ การพัฒนาผลิตภัณฑ์ และความร่วมมือ โดยอิงจากประสบการณ์มากกว่าหนึ่งทศวรรษในการช่วยขยายธุรกิจการมีส่วนร่วมของการค้าปลีกระดับองค์กรจากประมาณ $10 million ถึง $2 billion ของรายได้ พร้อมทำงานกับผู้ค้าปลีกกว่า 300 ราย การทำงานของเขายังรวมถึงบทบาทที่ปรึกษาและพัฒนาธุรกิจ รวมถึงหกปีในตำแหน่งหัวหน้าทีมและนักพยากรณ์อากาศที่ Türkiye’s General Directorate of Meteorology, ซึ่งเขาได้ทำงานกับข้อมูลเรียลไทม์, เรดาร์, ภาพถ่ายดาวเทียมและระบบการพยากรณ์

Replenit เป็นแพลตฟอร์มการตัดสินใจด้วย AI ที่ออกแบบมาสำหรับการค้าปลีกและอีคอมเมิร์ซ ให้เป็นชั้นเชื่อมระหว่างโครงสร้างข้อมูลของผู้ค้าปลีกกับระบบการมีส่วนร่วมของลูกค้าที่มีอยู่แล้วของพวกเขา ระบบ AI Decision Engine ของมันรวมสัญญาณจากลูกค้า ผลิตภัณฑ์ พฤติกรรม และสัญญาณอื่น ๆ เพื่อกำหนดการกระทำที่ดีที่สุดต่อไปสำหรับลูกค้าแต่ละรายแบบเรียลไทม์ ในขณะเดียวกัน Maestro AI CRM Manager สามารถจัดการเวิร์กโฟลว์โดยอัตโนมัติได้รวมถึงการเติมสินค้า การขายข้าม การมีส่วนร่วม การป้องกันการละทิ้งและการดึงคืนลูกค้า แทนที่จะบังคับให้ผู้ค้าปลีกต้องเปลี่ยนสแต็กเทคโนโลยีที่มีอยู่ Replenit ถูกออกแบบให้ผสานรวมกับแพลตฟอร์มการค้า การตลาด และข้อมูลที่ใช้อยู่ในปัจจุบันและแปลงการตัดสินใจของมันให้เป็นการสื่อสารและการกระทำที่พร้อมดำเนินการ บริษัทระบุว่าเทคโนโลยีของพวกเขาถูกใช้โดยผู้ค้าปลีกรวมถึง L’Occitane, Mumzworld, e-bebek, Beko, และ Faith In Nature.

คุณใช้เวลาหลายปีในการช่วยขยายเทคโนโลยีการค้าปลีกระดับองค์กรก่อนก่อตั้ง Replenit ร่วมกับผู้ร่วมก่อตั้งอีกห้าคน คุณเห็นว่าผู้ค้าปลีกประสบปัญหาอะไรบ่อย ๆ ที่ทำให้คุณเชื่อว่ามีชั้นการตัดสินใจที่ขาดหายไปในสแต็กเทคโนโลยี และความเข้าใจนั้นนำไปสู่การสร้าง Replenit อย่างไร?

ทำงานกับผู้ค้าปลีกหลายร้อยรายในตลาดต่าง ๆ เราได้ยินและเห็นปัญหาเดียวกันอยู่เสมอ: ผู้ค้าปลีกเก่งมากในการเก็บข้อมูลและเก่งมากในการดำเนินการ แต่ความฉลาดระหว่างนั้นยังขาดหายไป พวกเขามี CDPs, คลังข้อมูล, แพลตฟอร์ม CRM และระบบอัตโนมัติการตลาด แต่การตัดสินใจ — สิ่งที่ควรทำต่อไปสำหรับลูกค้าแต่ละคนคืออะไร? — ยังคงเป็นการคาดเดาตามกฎสถิต, กลุ่มกว้าง, ปฏิทินแคมเปญและการตัดสินใจของมนุษย์ สแต็กและทีมทั้งสองจึงกลายเป็นวิธีแก้ไขชั่วคราวสำหรับความจริงที่ว่าไม่มีใครสามารถให้เหตุผลเกี่ยวกับลูกค้าแต่ละคนได้ในระดับขนาดใหญ่ Replenit คือชั้นการให้เหตุผลและการตัดสินใจที่ขาดหายไป เราได้สร้างเครื่องยนต์ที่สามารถตีความบริบทของลูกค้าและผลิตภัณฑ์ในระดับบุคคล กำหนดการกระทำเชิงพาณิชย์ต่อไปที่เหมาะสม แล้วใช้ระบบที่ผู้ค้าปลีกมีอยู่แล้วเพื่อดำเนินการ

Replenit โต้แย้งว่าผู้ค้าปลีกมีข้อมูลลูกค้ามากมายและเครื่องมือสำหรับดำเนินแคมเปญมากมายแล้ว แต่ขาดสติปัญญาที่สามารถตัดสินใจว่าควรทำอะไรต่อไป ทำไมแพลตฟอร์ม Customer Data Platforms (CDPs), Customer Relationship Management (CRM) และระบบอัตโนมัติการตลาดจึงไม่สามารถแก้ปัญหานี้ได้ด้วยตนเอง?
ระบบเหล่านั้นถูกสร้างขึ้นเพื่อทำงานที่แตกต่างกัน CDP สามารถรวมข้อมูลลูกค้าให้เป็นหนึ่งเดียวได้ แต่การรวมข้อมูลไม่เท่ากับการตัดสินใจว่าจะทำอะไรกับข้อมูลนั้น CRM และแพลตฟอร์มอัตโนมัติการตลาดเป็นชั้นการดำเนินการที่ดีมาก พวกเขาสามารถส่ง, จัดระเบียบและปรับแต่งการสื่อสารได้เมื่อมีคนกำหนดกลุ่มเป้าหมาย, เวิร์กโฟลว์ หรือแคมเปญเฉพาะแล้ว

แม้ว่าแพลตฟอร์มเหล่านั้นจะเพิ่มคะแนนการทำนาย, AI สร้างสรรค์และการปรับเวลาการส่งออกไป แต่หน่วยงานพื้นฐานของงานมักยังคงเป็นแคมเปญ, เส้นทาง, กลุ่มเป้าหมาย หรือเซกเมนต์ AI อาจทำการปรับให้ดีขึ้นในสิ่งที่นักการตลาดได้เลือกทำแล้ว แต่ไม่ได้จำเป็นต้องตัดสินใจว่าควรทำอะไรเลยเลยว่าอะไรควรเกิดขึ้น, วัตถุประสงค์ของวงจรชีวิตใดสำคัญที่สุดสำหรับลูกค้ารายนั้น, ผลิตภัณฑ์ใดที่เกี่ยวข้อง, ทำไมต้องตอนนี้, ด้วยโทนเสียงแบบใด, และเพื่อผลลัพธ์เชิงพาณิชย์ใด นั่นคือความแตกต่างที่เราวางแยกระหว่างคะแนนและการตัดสินใจ การทำนายสามารถจัดอันดับความน่าจะเป็นได้ การตัดสินใจต้องอาศัยการให้เหตุผลทั่วบริบทและทางเลือกต่าง ๆ แล้วค่อยดำเนินการ Replenit อยู่เหนือสแต็กที่มีอยู่เพื่อให้ชั้นนั้นโดยไม่ต้องขอให้ผู้ค้าปลีกเปลี่ยนระบบที่พวกเขามีอยู่แล้ว

ส่วนสำคัญของแนวทางของ Replenit คือการประยุกต์ Theory of Mind เพื่อสรุปเจตนา, บริบท และพฤติกรรมในอนาคตที่คาดว่าจะเป็นของลูกค้า คุณแปลแนวคิดจากวิทยาศาสตร์การรับรู้ให้เป็นระบบ AI ที่สามารถทำการตัดสินใจเชิงพาณิชย์ที่เชื่อถือได้อย่างไร และคุณตรวจสอบว่าระบบได้ตีความเจตนาของลูกค้าอย่างถูกต้องหรือไม่อย่างไร?
เรานำ Theory of Mind ไปเป็นชั้นการให้เหตุผลที่มองข้ามสิ่งที่ลูกค้าได้ทำและถามว่าพฤติกรรมนั้นอาจเกิดขึ้นได้เพราะอะไร, มันสื่ออะไรเกี่ยวกับเจตนา, และหมายความว่าอย่างไรในบริบท แทนที่จะพึ่งพาแบบแผนประวัติศาสตร์หรือความคล้ายคลึงของผลิตภัณฑ์ ระบบจะให้เหตุผลในระดับความสัมพันธ์ระหว่างลูกค้าและผลิตภัณฑ์แต่ละรายและใช้บริบทนั้นเพื่อกำหนดว่าควรทำอะไรต่อไป

การให้เหตุผลนั้นอาจรวมถึงการเข้าใจแรงจูงใจที่คาดว่าจะอยู่เบื้องหลังการซื้อ, ความสัมพันธ์ระหว่างผลิตภัณฑ์ต่าง ๆ, ความต้องการที่ลูกค้าพยายามตอบสนอง, และว่าช่วงเวลานั้นเหมาะสมสำหรับการกระทำเฉพาะหรือไม่ จากนั้น Replenit ไปไกลกว่าการเสนอทางเลือกเพียงอย่างเดียว: มันทำการตัดสินใจและเตรียมการตัดสินใจนั้นให้พร้อมสำหรับการดำเนินการผ่านระบบที่ผู้ค้าปลีกมีอยู่แล้ว

การตรวจสอบเกิดขึ้นผ่านผลลัพธ์ เมื่อมีการตัดสินใจแล้ว Replenit จะติดตามสิ่งที่เกิดขึ้นจริงและนำผลลัพธ์นั้นกลับเข้าสู่การตัดสินใจในอนาคตสำหรับลูกค้าคนนั้น ระบบยังประเมินอย่างต่อเนื่องว่าทักษะและแนวทางการตัดสินใจใดให้ผลลัพธ์ดีขึ้น โดยขยายขนาดของสิ่งที่ทำได้ดีและลดความสำคัญของสิ่งที่ไม่ทำได้ดี ในความหมายนี้ ระบบจะเรียนรู้ที่จะรู้ว่าการกระทำใดเหมาะกับลูกค้าที่เหมาะสมในเวลาที่เหมาะสม เพราะมันเรียนรู้จากผลลัพธ์จริง แทนที่จะทำตรรกะเดียวกันซ้ำ ๆ

ส่วนใหญ่ระบบการปรับแต่งส่วนบุคคลเป็นเครื่องมือทำนายในที่สุด โดยประมาณว่าผู้ใช้อาจคลิกหรือซื้ออะไร Replenit เน้นการเปลี่ยนจากการทำนายไปสู่การตัดสินใจ จากมุมมองสถาปัตยกรรม AI สิ่งที่เปลี่ยนแปลงคือเมื่อโมเดลต้องเลือกการกระทำต่อไปจริง ๆ แทนที่จะเพียงให้ความน่าจะเป็นหรือคำแนะนำเท่านั้น?

ที่ Replenit มีส่วนสำคัญสี่ส่วนในสถาปัตยกรรมนั้น ส่วนแรกคือ Golden Memory: บันทึกที่มีชีวิตของลูกค้า ผลิตภัณฑ์และแบรนด์ซึ่งให้ระบบมีบริบทเหนือการทำธุรกรรมเดี่ยว ๆ เมื่อข้อมูลไม่ครบถ้วน Replenit ยังสามารถเสริมข้อมูลที่มีอยู่และสร้างบริบทสังเคราะห์เพื่อช่วยปิดช่องว่างเหล่านั้น

ส่วนที่สองคือทักษะอุตสาหกรรมมากกว่า 100 รายการ ซึ่งเป็นความสามารถในการให้เหตุผลเฉพาะสำหรับหมวดหมู่และสถานการณ์ต่าง ๆ — ตัวอย่างเช่น ตัวสร้างขั้นตอนการดูแลความงามสำหรับผู้ค้าปลีกเครื่องสำอาง หรือสถาปนิกภายในสำหรับบริษัทเฟอร์นิเจอร์และ DIY นอกจากนี้ยังมีการตรวจสอบสนับสนุน 15 รายการที่สามารถทำงานพร้อมกันรอบการตัดสินใจ รวมถึงการตรวจสอบการทดแทน ความเข้ากันได้ การทำซ้ำและการกดทับ

ส่วนที่สามคือการเป็นเจ้าของกระบวนการทำงาน แทนที่จะให้คำแนะนำแล้วหยุดที่นั่น Maestro สามารถให้เหตุผลข้ามกระบวนการทำงานตลอดวงจรชีวิต เช่น การเติมสินค้า การขายต่อ การมีส่วนร่วม การพยายามดึงลูกค้ากลับ การลดการละทิ้ง การส่งโปรโมชั่นและการทดแทน กระบวนการเหล่านี้สามารถทำงานต่อเนื่องและพร้อมกันสำหรับลูกค้าแต่ละคน โดย Maestro จะกำหนดว่าการกระทำใดเหมาะสมในขณะนั้น

สุดท้าย เรานำทั้งหมดนี้มารวมเป็นสิ่งที่เราเรียกว่า Golden Decision Event: การตัดสินใจที่บันทึกไว้พร้อมพร้อมสำหรับการดำเนินการ ซึ่งรวมถึงการกระทำและเหตุผลของมัน ซึ่งสามารถส่งตรงไปยัง CRM ระบบอัตโนมัติการตลาด อีคอมเมิร์ซ แอปหรือระบบข้อมูลของผู้ค้าปลีกผ่านแพลตฟอร์มกว่า 120 แพลตฟอร์ม

ดังนั้นความแตกต่างคือเรากำลังย้ายจากโมเดลที่ทำนายสิ่งที่อาจเกิดขึ้นไปสู่ระบบที่สามารถจำบริบท นำความเชี่ยวชาญที่เหมาะสมเข้ามา ประเมินการกระทำที่มีอยู่ ตัดสินใจเลือกหนึ่งการกระทำและทำให้สามารถดำเนินการได้

Maestro สามารถตัดสินใจโดยอัตโนมัติว่าลูกค้าแต่ละคนควรได้รับการเตือนการเติมสินค้า การขายต่อ โปรโมชั่น ข้อความมีส่วนร่วม การพยายามดึงกลับ หรืออาจไม่มีการแทรกแซงเลย ระบบจะประเมินการกระทำที่แข่งขันกันเหล่านี้อย่างไรและกำหนดว่าการตัดสินใจใดเป็นการตัดสินใจที่ดีที่สุดจริง ๆ สำหรับลูกค้านั้นในขณะนั้น?

จุดเริ่มต้นคือ ลูกค้าและวัตถุประสงค์ทางการค้า ผู้ค้าปลีกกำหนดกลยุทธ์ ความสำคัญและขอบเขตการทำงาน Maestro จากนั้นจะให้เหตุผลข้ามบริบทของลูกค้า ผลิตภัณฑ์และกระบวนการทำงานที่มีอยู่เพื่อกำหนดว่าควรทำอะไรต่อไป ซึ่งอาจรวมถึงการตัดสินใจว่าเป้าหมายทางการค้าใดควรให้ความสำคัญก่อน กระบวนการทำงานใดที่เกี่ยวข้อง ทักษะหรือการผสมผสานของทักษะใดที่ควรใช้ ผลิตภัณฑ์ใดที่เหมาะสม และการกระทำควรเกิดขึ้นเมื่อใด ผู้ค้าปลีกยังสามารถกำหนดความสำคัญตามเมตริกต่าง ๆ เช่น รายได้ ความถี่การซื้อ มูลค่าเฉลี่ยต่อคำสั่งซื้อ การปกป้องกำไร หรือการป้องกันการละทิ้ง

การให้เหตุผลแบบ Theory-of-Mind ของเราจะเพิ่มบริบทส่วนบุคคล: พฤติกรรมหมายถึงอะไร ลูกค้าอาจต้องการอะไรจริง ๆ และทำไมอาจเป็นหรือไม่ใช่ช่วงเวลาที่เหมาะสม ทักษะเฉพาะของเราและการตรวจสอบสนับสนุนสามารถทำงานควบคู่กับการให้เหตุผลนั้น เมื่อการตัดสินใจที่ดีที่สุดคือไม่แทรกแซง Maestro จะไม่ทำเช่นนั้น เมื่อ Maestro สรุปแล้ว มันจะบันทึกการตัดสินใจและเหตุผลเป็นเหตุการณ์พร้อมดำเนินการ แทนที่จะส่งเมนูคำแนะนำให้กับนักการตลาด

Replenit ใช้สถาปัตยกรรมแบบฝูงที่หลายเอเจนต์ AI เชี่ยวชาญสามารถทำงานพร้อมกันได้ จะเกิดอะไรขึ้นเมื่อเอเจนต์หลายตัวให้เหตุผลเกี่ยวกับลูกค้าเดียวกันในเวลาเดียวกัน และเราจะป้องกันไม่ให้คำแนะนำหรือการกระทำที่ขัดแย้งกันถูกดำเนินการได้อย่างไร?

เครื่องยนต์ฝูงของ Replenit ไม่สร้างความขัดแย้งของเอเจนต์เพราะไม่ได้เกี่ยวกับการทำให้การตัดสินใจของลูกค้าเป็นแบบขนาน แต่เป็นการทำงานของส่วนประกอบของการตัดสินใจเดียวในแบบขนาน เมื่อ Maestro ให้เหตุผลเกี่ยวกับลูกค้า มันจะเปิดใช้งานเอเจนต์เชี่ยวชาญหลายตัวพร้อมกัน: เครือข่ายการกำหนดเส้นทางส่งการตัดสินใจไปยังโมเดลที่เหมาะสม, LLM ให้เหตุผลประเมินบริบทและพฤติกรรมของลูกค้า, เอเจนต์เสริมข้อมูลสังเคราะห์ข้อมูลลูกค้าหรือผลิตภัณฑ์ที่ขาดหายแบบเรียลไทม์, และโมเดลเชี่ยวชาญประเมินความสัมพันธ์และความเหมาะสมของผลิตภัณฑ์กับลูกค้า

แทนที่จะทำงานเหล่านี้ตามลำดับซึ่งจะช้าและมีค่าใช้จ่ายสูง พวกมันทำงานพร้อมกันบนสถานะของลูกค้าเดียวกันแล้วรวมกันเป็นการตัดสินใจเดียวที่สอดคล้องกันเกี่ยวกับสิ่งที่ควรทำต่อไป ไม่มีความขัดแย้งเพราะพวกมันไม่ได้แข่งขันเพื่อเลือกการกระทำที่ต่างกัน แต่ละส่วนให้มิติที่แตกต่างแก่ผลลัพธ์เดียวกัน

ตัวอย่างเช่น การเสริมข้อมูลอาจทำให้สัญญาณลูกค้าหรือผลิตภัณฑ์ที่ขาดหายปรากฏขึ้น ชั้นการให้เหตุผลจะตีความประวัติการซื้อและวัตถุประสงค์เชิงพาณิชย์ โมเดลความสัมพันธ์ของผลิตภัณฑ์จะระบุผลิตภัณฑ์หลักและสินค้าทดแทนที่เป็นไปได้ และการให้คะแนนจะพิจารณาผลกระทบทางธุรกิจที่อาจเกิดขึ้น ทั้งหมดนี้ทำงานพร้อมกัน แต่ให้ผลลัพธ์เดียว ระดับการทำงานพร้อมกันนี้เป็นข้อได้เปรียบด้านสถาปัตยกรรมที่สำคัญ การปรับใส่ระบบที่สร้างเป็นเครื่องมือเดี่ยวเป็นเรื่องยาก ในขณะที่ Replenit ได้ออกแบบให้เป็นส่วนกลางตั้งแต่แรก

หน่วยความจำถาวรเป็นส่วนสำคัญอีกส่วนหนึ่งของแพลตฟอร์ม ซึ่งทำให้การตัดสินใจสามารถอ้างอิงจากสิ่งที่เกิดขึ้นกับลูกค้าแต่ละรายในอดีตได้ ความสำคัญของหน่วยความจำระยะยาวต่อเอเจนต์ AI ที่ทำงานอย่างอิสระจริง ๆ คืออะไร และต้องมีการป้องกันใดบ้างเมื่อหน่วยความจำนั้นเกี่ยวข้องกับพฤติกรรมของลูกค้าที่อาจเป็นข้อมูลที่ละเอียดอ่อน?

หน่วยความจำเป็นพื้นฐานของการตัดสินใจอิสระ เนื่องจากบริบทมีการเปลี่ยนแปลงอย่างต่อเนื่อง เมื่อ Maestro พบการซื้อผลิตภัณฑ์สำหรับเด็กเป็นครั้งแรก ระบบจะจำได้ว่าบริบทของครอบครัวได้เปลี่ยนแปลงและการตัดสินใจในอนาคตควรสะท้อนวงจรชีวิตของผู้ปกครอง เมื่อพบการซื้อผลิตภัณฑ์ดูแลผิวครั้งแรก ระบบจะจำได้ว่าลูกค้ารายนี้กำลังสร้างกิจวัตรการดูแลผิว เมื่อรูปแบบการซื้อเริ่มปรากฏรอบการออกกำลังกายหรือสุขภาพ ระบบจะจับสังเกตพฤติกรรมการสร้างนิสัยนั้น

การซื้อแต่ละครั้งจะอัปเดตความเข้าใจของระบบเกี่ยวกับลูกค้านั้น ไม่ใช่แค่ข้อมูลประชากรเท่านั้น แต่รวมถึงสิ่งที่กระตุ้นพวกเขา พฤติกรรมที่พวกเขากำลังสร้าง และช่วงเวลาสำคัญในชีวิตของพวกเขา ดังนั้นการตัดสินใจครั้งต่อไปจึงไม่เป็นแบบทั่วไป แต่มีรากฐานมาจากบริบทจริงของลูกค้า ความจำที่สะสมนี้ทำให้การตัดสินใจมีความฉลาดยิ่งขึ้น

การป้องกันนั้นตรงไปตรงมา: เราเก็บเหตุการณ์การซื้อและรูปแบบบริบทที่เกิดขึ้นจากเหตุการณ์เหล่านั้น—สัญญาณวงจรชีวิต การสร้างนิสัย ตัวขับเคลื่อนการซื้อ และความสัมพันธ์ของหมวดหมู่—พร้อมนโยบายการเก็บรักษาที่เข้มงวดและการทำให้เป็นนามแฝงเมื่อเป็นไปได้ ขอบเขตของข้อมูลยังคงแคบ เราติดตามสิ่งที่เกิดขึ้นและบริบทที่เปลี่ยนแปลงเท่านั้น หากไม่มีแนวทางป้องกันเหล่านี้ หน่วยความจำถาวรจะกลายเป็นภาระแทนที่จะเป็นทรัพย์สิน

Replenit ถูกออกแบบให้ทำงานบนเทคโนโลยีที่ผู้ค้าปลีกใช้แล้วอยู่แล้ว ไม่จำเป็นต้องเปลี่ยนสแต็กที่มีอยู่ คุณได้เรียนรู้อะไรบ้างจากการใช้งานกับผู้ค้าปลีกระดับองค์กรกว่า 30 รายเกี่ยวกับอุปสรรคด้านเทคนิคหรือองค์กรที่ใหญ่ที่สุดในการให้ AI มีอำนาจการตัดสินใจที่มีความหมาย?

ปัญหาทางเทคนิคที่ชัดเจนที่สุดที่เราเจอไม่ใช่การขาดข้อมูล แต่คือสภาพของข้อมูล ผู้ค้าปลีกระดับองค์กรมักมีข้อมูลจำนวนมากที่กระจัดกระจายอยู่ในหลายระบบ ไม่สอดคล้องกันหรือไม่ครบถ้วน นั่นคือเหตุผลที่การเสริมข้อมูลกลายเป็นส่วนสำคัญของสถาปัตยกรรมพื้นฐาน ระบบต้องสร้างบริบทที่มีความหมายเพียงพอเพื่อให้สามารถให้เหตุผลได้แม้ชุดข้อมูลพื้นฐานจะไม่สมบูรณ์

ในแง่องค์กร คำถามที่ยากกว่าคือเรื่องความไว้วางใจ การให้ AI มีอำนาจการตัดสินใจที่มีความหมายกระทบต่อหลายฟังก์ชันพร้อมกัน ทีมข้อมูลและทีมไอทีต้องการความสามารถในการอธิบาย ความปลอดภัย และภาระการบูรณาการที่ต่ำ ทีมการตลาดต้องการความมั่นใจว่าการสื่อสารกับลูกค้าจะคงอยู่ในแบรนด์ ทีม CRM ต้องการรักษาการควบคุมเชิงกลยุทธ์ ไม่ให้ระบบ AI แย่งการจัดการความสัมพันธ์กับลูกค้า

แนวทางของเราจึงเป็นการแยกกลยุทธ์ออกจากการดำเนินงาน ผู้คนกำหนดวัตถุประสงค์ แนวทางแบรนด์ และขอบเขตการทำงาน ในขณะที่ Maestro รับผิดชอบการตัดสินใจและการดำเนินการที่ทำซ้ำได้ภายในขอบเขตเหล่านั้น การตัดสินใจทุกครั้งถูกออกแบบให้สามารถตรวจสอบได้ และระบบทำงานบนสแต็กที่มีอยู่แล้วโดยไม่บังคับให้ต้องย้ายแพลตฟอร์ม

เมื่อ AI มีบทบาทในการเพิ่มประสิทธิภาพรายได้และการรักษาลูกค้า คุณจะป้องกันระบบอิสระไม่ให้ปรับตัวเพื่อบรรลุเมตริกระยะสั้นอย่างเกินไป เช่น การผลักดันโปรโมชั่นหรือการซื้อที่ไม่จำเป็น ซึ่งอาจทำลายความไว้วางใจของลูกค้าและมูลค่าแบรนด์ระยะยาวได้อย่างไร?

Maestro ปรับตัวตาม KPI ที่มนุษย์กำหนด ไม่ใช่เมตริกที่ระบบเลือกเอง หากคุณกำหนดเป้าหมายเป็นมูลค่าตลอดชีพของลูกค้าและอัตราการรักษาลูกค้า ระบบจะมุ่งเน้นไปที่เป้าหมายนั้น ไม่ใช่ความเร็วของการทำธุรกรรมหรือปริมาณโปรโมชั่น หากกลยุทธ์ระยะสั้นที่รุนแรงทำให้การรักษาลูกค้าลดลง ระบบจะถือว่าไม่ผ่าน KPI ที่ตั้งไว้ ระบบเรียนรู้การแลกเปลี่ยนนี้โดยตรงจากผลลัพธ์ที่ย้อนกลับเข้าสู่หน่วยความจำ ดังนั้นกลยุทธ์ที่ทำลายการรักษาลูกค้าระยะยาวจะถูกบ่งชี้ว่าแย่ต่อเป้าหมายธุรกิจที่กำหนด

ข้อจำกัดอยู่ที่โครงสร้าง Maestro ทำงานภายในขอบเขตที่คุณกำหนด ไม่สามารถปรับตัวนอกขอบเขตเหล่านั้นได้ ทุกการตัดสินใจสามารถตรวจสอบได้ ทำให้คุณสามารถตรวจสอบว่าทำไม Maestro ถึงเลือกส่งหรือยับยั้ง การตัดสินใจนั้นได้รับน้ำหนักจาก KPI ใดและผลลัพธ์ที่คาดหวังคืออะไร หากไม่มีการกำหนด KPI ที่ชัดเจน ขอบเขตการทำงาน และความโปร่งใสในการตัดสินใจ ระบบ AI อาจผลักดันอย่างเกินไป แต่โมเดลของ Replenit มีความโปร่งใสและออกแบบมาเพื่อหลีกเลี่ยงสถานการณ์ดังกล่าว ธุรกิจกำหนดสิ่งที่สำคัญ Maestro ดำเนินการตามเป้าหมายนั้นพร้อมความสามารถในการตรวจสอบเต็มรูปแบบ และผลลัพธ์ทุกอย่างช่วยกำหนดว่ากลยุทธ์ทำงานได้จริงหรือไม่

โมเดลพื้นฐานกำลังพัฒนาอย่างรวดเร็วและเอเจนต์ที่มีความสามารถเพิ่มขึ้นจะพร้อมให้บริการกับผู้ค้าปลีกเกือบทุกราย ในระยะยาว คุณเชื่อว่าข้อได้เปรียบที่ป้องกันได้ในด้านการตัดสินใจด้วย AI จะมาจากอะไร: โมเดลที่เป็นกรรมสิทธิ์, หน่วยความจำระดับลูกค้า, การให้เหตุผลเฉพาะโดเมน, วงจรป้อนกลับ, โครงสร้างพื้นฐาน หรืออย่างอื่นทั้งหมด?

โมเดลพื้นฐานจะกลายเป็นสินค้าทั่วไป ดังนั้นทุกคนจะเข้าถึงเครื่องยนต์การให้เหตุผลที่มีความสามารถเพิ่มขึ้นเรื่อย ๆ ความได้เปรียบในการปกป้องไม่ได้อยู่ที่โมเดลเอง แต่คือสิ่งที่คุณรู้เกี่ยวกับลูกค้าแต่ละรายและความเร็วที่คุณสะสมความรู้นั้น ความได้เปรียบของ Maestro คือหน่วยความจำระดับลูกค้าที่ลึกซึ้งขึ้นกับทุกการซื้อและทุกผลลัพธ์ หลังจากหกเดือนของผลลัพธ์ ระบบจะรู้จักลูกค้าของคุณดีกว่าโมเดลทั่วไปใด ๆ ไม่ใช่แค่ข้อมูลประชากร แต่คือสิ่งที่กระตุ้นพวกเขา เมื่อใดที่พวกเขาเปิดรับ และอะไรที่ทำให้เกิดการยกเลิก

หน่วยความจำนั้นยังสร้างความต่อเนื่อง การเปลี่ยนไปใช้ระบบอื่นหมายถึงการสูญเสียสองปีของบริบทที่เรียนรู้ไว้ นอกจากนี้ Replenit มีทักษะเฉพาะโดเมนที่ถูกเข้ารหัสสำหรับการค้าปลีก รวมถึงการเข้าใจขั้นตอนวงจรชีวิต รูปแบบความเร็วการซื้อ สัญญาณการเติมสินค้า ความสัมพันธ์ของหมวดหมู่ในความงามหรือของชำ แต่ทักษะเหล่านี้สามารถคัดลอกได้ ความได้เปรียบที่แท้จริงคือวงจรป้อนกลับ: Maestro ทำการตัดสินใจ จับผลลัพธ์ อัปเดตหน่วยความจำ และใช้การเรียนรู้นั้นเพื่อทำการตัดสินใจครั้งต่อไปให้ฉลาดขึ้น วงจรนี้ต่อเนื่องและสะสมกัน เมื่อเวลาผ่านไป ระบบที่ทำงานบนข้อมูลของคุณจะดีขึ้นอย่างต่อเนื่องเมื่อเทียบกับระบบใหม่ที่ใช้โมเดลทั่วไป

โครงสร้างพื้นฐานก็มีความสำคัญเช่นกัน ความพร้อมของ Swarm concurrency และโมเดลที่เป็นของตนเองทำให้เศรษฐกิจต่อหน่วยดีขึ้น แต่เป็นพื้นฐานทั่วไป ไม่ใช่กำแพงป้องกัน ความได้เปรียบที่ปกป้องได้คือการผสมผสานของแรงดึงดูดข้อมูลลูกค้า (ค่าใช้จ่ายในการสลับระบบ) การเรียนรู้อย่างต่อเนื่อง (ผลลัพธ์ที่ย้อนกลับเข้าสู่การตัดสินใจในอนาคต) และการให้เหตุผลเฉพาะโดเมน (บริบทเฉพาะการค้าปลีก) ทั้งหมดทำงานร่วมกัน อย่างแยกแต่ละอย่างสามารถคัดลอกได้ แต่เมื่อรวมกันแล้วยากต่อการทำซ้ำให้ทันเวลา

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม, ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม Replenit.