Ilyas Kurklu, Đồng sáng lập và Giám đốc điều hành của Replenit – Chuỗi phỏng vấn

Ilyas Kurklu, Đồng sáng lập và Giám đốc điều hành của Replenit, là một doanh nhân và giám đốc công nghệ bán lẻ tập trung vào việc áp dụng trí tuệ nhân tạo vào quyết định và tương tác của khách hàng. Tại Replenit, ông dẫn dắt chiến lược, phát triển sản phẩm và các quan hệ đối tác, dựa trên hơn một thập kỷ kinh nghiệm giúp mở rộng quy mô các doanh nghiệp tương tác bán lẻ doanh nghiệp từ khoảng 10 triệu USD đến 2 tỷ USD doanh thu, đồng thời làm việc với hơn 300 nhà bán lẻ. Sự nghiệp của ông còn bao gồm các vai trò cố vấn và phát triển kinh doanh, cũng như sáu năm làm trưởng nhóm và nhà dự báo thời tiết tại Tổng cục Khí tượng Thổ Nhĩ Kỳ, nơi ông làm việc với dữ liệu thời gian thực, radar, hình ảnh vệ tinh và hệ thống dự báo.

Replenit là một nền tảng quyết định AI được thiết kế cho bán lẻ và thương mại điện tử, cung cấp một lớp giữa hạ tầng dữ liệu của nhà bán lẻ và các hệ thống tương tác khách hàng hiện có. Động cơ quyết định AI của nó kết hợp các tín hiệu từ khách hàng, sản phẩm, hành vi và các tín hiệu khác để xác định hành động tốt nhất tiếp theo cho từng khách hàng trong thời gian thực, trong khi Maestro AI CRM Manager có thể tự động quản lý các quy trình làm việc bao gồm bổ sung hàng tồn, bán chéo, tương tác, ngăn ngừa mất khách và thu hồi khách hàng. Thay vì yêu cầu các nhà bán lẻ thay thế toàn bộ công nghệ hiện có, Replenit được thiết kế để tích hợp với các nền tảng thương mại, marketing và dữ liệu hiện tại và biến các quyết định thành các thông điệp và hành động sẵn sàng thực thi. Công ty cho biết công nghệ của họ đang được các nhà bán lẻ như L’Occitane, Mumzworld, e-bebek, Beko và Faith In Nature sử dụng.

Bạn đã dành nhiều năm giúp mở rộng công nghệ bán lẻ doanh nghiệp trước khi đồng sáng lập Replenit cùng năm đồng sáng lập khác. Điều gì bạn thường xuyên thấy các nhà bán lẻ gặp khó khăn khiến bạn tin rằng có một lớp quyết định còn thiếu trong ngăn xếp công nghệ, và hiểu biết đó đã dẫn đến việc tạo ra Replenit như thế nào?

Hoạt động với hàng trăm nhà bán lẻ trên các thị trường khác nhau, chúng tôi liên tục nghe và thấy cùng một vấn đề: các nhà bán lẻ đã trở nên rất giỏi trong việc thu thập dữ liệu và rất giỏi trong việc thực thi, nhưng trí tuệ ở giữa vẫn còn thiếu. Họ có CDP, kho dữ liệu, nền tảng CRM và hệ thống tự động hoá marketing, tuy nhiên quyết định — điều gì thực sự nên xảy ra tiếp theo cho khách hàng cá nhân này? — vẫn là sự đoán mò dựa trên các quy tắc tĩnh, các phân khúc rộng, lịch chiến dịch và phán đoán của con người. Ngăn xếp và đội ngũ đều thực chất là các giải pháp tạm thời cho thực tế không ai có thể suy luận về từng khách hàng một cách quy mô. Replenit là lớp suy luận và quyết định còn thiếu đó. Chúng tôi đã xây dựng một động cơ có thể diễn giải ngữ cảnh khách hàng và sản phẩm ở mức độ cá nhân, quyết định hành động thương mại tiếp theo phù hợp, và sau đó sử dụng các hệ thống hiện có của nhà bán lẻ để thực thi.

Replenit cho rằng các nhà bán lẻ đã có rất nhiều dữ liệu khách hàng và rất nhiều công cụ để thực hiện các chiến dịch, nhưng thiếu trí tuệ có thể quyết định điều gì nên xảy ra tiếp theo. Tại sao các Nền tảng Dữ liệu Khách hàng (CDP), nền tảng Quản lý Quan hệ Khách hàng (CRM) và hệ thống tự động hoá marketing không thể tự giải quyết vấn đề này?

Các hệ thống này được xây dựng cho các nhiệm vụ khác nhau. Một CDP có thể hợp nhất dữ liệu khách hàng, nhưng việc hợp nhất dữ liệu không đồng nghĩa với việc quyết định cách sử dụng chúng. Các nền tảng CRM và tự động hoá marketing là các lớp thực thi rất tốt. Chúng có thể gửi, điều phối và tối ưu hoá các thông điệp một khi ai đó đã xác định đối tượng, quy trình làm việc hoặc chiến dịch cụ thể.

Ngay cả khi các nền tảng này bổ sung điểm dự đoán, AI sinh ra và tối ưu thời gian gửi, đơn vị công việc cơ bản vẫn thường là chiến dịch, hành trình, đối tượng hoặc phân khúc. AI có thể tối ưu một thứ mà nhà tiếp thị đã chọn thực hiện. Nó không nhất thiết quyết định liệu có nên thực hiện bất kỳ hành động nào, mục tiêu vòng đời nào quan trọng nhất đối với khách hàng cụ thể đó, sản phẩm nào phù hợp, tại sao lại vào lúc này, với giọng điệu nào, và hướng tới kết quả thương mại nào. Đó là sự khác biệt mà chúng tôi đưa ra giữa điểm dự đoán và quyết định. Dự đoán có thể xếp hạng khả năng. Một quyết định đòi hỏi suy luận qua ngữ cảnh và các lựa chọn thay thế, sau đó cam kết thực hiện một hành động. Replenit nằm trên ngăn xếp hiện có để cung cấp lớp này thay vì yêu cầu các nhà bán lẻ thay thế các hệ thống mà họ đã có.

Một phần cốt lõi trong cách tiếp cận của Replenit là áp dụng Theory of Mind để suy ra ý định, ngữ cảnh và hành vi tương lai có khả năng của khách hàng. Bạn chuyển đổi một khái niệm từ khoa học nhận thức thành hệ thống AI có thể đưa ra các quyết định thương mại đáng tin cậy như thế nào, và bạn xác thực như thế nào để biết hệ thống đã diễn giải đúng ý định của khách hàng?

Chúng tôi chuyển Theory of Mind thành một lớp suy luận vượt ra ngoài những gì khách hàng đã làm và đặt câu hỏi tại sao hành vi đó có thể xảy ra, nó báo hiệu gì về ý định và nghĩa của nó trong ngữ cảnh. Thay vì chỉ dựa vào các mẫu lịch sử hoặc sự tương đồng sản phẩm, hệ thống suy luận ở mức độ mỗi mối quan hệ khách hàng-sản phẩm cá nhân và sử dụng ngữ cảnh đó để xác định điều gì nên xảy ra tiếp theo.

Sự suy luận đó có thể bao gồm việc hiểu động cơ tiềm năng đằng sau một giao dịch mua, cách các sản phẩm liên kết với nhau, nhu cầu mà khách hàng đang cố gắng đáp ứng, và liệu thời điểm có phù hợp cho một hành động cụ thể hay không. Replenit sau đó không chỉ đề xuất một lựa chọn: nó đưa ra quyết định và chuẩn bị quyết định đó để thực thi thông qua các hệ thống hiện có của nhà bán lẻ.

Việc xác thực diễn ra thông qua các kết quả. Khi một quyết định được đưa ra, Replenit theo dõi những gì thực sự đã xảy ra và đưa kết quả đó trở lại vào các quyết định tương lai cho khách hàng đó. Nó cũng liên tục đánh giá những kỹ năng và cách tiếp cận ra quyết định nào đang mang lại kết quả, mở rộng những gì hoạt động tốt và giảm ưu tiên những gì không. Theo cách này, hệ thống trở nên tốt hơn trong việc biết hành động đúng cho khách hàng phù hợp vào thời điểm thích hợp vì nó học từ các kết quả thực tế, thay vì chỉ chạy lại cùng một logic liên tục.

Hầu hết các hệ thống cá nhân hoá cuối cùng là các động cơ dự đoán, ước tính những gì một người có khả năng nhấp chuột hoặc mua. Replenit nhấn mạnh việc chuyển từ dự đoán sang ra quyết định. Từ góc độ kiến trúc AI, điều gì thay đổi khi mô hình phải thực sự chọn hành động tiếp theo thay vì chỉ tạo ra một xác suất hoặc đề xuất?

Tại Replenit, có bốn phần quan trọng trong kiến trúc đó. Đầu tiên là Golden Memory: các hồ sơ sống của khách hàng, sản phẩm và thương hiệu cung cấp ngữ cảnh cho hệ thống vượt ra ngoài một giao dịch riêng lẻ. Khi thông tin không đầy đủ, Replenit cũng có thể làm giàu dữ liệu hiện có và tạo ra ngữ cảnh tổng hợp để lấp đầy những khoảng trống đó.

Thứ hai là hơn 100 kỹ năng ngành. Đây là các khả năng suy luận chuyên biệt cho các danh mục và tình huống cụ thể—ví dụ như công cụ xây dựng quy trình làm đẹp cho các nhà bán lẻ mỹ phẩm hoặc kiến trúc sư nội thất cho các công ty nội thất và DIY. Song song với những kỹ năng này, 15 kiểm tra hỗ trợ có thể chạy đồng thời quanh một quyết định, bao gồm kiểm tra thay thế, tương thích, trùng lặp và ức chế.

Thứ ba là quyền sở hữu quy trình làm việc. Thay vì chỉ tạo ra một đề xuất và dừng lại, Maestro có thể suy luận qua các quy trình vòng đời như bổ sung hàng tồn, bán chéo, tương tác, thu hồi khách hàng, giảm churn, khuyến mãi và thay thế. Những quy trình này có thể hoạt động liên tục và song song cho từng khách hàng, với Maestro xác định hành động phù hợp tại thời điểm cụ thể đó.

Cuối cùng, chúng tôi gói gọn tất cả thành cái mà chúng tôi gọi là Golden Decision Event: một quyết định đã được ghi lại, sẵn sàng thực thi, chứa hành động và lý do của nó, có thể được truyền trực tiếp vào CRM, tự động hoá marketing, thương mại điện tử, ứng dụng hoặc hệ thống dữ liệu của nhà bán lẻ trên hơn 120 nền tảng.

Vì vậy, sự khác biệt là chúng tôi đang chuyển từ một mô hình dự đoán những gì có khả năng xảy ra sang một hệ thống có thể ghi nhớ ngữ cảnh, đưa vào chuyên môn phù hợp, đánh giá các hành động khả dụng, cam kết một quyết định và làm cho nó có thể thực thi.

Maestro có thể tự động quyết định liệu một khách hàng cá nhân có nên nhận lời nhắc bổ sung hàng, bán chéo, khuyến mãi, tin nhắn tương tác, nỗ lực thu hồi khách hàng, hoặc thậm chí không can thiệp nào cả. Hệ thống cân nhắc các hành động cạnh tranh này như thế nào và xác định quyết định thực sự tốt nhất cho khách hàng đó vào thời điểm hiện tại?

Điểm khởi đầu là khách hàng và mục tiêu thương mại. Nhà bán lẻ đặt ra chiến lược, ưu tiên và các rào cản. Maestro sau đó suy luận qua ngữ cảnh khách hàng, sản phẩm và quy trình làm việc hiện có để xác định điều gì nên xảy ra tiếp theo.
Điều này có thể bao gồm việc quyết định mục tiêu thương mại nào nên được ưu tiên, quy trình nào là liên quan, kỹ năng hoặc sự kết hợp các kỹ năng nào nên được áp dụng, sản phẩm nào hợp lý, và thời điểm thực hiện hành động. Các nhà bán lẻ cũng có thể xác định ưu tiên dựa trên các chỉ số như doanh thu, tần suất mua hàng, giá trị đơn hàng trung bình, bảo vệ biên lợi nhuận hoặc ngăn ngừa churn.

Lý luận Theory-of-Mind của chúng tôi bổ sung ngữ cảnh cá nhân: hành vi có vẻ mang ý nghĩa gì, khách hàng thực sự có thể cần gì và tại sao đây có thể là hoặc không phải là thời điểm thích hợp. Các kỹ năng chuyên môn và các kiểm tra hỗ trợ của chúng tôi có thể chạy song song với lý luận đó. Khi quyết định tốt nhất là không can thiệp, Maestro sẽ không làm vậy. Khi Maestro đạt được kết luận, nó cam kết quyết định và lý do của nó dưới dạng một sự kiện sẵn sàng thực thi thay vì chỉ trả về một menu các đề xuất cho nhà tiếp thị.

Replenit sử dụng kiến trúc swarm trong đó nhiều tác nhân AI chuyên biệt có thể hoạt động song song. Điều gì xảy ra khi một số tác nhân cùng suy luận về cùng một khách hàng đồng thời, và làm thế nào để ngăn ngừa các đề xuất hoặc hành động mâu thuẫn được thực thi?

Động cơ swarm của Replenit không tạo ra xung đột giữa các tác nhân vì nó không nhằm mục đích song song hoá quyết định của khách hàng; mà là chạy các thành phần của một quyết định duy nhất đồng thời. Khi Maestro suy luận về một khách hàng, nó kích hoạt nhiều tác nhân chuyên biệt cùng lúc: một mạng lưới điều hướng đưa quyết định tới các mô hình phù hợp, một LLM suy luận đánh giá ngữ cảnh và hành vi của khách hàng, các tác nhân làm giàu tổng hợp dữ liệu khách hàng hoặc sản phẩm còn thiếu trong thời gian thực, và các mô hình chuyên biệt đánh giá mối quan hệ và sự phù hợp giữa sản phẩm và khách hàng.

Thay vì chạy chúng một cách tuần tự, điều này sẽ chậm hơn và tốn kém hơn, chúng hoạt động song song trên cùng một trạng thái khách hàng và sau đó hội tụ thành một quyết định thống nhất về những gì nên xảy ra tiếp theo. Không có xung đột vì chúng không cạnh tranh để chọn các hành động khác nhau; mỗi thành phần đóng góp một chiều kích khác nhau vào cùng một kết quả.

Ví dụ, việc làm giàu dữ liệu có thể làm lộ các tín hiệu khách hàng hoặc sản phẩm còn thiếu, lớp suy luận giải thích lịch sử mua hàng và mục tiêu thương mại, các mô hình quan hệ sản phẩm xác định sản phẩm gốc và các sản phẩm thay thế khả thi, và việc chấm điểm cân nhắc tác động kinh doanh tiềm năng. Tất cả những điều này diễn ra song song, nhưng tạo ra một kết quả duy nhất. Mức độ song song này là một lợi thế kiến trúc quan trọng. Thật khó để tích hợp lại vào các engine được xây dựng như các công cụ đơn lẻ, trong khi Replenit đã thiết kế nó vào lõi từ đầu.

Bộ nhớ bền vững là một phần quan trọng khác của nền tảng, cho phép các quyết định dựa trên những gì đã xảy ra trước đó với mỗi khách hàng. Bộ nhớ dài hạn quan trọng như thế nào đối với các tác nhân AI thực sự tự chủ, và cần có những biện pháp bảo vệ nào khi bộ nhớ đó liên quan đến hành vi khách hàng có thể nhạy cảm?

Bộ nhớ là nền tảng cho việc ra quyết định tự chủ vì ngữ cảnh luôn biến đổi. Khi Maestro thấy một lần mua sản phẩm cho trẻ sơ sinh, nó ghi nhớ rằng ngữ cảnh gia đình đã thay đổi, và các quyết định trong tương lai nên phản ánh vòng đời của phụ huynh. Khi nó thấy các mua sắm chăm sóc da ban đầu, nó ghi nhớ rằng khách hàng này đang xây dựng một quy trình. Khi các mẫu mua sắm xuất hiện quanh lĩnh vực thể dục hoặc sức khỏe, nó nắm bắt thói quen đang hình thành.

Mỗi lần mua hàng cập nhật những gì hệ thống hiểu về khách hàng đó — không chỉ về nhân khẩu học, mà còn về những gì thúc đẩy họ, những hành vi họ đang thiết lập, và những khoảnh khắc cuộc sống đang diễn ra — vì vậy quyết định tiếp theo không phải là chung chung, mà dựa trên ngữ cảnh thực tế của khách hàng. Bộ nhớ tích lũy này là yếu tố khiến các quyết định trở nên thông minh hơn.

Biện pháp bảo vệ rất đơn giản: chúng tôi giữ lại các sự kiện mua hàng và các mẫu ngữ cảnh phát sinh từ chúng — tín hiệu vòng đời, hình thành thói quen, động lực mua sắm và sự ưu ái danh mục — với các chính sách lưu trữ nghiêm ngặt và ẩn danh khi có thể. Phạm vi dữ liệu vẫn chặt chẽ. Chúng tôi theo dõi những gì đã xảy ra và ngữ cảnh nào đã thay đổi, không hơn gì. Nếu không có các rào chắn này, bộ nhớ bền vững sẽ trở thành gánh nặng, không phải tài sản.

Replenit được thiết kế để nằm trên nền công nghệ mà các nhà bán lẻ đã sử dụng thay vì yêu cầu họ thay thế ngăn xếp hiện có. Bạn đã học được gì từ việc triển khai với hơn 30 nhà bán lẻ doanh nghiệp về những rào cản kỹ thuật hoặc tổ chức lớn nhất đối với việc trao quyền quyết định có ý nghĩa cho AI?

Vấn đề kỹ thuật rõ ràng nhất mà chúng tôi gặp phải không phải là thiếu dữ liệu mà là tình trạng của dữ liệu. Các nhà bán lẻ doanh nghiệp thường có một lượng lớn dữ liệu bị phân mảnh trên các hệ thống, không nhất quán hoặc không đầy đủ. Đó là lý do tại sao việc làm giàu dữ liệu trở thành một phần quan trọng của kiến trúc nền tảng. Hệ thống phải tạo ra đủ ngữ cảnh có ý nghĩa để suy luận ngay cả khi bộ dữ liệu nền tảng không hoàn hảo.

Về mặt tổ chức, câu hỏi khó hơn là sự tin tưởng. Việc trao quyền quyết định có ý nghĩa cho AI chạm tới nhiều chức năng cùng lúc. Các đội dữ liệu và IT muốn có khả năng giải thích, bảo mật và gánh nặng tích hợp thấp. Các đội Marketing cần sự tự tin rằng giao tiếp với khách hàng sẽ vẫn giữ đúng thương hiệu. Các đội CRM muốn duy trì kiểm soát chiến lược thay vì cảm thấy một hệ thống AI đang lấy mất mối quan hệ khách hàng khỏi họ.

Cách tiếp cận của chúng tôi do đó là tách chiến lược ra khỏi thực thi. Con người xác định mục tiêu, chỉ đạo thương hiệu và các rào cản, trong khi Maestro sở hữu việc ra quyết định cá nhân lặp lại và thực thi trong những giới hạn đó. Mỗi quyết định cam kết được thiết kế để có thể truy xuất, và hệ thống hoạt động trên nền ngăn xếp hiện có thay vì buộc phải di chuyển sang nền tảng mới.

Khi AI trở nên chịu trách nhiệm tối ưu doanh thu và giữ chân khách hàng, làm thế nào bạn ngăn một hệ thống tự chủ tối ưu quá mức các chỉ số ngắn hạn, chẳng hạn như đẩy các khuyến mãi hoặc mua hàng không cần thiết, gây tổn hại đến niềm tin của khách hàng và giá trị thương hiệu lâu dài?

Maestro tối ưu dựa trên các KPI mà con người định nghĩa, không phải các chỉ số mà nó tự chọn. Nếu bạn định mục tiêu là giá trị trọn đời của khách hàng và tỷ lệ giữ chân, đó là những gì nó sẽ tối ưu, thay vì tốc độ giao dịch hay khối lượng khuyến mãi. Nếu các chiến thuật ngắn hạn mạnh mẽ gây hại cho việc giữ chân, chúng sẽ thất bại trước KPI thực tế. Hệ thống học cách cân nhắc này trực tiếp vì mỗi kết quả đều phản hồi vào bộ nhớ, vì vậy các chiến lược gây hại cho việc giữ chân lâu dài sẽ trở nên tệ hơn rõ ràng đối với mục tiêu kinh doanh đã đặt ra.

Ràng buộc là cấu trúc. Maestro hoạt động trong các rào cản bạn thiết lập. Nó không thể tối ưu vượt ra ngoài chúng; nó hoạt động bên trong chúng. Mỗi quyết định đều có thể truy xuất, vì vậy bạn có thể kiểm toán lý do Maestro chọn gửi hay giữ lại, KPI nào đã cân nhắc cho lựa chọn đó, và kết quả dự kiến là gì. Nếu không có định nghĩa KPI rõ ràng, rào cản và tính minh bạch quyết định, một hệ thống AI có thể đẩy quá mạnh. Nhưng mô hình của Replenit minh bạch và được thiết kế để tránh điều đó. Doanh nghiệp xác định những gì quan trọng, Maestro thực hiện hướng tới các mục tiêu đó với khả năng kiểm toán đầy đủ, và mỗi kết quả giúp xác định liệu chiến lược có thực sự hiệu quả hay không.

Các mô hình nền tảng đang cải thiện nhanh chóng và các tác nhân ngày càng có khả năng sẽ trở nên khả dụng cho hầu hết các nhà bán lẻ. Trong dài hạn, bạn tin rằng lợi thế bảo vệ trong việc ra quyết định AI sẽ đến từ đâu: mô hình sở hữu, bộ nhớ cấp khách hàng, suy luận chuyên ngành, vòng phản hồi, hạ tầng, hay hoàn toàn từ yếu tố khác?

Các mô hình nền tảng sẽ trở nên hàng hoá, vì vậy mọi người sẽ có quyền truy cập vào các động cơ suy luận ngày càng mạnh mẽ. Khả năng phòng thủ không nằm ở mô hình tự nó, mà là những gì bạn biết về từng khách hàng và tốc độ bạn tích lũy kiến thức đó. Ưu thế của Maestro là bộ nhớ cấp khách hàng, được làm sâu hơn với mỗi lần mua và mỗi kết quả. Sau 6 tháng kết quả, hệ thống hiểu khách hàng của bạn tốt hơn bất kỳ mô hình chung nào. Không chỉ là dữ liệu nhân khẩu học, mà còn là những gì thúc đẩy họ, khi nào họ sẵn sàng, và yếu tố gây churn.

Bộ nhớ đó cũng tạo ra tính liên tục. Chuyển sang hệ thống khác đồng nghĩa với việc mất hai năm ngữ cảnh đã học. Bên cạnh đó, Replenit có các kỹ năng chuyên ngành được mã hoá cho bán lẻ, bao gồm hiểu các giai đoạn vòng đời, mẫu tốc độ mua hàng, các kích hoạt bổ sung, và sự ưu ái danh mục trong lĩnh vực làm đẹp hoặc thực phẩm. Nhưng các kỹ năng có thể bị sao chép. Lợi thế thực sự là vòng phản hồi: Maestro đưa ra quyết định, ghi lại kết quả, cập nhật bộ nhớ, và sử dụng học hỏi đó để đưa ra quyết định thông minh hơn tiếp theo. Vòng lặp này liên tục và tích lũy. Theo thời gian, một hệ thống chạy trên dữ liệu của bạn sẽ ngày càng tốt hơn so với một hệ thống mới dựa trên các mô hình chung.

Cơ sở hạ tầng cũng quan trọng. Độ đồng thời Swarm và các mô hình sở hữu giúp kinh tế đơn vị tốt hơn, nhưng đó là yếu tố cơ bản, không phải lợi thế độc quyền. Lợi thế phòng thủ là sự kết hợp giữa trọng lực dữ liệu khách hàng (chi phí chuyển đổi), học liên tục (kết quả phản hồi vào các quyết định tương lai), và lập luận chuyên ngành (ngữ cảnh riêng cho bán lẻ), tất cả hoạt động cùng nhau. Khi xét riêng lẻ, mỗi yếu tố đều có thể sao chép. Khi kết hợp, chúng khó tái tạo nhanh đủ để bắt kịp.

Cảm ơn vì buổi phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm nên truy cập Replenit.