AI копилот за ритейл операциите: отговори от вашите данни, решения, които можете да проверите

Попитайте общ чатбот защо маржът в петия ви магазин е паднал миналата седмица и той ще ви каже какво обикновено сваля маржа в ритейла: цените на доставчиците, промоциите, липсите. Всичко това е вярно и нищо от него не се отнася за петия ви магазин. AI копилотът за ритейл операциите си заслужава само когато отговаря от собствените числа на вашите магазини, казва, когато не знае, и превръща това, което открие, в предложение, което някой може да провери, да изпълни и да измери.

Това ръководство разглежда тези изисквания едно по едно, като започва от данните.

Защо общият модел не може да отговаря за вашите магазини

Езиковият модел знае много за ритейла и нищо за вашата верига. Не е виждал вчерашните бонове, доставките от тази седмица или себестойността на нито един продукт, който продавате, затова отговорът му на въпрос за вашите магазини е описание на магазините изобщо.

Само да свържете модела с базата си данни не е достатъчно. Spider 2.0, бенчмарк, изграден от реални фирмени данни и от въпросите, които анализаторите задават към тях, даде на един от най-силните модели ролята на агент, който може сам да разглежда базата данни и да пише заявки; той реши 21,3% от задачите¹. Сред основните пречки авторите посочват намирането на правилните таблици и колони в много големи бази данни. Модел, който не може да разбере в коя колона са нетните продажби, ще върне уверено число от грешната колона.

Дайте на AI модел на данните, а не само база данни

Повечето от това се решава от смисъла на данните, записан, преди AI да се включи. В един тест върху базата данни на застрахователна компания GPT-4 отговори правилно на 16,7% от бизнес въпросите, когато работеше със суровите таблици, и на 54,2%, когато същата база данни му беше описана чрез модел на това какво означава всяка таблица и всяка връзка². Авторите изграждат такива модели професионално, затова го приемете като един внимателен тест, а не като закон; посоката съвпада с това, което би очаквал всеки, който някога е чистил данни от ритейла.

За верига магазини моделът на данните е скучната работа: едно определение на продажба, един търговски ден, един списък на магазините и едно дърво на категориите, така че всеки въпрос да получава отговор при едни и същи условия. Ръководството за консолидиране на POS данните от всички магазини я описва стъпка по стъпка. Копилот, стъпил върху тази работа, може да отговори на „защо падна маржът“, като чете маржа така, както го определя веригата, за магазина и седмицата, за които е въпросът.

Копилот, който казва „не знам“, струва повече

Езиковите модели се обучават и оценяват по начини, при които гадаенето се отплаща. Изследователи от OpenAI твърдят, че моделите халюцинират, защото обучението и оценяването възнаграждават гадаенето повече от признаването на несигурност: на тест, който не дава точки за празен отговор, догадката винаги носи повече точки³. В бизнес инструмента сметката е обратната. Отговор, който казва, че данните на един магазин от миналия вторник не са пристигнали, струва минута; измислена цифра за този магазин може да струва грешно решение.

Затова правилата за отговорите на копилота трябва да са изрични и да се проверяват при всеки отговор:

От констатация към предложение, което човек може да провери

Констатацията е „маржът на магазин 5 падна“. Предложението е „преместете тези бройки от бавно продаващ се артикул от магазин 5 в магазин 2, където се продава“, с доказателствата до него: какво е видял копилотът, спрямо каква база и какво трябва да промени преместването. Доказателствата позволяват на управителя да реши бързо и променят колко добре решава. В два предварително регистрирани експеримента, единият при качествен контрол във фабрика, другият в радиологията, хората, работещи с AI, който показва защо е стигнал до прогнозата си, са уловили 96,9% от грешните му прогнози, а хората, работещи с AI без обяснения, са били 3,6 пъти по-склонни да отхвърлят вярна прогноза⁴.

Доказателствата помагат само ако някой ги прочете. Преглед на 35 изследвания за пристрастието към автоматизацията, тоест навика да се приема препоръчаното от системата, установява, че обясненията често правят системата по-приемлива, без да правят решенията по-точни, и че когато от хората се изисква да проверяват, самоуспокоението намалява⁵. Затова проверката трябва да е част от процеса, а не да зависи от добрата воля: човекът, който приема предложение, потвърждава доказателствата, преди то да бъде изпълнено.

Оставете решението на управителя и записвайте корекциите

Управителите на магазини знаят неща, които ги няма в нито един набор от данни: строеж, който започва в съседство, доставчик, който скоро ще закъснее. Във верига квартални магазини, която въвежда препоръки за зареждане в част от магазините, а останалите оставя без промяна, магазините със системата достигат 2,9% по-високо ниво на обслужване, без да държат повече наличности, а управителите отделят 36,5% по-малко време за ежедневните поръчки. Когато управителите са коригирали системата, интервютата показват, че обикновено са предвиждали търсене, което тя още не е видяла⁶.

Корекциите обаче не винаги са правилни. Изследване на автоматизираното зареждане във верига супермаркети установява, че след изчерпване на наличност управителите са склонни да поръчват по-малко, отколкото предлага системата, което води до изчерпвания, причинени от самите тях⁷. Записвайте всяка корекция с причината ѝ и ги преглеждайте заедно веднъж месечно. От повтарящото се в тях ще разберете дали трябва да поправите системата, или навика.

Измервайте ефекта спрямо магазини, които не са направили нищо

Когато предложение бъде прието и изпълнено, продажбите преди и след ще се различават, но щяха да се различават и без него: празник, времето, промоция на конкурент. Стандартният метод сравнява магазините, които са действали, със сходни магазини, които не са, през същите седмици. Той почива на едно допускане: че без действието двете групи биха се движили успоредно⁸, затова проверете дали наистина са се движили заедно преди това.

Същото важи и за самия копилот. Ако си струва парите, магазините, които използват предложенията му, трябва да изпреварят сравнимите магазини и вие трябва да можете да видите с колко. Ръководството за залежалите стоки показва от начало до край един вид предложение: прехвърляне от магазин в магазин.

Как работи marql AI

marql AI отговаря от собствените данни на веригата за продажби, наличности и себестойност. Данните, нужни за даден въпрос, се извличат с фиксирани заявки, преди моделът да напише каквото и да е, а моделът може да извиква и други инструменти, които четат същите таблици. От чата той не може да промени нищо в системите на веригата; единственото, което може да създаде там, е задача. Инструкциите му забраняват да измисля числа и изискват да казва, когато за даден период няма данни, а след всеки отговор числата в него се сверяват с това, което са върнали инструментите. Имената на магазините се заменят с кодове, преди въпросът да стигне до доставчика на модела, управителят на магазин вижда само собствените си магазини, а marql AI отговаря на шест езика.

Всяка сутрин в шест часа местно време той изпраща кратък бриф: вчерашния оборот, марж и брой бонове, най-силния и най-слабия магазин, времето за деня и аномалиите от последната седмица, всяка измерена спрямо собствения нормален ритъм на магазина. За всеки магазин той изчислява и как продажбите са се движили спрямо времето през последните 90 дни и използва това в брифа и в отговорите си, така че спад в дъждовен ден да не се приеме за проблем в магазина. Когато човек приеме предложено действие, Impact Ledger фиксира базата и в края на периода сравнява магазините, които са действали, с поне четири сходни магазина, които не са, или със собствената история на магазина, когато сходните магазини не са достатъчно. На страницата на marql AI ще видите на какви въпроси отговаря.