AI kopilot za maloprodajne operacije: odgovori iz vaših podataka, odluke koje možete proveriti

Pitajte opšti chatbot zašto je marža vaše pete prodavnice prošle nedelje pala i reći će vam šta obično smanjuje maržu u maloprodaji: cene dobavljača, akcije, gubici robe. Sve je to tačno, i ništa od toga nije o vašoj petoj prodavnici. AI kopilot za maloprodajne operacije vredi imati samo ako odgovara iz brojki vaših prodavnica, kaže kada ne zna i ono što pronađe pretvara u predlog koji neko može da proveri, sprovede i izmeri.

Ovaj vodič prolazi kroz te zahteve jedan po jedan, počevši od podataka.

Zašto opšti model ne može da odgovara za vaše prodavnice

Jezički model zna mnogo o maloprodaji, a ništa o vašem lancu. Nije video jučerašnje račune, ovonedeljne isporuke ni nabavnu cenu bilo čega što prodajete, pa je njegov odgovor na pitanje o vašim prodavnicama opis prodavnica uopšte.

Povezivanje modela sa vašom bazom podataka samo po sebi nije dovoljno. Spider 2.0, test sastavljen od stvarnih podataka kompanija i pitanja koja analitičari postavljaju o njima, dao je jednom od najjačih modela agenta koji je mogao da istražuje bazu i piše upite; rešio je 21,3% zadataka¹. Među glavnim preprekama autori navode pronalaženje pravih tabela i kolona u veoma velikim bazama. Model koji ne zna koja kolona sadrži neto prodaju vratiće samouveren broj iz pogrešne kolone.

Dajte AI-ju model podataka, a ne samo bazu

Najveći deo toga rešava značenje, zapisano pre nego što AI stigne. U jednom testu na bazi podataka osiguravajuće kompanije, GPT-4 je tačno odgovorio na 16,7% poslovnih pitanja kada je radio sa sirovim tabelama, a na 54,2% kada mu je ista baza opisana kroz model onoga što svaka tabela i svaka veza znače². Autori se profesionalno bave izradom takvih modela, pa ovo čitajte kao jedan pažljiv test, a ne kao zakon; smer se poklapa sa onim što bi očekivao svako ko je čistio podatke iz maloprodaje.

Za lanac prodavnica model podataka je dosadan posao: jedna definicija prodaje, jedan poslovni dan, jedna lista prodavnica i jedno stablo kategorija, kako bi se na svako pitanje odgovaralo pod istim uslovima. Vodič za objedinjavanje POS podataka iz svih prodavnica prolazi kroz to korak po korak. Kopilot koji radi na tom temelju može da odgovori na pitanje „zašto je marža pala“ tako što maržu čita onako kako je lanac definiše, za prodavnicu i nedelju o kojima je reč.

Kopilot koji kaže „ne znam“ vredi više

Jezički modeli se treniraju i ocenjuju tako da se pogađanje isplati. Istraživači kompanije OpenAI tvrde da modeli haluciniraju zato što trening i evaluacija nagrađuju pogađanje više nego priznavanje nesigurnosti: na testu koji ne daje bodove za prazan odgovor, pogađanje uvek donosi bolji rezultat³. U poslovnom alatu bodovanje ide obrnuto. Odgovor koji kaže da podaci jedne prodavnice za prošli utorak nisu stigli košta minut; izmišljena brojka za tu prodavnicu može da košta pogrešnu odluku.

Zato pravila za odgovore kopilota treba da budu izričita i da se proveravaju na svakom odgovoru:

Od nalaza do predloga koji osoba može da proveri

Nalaz je „marža prodavnice 5 je pala“. Predlog je „premestite ove količine artikla koji se sporo prodaje iz prodavnice 5 u prodavnicu 2, gde se prodaje“, sa dokazima pored njega: šta je kopilot video, u odnosu na koju referentnu vrednost i šta bi premeštanje trebalo da promeni. Dokazi omogućavaju poslovođi da brzo odluči, a menjaju i to koliko dobro odlučuje. U dva unapred registrovana eksperimenta, jednom u kontroli kvaliteta u fabrici i jednom u radiologiji, ljudi koji su radili sa AI sistemom koji je pokazivao zašto je došao do predviđanja otkrili su 96,9% njegovih pogrešnih predviđanja, a ljudi koji su radili sa AI sistemom bez objašnjenja imali su 3,6 puta veću verovatnoću da odbace predviđanje koje je bilo tačno⁴.

Dokazi pomažu samo ako ih neko pročita. Pregled 35 studija o pristrasnosti prema automatizaciji, navici da se prihvati ono što sistem preporuči, pokazao je da objašnjenja često čine sistem prihvatljivijim, a da odluke ne čine tačnijim, i da zahtev da ljudi proveravaju smanjuje nekritičnost⁵. Zato provera pripada procesu i ne prepušta se dobroj volji: osoba koja prihvata predlog potvrđuje dokaze pre nego što se krene dalje.

Neka odlučuje poslovođa, a korekcije beležite

Poslovođe prodavnica znaju stvari koje nijedan skup podataka ne sadrži: gradilište koje se otvara odmah pored, dobavljača koji će uskoro kasniti. U lancu komšijskih prodavnica koji je uveo preporuke za dopunu zaliha u nekim prodavnicama, a ostale ostavio bez promene, prodavnice sa sistemom dostigle su 2,9% viši nivo usluge bez većih zaliha, a poslovođe su na dnevne porudžbine trošile 36,5% manje vremena. Kada su poslovođe korigovale predloge sistema, intervjui su pokazali da su obično predviđale potražnju koju sistem još nije video⁶.

Ipak, korekcije nisu uvek ispravne. Studija automatske dopune zaliha u jednom lancu supermarketa pokazala je da su poslovođe posle nestašice robe obično poručivale manje nego što je sistem predložio, što je dovodilo do nestašica koje su same izazvale⁷. Beležite svaku korekciju sa razlogom i jednom mesečno ih pregledajte zajedno. Obrazac vam govori da li popravku traži sistem ili navika.

Merite efekat u odnosu na prodavnice koje ništa nisu uradile

Kada se predlog prihvati i sprovede, prodaja pre i posle će se razlikovati, ali razlikovala bi se i bez njega: praznik, vreme, akcija konkurenta. Standardni metod poredi prodavnice koje su postupile sa sličnim prodavnicama koje nisu, u istim nedeljama. Počiva na jednoj pretpostavci, da bi se dve grupe bez akcije kretale paralelno⁸, pa proverite da li su se zaista kretale zajedno pre toga.

Isto važi i za samog kopilota. Ako vredi onoliko koliko košta, prodavnice koje koriste njegove predloge trebalo bi da odmaknu uporedivim prodavnicama, i trebalo bi da vidite za koliko. Vodič o mrtvim zalihama prikazuje jednu vrstu predloga, premeštanje robe iz prodavnice u prodavnicu, od početka do kraja.

Kako radi marql AI

marql AI odgovara iz podataka samog lanca o prodaji, zalihama i troškovima. Podaci potrebni za pitanje preuzimaju se fiksnim upitima pre nego što model išta napiše, a model može da pozove i druge alate koji čitaju iste tabele. Iz razgovora ne može ništa da promeni u sistemima lanca; jedino što tamo može da napravi je zadatak. Uputstva mu zabranjuju da izmišlja brojeve i nalažu da kaže kada za neki period nema podataka, a posle svakog odgovora brojevi u njemu se proveravaju u odnosu na ono što su alati vratili. Nazivi prodavnica zamenjuju se šiframa pre nego što pitanje stigne do pružaoca modela, poslovođa vidi samo svoje prodavnice, a marql AI odgovara na šest jezika.

Svako jutro u šest, po lokalnom vremenu, šalje kratak brifing: jučerašnji promet, maržu i broj računa, najjaču i najslabiju prodavnicu, vremenske prilike za taj dan i anomalije iz protekle nedelje, svaku merenu prema uobičajenom obrascu same prodavnice. Za svaku prodavnicu izračunava i kako se promet kretao u odnosu na vremenske prilike u poslednjih 90 dana i koristi to u brifingu i u odgovorima, da se pad u kišnom danu ne bi zamenio za problem u prodavnici. Kada osoba prihvati predloženu akciju, Impact Ledger zamrzava referentnu vrednost i na kraju perioda merenja poredi prodavnice koje su postupile sa najmanje četiri slične prodavnice koje nisu, ili sa istorijom same prodavnice kada takvih nema dovoljno. Stranica marql AI prikazuje pitanja na koja odgovara.