Macy’s 'AI-First' तत्त्वज्ञानाद्वारे रिटेल क्षेत्राची पुनर्रचना कशी करत आहे

रिटेल उद्योग सध्या एका सखोल संरचनात्मक बदलातून जात आहे, जिथे केवळ वरवरच्या AI युक्त्यांकडून खोलवर आणि एकात्मिक बुद्धिमत्तेकडे (integrated intelligence) वाटचाल सुरू आहे. केवळ विद्यमान वेबसाइट्सवर चॅटबॉट्स जोडण्याऐवजी, आघाडीचे रिटेलर्स डेटा सिग्नल आणि निर्णायक कृतीमधील अंतर कमी करण्यासाठी त्यांच्या संपूर्ण कार्यात्मक रचनेचा (operational DNA) पुनर्विचार करत आहेत.

विलग AI पायलट प्रकल्पांच्या पलीकडे वाटचाल

अनेक जुन्या (legacy) रिटेलर्ससाठी, कृत्रिम बुद्धिमत्तेतील (AI) सुरुवातीचा प्रवास हा विलग पायलट प्रकल्पांपर्यंत मर्यादित होता—जे संकल्पना सिद्ध करण्यासाठी डिझाइन केलेले लहान-स्तरीय प्रयोग होते. तथापि, Macy’s ने दाखवून दिल्याप्रमाणे, खरी किंमत या प्रायोगिक "क्विक विन्स" (quick wins) कडून एकात्मिक "AI-first" कार्य तत्त्वज्ञानाकडे वळण्यात आहे. Macy’s चे सीनियर डायरेक्टर ऑफ इंजिनिअरिंग, मुरली मुरगन, यावर भर देतात की, हा दृष्टिकोन जुन्या कार्यप्रणालीवर (workflows) केवळ बुद्धिमत्ता जोडण्याबद्दल नसून, निर्णय घेण्याची प्रक्रिया मुळापासून पुन्हा डिझाइन करण्याबद्दल आहे.

हा विकास रिटेलच्या मुख्य यंत्रणेवर लक्ष केंद्रित करतो: शोध निकालांमध्ये (search results) उत्पादने कशी दिसतात, जटिल पुरवठा साखळीतून (supply chains) इन्व्हेंटरी कशी वाहते आणि इंजिनिअर्स सॉफ्टवेअर डिप्लॉयमेंटचा वेग कसा वाढवतात. पायाभूत प्रणालींमध्ये बुद्धिमत्ता अंतर्भूत करून, ग्राहकांच्या वर्तणुकीच्या डेटाचे अर्थपूर्ण व्यावसायिक प्रतिसादांमध्ये रूपांतर करण्यासाठी लागणारा वेळ कमी करण्याचे कंपनीचे उद्दिष्ट आहे.

कन्वर्सेशनल कॉमर्स आणि वैयक्तिकीकरण (Personalization)

या बदलाचे सर्वात दृश्य स्वरूप म्हणजे 'कन्वर्सेशनल कॉमर्स'कडे झालेली वाटचाल. Macy’s ने "Ask Macy’s" सादर केले आहे, जे एक AI-आधारित शॉपिंग असिस्टंट आहे आणि पारंपारिक कीवर्ड-आधारित सर्च बारपेक्षा वेगळे आहे. हे साधन एका डिजिटल पर्सनल स्टायलिस्टप्रमाणे कार्य करते, ज्यामुळे ग्राहकांना त्यांच्या जटिल गरजा—जसे की एखाद्या विशिष्ट सुट्टीसाठी किंवा शेवटच्या क्षणी येणाऱ्या कार्यक्रमासाठी लागणारे कपडे—वर्णन करण्यासाठी नैसर्गिक भाषेचा वापर करता येतो.

मानक शिफारस इंजिनपेक्षा (recommendation engines), "Ask Macy’s" शिफारसी तयार करण्यासाठी संदर्भ (context), मागील खरेदीचा इतिहास आणि वापरकर्त्याच्या विशिष्ट आवडीनिवडींचा वापर करते. यामुळे एक अखंड अनुभव तयार होतो जिथे तंत्रज्ञान त्रासदायक न वाटता सहज (intuitive) वाटते, ज्यामुळे केवळ एक व्यवहारिक शोध (transactional search) एका वैयक्तिक सल्लामसलतीमध्ये रूपांतरित होतो.

कार्यात्मक कार्यक्षमतेचा एक अदृश्य स्तर म्हणून AI

ग्राहकांसाठी असलेली साधने सर्वाधिक चर्चेत येत असली तरी, रिटेलमधील AI चा सर्वात महत्त्वपूर्ण प्रभाव अनेकदा अदृश्य असतो. डेव्हलपर्स आणि इंजिनिअर्ससाठी, कोड वेगाने पाठवण्यासाठी (ship code) आणि कार्यात्मक नियोजनाचे ऑप्टिमायझेशन करण्यासाठी AI चा वापर केला जात आहे. ही अंतर्गत कार्यक्षमता व्यवसायाला अत्यंत स्पर्धात्मक वातावरणात चपळ (agile) राहण्यास मदत करते.

रिटेल लीडर्ससाठी दीर्घकालीन दृष्टीकोन मानवी निर्णयाची जागा घेणे हा नसून, त्याला अधिक सक्षम करणे हा आहे. मोठ्या प्रमाणावर पॅटर्न ओळखणे (pattern recognition) आणि डेटा प्रोसेसिंग हाताळण्यासाठी AI वापरून, मानवी तज्ज्ञ उच्च-स्तरीय धोरण आणि अंमलबजावणीवर लक्ष केंद्रित करू शकतात. याचे उद्दिष्ट एक निरंतर सुधारणा चक्र (continuous improvement loop) तयार करणे आहे, जिथे प्रणाली रिअल-टाइममध्ये डेटावरून शिकते, नवीन तंत्रज्ञान मानकांनुसार आणि बदलत्या ग्राहकांच्या मागण्यांनुसार स्वतःला जुळवून घेते आणि ग्राहकांचा अनुभव अधिकाधिक चांगला बनवते.

मुख्य निष्कर्ष

• लेयरिंगपेक्षा प्रणालीगत एकत्रीकरण (Systemic Integration): यशस्वी AI अंमलबजावणीसाठी केवळ जुन्या प्रणालींमध्ये AI वैशिष्ट्ये जोडण्याऐवजी मुख्य व्यावसायिक प्रक्रियांची पुनर्रचना करणे आवश्यक आहे.
• कन्वर्सेशनल कॉमर्सची उत्क्रांती: "Ask Macy’s" सारखी साधने रिटेलचे स्वरूप कीवर्ड शोधण्याकडून संदर्भ-जागरूक (context-aware) आणि संवादात्मक स्टायलिंगकडे बदलत आहेत.
• सिग्नल-टू-ॲक्शनमधील अंतर कमी करणे: रिटेलमधील AI चे अंतिम उद्दिष्ट पुरवठा साखळी (supply chain), शोध (search) आणि इंजिनिअरिंगमध्ये जलद आणि अधिक अचूक निर्णय घेण्यासाठी रिअल-टाइम डेटाचा वापर करणे हे आहे.