சில்லறை விற்பனை AI-ஐ விரிவாக்குதல்: நிலையான தனிப்பயனாக்கத்திலிருந்து நிகழ்நேர நுண்ணறிவுகளுக்கு மாறுதல்

சில்லறை விற்பனைத் துறையின் தலைவர்கள் அதிவேக AI உள்கட்டமைவை நோக்கித் திரும்பிக் கொண்டிருப்பதால், பரந்த மக்கள் தொகை வகைப்பாட்டின் (demographic segmentation) காலம் வேகமாக முடிவுக்கு வந்து வருகிறது. நவீன விற்பனை இலக்குகளை (conversion targets) அடைய, நிறுவனங்கள் நிலையான பயனர் முறைகளிலிருந்து, ஒரு நேரடி அமர்வின் (live session) போது டிஜிட்டல் ஷாப்பிங் சூழலை மாற்றியமைக்கக்கூடிய ஆற்றல் கொண்ட ஆற்றல்மிக்க தரவுப் குழாய்களுக்கு (dynamic data pipelines) மாறி வருகின்றன.

பாரம்பரிய மக்கள் தொகை வகைப்பாட்டின் தோல்வி

பல ஆண்டுகளாக, சில்லறை விற்பனைத் தனிப்பயனாக்கம் என்பது வயது, பாலினம் அல்லது இருப்பிடம் போன்ற பரந்த வகைகளைச் சார்ந்தே இருந்தது. இருப்பினும், சமீபத்திய தொழில் மாற்றங்கள் இந்த பாரம்பரிய வகைப்பாடுகள் அதிக மதிப்புள்ள விற்பனையை (high-value conversions) தூண்டுவதற்கு போதுமானதாக இல்லை என்பதை நிரூபிக்கின்றன. நவீன நுகர்வோர், நிலையான விதிகளால் வழங்க முடியாத அளவிலான பொருத்தமான (relevance) அனுபவத்தை எதிர்பார்க்கிறார்கள்.

சில்லறை விற்பனையாளர்கள் கடுமையான வகைப்பாடுகளைச் சார்ந்திருக்கும்போது, நிகழ்நேர நோக்கத்தின் (real-time intent) நுணுக்கங்களை அவர்கள் தவறவிடுகிறார்கள். ஒரு பயனரின் தற்போதைய அமர்வு நடத்தை—அதாவது உலாவல் வேகம் (browsing speed), கிளிக் செய்யும் முறைகள் மற்றும் குறிப்பிட்ட தயாரிப்புத் தொடர்புகள்—அவர்களின் நிரந்தர மக்கள் தொகை விவரங்களை விட, வாங்கும் நோக்கத்தை (purchase intent) மிகவும் துல்லியமாகக் கணிக்கும் காரணியாகும். இதைப் புரிந்துகொள்ள, இந்தத் துறை "அனைவருக்கும் ஒரே மாதிரியான" (one-size-fits-all) மாதிரிகளிலிருந்து விலகி, மிகவும் நுணுக்கமான, நோக்க அடிப்படையிலான நுண்ணறிவை (intent-based intelligence) நோக்கி நகர்கிறது.

ஆற்றல்மிக்க தரவுப் குழாய்களுக்கு மாறுதல்

வெற்றிகரமான மற்றும் சவால்களைச் சந்திக்கும் சில்லறை விற்பனை AI பயன்பாடுகளுக்கு இடையிலான முக்கிய வேறுபாடு அதன் அடிப்படையிலான உள்கட்டமைப்பில்தான் உள்ளது. முன்னணி சில்லறை விற்பனையாளர்கள், நிலையான தொடர்பு மாதிரிகளுக்குப் பதிலாக, நிகழ்நேரத்தில் மாற்றியமைக்கக்கூடிய மேம்பட்ட தரவுப் குழாய்களைப் (advanced data pipelines) பயன்படுத்துகின்றனர்.

ஒரு பயனரின் வரலாற்றுத் தரவுகளின் அடிப்படையில் முன்கூட்டியே தீர்மானிக்கப்பட்ட அமைப்பைக் காட்டுவதற்குப் பதிலாக, மேம்படுத்தப்பட்ட AI உள்கட்டமைப்பு பயனர் சூழலை உடனடியாக மாற்றியமைக்க அனுமதிக்கிறது. அதாவது, ஒரு வாடிக்கையாளர் இணையதளத்தைப் பயன்படுத்திக் கொண்டிருக்கும்போதே, AI தயாரிப்புப் பரிந்துரைகள், காட்சி அமைப்புகள் மற்றும் விளம்பரச் சலுகைகளை அந்த அமர்வின் இடையில் மாற்றியமைக்க முடியும். இந்த அளவிலான சுறுசுறுப்பிற்கு (agility), பயனர் அனுபவத்தைப் பாதிக்காமல், நேரடித் தரவுகளை (streaming data) உள்வாங்கிச் செயல்படக்கூடிய குறைந்த தாமதச் செயலாக்கம் (low-latency processing) மற்றும் அதிக அளவில் விரிவாக்கக்கூடிய இயந்திர கற்றல் (machine learning) மாதிரிகள் தேவைப்படுகின்றன.

AI சூழலில் நிகழ்நேர உள்கட்டமைப்பு ஏன் முக்கியமானது

இந்த மாற்றம் வணிகத் துறையில் இயந்திர கற்றலின் (machine learning) பயன்பாட்டில் ஏற்பட்டுள்ள ஒரு பரந்த பரிணாமத்தைக் குறிக்கிறது. ஒரு சக்திவாய்ந்த மாதிரியை (model) வைத்திருப்பது மட்டும் போதாது; அந்த மாதிரியை ஒரு நேரடி உற்பத்திச் சூழலில் (live production environment) ஒருங்கிணைத்துச் செயல்படுத்துவதில்தான் (orchestration) இப்போது மதிப்பு உள்ளது.

டெவலப்பர்கள் மற்றும் தொழில்நுட்ப நிறுவனர்களுக்கான முக்கியப் போக்கு இதுதான்: ஒரு AI அமைப்பின் "நுண்ணறிவு" என்பது நிகழ்நேரத் தரவு ஓட்டங்களுடன் (real-time data streams) ஒருங்கிணைந்து செயல்படும் அதன் திறனைப் பொறுத்தே தீர்மானிக்கப்படுகிறது. சில்லறை விற்பனை AI விரிவடையும் போது, சிறந்த முன்கணிப்பு மாதிரிகளை உருவாக்குவதிலிருந்து, அதிகப் பதிலளிக்கக்கூடிய தரவு கட்டமைப்புகளை (responsive data architectures) உருவாக்குவதை நோக்கி கவனம் திரும்புகிறது. இந்த பரிணாமம் மற்ற தொழில்துறைகளுக்கும் ஒரு முன்மாதிரியாக அமையும்; அங்கு டிஜிட்டல் சூழல்களை நிகழ்நேரத்தில் மாற்றியமைக்கும் திறன், வாடிக்கையாளர் ஈடுபாடு மற்றும் செயல்பாட்டுத் திறனுக்கான தரநிலையாக மாறும்.

முக்கியக் குறிப்புகள்

• ஆற்றல்மிக்கது vs. நிலையானது: வெற்றிகரமான சில்லறை விற்பனை AI, நிலையான மக்கள் தொகை விதிகளிலிருந்து விலகி, நிகழ்நேர, நோக்கம் அடிப்படையிலான தனிப்பயனாக்கத்தை நோக்கி நகர்கிறது.
• உள்கட்டமைப்பு முக்கியமானது: தனிப்பயனாக்கத்தை விரிவாக்க, நேரடி அமர்வுகளின் போது பயனர் சூழலை மாற்றியமைக்கக்கூடிய வலுவான தரவுப் குழாய்கள் தேவைப்படுகின்றன.
• நோக்கம் சார்ந்த விற்பனை: அமர்வின் இடையில் கிடைக்கும் நடத்தைத் தரவைப் பயன்படுத்துவது, பாரம்பரிய பயனர் விவரங்களை விட விற்பனை இலக்குகளைத் துல்லியமாகக் கணிக்க உதவுகிறது.