खुदरा क्षेत्र में एआई-संचालित स्वचालन: वादे और वास्तविकता के बीच

बुद्धिमत्ता की जगह डेटा की अव्यवस्था: खुदरा क्षेत्र में अरबों डॉलर का अदृश्य अंतर।

नए एल्गोरिदम को भूल जाइए: खुदरा क्षेत्र में सफल एआई का असली रहस्य यही है।

वैश्विक खुदरा उद्योग एक बड़ी संरचनात्मक समस्या का सामना कर रहा है: ज़रूरत से ज़्यादा माल रखने और खाली अलमारियों के कारण सालाना 1.7 ट्रिलियन डॉलर का नुकसान होता है – यह एक बहुत बड़ी रकम है जिसका किसी भी कंपनी की बैलेंस शीट में स्पष्ट विवरण नहीं होता। इस बेहद कम मार्जिन की समस्या से निकलने के लिए, उद्योग कृत्रिम बुद्धिमत्ता और नए डेटा इंफ्रास्ट्रक्चर में अरबों डॉलर का निवेश कर रहा है। लेकिन आमतौर पर जल्द ही निराशा हाथ लगती है: खुदरा क्षेत्र में तीन-चौथाई एआई परियोजनाएं पायलट चरण से आगे नहीं बढ़ पातीं और वास्तविक परिचालन लाभ देने में विफल रहती हैं। ऐसा क्यों होता है?

यह लेख खुदरा क्षेत्र में एआई-आधारित स्वचालन की वास्तविकता का निष्पक्ष विश्लेषण करता है। यह बताता है कि अधिक डेटा से स्वतः ही बेहतर निर्णय क्यों नहीं लिए जाते और पारंपरिक आईटी प्रणालियों में अर्थपूर्ण एकीकरण की कमी ही असली बाधा क्यों है। जानिए कंपनियों को अपनी निवेश रणनीति पर मौलिक रूप से पुनर्विचार करने की आवश्यकता क्यों है, स्मार्ट वर्कफ़्लो स्वचालन किस प्रकार प्रयोगशाला और वास्तविक जीवन के बीच की खाई को पाटता है, और तकनीकी वादों को ठोस लाभ में बदलने के लिए वास्तव में किन उपायों को अपनाना आवश्यक है।.

अधिक जानकारी यहाँ:

• UNFRAME.AI: AI की मदद से खुदरा संचालन को स्वचालित करें

जब डेटा सब कुछ जानता है लेकिन कुछ भी तय नहीं कर सकता

इन्वेंट्री संबंधी गड़बड़ियों के कारण वैश्विक खुदरा क्षेत्र को सालाना 1.7 ट्रिलियन डॉलर का नुकसान होता है—यह राशि वैश्विक खुदरा बिक्री के 6.5 प्रतिशत के बराबर है, जो दक्षिण कोरिया के सकल घरेलू उत्पाद (जीडीपी) से भी अधिक है। अकेले पिछले वर्ष 172 बिलियन डॉलर के निवेश के बावजूद, इस आंकड़े में नगण्य परिवर्तन आया है। यह केवल एक उद्योग का आंकड़ा नहीं है; यह एक संरचनात्मक विश्लेषण है जो इस बात की गहराई से पड़ताल करता है कि खुदरा क्षेत्र ने अपनी तकनीकी प्रणालियों का निर्माण, संचालन और दुर्भाग्य से, लगातार गलत व्याख्या कैसे की है।.

इन नुकसानों का विश्लेषण करने पर वास्तविक स्थिति का पता चलता है: उत्पादों की अनुपलब्धता—जिसे स्टॉकआउट कहा जाता है—के कारण लगभग 1.2 ट्रिलियन डॉलर का नुकसान होता है, जबकि अतिरिक्त इन्वेंट्री के कारण 554 बिलियन डॉलर का नुकसान होता है। 500 मिलियन डॉलर की वार्षिक बिक्री और 3 प्रतिशत के औसत शुद्ध लाभ मार्जिन वाले एक मध्यम आकार के ओमनीचैनल रिटेलर के लिए, इसका मतलब है कि इन्वेंट्री में गड़बड़ी के कारण सालाना 36 से 43 मिलियन डॉलर का नुकसान होता है। यह मामूली खर्च नहीं है, बल्कि कंपनी के वार्षिक शुद्ध लाभ का दो से तीन गुना है। और यह राशि परिचालन आय विवरण की किसी भी पंक्ति में स्पष्ट रूप से एक समस्या के रूप में नहीं दिखती—यह छूट, बिक्री में हुए नुकसान और छिपी हुई अतिरिक्त क्षमता में फैली हुई है।.

इस स्थिति को आर्थिक रूप से और भी गंभीर बनाने वाली बात समस्या की संरचना ही है। खुदरा विक्रेता सीमित लाभ मार्जिन के दायरे में काम करते हैं, जिससे उनके पास मुनाफा कमाने की गुंजाइश बहुत कम रह जाती है: उद्योग का औसत शुद्ध लाभ मार्जिन लगभग 3 प्रतिशत है। इस प्रकार, अनावश्यक इन्वेंट्री गड़बड़ियों के कारण खोया गया प्रत्येक यूरो, बिक्री के सापेक्ष उसके मूल्य से तीस गुना अधिक भारी पड़ता है। साथ ही, खुदरा इन्वेंट्री का 30 प्रतिशत से अधिक हिस्सा वार्षिक रूप से मूल्यह्रास के अधीन होता है - मांग की कमी के कारण नहीं, बल्कि इसलिए कि सही उत्पाद सही समय पर और सही जगह पर उपलब्ध नहीं होते हैं। यह पारंपरिक अर्थों में लॉजिस्टिक्स की समस्या नहीं है। यह सूचना संरचना की विफलता है।.

अधिक डेटा का मतलब यह नहीं है कि निर्णय लेने की क्षमता भी अधिक हो जाएगी।

आज मध्यम से लेकर बड़े आकार की रिटेल कंपनियों में काम करने वाले किसी भी व्यक्ति को डेटा की कमी का सामना नहीं करना पड़ता। अधिकांश कंपनियों के पास ईआरपी सिस्टम, वेयरहाउस मैनेजमेंट सिस्टम (डब्ल्यूएमएस), प्वाइंट-ऑफ-सेल (पीओएस) सिस्टम, डिमांड प्लानिंग टूल और बिजनेस इंटेलिजेंस की एक या अधिक परतें होती हैं। इसके अलावा, दशकों का ट्रांजैक्शनल डेटा, सप्लायर का इतिहास, बिक्री के पैटर्न और मौसमी उतार-चढ़ाव का डेटा भी मौजूद है। फिर भी, 83 प्रतिशत रिटेल निर्णय लेने वालों का कहना है कि उनके पास अपने ग्राहक और इन्वेंट्री डेटा की पूरी जानकारी नहीं है।.

इस विरोधाभास का कारण डेटा की मात्रा में नहीं, बल्कि डेटा को निर्णयों में परिवर्तित करने वाली संरचना के अभाव में निहित है। एक ईआरपी प्रणाली आने वाले माल का रिकॉर्ड रखती है। एक डब्लूएमएस भंडारण का दस्तावेजीकरण करता है। एक पीओएस अंतिम स्कैन को दर्ज करता है। इनमें से कोई भी प्रणाली इस प्रकार निर्मित नहीं की गई है कि वह एक साथ मौजूद तीन डेटा सेटों से वास्तविक समय में किसी विशिष्ट स्थान पर किसी विशिष्ट वस्तु की वास्तविक उपलब्धता स्थिति के बारे में सामूहिक रूप से निष्कर्ष निकाल सके। डेटा बिंदु और निदान के बीच वही अंतर है जो प्रयोगशाला परिणाम और चिकित्सा मूल्यांकन के बीच होता है: केवल व्याख्यात्मक संदर्भ ही कार्रवाई का आधार बनता है।.

यह निष्कर्ष देखने में मामूली लग सकता है, लेकिन इसके आर्थिक परिणाम असाधारण हैं: पारंपरिक खुदरा दुकानों में इन्वेंट्री डेटा की औसत सटीकता पूरे उद्योग में लगभग 65 प्रतिशत है। इसका मतलब है कि आधिकारिक प्रणालियों में दर्ज तीन में से एक डेटा रिकॉर्ड अलमारियों पर मौजूद वास्तविक स्टॉक स्तर को नहीं दर्शाता है। पुनःपूर्ति के निर्णय, स्थानांतरण आदेश, प्रचार बजट और रणनीतिक खरीद योजनाएँ प्रतिदिन इसी संदिग्ध डेटा के आधार पर बनाई जाती हैं। इसका परिणाम स्पष्ट है: इस डेटा पर आधारित परिष्कृत एआई मॉडल भी सटीक सुझाव नहीं दे सकते – वे केवल अधिक कंप्यूटिंग शक्ति का उपयोग करके त्रुटियों का मॉडल तैयार करते हैं।.

विफलता का विश्लेषण: क्यों 74 प्रतिशत एआई पायलट प्रोजेक्ट कभी भी सफल नहीं हो पाते

हालिया व्यावसायिक शोध से मिले सबसे महत्वपूर्ण निष्कर्षों में से एक यह है कि विफलता तकनीक की नहीं, बल्कि उसके आसपास की कमियों की वजह से होती है। बोस्टन कंसल्टिंग ग्रुप द्वारा 59 देशों के 1,000 से अधिक शीर्ष अधिकारियों के सर्वेक्षण में पाया गया कि 74 प्रतिशत कंपनियां अपनी एआई पहलों से मापने योग्य लाभ प्राप्त नहीं कर पा रही हैं। केवल 26 प्रतिशत कंपनियां ही अवधारणा के प्रमाण चरण से आगे बढ़कर वास्तविक, परिचालन लाभ प्राप्त करने में सक्षम हैं। ये आंकड़े खुदरा क्षेत्र को विशेष रूप से प्रभावित करते हैं।.

इसका कारण तथाकथित सैंडबॉक्स समस्या में निहित है: एआई पायलट प्रोजेक्ट नियंत्रित वातावरण में, स्वच्छ डेटासेट, परिभाषित मापदंडों और उच्च कुशल विश्लेषकों की एक छोटी टीम के साथ विकसित किए जाते हैं। मॉडल काम करता है। यह अपेक्षित परिणाम देता है। और फिर यह वास्तविक दुनिया से टकराता है: आठ सिस्टम जिनमें कोई समान डेटा स्कीमा नहीं है, कुछ में रीयल-टाइम अपडेट होते हैं, अन्य में रातोंरात बैच प्रोसेसिंग होती है, कार्यप्रवाह वर्षों से संचित जुगाड़ पर आधारित होते हैं, और कर्मचारी मॉडल पर भरोसा नहीं करते क्योंकि वे इसके निर्माण में शामिल नहीं थे। इस बिंदु पर, यह पहल प्रौद्योगिकी की कमी से नहीं, बल्कि संगठनात्मक परिपक्वता की कमी से विफल हो जाती है।.

अपने विश्लेषण में, बीसीजी ने छह ऐसी विशेषताओं की पहचान की है जो कंपनियों को एआई लीडर बनाती हैं – और इन सभी का संबंध एल्गोरिदम से कम और रणनीति और संस्कृति से अधिक है। अग्रणी कंपनियां एक ऐसे संसाधन नियम का पालन करती हैं जो आश्चर्यजनक रूप से विरोधाभासी है: 10 प्रतिशत संसाधन एल्गोरिदम में, 20 प्रतिशत प्रौद्योगिकी और डेटा में, और 70 प्रतिशत लोगों और प्रक्रियाओं में लगाए जाते हैं। अधिकांश कंपनियां इस अनुपात को उलट देती हैं – वे मॉडलों में भारी निवेश करती हैं और इन मॉडलों को वास्तव में उपयोग करने के लिए आवश्यक संगठनात्मक परिवर्तन में नगण्य निवेश करती हैं। इसके अलावा, एआई लीडर औसतन अपने कम उन्नत प्रतिस्पर्धियों की तुलना में केवल आधी पहलों पर ही काम करते हैं – लेकिन वे अधिक सटीक रूप से चुनाव करते हैं और अधिक दृढ़ता से प्रतिबद्ध होते हैं। इसका परिणाम यह होता है कि निवेश पर रिटर्न दोगुने से अधिक हो जाता है और सफल एआई उत्पादों की संख्या दोगुने से अधिक हो जाती है।.

खुदरा क्षेत्र में, स्थिति और भी जटिल हो जाती है क्योंकि डेटा का विखंडन संयोगवश नहीं है, बल्कि दशकों से लिए गए तकनीकी निर्णयों का परिणाम है: सिस्टम को अलग-अलग कार्यों के लिए टुकड़ों में खरीदा गया था, न कि एक सुसंगत समग्र आर्किटेक्चरल अवधारणा के हिस्से के रूप में। इसका परिणाम यह है कि तकनीकी परिदृश्य में इन्वेंट्री डेटा WMS में, लेनदेन डेटा POS में, आपूर्तिकर्ता डेटा खरीद प्रणाली में और पूर्वानुमान डेटा नियोजन उपकरण में मौजूद है – ये सभी अर्थहीन हैं, समय के साथ बिखरे हुए हैं और इनमें सामान्य उत्पाद पहचानकर्ताओं का अभाव है। अक्सर वर्णित स्प्रेडशीट परत – एक्सेल निर्यात, पिवट टेबल और साझा ड्राइव की दुनिया – पेशेवर दक्षता की कमी का संकेत नहीं है, बल्कि एक ऐसे आर्किटेक्चर के प्रति एक तर्कसंगत प्रतिक्रिया है जो वास्तविक निर्णय लेने की आवश्यकताओं को पूरा करने में विफल रहता है। समस्या यह है कि ERP, WMS और POS से जुड़े किसी भी AI सिस्टम के लिए, यह स्प्रेडशीट परत पूरी तरह से अदृश्य रहती है – और इसके साथ ही, नियोजन टीमों के संस्थागत ज्ञान का एक बड़ा हिस्सा भी।.

मैकिन्से के यूरोपीय खाद्य खुदरा क्षेत्र के नवीनतम विश्लेषण से इस बात की पुष्टि होती है कि यह उद्योग एआई को प्राथमिकता तो मानता है, लेकिन अभी तक इसके ठोस परिणाम सामने नहीं आए हैं। सर्वेक्षण में शामिल 47 प्रतिशत सीईओ ने एआई के कार्यान्वयन को सर्वोच्च प्राथमिकता बताया है – जो पिछले वर्ष की तुलना में चार प्रतिशत अधिक है। हालांकि, 70 प्रतिशत सीईओ का कहना है कि एआई का अभी तक ईबीआईटी पर कोई ठोस प्रभाव नहीं पड़ा है या इसका आकलन करना अभी जल्दबाजी होगी। डिजिटल प्रौद्योगिकियों और एआई पर खर्च 2021 से 2025 के बीच सालाना 8 प्रतिशत बढ़ा – जो उद्योग की वृद्धि दर से दोगुना है – लेकिन केवल 3 प्रतिशत सीईओ ने ही एआई से ईबीआईटी में 5 प्रतिशत से अधिक की वृद्धि दर्ज की है। निवेश और प्रतिफल के बीच का यह अंतर इस क्षेत्र की प्रमुख रणनीतिक समस्या है।.

मूल अर्थ संबंधी समस्या: जब प्रणालियाँ समान शब्दों को अलग-अलग तरीके से परिभाषित करती हैं

डेटा विखंडन की समस्या का आम समाधान बेहतर डेटा इंफ्रास्ट्रक्चर में निवेश करना है—डेटा वेयरहाउस, डेटा लेक, क्लाउड प्लेटफॉर्म—इन सबका उद्देश्य सभी डेटा को एक साथ लाना है। ये निवेश गलत नहीं हैं; बल्कि अपर्याप्त हैं। असली समस्या तकनीकी नहीं, बल्कि शाब्दिक है: अलग-अलग सिस्टम एक ही अवधारणा को अलग-अलग तरह से परिभाषित करते हैं। WMS में जिसे "उपलब्ध इन्वेंट्री" माना जाता है, वह आवंटन प्रणाली में "उपलब्ध इन्वेंट्री" से भिन्न होता है। POS में Markdown इवेंट प्लानिंग टूल में डिमांड बेसलाइन को स्वचालित रूप से अपडेट नहीं करता है।.

ईआरपी कार्यान्वयन डेटा पर आधारित अनुमान बताते हैं कि सभी ईआरपी परियोजनाओं में से 50 प्रतिशत पहली कोशिश में ही विफल हो जाती हैं, और डेटा वेयरहाउस परियोजनाओं की विफलता दर भी लगभग इतनी ही है। इसका कारण अपर्याप्त बजट या प्रतिबद्धता की कमी नहीं है, बल्कि इस अर्थपूर्ण एकीकरण चुनौती का व्यवस्थित रूप से कम आंकलन करना है। डेटा को भौतिक रूप से एक स्थान पर एकत्रित करना आसान समस्या है। यह सुनिश्चित करना कि सभी प्रणालियों में एक ही चर का एक ही अर्थ हो, कठिन समस्या है—और यही वह समस्या है जिसे अधिकांश एकीकरण परियोजनाएं बहुत देर से पहचान पाती हैं।.

यहां वैचारिक रूप से जिस चीज़ की आवश्यकता है, उसे एक ऐसी इंटेलिजेंस लेयर के रूप में वर्णित किया जा सकता है जो स्वयं को डेटा भंडार के रूप में नहीं, बल्कि एक सिमेंटिक मध्यस्थ के रूप में देखती है। ऐसी प्रणाली—जिसे अक्सर साहित्य में नॉलेज फैब्रिक कहा जाता है—मौजूदा प्रणालियों से API के माध्यम से जुड़ती है, उनके डेटा को वास्तविक समय में पढ़ती है, उनके बीच सिमेंटिक विसंगतियों को दूर करती है, और अंतर्निहित प्रणालियों को बदले या स्थानांतरित किए बिना कंपनी का एक एकीकृत, निर्णय लेने योग्य दृश्य प्रस्तुत करती है। डेटा वेयरहाउस से इसका महत्वपूर्ण अंतर उद्देश्य में निहित है: डेटा वेयरहाउस रिपोर्टिंग के लिए अनुकूलित होता है—यह इस प्रश्न का उत्तर देता है कि क्या हुआ। निर्णय-सहायक इंटेलिजेंस लेयर इस प्रश्न का उत्तर देती है कि अब क्या करने की आवश्यकता है।.

स्टॉक विकृति एक आर्थिक स्थिरांक के रूप में: दो अभिव्यक्तियाँ, एक मूल कारण

1.7 ट्रिलियन डॉलर का नुकसान दो संरचनात्मक रूप से भिन्न लेकिन आपस में जुड़े हुए कारणों में बँटा हुआ है। स्टॉक की अनुपलब्धता राजस्व संबंधी समस्या है: यदि कोई ग्राहक खरीदने के लिए तैयार है और उसे उत्पाद नहीं मिल रहा है, तो लेन-देन नहीं हो पाता। यह खोया हुआ राजस्व रिपोर्ट की किसी भी पंक्ति में स्पष्ट रूप से दिखाई नहीं देता—इसमें "संभावित राजस्व" के लिए कोई अलग खंड नहीं है। संकेतों की कमी ही उच्च मार्जिन या बार-बार होने वाली बिक्री वाली श्रेणियों में स्टॉक की अनुपलब्धता को इतना खतरनाक बनाती है। दूसरी ओर, अतिरिक्त इन्वेंट्री मार्जिन संबंधी समस्या है: अतिरिक्त स्टॉक लागत मूल्य पर शेल्फ पर नहीं पड़ा रहता, बल्कि इस पर दैनिक भंडारण लागत, रखरखाव व्यय, पूंजीगत लागत और अंततः, मूल्य कटौती का दबाव बढ़ता जाता है। खरीद के समय किया गया सकल मार्जिन का वादा उत्पाद की बिक्री के समय व्यवस्थित रूप से पूरा नहीं होता।.

इस दोहरी गतिशीलता का विचित्र पहलू यह है कि दोनों घटनाएं एक ही मूल कारण से उत्पन्न होती हैं। एक खुदरा विक्रेता जिसके पास अपने सबसे अधिक बिकने वाले उत्पादों की आपूर्ति लगातार कम रहती है, आमतौर पर धीमी गति से बिकने वाले उत्पादों की आपूर्ति अधिक होती है - क्योंकि वही खंडित, विलंबित और गलत डेटा खरीद निर्णय और पुनः ऑर्डर करने की प्रक्रिया दोनों को प्रभावित करता है। डेटा की यह स्थिति एक साथ दोनों लक्षण उत्पन्न करती है। यदि पूर्वानुमान सॉफ्टवेयर विकृत डेटा आधार पर काम करता है, तो उसके लिए बजट बढ़ाने से समस्या का समाधान नहीं होगा। यदि इनपुट डेटा वास्तविक उपलब्धता को प्रतिबिंबित नहीं करता है, तो अधिक सटीक आवंटन एल्गोरिदम स्टॉक को गलत स्थानों पर ही अधिक कुशलता से वितरित करेंगे।.

पिछले वर्ष वैश्विक स्तर पर हुए 172 अरब डॉलर के निवेश से यह स्पष्ट होता है कि उद्योग ने समस्या को पहचान लिया है और संसाधनों को जुटा रहा है—लेकिन यह नहीं कि वह सही दिशा में निवेश कर रहा है। अधिकांश निवेश मौजूदा कार्यों के लिए बेहतर उपकरणों पर खर्च किया जा रहा है: अधिक आधुनिक WMS सिस्टम, अधिक परिष्कृत मांग नियोजन उपकरण, अधिक शक्तिशाली BI डैशबोर्ड। ये निवेश व्यक्तिगत कार्यों में सुधार करते हैं। ये उस अंतर-कार्यात्मक डेटा समस्या का समाधान नहीं करते जो मूल रूप से विकृति उत्पन्न करती है। एक बेहतर नियोजन उपकरण जो विलंबित और कभी-कभी गलत इन्वेंट्री दृश्य पर निर्भर करता है, गलत इनपुट के आधार पर बेहतर पूर्वानुमान उत्पन्न करेगा। एक अधिक परिष्कृत आवंटन प्रणाली जिसमें वास्तविक समय में काल्पनिक इन्वेंट्री की जानकारी नहीं होती, वह गलत स्थानों पर अधिक सटीक रूप से आवंटन करेगी।.

डेटा बिंदु से निर्णय अनुशंसा तक: इन्वेंट्री प्रबंधन के तीन मूलभूत प्रश्न

जटिल खुदरा नियोजन को सरल बनाने का एक सबसे दिलचस्प और व्यावहारिक तरीका यह है: इन्वेंट्री से जुड़े हर निर्णय को तीन सवालों में समेटा जा सकता है: पुनः ऑर्डर करें, स्थानांतरित करें या रोकें? ये तीन विकल्प इन्वेंट्री नियोजन की मूलभूत इकाइयाँ हैं। अन्य सभी विश्लेषणात्मक प्रश्न—मांग का रुझान, साप्ताहिक सीमा, बिक्री दर, आपूर्तिकर्ता का लीड टाइम, आस-पास के स्थानों में अतिरिक्त जोखिम—इस एक निर्णय के लिए इनपुट हैं। एक ऐसी प्रणाली जो इन इनपुट को संश्लेषित नहीं करती बल्कि केवल अपवाद अलर्ट के रूप में प्रस्तुत करती है, वह विश्लेषणात्मक कार्य को कम करने के बजाय बढ़ाती है।.

व्यवहार में अंतर स्पष्ट है: एक योजनाकार जिसे असामान्य अलर्ट की सूची मिलती है, उसे निर्णय लेने के लिए प्रत्येक अलर्ट का अलग-अलग विश्लेषण करना पड़ता है। वहीं, एक योजनाकार जिसे प्राथमिकताओं के आधार पर तैयार की गई अनुशंसाओं की सूची (पुनः ऑर्डर, स्थानांतरण, रोक) और उनके संबंधित वित्तीय परिणामों की पूर्व-प्रक्रिया प्राप्त होती है, उसे केवल समीक्षा करनी होती है, स्थिति के आधार पर निर्णय में बदलाव करना होता है और उसे लागू करना होता है। संज्ञानात्मक भार मौलिक रूप से भिन्न होता है। निर्णय लेने में लगने वाला समय मौलिक रूप से भिन्न होता है। और सैकड़ों SKU-स्थान संयोजनों में एकरूपता भी मौलिक रूप से भिन्न होती है।.

सबसे महत्वपूर्ण बात यह है कि आने वाली आपूर्ति श्रृंखला से जुड़ाव भी आवश्यक है: एक मांग पूर्वानुमान जो यह नहीं जानता कि वर्तमान में क्या रास्ते में है, अनावश्यक पुनःआदेशों की सिफारिश करेगा और स्टॉक की कमी के बढ़ते जोखिमों का पता लगाने में विफल रहेगा। एक पुनःआदेश की सिफारिश जो स्थिर इन्वेंट्री स्तर के मुकाबले सही प्रतीत होती है, अनावश्यक हो सकती है यदि आपूर्तिकर्ता के साथ नौ दिनों में दिया गया आदेश बिना किसी नए खरीद आदेश की आवश्यकता के कमी को पूरा कर देता है। मांग पूर्वानुमान और आपूर्ति-संवेदनशील पूर्वानुमान के बीच का अंतर ही वह बिंदु है जहां नियोजन प्रणालियां या तो विश्वसनीय या वास्तव में सटीक सिफारिशें उत्पन्न करती हैं। मैकिन्से के अनुसार, एआई-संचालित मांग पूर्वानुमान आपूर्ति श्रृंखला त्रुटियों को 20 से 50 प्रतिशत तक कम कर सकते हैं - लेकिन केवल तभी जब अंतर्निहित डेटा संपूर्ण परिचालन वास्तविकता को सटीक रूप से दर्शाता हो।.

खुदरा क्षेत्र में एजेंटिक एआई: स्वायत्तता का वास्तविक अर्थ क्या है?

पिछले दो वर्षों में प्रौद्योगिकी प्रदाताओं द्वारा "एआई एजेंट" शब्द का इतना अधिक उपयोग किया गया है कि इसका वास्तविक अर्थ धुंधला होने का खतरा है। एक स्पष्ट वैचारिक अंतर समझना सहायक होगा: नियम-आधारित स्वचालन किसी शर्त के पूरा होने पर चरणों के एक निश्चित क्रम को निष्पादित करता है। एक पारंपरिक निर्णय समर्थन उपकरण ऐसे आउटपुट उत्पन्न करता है जिन्हें मनुष्य व्याख्या करता है और लागू करता है। दूसरी ओर, एक एआई एजेंट दुनिया की स्थिति को समझता है, यह अनुमान लगाता है कि कौन सी प्रतिक्रिया एक परिभाषित लक्ष्य को सर्वोत्तम रूप से प्राप्त करेगी, और फिर कार्य करता है।.

व्यापारिक संदर्भ में, इसका विशेष अर्थ यह है: एक एजेंट जो स्टॉक समाप्त होने के जोखिम की पहचान करता है और अलर्ट भेजता है, वह दशकों से नियोजन उपकरणों द्वारा दी जाने वाली थ्रेशोल्ड अलर्ट से कार्यात्मक रूप से भिन्न नहीं है। एक एजेंट जो स्टॉक समाप्त होने के जोखिम की पहचान करता है, आपूर्तिकर्ता के लीड टाइम की तुलना अनुमानित समाप्ति तिथि से करता है, सर्वोत्तम समाधान का चयन करता है, ट्रांसफर ऑर्डर का मसौदा तैयार करता है, उसे अनुमोदन के लिए प्रस्तुत करता है, और अनुमोदन प्राप्त होने पर संबंधित सिस्टम को अपडेट करता है—यह क्षमता की एक मौलिक रूप से भिन्न श्रेणी है। पहला एक सूचना है। दूसरा एक कार्यप्रवाह है।.

एमआईटी स्लोअन मैनेजमेंट रिव्यू के हालिया शोध से पता चलता है कि अनुभवी कंपनियां मुख्य रूप से एआई का उपयोग मानव निर्णय क्षमता को बढ़ाने के लिए एक विश्लेषणात्मक सहयोगी के रूप में करती हैं, न कि एक स्वायत्त निर्णय-निर्माता के रूप में। यह रूढ़िवादी नहीं, बल्कि तर्कसंगत है। स्वायत्तता का दायरा उच्च आवृत्ति वाले, सुस्पष्ट और कम जोखिम वाले निर्णयों से लेकर (जिन्हें एजेंट पूरी तरह से संभाल सकते हैं) उन निर्णयों तक फैला हुआ है जिन्हें एजेंट तैयार करते हैं और मनुष्य अंतिम रूप देते हैं, और अंत में रणनीतिक और संबंधपरक जटिलता वाले निर्णयों तक, जो पूरी तरह से मनुष्यों के पास ही रहने चाहिए। आर्थिक मूल्य अधिक से अधिक निर्णयों को स्वचालित करने में नहीं है, बल्कि यह सुनिश्चित करने में है कि योजना टीमें अपना समय उन निर्णयों पर केंद्रित कर सकें जहां मानवीय निर्णय निर्णायक भूमिका निभाता है।.

वर्कफ़्लो स्वचालन वह जोड़ने वाला तत्व है जो बुद्धिमत्ता परत के पूर्ण मूल्य को साकार करता है। व्यवहार में, सामान्य स्थिति कुछ इस प्रकार होती है: एक योजनाकार स्थानांतरण अनुशंसा को अनुमोदित करता है और फिर मैन्युअल रूप से ERP सिस्टम खोलकर रूटिंग लॉजिक की जाँच करता है, क्षमता की पुष्टि के लिए वितरण केंद्र को ईमेल भेजता है, आवंटन प्रणाली को अद्यतन करता है, प्राप्तकर्ता स्थान को सूचित करता है, और वित्त विभाग की रिपोर्टिंग प्रणाली में कार्रवाई को दर्ज करता है। दिन भर की सभी अनुमोदित अनुशंसाओं के लिए दोहराई जाने वाली यह मैन्युअल प्रक्रिया ही नियोजन क्षमता को कम करती है और समय पर कार्रवाई करने और बहुत देर से कार्रवाई करने के बीच समय का अंतर पैदा करती है। खुदरा कंपनियाँ आपूर्ति श्रृंखला कार्यों में वर्कफ़्लो स्वचालन के माध्यम से मैन्युअल, क्रॉस-सिस्टम कार्यों में 30 से 40 प्रतिशत तक समय की बचत की रिपोर्ट करती हैं।.

यहां आप जानेंगे कि आपकी कंपनी बिना किसी बड़ी बाधा के, तेजी से, सुरक्षित रूप से और बिना किसी विशेष प्रक्रिया के अनुकूलित एआई समाधानों को कैसे लागू कर सकती है।.

एक प्रबंधित एआई प्लेटफॉर्म कृत्रिम बुद्धिमत्ता के लिए आपका संपूर्ण और चिंतामुक्त समाधान है। जटिल तकनीक, महंगे बुनियादी ढांचे और लंबी विकास प्रक्रियाओं से निपटने के बजाय, आपको एक विशेषज्ञ भागीदार से आपकी आवश्यकताओं के अनुरूप तैयार समाधान मिलता है - अक्सर कुछ ही दिनों के भीतर।.

मुख्य लाभ संक्षेप में:

⚡ त्वरित कार्यान्वयन: विचार से लेकर उपयोग के लिए तैयार एप्लिकेशन तक, महीनों में नहीं, दिनों में। हम ऐसे व्यावहारिक समाधान प्रदान करते हैं जो तत्काल मूल्यवर्धन करते हैं।.

🔒 अधिकतम डेटा सुरक्षा: आपका संवेदनशील डेटा आपके पास ही सुरक्षित रहता है। हम तीसरे पक्षों के साथ डेटा साझा किए बिना सुरक्षित और नियमों के अनुरूप प्रोसेसिंग की गारंटी देते हैं।.

💸 कोई वित्तीय जोखिम नहीं: आपको केवल परिणामों के लिए भुगतान करना होगा। हार्डवेयर, सॉफ्टवेयर या कर्मचारियों में होने वाले भारी प्रारंभिक निवेश की कोई आवश्यकता नहीं है।.

🎯 अपने मुख्य व्यवसाय पर ध्यान केंद्रित करें: आप जिस काम में सबसे अच्छे हैं, उसी पर ध्यान दें। हम आपके एआई समाधान के संपूर्ण तकनीकी कार्यान्वयन, संचालन और रखरखाव का ध्यान रखते हैं।.

📈 भविष्य के लिए तैयार और विस्तार योग्य: आपकी एआई आपके साथ बढ़ती है। हम निरंतर अनुकूलन और विस्तारशीलता सुनिश्चित करते हैं, और नए आवश्यकताओं के अनुसार मॉडलों को लचीले ढंग से अनुकूलित करते हैं।.

अधिक जानकारी यहाँ:

• प्रबंधित एआई प्लेटफ़ॉर्म

प्रचार योजना एक छिपी हुई अरबों डॉलर की समस्या के रूप में

खुदरा क्षेत्र में सबसे महंगी संरचनात्मक गलतफहमियों में से एक है प्रचार नियोजन और इन्वेंट्री नियोजन का संगठनात्मक पृथक्करण। दोनों को पड़ोसी, कभी-कभार परस्पर क्रिया करने वाले विषयों के रूप में माना जाता है – वास्तविकता में, वे अविभाज्य रूप से जुड़े हुए हैं। प्रत्येक प्रचार संबंधी निर्णय – छूट की मात्रा, समय, चैनल, अवधि, भाग लेने वाली वस्तुएं और स्थान – एक साथ मांग को बढ़ाने वाला और आपूर्ति को बाध्य करने वाला होता है। किसी प्रचार से उत्पन्न मांग में अचानक वृद्धि काल्पनिक नहीं होती। यह वस्तु-विशिष्ट, स्थान-विशिष्ट और समय-विशिष्ट होती है।.

वास्तविक इन्वेंट्री स्तरों से अलग, प्रचार योजनाओं की पारंपरिक रूप से की जाने वाली योजना से अक्सर कुछ समस्याएं उत्पन्न होती हैं: 400 स्टोरों के लिए बनाई गई प्रचार योजना को, इन्वेंट्री के उचित विश्लेषण के साथ, 280 स्टोरों पर केंद्रित किया जा सकता है, जहां स्टॉक अपेक्षित बिक्री वृद्धि को पूरा कर सकता है। इसके अतिरिक्त, सबसे अच्छा प्रदर्शन करने वाले स्थानों पर लक्षित हस्तांतरण किया जा सकता है और उन 120 स्टोरों के लिए स्टॉक आरक्षित किया जा सकता है जिनका वर्तमान इन्वेंट्री प्रचार समाप्त होने से पहले ही समाप्त हो जाएगा। यह निर्णय कोई मामूली परिचालन मामला नहीं है। यह निर्धारित करता है कि कोई प्रचार योजना अपेक्षित लाभ मार्जिन प्रदान करती है या स्टॉक की अनावश्यक कमी और अत्यधिक छूट के कारण लाभ मार्जिन में कमी का कारण बनती है।.

मैकिन्से के बेंचमार्क डेटा से पता चलता है कि प्रमोशन और डिमांड प्लानिंग में AI-आधारित पूर्वानुमान से पूर्वानुमान त्रुटियों को 65 प्रतिशत तक कम किया जा सकता है और मार्केटिंग ROI में 30 प्रतिशत तक सुधार किया जा सकता है। लेकिन—और यही सबसे महत्वपूर्ण बात है—ये लाभ केवल उन्हीं कंपनियों को मिलते हैं जिन्होंने अपने प्रमोशन कैलेंडर और इन्वेंटरी मैनेजमेंट सिस्टम के बीच वैचारिक संबंध को सफलतापूर्वक एकीकृत किया है। एक बेहतर पूर्वानुमान फ़ंक्शन, जो प्रमोशन शुरू होने से पहले भाग लेने वाले स्थानों पर इन्वेंटरी स्तरों को प्रभावित नहीं करता है, समान निष्पादन परिणामों के साथ बेहतर दिखने वाले मॉडल तैयार करेगा। इसका महत्व मॉडल में नहीं, बल्कि मॉडल और निष्पादन निर्णय के बीच के संबंध में निहित है।.

पूर्वानुमानित आपूर्ति श्रृंखला: समस्या उत्पाद के बाज़ार में पहुंचने से बहुत पहले ही शुरू हो जाती है।

इन्वेंट्री की समस्याएँ शेल्फ पर उत्पन्न नहीं होतीं। ये समस्याएँ हफ़्तों या महीनों पहले तब पैदा होती हैं जब खरीदारी के निर्णय मांग पूर्वानुमान के आधार पर लिए जाते हैं, जो सामान पहुँचने तक शायद पुराना हो चुका होता है। आज दिया गया कोई पुनर्आदेश, जिसमें तीन हफ़्ते बाद शुरू होने वाले प्रमोशन का ध्यान नहीं रखा गया है, ऐसी परिचालन स्थिति का सामना करता है जो मूल आदेश के तर्क का समर्थन नहीं करती। आपूर्ति श्रृंखला की जानकारी कोई अलग क्षमता नहीं है—यह वह अपस्ट्रीम लेयर है जो इन्वेंट्री संबंधी जानकारी को सटीक बनाती है।.

आपूर्तिकर्ता के प्रदर्शन और इन्वेंट्री परिणामों के बीच संबंध सैद्धांतिक रूप से तो अच्छी तरह समझा जाता है, लेकिन व्यवहार में इसका व्यापक रूप से उपयोग नहीं किया जाता। अधिकांश खुदरा विक्रेता रिपोर्टिंग मीट्रिक के रूप में आपूर्तिकर्ता की समय पर और पूर्ण आपूर्ति दर को ट्रैक करते हैं। बहुत कम खुदरा विक्रेता इस डेटा को अपने पूर्वानुमानित इन्वेंट्री मॉडल में इस तरह से एकीकृत करते हैं जिससे विशिष्ट आपूर्तिकर्ताओं के लिए सुरक्षा स्टॉक गणना या पुनः ऑर्डर बिंदुओं को समायोजित किया जा सके। एक ऐसी प्रणाली जो तिमाही समीक्षा की प्रतीक्षा करने के बजाय, जो हमेशा दो महीने पीछे रहती है, वर्तमान आपूर्तिकर्ता प्रदर्शन के आधार पर वास्तविक समय में सुरक्षा स्टॉक अनुशंसाओं को समायोजित करती है, उस जोखिम का प्रबंधन करती है जिसे पारंपरिक समीक्षा प्रक्रिया अक्सर बहुत देर से पहचानती है।.

टैरिफ और आपूर्ति श्रृंखला में व्यवधान अब बाहरी झटके मात्र नहीं रह गए हैं, बल्कि ये नियोजन का एक नियमित मानदंड बन गए हैं। जब किसी विशिष्ट स्रोत क्षेत्र से आने वाले सामान की लागत में काफी बदलाव होता है, तो हर मौजूदा खरीद आदेश और हर लंबित पुनर्आदेश का वित्तीय तर्क बदल जाता है। एआई-आधारित परिदृश्य मॉडलिंग, जो किसी विशिष्ट स्रोत क्षेत्र पर टैरिफ वृद्धि के सभी प्रभावित वस्तुओं और लंबित ऑर्डर प्रतिबद्धताओं के लिए इन्वेंट्री और कार्यशील पूंजी पर पड़ने वाले प्रभावों का मॉडल तैयार कर सकती है, नियोजन की प्रकृति को मौलिक रूप से बदल देती है: प्रतिक्रियात्मक क्षति नियंत्रण से सक्रिय निर्णय डिजाइन की ओर। मैककिन्से के 2025 के सर्वेक्षण से पता चलता है कि मांग पूर्वानुमान, इन्वेंट्री अनुकूलन और आपूर्ति श्रृंखला नियोजन, टैरिफ के दबाव में आपूर्ति श्रृंखला रणनीतिकारों द्वारा ध्यान केंद्रित किए जाने वाले तीन प्रमुख एआई उपयोग क्षेत्र हैं।.

18 महीने की अवधि से जुड़ी मिथक कथा और इसकी आर्थिक लागतें

खुदरा क्षेत्र में एआई को अपनाने में सबसे बड़ी बाधाओं में से एक यह धारणा है कि सार्थक एआई क्षमताओं के लिए अनिवार्य रूप से कई वर्षों की कार्यान्वयन परियोजनाओं की आवश्यकता होती है। यह धारणा निराधार नहीं है: यह पारंपरिक उद्यम प्रौद्योगिकी कार्यान्वयन मॉडल से उत्पन्न होती है, जो पूर्ववर्ती निर्भरताओं पर निर्भर करता है और पूरा होने पर ही अपना पूर्ण मूल्य प्रदान करता है। यह इस संभावना को नजरअंदाज करता है कि एक मॉड्यूलर परिनियोजन दृष्टिकोण अपनाया जा सकता है जो इन निर्भरताओं को दोहराने के बजाय उनका पुनर्गठन करता है।.

पारंपरिक लंबे कार्यान्वयन मार्ग की समस्या केवल समय की बर्बादी ही नहीं है। बल्कि इसकी आर्थिक संरचना भी समस्या पैदा करती है: पूर्ण निवेश लागत शुरुआत में ही वहन करनी पड़ती है, जबकि इसका लाभ 18 महीने या उससे अधिक समय तक प्राप्त नहीं होता। उद्यम स्तर पर एआई कार्यान्वयन के उद्योग विश्लेषणों से अनुमान लगाया गया है कि 2024 तक 42 प्रतिशत कंपनियां अपनी अधिकांश एआई परियोजनाओं को छोड़ देंगी - जिसका कारण अत्यधिक आक्रामक समयसीमा और जटिलता का कम आंकलन है। लंबा कार्यान्वयन मार्ग ही वह मॉडल है जो इन अधूरी परियोजनाओं को जन्म देता है: यह जटिलता और लागत को शुरुआत में केंद्रित करता है, जबकि लाभ को अंत तक टाल देता है।.

मॉड्यूलर दृष्टिकोण इस क्रम को उलट देता है: पहला अनुप्रयोग क्षेत्र—आमतौर पर जानकारी का पुनर्व्यवस्थापन और स्थानांतरण—सक्रिय किया जाता है और दूसरे क्षेत्र के विन्यास के दौरान लाभ उत्पन्न करना शुरू कर देता है। संगठन प्रत्येक लाभ से पहले पूरे निवेश को अग्रिम रूप से देने के बजाय, पिछले मॉड्यूल द्वारा पहले से उत्पन्न लाभों से बाद के मॉड्यूल को वित्त पोषित करता है। योजना टीम सैद्धांतिक प्रशिक्षण के बजाय व्यावहारिक अनुभव के माध्यम से सिस्टम की अनुशंसाओं पर भरोसा विकसित करती है। और व्यावसायिक रणनीति अनुमानित भविष्य के मूल्यों के बजाय वास्तविक लाभों पर आधारित होती है।.

किसी भी सिस्टम पर निर्भरता स्थापित करने से पहले पूर्ण सत्यापन की मांग गलत नहीं है – लेकिन यह दो बातों को भ्रमित करती है: तैनाती की गति और स्वायत्तता विस्तार की गति। किसी सिस्टम को तेजी से तैनात किया जा सकता है और उसकी स्वायत्तता को धीरे-धीरे बढ़ाया जा सकता है, जो सिद्ध अनुशंसा गुणवत्ता के माध्यम से निर्मित बढ़ते विश्वास के अनुरूप हो। यह विशिष्ट दृष्टिकोण हर स्थिति में मौजूदा व्यवस्था से बेहतर है।.

रणनीतिक प्रतिस्पर्धात्मक कारक के रूप में डेटा संप्रभुता

किसी खुदरा विक्रेता का परिचालन डेटा केवल एक तकनीकी संपत्ति नहीं है; यह एक रणनीतिक संपत्ति है। एकत्रित नियोजन और इन्वेंट्री डेटा उनकी प्रतिस्पर्धी स्थिति, परिचालन दक्षता और व्यावसायिक रणनीति की विस्तृत तस्वीर प्रस्तुत करता है: आपूर्तिकर्ता संबंध और बातचीत से तय की गई लागत संरचनाएं, वस्तु और श्रेणी के अनुसार मार्जिन प्रोफाइल, वर्षों के ग्राहक व्यवहार से प्राप्त मांग पैटर्न, प्रचार संबंधी प्रतिक्रिया दरें और छूट के पैटर्न। प्रतिस्पर्धियों, आपूर्तिकर्ताओं या मॉडल प्रशिक्षण प्रणालियों के हाथों में यह जानकारी सीधे तौर पर व्यावसायिक परिणाम ला सकती है।.

नियामक पहलू इस मुद्दे को और भी जटिल बना देता है। यूरोपीय संघ का एआई अधिनियम, जो 2024 में लागू हुआ, वाणिज्यिक संदर्भों में एआई प्रणालियों के लिए जोखिम-आधारित आवश्यकताएं स्थापित करता है, जिसमें पारदर्शिता, ऑडिट ट्रेल और उच्च-प्रभाव वाले निर्णयों के लिए मानवीय निगरानी की आवश्यकताएं शामिल हैं। जीडीपीआर व्यक्तिगत डेटा के प्रसंस्करण के लिए सख्त आवश्यकताएं निर्धारित करता है, जिसमें ग्राहक व्यवहार भी शामिल है, जिसे मांग पूर्वानुमान मॉडल में शामिल किया जाता है। अगस्त 2026 से, एआई अधिनियम के तहत पारदर्शिता संबंधी अतिरिक्त दायित्व जर्मन खुदरा विक्रेताओं पर लागू होंगे। कई अधिकारक्षेत्रों में काम करने वाले खुदरा विक्रेता के लिए, डेटा संप्रभुता का मुद्दा कोई मामूली अनुपालन मामला नहीं है। यह एक संरचनात्मक निर्णय है जिसके सीधे कानूनी परिणाम होते हैं।.

व्यावहारिक निहितार्थ: एक एआई परिनियोजन मॉडल जिसमें प्रसंस्करण पूरी तरह से खुदरा विक्रेता के अपने बुनियादी ढांचे के भीतर होता है—चाहे वह परिसर में हो या उनके नियंत्रण वाले निजी क्लाउड में, निर्धारित अधिकार क्षेत्र के भीतर—इनमें से अधिकांश अनुपालन संबंधी निर्भरताओं को उत्पन्न होने से पहले ही समाप्त कर देता है। महत्वपूर्ण अंतर इस प्रश्न में निहित है: ग्राहक और नियोजन डेटा को संसाधित करने वाले बुनियादी ढांचे को वास्तव में कौन नियंत्रित करता है? "आपका डेटा कभी भी आपके वातावरण से बाहर नहीं जाता" जैसे वाक्यांशों के लिए केवल संविदात्मक आश्वासन ही नहीं, बल्कि वास्तुशिल्पीय सत्यापन की भी आवश्यकता होती है।.

निवेश पर लाभ का ढांचा: नेतृत्व टीमों के लिए व्यावसायिक तर्क कैसे तैयार करें

इस संदर्भ में वर्णित प्रत्येक क्षमता का एक मापने योग्य वित्तीय परिणाम होता है। एक एकीकृत डेटा आधार गलत जानकारी पर आधारित योजना निर्णयों की लागत को कम करता है। प्राथमिकता-आधारित निर्णय कतार योजनाकारों द्वारा निर्णयों को लागू करने के बजाय डेटा एकत्र करने में लगने वाले समय को कम करती है। ट्रांसफर-फर्स्ट लॉजिक अनावश्यक रीऑर्डरिंग लागतों को रोकता है और अतिरिक्त इन्वेंट्री को समाप्त करता है जिसे अन्यथा बट्टे खाते में डाल दिया जाता। आपूर्ति श्रृंखला पारदर्शिता लीड-टाइम अनिश्चितता को अवशोषित करने के लिए आवश्यक सुरक्षा स्टॉक बफर को कम करती है। वर्कफ़्लो स्वचालन निर्णय और कार्यान्वयन के बीच के समय को कम करता है।.

इन लाभों के वित्तीय मॉडलिंग के लिए, एक त्रिस्तरीय ढांचा अनुशंसित है, जिसमें राजस्व संरक्षण, लागत में कमी और कार्यशील पूंजी में सुधार को अलग-अलग, मापने योग्य श्रेणियों के रूप में माना जाता है। परिचालन मेट्रिक्स जिन्हें वित्तीय मूल्य में सबसे स्पष्ट रूप से रूपांतरित किया जा सकता है, उनमें पांच मुख्य संकेतक शामिल हैं: अनुशंसा स्वीकृति दर (बिना ओवरराइड किए लागू की गई अनुशंसाओं का प्रतिशत, जो विश्वास और मूल्य प्राप्ति के प्रारंभिक संकेतक के रूप में कार्य करता है), सप्ताहों में शेष स्टॉक की औसत सीमा कवरेज (गिरावट का रुझान राइट-ऑफ सीमा से पहले शीघ्र निकास तर्क को दर्शाता है), मुख्य वस्तुओं के लिए स्टॉकआउट दर (घटती दर सीधे गणना योग्य राजस्व और मार्जिन संरक्षण के साथ सही प्राथमिकता तर्क को दर्शाती है), स्थानांतरण-से-पुनःआदेश अनुपात (बढ़ता अनुपात गणना योग्य लागत अंतर के साथ कार्यशील स्थानांतरण-प्रथम तर्क को दर्शाता है), और प्रति योजनाकार और योजना चक्र निर्णय थ्रूपुट दर।.

निवेश पर लाभ (आरओआई) ढांचे का अक्सर अनदेखा किया जाने वाला लेकिन रणनीतिक रूप से महत्वपूर्ण पहलू है चक्रवृद्धि प्रभाव: एक नियोजन संगठन जो 24 महीनों से इन्वेंट्री इंटेलिजेंस का संचालन कर रहा है, उसके पास एक अनुशंसा इंजन है जो उसके अपने परिचालन डेटा के 24 महीनों के आधार पर कैलिब्रेट किया गया है। मॉडल जानता है कि उसके ग्राहक प्रमोशन पर कैसी प्रतिक्रिया देते हैं, उसके आपूर्तिकर्ता सहमत लीड टाइम के अनुसार कैसा प्रदर्शन करते हैं, और उसके शाखा नेटवर्क क्लस्टर मौसमी रूप से कैसे बदलते हैं। यह ज्ञान उसी तकनीक प्लेटफॉर्म के साथ शुरू से शुरू करने वाले किसी प्रतिस्पर्धी द्वारा दोहराया नहीं जा सकता। चक्रवृद्धि लाभ सॉफ्टवेयर में नहीं है। यह एआई अनुशंसाओं, योजनाकार सुधारों और देखे गए परिणामों के बीच फीडबैक लूप के माध्यम से संचित परिचालन ज्ञान में निहित है। जो कंपनी इस लूप को पहले शुरू करती है, उसे अनुशंसा गुणवत्ता में 24 महीने की बढ़त मिलती है - जो सीधे तौर पर पूर्वाग्रह में कमी और कार्यशील पूंजी दक्षता में 24 महीने की बढ़त में तब्दील हो जाती है।.

आर्थिक परिप्रेक्ष्य: संरचनात्मक परिवर्तन या चक्रीय उछाल?

खुदरा क्षेत्र में एआई (आरटीआई) वास्तव में एक संरचनात्मक परिवर्तन ला रहा है या केवल एक प्रचार चक्र का अनुसरण कर रहा है, इस प्रश्न का उत्तर अनुभवजन्य आंकड़ों के आधार पर सूक्ष्मता से दिया जा सकता है। खुदरा क्षेत्र में एआई के लिए बाजार का आकार 2026 तक लगभग 18 बिलियन अमेरिकी डॉलर होने का अनुमान है और 2034 तक इसके बढ़कर 190 बिलियन अमेरिकी डॉलर से अधिक होने का अनुमान है - जो 34.3 प्रतिशत की वार्षिक वृद्धि दर है। जून 2026 में यूरोकॉमर्स और मैककिन्से द्वारा किए गए एक अध्ययन में अगले पांच वर्षों के भीतर यूरोपीय खुदरा क्षेत्र में एआई से 240 से 320 बिलियन यूरो के बीच आर्थिक क्षमता का अनुमान लगाया गया है। सॉफ्टलाइन खुदरा क्षेत्र, विशेष रूप से फैशन, जूते और सौंदर्य प्रसाधन, में 100 से 130 बिलियन यूरो की क्षमता और EBITDA में चार से सात प्रतिशत अंकों की संभावित वृद्धि देखी जा रही है।.

ये आंकड़े प्रभावशाली हैं, लेकिन वर्तमान वास्तविकता से इनका विरोधाभास और भी चौंकाने वाला है: सर्वेक्षण में शामिल 70 प्रतिशत रिटेल सीईओ का कहना है कि एआई का अभी तक परिणामों पर कोई मापने योग्य प्रभाव नहीं पड़ा है। संभावित पूर्वानुमानों और वास्तविक मूल्य सृजन के बीच का अंतर मूलभूत संरचनात्मक समस्या को स्पष्ट रूप से दर्शाता है: तकनीक उपलब्ध है, निवेश हो रहा है, लेकिन अधिकांश कंपनियों में एआई की सिफारिशों को परिचालन की दृष्टि से प्रभावी कार्यों में बदलने के लिए संरचनात्मक आधार – डेटा बेस, सिमेंटिक लेयर, प्रोसेस इंटीग्रेशन – अभी तक पर्याप्त रूप से विकसित नहीं हुआ है।.

एक गहन आर्थिक विश्लेषण से एक गंभीर निष्कर्ष निकलता है: खुदरा क्षेत्र में एआई न तो कोई प्रचार है और न ही कोई निश्चित सफलता। मापने योग्य मूल्य उत्पन्न करने वाली कंपनियों और पायलट चरण से आगे न बढ़ पाने वाली कंपनियों के बीच का अंतर उपयोग किए गए एल्गोरिदम की गुणवत्ता में नहीं है। यह अंतर अग्रणी कंपनियों के 70-20-10 सिद्धांत के पालन में निहित है: 70 प्रतिशत संसाधन लोगों और प्रक्रियाओं में, 20 प्रतिशत प्रौद्योगिकी और डेटा में, और 10 प्रतिशत एल्गोरिदम में निवेश किए जाते हैं। जो कंपनियां इस आवंटन को उलट देती हैं और मुख्य रूप से मॉडलों में निवेश करती हैं, वे प्रभावशाली अवधारणा प्रमाण प्रस्तुत करती रहेंगी, लेकिन उनके उत्पादन परिणाम निराशाजनक होंगे। खुदरा क्षेत्र में भविष्य का प्रतिस्पर्धात्मक लाभ उन कंपनियों को प्राप्त होगा जो निर्णय लेने की संरचना को समझती हैं—न कि केवल पूर्वानुमान क्षमताओं को—और इसे अपना प्राथमिक निवेश मानती हैं।.

मुझे आपके निजी सलाहकार के रूप में सेवा करने में खुशी होगी।.

आप मुझसे wolfenstein∂xpert.digital पर संपर्क कर सकते हैं या

बस मुझे +49 7348 4088 965 ।

Linkedin