كيف يساعد الذكاء الاصطناعي صغار البائعين عبر الإنترنت في تحديد ما يصنّعونه

روت مجلة MIT Technology Review كيف يستعين صغار البائعين عبر الإنترنت بإمكانات الذكاء الاصطناعي لتحديد المنتجات التي سيصنّعونها لاحقًا، وهو سؤال ظل لسنوات من أكثر الأسئلة كلفةً ومخاطرةً بالنسبة للعلامات التجارية الصغيرة. وتنطلق المادة من قصة مايك ماكلاري (Mike McClary)، الذي باع لسنوات عبر علامته الصغيرة المتخصصة في المعدات الخارجية (outdoor) مصباح Guardian LTE Flashlight، وهو طراز متين بهيكل أسود صُمّم من أجل السطوع وطول العمر. ومع الوقت صار هذا المنتج من الأكثر رواجًا في تشكيلته.

قصة مصباح واحد

وفق المجلة، توقف ماكلاري عن بيع Guardian LTE Flashlight في حدود عام 2017، لكن ذلك لم يوقف الاهتمام بالمنتج: فقد واصل المشترون مراسلته يسألون أين يمكنهم الآن شراء هذا المصباح. وهذا مثال كلاسيكي على مشكلة يعرفها تقريبًا كل منتج صغير للسلع: غالبًا ما يتّضح الطلب على منتج بعينه بعد فوات الأوان، أي حين يكون قد أُوقف إنتاجه، لا في لحظة اتخاذ القرار بشأن ما يُطرح للبيع.

أبرز الوقائع في القصة:

• المنتج هو مصباح Guardian LTE Flashlight، وهو طراز ثقيل ومتين بهيكل أسود.
• كان يُباع عبر علامة مايك ماكلاري الصغيرة المتخصصة في المعدات الخارجية.
• أصبح من أكثر المنتجات رواجًا في تشكيلة العلامة.
• توقف البيع في حدود عام 2017.
• واصل المشترون الكتابة والاستفسار عن شرائه حتى بعد سحبه من البيع.

كيف يساعد الذكاء الاصطناعي في تحديد ما يُصنَّع

كان المال والوقت القيدين الرئيسيين أمام صغار البائعين عبر الإنترنت. فإجراء دراسة سوق متكاملة، وتحليل مراجعات المنافسين، واختبار النماذج الأولية، واستطلاع آراء الجمهور، كلها رفاهية متاحة في الغالب للشركات الكبيرة التي تملك فرق تسويق ومنتجات مستقلة. وتغيّر أدوات الذكاء الاصطناعي هذه المعادلة، إذ تتيح تحليل كميات ضخمة من رسائل العملاء والمراجعات والنقاشات في وسائل التواصل الاجتماعي واستعلامات البحث، وتكشف أنماط الطلب التي كانت تتطلب شهورًا من العمل اليدوي للمحلل. وتشكّل هذه الإشارات، من أسئلة العملاء المتكررة عن منتج أُوقف إنتاجه إلى اتجاهات الفئات المجاورة، أساسًا لقرارات أكثر رصانة بشأن النسخة التي ينبغي إطلاقها تاليًا.

لماذا يهم هذا الأعمال الصغيرة

بالنسبة لصاحب علامة صغيرة، مثل تلك الواردة في قصة المصباح، يمثّل كل قرار بإطلاق منتج جديد مخاطرة مالية حقيقية: شراء دفعة، وتصنيع، وتخزين، وتسويق. وقد يعني الخطأ في توقّع الطلب أموالًا مجمّدة في مخزون غير مباع، بينما يعني إغفال إشارة إلى اهتمام فعلي لدى العملاء إيرادات ضائعة تذهب بدلًا من ذلك إلى المنافسين. ويؤدي انخفاض كلفة التحليل الجيد للسوق بفضل الذكاء الاصطناعي إلى تقريب ظروف المنافسة بين عمالقة التجزئة الذين يملكون طواقم من المحللين وأصحاب العلامات المتخصصة الصغيرة، الذين كانوا تاريخيًا يتخذون مثل هذه القرارات بالحدس أكثر مما يتخذونها استنادًا إلى البيانات.

وتتسم قصة المصباح Guardian LTE بأنها دالّة كذلك لسبب آخر: فرسائل العملاء كانت دائمًا مصدرًا متاحًا للمعلومات عن الطلب. ولم تكن المشكلة في غياب البيانات، بل في أن الفريق الصغير لم يكن يملك فعليًا الوقت ولا الموارد لتحليلها بصورة منهجية وتحويلها إلى قرارات منتجات محددة. وهذه المهمة الروتينية الشاقة، أي قراءة آلاف الرسائل والمراجعات والإشارات على الإنترنت وتصنيفها، واستخلاص الطلبات المتكررة من بين الضجيج، هي ما تستطيع أدوات الذكاء الاصطناعي الحديثة تولّيه. ويبقى القرار النهائي لصاحب العمل، لكنه يُعفى من مراجعة كل رسالة يدويًا لاكتشاف نمط كان من الممكن أن يمرّ دون أن يلحظه إلى أن يفوت الأوان.

وتتكشّف طبقة إضافية من الفرص حين يلتقي تحليل الطلب بأدوات التصميم التوليدي: فبدلًا من الاكتفاء برصد أن العملاء يريدون عودة طراز معيّن من المنتج، يستطيع الصغير من العلامات التجارية اختبار فرضيات حول تنويعات المنتج، كاللون والخامة ومكوّنات الحزمة، بسرعة أكبر، وقبل الاستثمار في إنتاج دفعة تجريبية. وبالنسبة لشركات بحجم علامة مايك ماكلاري (Mike McClary) المتخصصة في المعدات الخارجية، يغيّر ذلك جوهريًا سرعة التكرار بين الفكرة وقرار الإطلاق، ويقلّص فجوة كانت متاحة سابقًا للاعبين الكبار وحدهم ممن لديهم أقسام متكاملة لأبحاث السوق.