Mark Anthony Group: Jak GenAI posílila synergii mezi řízením nabídky, poptávky a marketingem

Nový recept na úspěch: Jak pomocí dat a AI reagovat na měnící se preference spotřebitelů v nápojovém průmyslu

Společnost Mark Anthony Group, přední výrobce nápojů, si uvědomila potřebu lépe vytěžit marketingová a prodejní data v celé organizací a generovat vyšší hodnotu pro stakeholdery. Jednotlivá oddělení jako plánování poptávky, dodavatelský řetězec, marketing, obchod a finance však pracovala s vlastními reporty a tabulkami, což vedlo k rozdílným „verzím pravdy“ a zdlouhavému slaďování dat.

Stávající řešení bylo robustní a funkční, ale zároveň složité. Uživatelé byli při tvorbě reportů ve velké míře závislí na IT, což omezovalo rozvoj pokročilé analytiky i vybraných řešení. Bylo potřeba zajistit škálovatelnost, nastavit odpovídající architekturu a governance a zavést self-service analytiku. Analytici i byznysoví uživatelé trávili většinu času extrakcí, konsolidací a přípravou dat namísto jejich skutečné analýzy nebo testování nových přístupů, což zpomalovalo rozhodování a brzdilo inovace.

Ukázalo se, že klíčem je modernizace datové platformy, která umožní smysluplné využití generativní AI pro lepší insighty. Uvědomit si potřebu změny ale nestačí, rozhodující je její realizace. Zákazník věděl, že hlubší a akceschopné insighty nevyžadují jen pokročilé technologie, ale i silné strategické řízení. Potřeboval jasnou roadmapu, jak nové capability využít tak, aby splnil a překonal očekávání stakeholderů. Zároveň hledal způsob, jak bezpečně pracovat s GenAI (generativní umělou inteligencí) a ověřit její přínos na konkrétních use-casech ještě před širším nasazením napříč značkami, trhy a byznysovými liniemi.

Nová generace analytiky: Budování agilní datové platformy pro AI 

Adastra jako AWS Advanced Tier Services Partner a expert v cloudové analytice pomohla ve skupině MAG řídit digitální transformaci. Společně jsme nastavili provozní model pro data a AI, který kombinuje centralizovanou „engineering factory" s byznysovými vlastníky v odděleních poptávky, dodavatelského řetězce, marketingu, obchodu a financí. Každý use-case byl od začátku navázán na konkrétní byznysový přínos. 

Lakehouse jako základ

Pro lepší dostupnost dat a výkon dotazů jsme zvolili lakehouse architekturu nad Amazon S3. Tu doplňují AWS Glue, AWS Lambda a Amazon Athena, které tvoří propojený datový ekosystém. Nad touto vrstvou vznikla „refined" vrstva s datovými modely srozumitelnými pro byznys. Uživatelé díky ní pracují v self-service režimu a zároveň mají připravený základ pro ML (machine learning) a GenAI scénáře. 

Architektura podporuje i rychlé nasazení generativní AI. Jak říká Elkin Arboleda, AWS Practice Lead v Adastře: „AWS služby se snadno integrují a vyžadují minimum kódu." Díky oddělení storage a compute a standardizovaným integračním patternům může MAG připojovat nové zdroje a use-casy bez zásahů do jádra platformy. 

Kvalita a řízení dat

Pro vyšší využitelnost dat jsme začali řídit datovou kvalitu. Data procházejí kontrolami v „cleansed" vrstvě a následně se transformují do „refined" vrstvy s jednotným datovým modelem. Odtud jsou k dispozici pro analytiku, další systémy i API. 

Zpracování, governance i ukládání zajišťují služby jako Amazon S3, AWS Lambda, AWS Glue, AWS Step Functions, Amazon SQS, Amazon EventBridge, Amazon EC2 a Amazon RDS. Procesy se auditují v celém datovém toku, auditní data jsou dostupná v Amazon S3, přes Amazon Athena i prostřednictvím SDK (software development kits). End-to-end auditovatelnost pokrývá regulatorní a privacy požadavky a zajišťuje dohledatelnost pro AI. Každý výstup GenAI lze zpětně dohledat ke konkrétním zdrojům a transformacím. 

Nasazení pokročilé analytiky

„Při nasazení jsme dosáhli 100% adopce. Už během prvního měsíce používal náš AI Sales Activity Recommender každý obchodní zástupce."
— Sam Wong, Senior Director of Data, Analytics and AI

Jakmile jsou data vyčištěná, slouží jako vstup pro pokročilou analytiku a ML modely. Začali jsme GenAI asistentem pro sales, oblastí s přímým dopadem na příjmy, kde lze rychle prokázat návratnost a získat podporu napříč firmou. Pro vývoj jsme využili Amazon SageMaker a Amazon Bedrock. Vznikl AI sales asistent a preskriptivní nástroj typu Sales Recommender pracující se sentimentem. Asistent umožňuje obchodníkům pokládat dotazy v přirozeném jazyce jako např. „Jak se vyvíjely nedostatečné zásoby White Claw v minulém čtvrtletí podle kanálů?" a okamžitě získat srozumitelné, vysvětlitelné odpovědi nad vybranými daty. Recommender kombinuje sentiment, historická prodejní data a informace o promo aktivitách. Doporučuje, které značky a skladové položky upřednostnit podle trhu, kanálu a načasování. Výstupy vstupují přímo do plánování kampaní i rozhodování o obchodních výdajích. 

Datový základ zároveň připravuje organizaci na další rozvoj. K dispozici jsou standardizované datové a ML pipeliny, které zjednodušují rozšiřování analytiky i integraci dalších AWS služeb. Nové GenAI use-casy, například copiloty pro plánování poptávky nebo simulace finančních scénářů, lze rychle ověřit nad stejnými, důvěryhodnými daty bez nutnosti budovat nové pipeliny.

AI jako motor úspěchu: vyšší efektivita, spokojenost a špička odvětví 

Transformace přinesla díky lepšímu porozumění datům v organizaci měřitelný růst produktivity. Automatizace rutinních činností snížila manuální zátěž a zvýšila efektivitu týmů. Management komunikoval GenAI jako nástroj, který rozšiřuje schopnosti lidí, ne je nahrazuje. To urychlilo adopci i zapojení uživatelů. 

Týmy v oddělení plánování poptávky dnes pracují s přesnějšími forecasty spotřeby, finančními výhledy i plánováním vůči agenturám a dodavatelům. Výsledkem je lepší řízení zásob a stabilnější provoz. Oddělení plánování poptávky, dodavatelského řetězce, marketingu, obchodu i financí sdílejí jeden konzistentní pohled na data, což zvyšuje úrovň služeb a snižuje náklady na přebytky i nedostatečné množství zboží. 

Projekt přinesl následující konkrétní výsledky: 

• Jeden zdroj pravdy nad vyčištěnými, řízenými daty, který sdílejí oddělení, místo izolovaných reportů 
• 100% adopci GenAI sales asistenta, který v každodenním rozhodování začal okamžitě generovat hodnotu  
• Self-service analytiku a přístup k relevantním datům bez závislosti na IT  
• Rychlejší plánování díky jednotným metrikám a předpokladům  
• Přímou podporu rozhodování v marketingu a salesu (výběr kampaní, kanálů a sdělení dle trhu)  
• Schopnost rychle nasazovat nové GenAI use-casy  
• Inovace, co šetří náklady 

Pilotní nasazení prokázalo úspory času v reportingových cyklech a vyšší přesnost klíčových forecastů. Díky flexibilní architektuře AWS Lakehouse lze řešení bez problémů škálovat a dále rozvíjet bez zásahů do jádra platformy. To vytváří prostor pro nové analytické výstupy i inovace a pomáhá zákazníkovi dlouhodobě udržet roli lídra trhu.Bottom of Form