Hai adottato l’AI ma i risultati non arrivano? Le condizioni per crescere nell’e-commerce partono dai dati

Hai adottato l’AI ma i risultati non arrivano? Le condizioni per crescere nell’e-commerce partono dai dati

Il 6 agosto, nella sede coreana di Snowflake a Yeoksam, Seul, abbiamo tenuto un Lunch & Learn dal titolo «Casi di successo nell’e-commerce con AI e dati».

Hanno partecipato professionisti di settori diversi, dal food & beverage alla bellezza, dalla moda ai beni di consumo, tra cui HITEJINRO Beverage, Nestlé Korea, Nongshim Kellogg, adidas Korea, APR e Kenvue Korea. Insieme abbiamo esaminato le condizioni perché AI e dati si traducano in risultati concreti sul lavoro.

Come ottenere dall’AI risposte affidabili?

Nella prima sessione, Sang-ryeol Eom, account executive di Snowflake, ha indicato i tre punti in cui l’AI si blocca nella fase operativa: contesto, governance e costi.

Collegare semplicemente tabelle o file a un LLM generico non basta a riflettere in modo coerente le definizioni delle metriche di ogni reparto, le regole di eccezione e i permessi sui dati. Se invece metriche comuni e regole di business vengono collegate ai dati, l’AI può dare alla stessa domanda risposte più precise e riproducibili.

Lo conferma anche il caso di analisi interna di Anthropic presentato all’evento. Senza definizioni dei dati condivise, la precisione delle risposte si fermava al 21%; dopo l’applicazione di criteri comuni è salita oltre il 95%. Nella successiva demo di Snowflake CoWork abbiamo visto come, quando dati aziendali, modello semantico e policy di sicurezza operano in un unico ambiente, l’AI vada oltre l’analisi e colleghi i risultati all’azione successiva.

Dai dati e-commerce dispersi ai risultati di vendita

Jun-young Park, senior account executive di MarqVision, ha illustrato i problemi che nascono quando i dati su brand, prodotti, prezzi e venditori sono sparsi su più canali: distribuzione sul mercato parallelo, prezzi destabilizzati e prodotti contraffatti.

Marq AI collega questi dati in un’unica ontologia del brand e, attraverso il monitoraggio dei prezzi e la seller intelligence, individua i venditori ad alto rischio e le reti collegate. Su questa base il brand può definire le priorità non in funzione del semplice numero di rilevamenti, ma dei risultati di business: prezzi e vendite recuperati, tempi di risposta.

Nel caso reale di Yonsei Milk, nell’anno successivo all’adozione di Marq AI l’azienda ha aumentato il prezzo di fornitura a Coupang, ha alzato il PPM del 3–5% e ha ridotto del 70% il tempo di lavoro rispetto alla gestione precedente. Il caso dimostra che la gestione del mercato parallelo può essere il punto di partenza per stabilizzare la distribuzione online e recuperare margini.

Conta più una buona struttura dei dati che un’AI migliore

Il messaggio emerso dall’evento è stato chiaro.

A determinare i risultati dell’AI non è un modello più costoso, ma una struttura che colleghi i dati e i criteri dell’azienda in modo che l’AI possa comprenderli. Dopo le sessioni, il pranzo è proseguito con un momento di networking in cui ogni azienda ha condiviso le sfide quotidiane nell’uso dei dati e nella gestione dell’e-commerce.

Grazie a tutti i partecipanti. Se vuoi sapere come Marq AI collega i dati e-commerce dispersi per proteggere la fiducia e i ricavi del tuo brand, scopri i casi di successo di MarqVision.