एंड-टू-एंड इंटिग्रेशन: आर्टिफिशियल इंटेलिजन्ससह रिटेल वर्कफ्लो एकत्र करणे

नफा:

• एकाच एंड-टू-एंड एआय-समर्थित वर्कफ्लोमध्ये मागणी, स्टॉक, किंमत, मोहीम, सामग्री आणि विश्लेषण चरण एकत्र करण्याची क्षमता
• साप्ताहिक आणि नियतकालिक दिनचर्यासाठी पुनरावृत्ती करण्यायोग्य प्रॉम्प्ट साखळी आणि चेकपॉईंट स्थापित करण्याची क्षमता
• वर्कफ्लोच्या प्रत्येक टप्प्यावर मानवी मान्यता, पडताळणी आणि गोपनीयता नियंत्रण एम्बेड करणारी प्रशासन फ्रेमवर्क डिझाइन करण्याची क्षमता

आतापर्यंत, आम्ही प्रत्येक युनिट स्वतंत्रपणे शिकलो: मागणी अंदाज, स्टॉक, किंमत, प्लेसमेंट, विभाजन, मोहीम, सामग्री, विश्लेषण आणि नीतिशास्त्र. पण खरा किरकोळ व्यवसाय या पायऱ्या एकामागून एक अनुभवत नाही, तर एकमेकांना पोसणाऱ्या चक्राप्रमाणे अनुभवतो. मागणी अंदाज यादी निर्धारित करते; स्टॉक किंमत आणि मोहीम प्रभावित करते; मोहीम विभागणी पूर्ण करते; सामग्री विक्री फीड करते आणि विक्री नवीन अंदाज फीड करते. या अंतिम युनिटमध्ये आम्ही सर्व भाग एकाच एंड-टू-एंड, रिपीटेबल आणि ऑडिट करण्यायोग्य वर्कफ्लोमध्ये एकत्र करू.

किरकोळ सायकल: तुकडे एकत्र कसे बसतात?

याप्रमाणे साप्ताहिक व्यापार चक्राचा विचार करा:

1. विश्लेषण (गेल्या आठवड्यात काय झाले?): विक्री, KPI, विसंगती → युनिट 9
2. अंदाज (पुढच्या आठवड्यात काय होईल?): मागणी अंदाज → युनिट 2
3. स्टॉक (आम्ही काय ऑर्डर करावे?): आरओपी, सुरक्षा स्टॉक → युनिट 3
4. किंमत (आम्ही त्याची किंमत कशी ठेवावी?): परिस्थिती, सूट → युनिट 4
5. मोहीम (ते कसे ॲनिमेट करायचे?): यांत्रिकी, मापन → युनिट 7
6. सेगमेंट + कम्युनिकेशन (आम्ही कोणाला काय म्हणायचे?): RFM, संदेश → युनिट 6
7. सामग्री (कसे स्पष्ट करावे?): शीर्षक, वर्णन → एकक 8
8. मांडणी (आम्ही कुठे ठेवू?): प्लॅनोग्राम → युनिट 5
9. नैतिकता + गोपनीयता फिल्टर (प्रत्येक टप्प्यावर): → युनिट 10

प्रत्येक पायरीचे आउटपुट हे पुढीलचे इनपुट असते. एआय प्रत्येक टप्प्यावर मसुदे तयार करते; प्रत्येक गंभीर टप्प्यावर एक पडताळतो आणि पुष्टी करतो.

चेकपॉइंट्स: प्रवाह सुरक्षित ठेवणे

चेकपॉईंट: वर्कफ्लोच्या काही टप्प्यांवर हा थांबा आहे जिथे मनुष्य आउटपुट सत्यापित करतो, मंजूर करतो किंवा नाकारतो. किंमत/ऑर्डर/ग्राहक यांसारखे धोकादायक निर्णय आपोआप वाहून जाण्यापासून रोखणे हा उद्देश आहे.

पाऊल

कृत्रिम बुद्धिमत्ता निर्माण करते

चेकपॉईंट (मानवी)

विश्लेषण

सारांश, विसंगती

क्रमांक सत्यापित करा

अंदाज

अंदाज + श्रेणी

चाचणी संदर्भ

साठा

ऑर्डर सूचना

बजेट/मंजूरी स्वाक्षरी

किंमत

परिस्थिती

अंतिम किंमत निर्णय

मोहीम

यांत्रिकी + मजकूर

दावा/नियामक मान्यता

संपर्क करा

विभाग + संदेश

संमती + नैतिक मान्यता

सामग्री

वर्णन

सत्यता/कॉपीराइट नियंत्रण

खबरदारी: ऑटोमेशन मोहक पण धोकादायक आहे. "कृत्रिम बुद्धिमत्तेचा अंदाज लावू द्या, आपोआप ऑर्डर करू द्या, आपोआप किंमत द्या" या साखळीमुळे एकच त्रुटी वाढते आणि पसरते. धोकादायक पायऱ्यांवर मानवी मान्यता कधीही वगळू नका.

प्रॉम्प्ट साखळी: पुनरावृत्ती करण्यायोग्य दिनचर्या

दर आठवड्याला सुरवातीपासून एंड-टू-एंड फ्लो सेट करण्याऐवजी, प्रॉम्प्टची अनुक्रमिक साखळी तयार करा: प्रत्येक प्रॉम्प्टचे आउटपुट पुढीलमध्ये जाते. हे काम जलद आणि अधिक सुसंगत बनवते.

लहान प्रकरणे

केस 1 — साप्ताहिक सायकल दिनचर्या: मध्यम आकाराच्या स्टोअरमध्ये दर सोमवारी 3-तास मॅन्युअल रिपोर्टिंग-प्लॅनिंग मीटिंग होते. प्रॉम्प्ट साखळीसह येते: विश्लेषण सारांश (10 मि), अंदाज (10 मि), स्टॉक शिफारस (15 मि) कृत्रिम बुद्धिमत्ता बाह्यरेखा; टीम पडताळणी आणि निर्णयावर लक्ष केंद्रित करते. मीटिंग 3 तासांवरून 70 मिनिटांपर्यंत कमी केली आहे आणि निर्णय अधिक डेटावर आधारित आहेत.

केस 2 - साखळीत कुठेतरी त्रुटी आढळली: ई-कॉमर्स अंदाजात SKU साठी पायरी खूप जास्त आहे (मागील मोहीम सामान्य म्हणून चुकीची होती). स्टॉक कंट्रोल पॉइंटवर, प्रभारी व्यक्तीला याची जाणीव होते; ऑर्डरच्या पायरीवर जाण्यापूर्वी चुकीचा अंदाज दुरुस्त केला जातो. जर चेकपॉईंट नसेल तर ओव्हरऑर्डर्स आणि रोख रकमेचा प्रश्न निर्माण होईल.

प्रकरण 3 — एंड-टू-एंड सीझनची तयारी: कपड्यांची साखळी हिवाळी हंगामासाठी संपूर्णपणे चक्र चालवते: गेल्या हिवाळ्यात विश्लेषण → मागणी अंदाज → स्टॉक → किंमत टियर → विभाग-आधारित प्री-मोहिम → उत्पादन सामग्री → स्टोअर लेआउट. प्रत्येक पाऊल नैतिक/गोपनीयता फिल्टरमधून जाते. सीझनच्या सुरुवातीला स्टॉकमध्ये 30% ने घट होते आणि पहिल्या 3 आठवड्यात उलाढाल गेल्या वर्षीपेक्षा 19% जास्त आहे.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

या आठवड्यात माझे काम आर्टिफिशियल इंटेलिजन्सने पूर्ण करा.

ना त्याचा प्रवाह, ना त्याचा क्रम, ना त्याचे नियंत्रण स्पष्ट.

शक्तिशाली प्रॉम्प्ट (चेन स्टार्टर):

तुमची भूमिका: रिटेल ऑपरेशन्स असिस्टंट. मी तुम्हाला अनुक्रमे डेटा देईन आणि तुम्ही प्रत्येक टप्प्यावर मसुदे तयार कराल; मी सत्यापित करेन आणि पुढील चरणावर जाईन. पायरी 1 (आता): खाली दिलेल्या अनामित साप्ताहिक विक्री डेटामधून व्यवस्थापन सारांश + विसंगती काढा. फक्त डेटामधील संख्येवर आधारित टक्केवारी दर्शवा. पुढील चरणात, आम्ही या सारांशावरून मागणीच्या अंदाजाकडे जाऊ. नियम: तुमची ऑर्डर, किंमत किंवा ग्राहक शिपिंग सूचना "मानवी मंजूरी आवश्यक आहे" या नोटसह चिन्हांकित करा. डेटा: [पेस्ट]

कॉपी करण्यायोग्य प्रॉम्प्ट टेम्पलेट्स

1) साखळी चरण संक्रमण

आम्ही मागील चरणात [सारांश/अंदाज] व्युत्पन्न केले. आता पुढच्या पायरीवर जाऊया: [stock/price/campaign]. मी सत्यापित केलेल्या मागील आउटपुटचा खालील भाग इनपुट म्हणून घ्या: [पेस्ट]. या पायरीच्या आउटपुटचा मसुदा तयार करा आणि ज्या मुद्द्यांना मानवी मान्यता आवश्यक आहे ते चिन्हांकित करा.

2) साप्ताहिक नियमित चेकलिस्ट उत्पादन

माझ्या किरकोळ साप्ताहिक सायकलसाठी एक चेकलिस्ट तयार करा (विश्लेषण, अंदाज, यादी, किंमत, मोहीम, संप्रेषण, सामग्री). प्रत्येक चरणासाठी: AI ची भूमिका, सत्यापित करण्यासाठी माझा मुद्दा, नैतिकता/गोपनीयता नियंत्रण. एका टेबलमध्ये द्या.

3) चेकपॉईंट डिझाइन

खालील वर्कफ्लोमधील कोणते टप्पे जास्त जोखमीचे आहेत आणि त्यांना निश्चितपणे मानवी मान्यता (चेकपॉईंट) आवश्यक आहे? प्रत्येकासाठी कोणता चेक केला जाईल ते लिहा. प्रवाह: [पेस्ट]

4) सायकल मूल्यमापन समाप्ती

या आठवड्यातील AI-सक्षम निर्णयांचे मूल्यमापन करा: कोणते अंदाज खरे ठरले, कोणत्या मोहिमेने काम केले, कोणत्या चरणात मानवी हस्तक्षेप आवश्यक आहे? पुढील आठवड्यासाठी 3 सुधारणा सुचवा. डेटा: [पेस्ट]

सामान्य चुका

• पायऱ्या वेगळ्या ठेवणे: जर अंदाज स्टॉकपासून डिस्कनेक्ट केले गेले आणि मोहीम विभागातून डिस्कनेक्ट केली गेली, तर सायकल अकार्यक्षम होते.
• चेकपॉईंट वगळणे: आपोआप धोकादायक निर्णय घेतल्याने त्रुटी वाढते.
• सत्यापनाशिवाय शृंखला पुढे जाणे: एका चरणाची त्रुटी दुसऱ्या टप्प्यावर पसरते.
• नैतिक फिल्टर शेवटपर्यंत सोडणे: गोपनीयता आणि नैतिकता प्रत्येक पायरीवर असली पाहिजे, शेवटी नाही.
• नित्यक्रम लिहून न काढणे: प्रॉम्प्ट साखळी आणि चेकलिस्ट पुनरावृत्ती करण्यायोग्य होण्यासाठी रेकॉर्ड करणे आवश्यक आहे.
• मूल्यमापन वगळणे: जर सायकलचा शेवट शिकला नाही, तर त्याच चुका पुन्हा होतील.

सारांशात

किरकोळ हे एक चक्र आहे जे एकमेकांना पोसते; कृत्रिम बुद्धिमत्ता या चक्राच्या प्रत्येक टप्प्यावर मसुदे तयार करते आणि उत्तम गती प्रदान करते. त्याची शक्ती प्रॉम्प्ट साखळीसह चरण एकत्र करते; सुरक्षा प्रत्येक गंभीर टप्प्यावर एक चेकपॉईंट ठेवते. प्रत्येक चरणात नैतिकता आणि गोपनीयता एम्बेड करा, सायकलच्या शेवटी शिका आणि सुधारा. कृत्रिम बुद्धिमत्ता चक्राला गती देते; दिशा, निर्णय आणि जबाबदारी तुम्ही ठेवा.

अर्ज कार्य

तुमचा स्वतःचा साप्ताहिक ट्रेडिंग रूटीन लिहा (तुम्ही कोणते निर्णय घेता आणि कोणत्या क्रमाने). “2) साप्ताहिक नियमित चेकलिस्ट जनरेशन” सह एक टेम्पलेट तयार करा, “3) चेकपॉईंट डिझाइनसह उच्च-जोखीम चरणांवर मानवी मान्यता ठेवा. नंतर ही साखळी आठवडाभर चालवा आणि "4) सायकल मूल्यमापनाच्या समाप्तीसह निकालाचे परीक्षण करा.

चेकलिस्ट

• मी माझ्या साप्ताहिक चक्राच्या पायऱ्या आणि क्रम परिभाषित केला आहे.
• मी प्रॉम्प्ट साखळीने पायऱ्या जोडल्या.
• [ ] मी उच्च जोखमीच्या पायऱ्यांवर चेकपॉईंट ठेवतो.
• [ ] मी प्रत्येक टप्प्यावर नैतिकता/गोपनीयता फिल्टर लागू केले.
• [ ] मी दिनचर्या आणि चेकलिस्ट लिखित स्वरूपात ठेवली आहे.
• [ ] सायकलच्या शेवटी, मी मूल्यांकन केले आणि सुधारणा केल्या.

मॉड्यूल परीक्षा

1. स्टोअर मॅनेजर आर्टिफिशियल इंटेलिजन्सद्वारे उत्पादित केलेल्या मागणीचा अंदाज थेट पुरवठादाराला ऑर्डर प्रमाण म्हणून कोणत्याही चेकशिवाय पाठवतो. या दृष्टिकोनातील मूलभूत चूक काय आहे?

• अ) व्यावसायिक मर्यादांसह पडताळणी न करता आणि मानवी मंजुरीशिवाय अंदाजाचे थेट निर्णयात रूपांतर करणे ✔
• ब) मागणीच्या अंदाजासाठी कृत्रिम बुद्धिमत्ता वापरली
• क) पुरवठादाराशी ई-मेल ऐवजी फोनद्वारे संप्रेषण न करणे
• ड) अंदाज साप्ताहिक ऐवजी मासिक करणे

स्पष्टीकरण: कृत्रिम बुद्धिमत्ता अंदाज एक भविष्यवाणी आहे; लीड टाइम, कॅश फ्लो, शेल्फ लाइफ आणि बजेट मर्यादा यांच्या पडताळणीशिवाय ऑर्डरिंग निर्णयामध्ये रूपांतरित केले जाऊ शकत नाही. अंतिम निर्णय जबाबदार व्यवस्थापकाचा असतो.

2. आर्टिफिशियल इंटेलिजन्स टूलवर ग्राहक विक्री डेटा अपलोड करण्यापूर्वी सर्वोत्तम वर्तन कोणते आहे?

• अ) सर्व ग्राहक ओळख माहितीसह डेटा आहे तसा लोड करणे, कारण विश्लेषण अधिक अचूक आहे
• ब) फक्त फाइलचे नाव बदला
• C) वैयक्तिक अभिज्ञापक काढा आणि निनावी करा आणि फक्त आवश्यक फील्ड सामायिक करा ✔
• ड) शेअर करण्यापूर्वी ग्राहकांना एक-एक करून विचारण्याऐवजी डेटा अजिबात वापरत नाही

स्पष्टीकरण: KVKK आणि डेटा मिनिमायझेशन नुसार, वैयक्तिक डेटा जसे की नाव, टेलिफोन, ई-मेल, कार्ड क्रमांक काढून टाकला जावा किंवा अनामित केला जावा; केवळ विश्लेषणासाठी आवश्यक फील्ड सामायिक केल्या पाहिजेत.

3. मागणीच्या अंदाजात MAPE (मीन ॲब्सोल्युट पर्सेंट एरर) मूल्य जास्त असल्यास त्याचा काय अर्थ होतो?

• अ) अंदाज वास्तविक विक्रीपासून सरासरी खूप विचलित होतो आणि त्याची विश्वासार्हता कमी आहे ✔
• ब) विक्री नक्कीच वाढेल
• क) यादीची किंमत शून्य आहे
• ड) अंदाज अचूक आहे

वर्णन: MAPE सरासरी टक्केवारी मोजते ज्याचा अंदाज वास्तविक विक्रीपासून विचलित होतो. उच्च MAPE सूचित करते की भविष्यवाणी वास्तविकतेपासून दूर आहे; हे दर्शविते की या अनिश्चिततेची भरपाई निर्णयांच्या ऑर्डरमध्ये सुरक्षिततेच्या साठ्याने करणे आवश्यक आहे.

4. सेफ्टी स्टॉक संकल्पनेचा मुख्य उद्देश काय आहे?

• अ) टाकी नेहमी भरलेली दिसते याची खात्री करणे
• ब) मागणी आणि पुरवठा अनिश्चिततेच्या विरूद्ध बफर ठेवणे ज्यामुळे स्टॉक संपण्याचा धोका कमी होतो ✔
• क) उत्पादनांची किंमत वाढवणे
• ड) पुरवठादाराशी सौदेबाजीची शक्ती वाढवणे

स्पष्टीकरण: सेफ्टी स्टॉक हा मागणी आणि पुरवठा वेळेतील अनिश्चिततेच्या विरूद्ध आयोजित केलेला बफर स्टॉक आहे; अनपेक्षित चढ-उतार झाल्यास स्टॉकआउटचा धोका कमी करणे हा त्याचा उद्देश आहे.

5. डायनॅमिक किंमत लागू करताना नैतिकदृष्ट्या काय अस्वीकार्य आहे?

• अ) हंगामी मागणीनुसार किंमत समायोजित करणे
• ब) किमतीत किंमत वाढ प्रतिबिंबित करणे
• क) ग्राहकाची संरक्षित वैशिष्ट्ये किंवा असहायता यावर आधारित भेदभावपूर्ण किंमत लागू करणे ✔
• ड) ज्या उत्पादनाचा साठा वितळणार आहे त्याला सूट देणे

स्पष्टीकरण: लिंग, वांशिकता, आरोग्य स्थिती किंवा निराशा (उदा. तातडीची गरज, स्थान मर्यादा) यासारख्या ग्राहकाच्या संरक्षित वैशिष्ट्यांवर आधारित भेदभावपूर्ण किंमती सेट करणे नैतिकदृष्ट्या आणि अनेकदा कायदेशीररित्या अस्वीकार्य आहे.

6. RFM सेगमेंटेशनमध्ये 'R' (रिसेंसी) काय मोजते?

• अ) ग्राहकाची एकूण खर्चाची रक्कम
• ब) ग्राहक दुकान किती काळ टिकले?
• क) ग्राहक जिथे राहतो तो प्रदेश
• ड) ग्राहकाची खरेदी वारंवारता

वर्णन: ग्राहकाने शेवटचे खरेदी केल्यावर ताजेपणाचे उपाय. ज्या ग्राहकांनी अलीकडील खरेदी केली आहे ते सामान्यतः पुन्हा सक्रिय होण्याची शक्यता असते.

7. मोहिमेनंतरच्या 'नरभक्षण' विश्लेषणाचे मापन करण्याचे उद्दिष्ट काय आहे?

• अ) मोहिमेच्या उत्पादनाच्या विक्रीमुळे व्यवसायाच्या इतर उत्पादनांची विक्री किती कमी होते?
• ब) प्रतिस्पर्धी स्टोअरवरील मोहिमेचा प्रभाव
• क) मोहिमेच्या पोस्टरची रचना गुणवत्ता
• ड) मोहिमेतील कर्मचाऱ्यांचा सहभाग दर

स्पष्टीकरण: मोहिमेची किंवा उत्पादनाची विक्री त्याच व्यवसायाच्या दुसऱ्या उत्पादनाची विक्री कमी करून साध्य केली जाते की नाही हे नरभक्षण उपाय. निव्वळ नफा योग्यरित्या पाहणे आवश्यक आहे.

8. कृत्रिम बुद्धिमत्तेसह मोठ्या प्रमाणावर उत्पादनांचे वर्णन तयार करताना ब्रँड सुरक्षिततेच्या दृष्टीने कोणते नियंत्रण अनिवार्य आहे?

• अ) मजकूर पुरेसा लांब असल्याची खात्री करणे
• ब) प्रत्येक वर्णनात किमान पाच इमोजी जोडा
• क) वास्तविक उत्पादन डेटा आणि कायद्यासह केलेल्या दाव्यांची पडताळणी करणे, बनावट/अप्रमाणित दावे काढून टाकणे ✔
• ड) वर्णन फक्त मोठ्या अक्षरात लिहा

स्पष्टीकरण: AI उत्पादनाची वैशिष्ट्ये बनवू शकते (आभास) किंवा अप्रमाणित आरोग्य/कार्यप्रदर्शन दावे तयार करू शकते. हे दावे प्रकाशन करण्यापूर्वी वास्तविक उत्पादन डेटा आणि कायद्यासह सत्यापित करणे आवश्यक आहे.

9. कृत्रिम बुद्धिमत्तेसह विक्री अहवालाचा अर्थ लावताना 'विसंगती' शोधण्याचा काय उपयोग आहे?

• अ) अहवाल अधिक रंगीत करणे
• ब) डेटामधील अनपेक्षित विचलन चिन्हांकित करणे आणि संभाव्य समस्यांचे लवकर संकेत देणे ✔
• क) सर्व उत्पादनांची वर्णमाला क्रमवारी लावा
• ड) कर्मचाऱ्यांच्या पगाराची गणना करणे

वर्णन: विसंगती शोधणे डेटामध्ये अनपेक्षित उडी किंवा घसरण दर्शवते (उदा. एका दिवसाची उलाढाल अचानक निम्मी); हा डेटा एरर, आउट-ऑफ-स्टॉक किंवा ऑपरेशनल समस्येचा प्रारंभिक सिग्नल असू शकतो.

10. एक ई-कॉमर्स संपादक कृत्रिम बुद्धिमत्तेद्वारे व्युत्पन्न केलेल्या उत्पादनाच्या वर्णनात 'हे उत्पादन 10 दिवसात तुमच्या त्वचेचे नूतनीकरण करते' हा वाक्यांश पाहतो, परंतु उत्पादनामध्ये असा कोणताही वैद्यकीय पुरावा नाही. योग्य वर्तन म्हणजे काय?

• अ) दावा जसा आहे तसा प्रकाशित करणे कारण कृत्रिम बुद्धिमत्तेने ते तयार केले आहे
• ब) दाव्याची अतिशयोक्ती करून लक्ष वेधून घेणे
• क) वर्णन अजिबात प्रकाशित न करणे आणि उत्पादन विक्रीतून काढून टाकणे
• ड) दावा काढून टाका किंवा ते सत्यापित करण्यायोग्य, पुराव्यावर आधारित विधानासह बदला ✔

स्पष्टीकरण: पुराव्याशिवाय आरोग्य/कार्यप्रदर्शनाचे दावे दिशाभूल करणारी जाहिरात आणि कायद्याचे उल्लंघन दोन्ही आहेत. संपादकाने हा दावा काढून टाकावा किंवा त्याच्या जागी पडताळणीयोग्य विधान द्यावे; कृत्रिम बुद्धिमत्तेद्वारे तयार केलेला मजकूर स्त्रोत म्हणून स्वीकारणे चुकीचे आहे.

11. प्लॅनोग्राम (विभाग मांडणी योजना) सूचना तयार करणाऱ्या कृत्रिम बुद्धिमत्ता उत्पादनासाठी कोणते योग्य आहे?

• अ) हा एक मसुदा आहे ज्याची सुरक्षा, कायदे आणि स्टोअर वास्तविकता यांची पडताळणी करणे आवश्यक आहे ✔
• ब) ही अंतिम योजना आहे जी थेट लागू केली जाऊ शकते, त्याला नियंत्रणाची आवश्यकता नाही.
• क) फक्त ऑनलाइन स्टोअरसाठी वैध
• ड) त्याचा ग्राहकांच्या प्रवाहाशी काहीही संबंध नाही

वर्णन: AI डेटा-चालित ब्लूप्रिंट प्रदान करते; तथापि, सुरक्षितता, कायदे (उदा. तंबाखू/अल्कोहोल डिस्प्ले नियम), फिजिकल शेल्फ रिॲलिटी आणि ग्राहक अनुभव यासाठी तज्ञाद्वारे ते सत्यापित आणि रुपांतरित करणे आवश्यक आहे.

12. उच्च किंमत लवचिकता असलेल्या उत्पादनासाठी कोणते खरे आहे?

• अ) किंमत बदलली तरीही, विक्रीची संख्या जवळजवळ बदलत नाही
• ब) उत्पादनाची किंमत नेहमी शून्य असते
• क) मागणी किमतीतील बदलांसाठी संवेदनशील असते; एक लहान वाढ विक्रीची संख्या लक्षणीयरीत्या कमी करू शकते ✔
• ड) उत्पादन निश्चितच लक्झरी श्रेणीत आहे

स्पष्टीकरण: उच्च लवचिकता म्हणजे मागणी किमतीतील बदलास संवेदनशील असते; किमतीतील एक लहान वाढ विक्रीची संख्या लक्षणीयरीत्या कमी करू शकते. या उत्पादनांच्या किंमतींचे निर्णय काळजीपूर्वक घेतले पाहिजेत.

13. वैयक्तिकृत मोहिमा पाठवताना स्पष्ट संमती का महत्त्वाची आहे?

• अ) कारण यामुळे शिपिंग खर्च कमी होतो
• ब) कारण संमतीशिवाय व्यावसायिक संदेश आणि विपणन उद्देशांसाठी डेटा प्रक्रिया कायदेशीर आणि प्रतिष्ठित जोखीम बाळगते ✔
• क) कृत्रिम बुद्धिमत्ता जलद कार्य करण्यासाठी
• ड) फक्त कारण त्यासाठी ग्राफिक डिझाइन आवश्यक आहे

स्पष्टीकरण: KVKK आणि संबंधित कायद्यानुसार, सामान्यतः व्यावसायिक इलेक्ट्रॉनिक संदेश पाठवण्यासाठी आणि विपणन हेतूंसाठी वैयक्तिक डेटावर प्रक्रिया करण्यासाठी ग्राहकाची स्पष्ट संमती आवश्यक आहे; संमतीशिवाय पाठवण्यामध्ये कायदेशीर आणि प्रतिष्ठा दोन्ही धोके असतात.

14. एंड-टू-एंड एआय-समर्थित रिटेल वर्कफ्लोमध्ये 'चेकपॉईंट' म्हणजे काय?

• अ) अशी पायरी जिथे कृत्रिम बुद्धिमत्ता मानवी संमतीशिवाय सर्व निर्णय आपोआप लागू करते
• ब) फक्त ती पायरी जिथे अहवाल रंगीत आहे
• क) शेवटची पायरी जिथे डेटा हटवला जातो
• ड) स्टॉप जिथे मानव सत्यापित करतो आणि आउटपुट मंजूर करतो किंवा नाकारतो आणि जिथे धोकादायक निर्णय नियंत्रित केले जातात ✔

वर्णन: चेकपॉईंट म्हणजे वर्कफ्लोमधील ठराविक पायऱ्यांवर एक थांबा आहे जिथे मानव आउटपुट सत्यापित करतो, मंजूर करतो किंवा नाकारतो; हे किमती, ऑर्डर आणि ग्राहकांवर परिणाम करणारे निर्णय आपोआप वाहण्यापासून प्रतिबंधित करते.