Whalesbook
₹5,000 கோடி டேட்டா பற்றாக்குறை
GS1 India நடத்திய ஆய்வின்படி, இந்திய இ-காமர்ஸ் மற்றும் குயிக் காமர்ஸ் துறைகள், தரம் குறைந்த புராடக்ட் டேட்டா காரணமாக ஆண்டுக்கு சுமார் ₹5,000 கோடி வருவாய் இழப்பை சந்திக்கின்றன. இதில், ₹2,000 கோடி அளவுக்கு நிகர லாப இழப்பாக (Gross Margin Erosion) மாறுகிறது. விற்பனை திறன் குறைவது, புராடக்ட்கள் வாடிக்கையாளர்களைச் சென்றடைவதில் தாமதம் போன்ற காரணங்களால் இந்த இழப்பு ஏற்படுகிறது. மேலும், திரும்ப வரும் பொருட்களால் (Returns) ஏற்படும் லாஜிஸ்டிக்ஸ், ஹேண்ட்லிங் மற்றும் புராசஸிங் செலவுகளுக்காக சுமார் ₹1,900 கோடி செலவாகிறது.
ரிட்டர்ன்ஸ் எனும் சுமை
குறிப்பாக, ஃபேஷன் மற்றும் ஆடைப் பிரிவுகளில் வாடிக்கையாளர்களால் திருப்பப்படும் பொருட்களின் (Customer-initiated returns) எண்ணிக்கை அதிகமாக உள்ளது. அளவு சரியாக பொருந்தாதது, எதிர்பார்ப்புக்கு மாறான ஸ்டைல், தயாரிப்பின் தரம் போன்ற காரணங்களால், ஆர்டர்களில் 20% முதல் 25% வரை திரும்ப அனுப்பப்படுகின்றன. Unicommerce பிளாட்ஃபார்ம் தகவல்படி, திரும்பும் பொருட்களின் லாஜிஸ்டிக்ஸ் செலவு (Reverse Logistics) ஆர்டர் மதிப்பில் கூடுதலாக 5% முதல் 7% வரை ஆகிறது. உலகளவில், ஃபேஷன் மற்றும் ஷூ துறைகளில் திரும்பும் விகிதம் 30% முதல் 40% வரை இருக்கும் நிலையில், இந்தியாவில் ஆடைப் பிரிவில் மட்டும் 25% பொருட்கள் திரும்ப அனுப்பப்படுகின்றன. இது சராசரி இ-காமர்ஸ் ரிட்டர்ன் ரேட் ஆன **15-20%**ஐ விட அதிகம். ஒரு பொருளை திரும்ப அனுப்புவதற்கான செலவு, அசல் டெலிவரி கட்டணத்தை விட 1.5 மடங்கு அதிகமாக இருக்கும்.
AI: செலவைக் குறைக்கும் உத்தி
இந்த செலவுகளைக் குறைக்கவும், வாடிக்கையாளர் அனுபவத்தை மேம்படுத்தவும், முக்கிய இ-காமர்ஸ் நிறுவனங்கள் ஆர்டிஃபிஷியல் இன்டெலிஜென்ஸ் (AI) தொழில்நுட்பத்தை தீவிரமாக பயன்படுத்தி வருகின்றன. Flipkart தனது விற்பனையாளர் கருவிகளில் (Seller Tools) AI-ஐ இணைத்து, புராடக்ட் லிஸ்டிங் துல்லியத்தை (Product Listing Accuracy) மேம்படுத்தி, வாடிக்கையாளர் திருப்தியை அதிகரிக்க முயல்கிறது. Amazon Fashion India, விரிவான சைஸ் சார்ட்கள் (Size Charts), ஃபிட் கைடன்ஸ் (Fit Guidance), மற்றும் AI-உதவியுடன் ஷாப்பிங் அசிஸ்டன்ஸ் (Shopping Assistance) போன்ற அம்சங்களில் முதலீடு செய்து, வாடிக்கையாளர்கள் சரியான முடிவுகளை எடுக்க உதவுகிறது. Zepto போன்ற குயிக் காமர்ஸ் நிறுவனங்களும், ஃபேஷன் பிரிவில் AI மூலம் துல்லியமான விளக்கங்கள் மற்றும் படங்களை அளித்து, வாடிக்கையாளர்களுக்கு நம்பகமான ஷாப்பிங் அனுபவத்தை வழங்குகின்றன.
அடிப்படை டேட்டா சிக்கல்கள் நீடிக்கின்றன
AI ஒரு சிறந்த தீர்வாக இருந்தாலும், இது புராடக்ட் டேட்டாவை உருவாக்கும் மற்றும் நிர்வகிக்கும் முறைகளில் உள்ள அடிப்படைப் பிரச்சனைகளை முழுமையாகச் சரிசெய்யாது. பல விற்பனையாளர்களிடம் நிலையான தரவு உருவாக்கம் மற்றும் மேலாண்மை இல்லாதது ஒரு பெரிய பலவீனமாக உள்ளது. AI கருவிகள் தகவல்களைச் செயலாக்கினாலும், தரத்தின் அடிப்படையான குறைபாடுகளை மறைக்கக்கூடும். AI-ஐ செயல்படுத்துவதற்கும் பராமரிப்பதற்கும் கணிசமான செலவுகள் உள்ளன. சந்தையின் வேகமான வளர்ச்சிக்கு, விரிவான டேட்டா துல்லியத்தை விட அளவுக்கே முக்கியத்துவம் கொடுக்கப்பட்டுள்ளது. எனவே, AI-ன் உதவியுடன் அடிப்படை டேட்டா குறைபாடுகளை சரிசெய்வது ஒரு தொடர்ச்சியான சவாலாகவே உள்ளது.
எதிர்கால பார்வை: வளர்ச்சி மற்றும் டேட்டா சவால்கள்
இந்திய இ-காமர்ஸ் சந்தை 2030-க்குள் $345 பில்லியன் அளவுக்கு வளரும் என எதிர்பார்க்கப்படுகிறது. இந்த வளர்ச்சிக்கு, டிஜிட்டல் அணுகல் அதிகரிப்பு, சிறிய நகரங்களில் பயன்பாடு பரவுதல் மற்றும் மேம்பட்ட கட்டண முறைகள் முக்கிய காரணங்களாக உள்ளன. டேட்டா தரத்தை மேம்படுத்துவதும், AI மூலம் ரிட்டர்ன் இழப்புகளைக் குறைப்பதும் முக்கிய கவனம் பெறும். Amazon மற்றும் Flipkart போன்ற நிறுவனங்கள் AI-ஐ மேம்படுத்தினாலும், டேட்டா தரப்படுத்தலுக்கும் (Data Standardization) முன்னுரிமை அளிக்க வேண்டும். AI-ன் முழுமையான செயல்திறன், சுத்தமான, துல்லியமான அடிப்படை டேட்டாவைச் செயலாக்குவதைப் பொறுத்தது. இது இறுதியில் செயல்பாட்டு சவால்களை ஒரு போட்டியாக மாற்ற உதவும்.