Next Best Action Agent — Klasa 5 Ram AI Agentów Asseco Platform. Rekomendacje oparte na AI dla sprzedaży terenowej FMCG. Trzy priorytetowe działania na wizytę w sklepie, dostosowane do każdej lokalizacji. Stosowane na szeroką skalę przez ponad 55 000 użytkowników terenowych w 62 krajach.
Next Best Action Agent od Asseco Platform: AI rekomenduje, co zrobić teraz, w tym sklepie. Trzy subagenty w Klasie 5: Agent Rekomendacji w Sklepie (Rozpoznawanie Obrazu w Handlu Detalicznym), Agent Sprzedaży Kierowanej (Sprzedaż i Realizacja Detaliczna, funkcja RAO, POI Best-in-Class 2025), Agent Rekomendacji Zamówień (Realizacja Terenowa przez Strony Trzecie).
Ram AI Agentów → Klasa 5
Next Best Action Agent: AI rekomenduje, co zrobić teraz, w tym sklepie.
Każdy sklep jest inny. Każda wizyta ma inny kontekst. Next Best Action Agent analizuje dane z każdego konkretnego sklepu — historię zakupów, stan półki, zgodność z umową, profil sklepu — i szereguje trzy najbardziej wpływowe działania, które przedstawiciel powinien podjąć, tu i teraz.
Każdy sklep jest inny. AI wie, co zrobić w tym konkretnym.
Przedstawiciel handlowy wchodzi do sklepu z dziesiątkami możliwych działań: rotacja produktów, proponowanie dodatkowych pozycji, dostosowanie ekspozycji, weryfikacja zgodności z umową. Problem: każdy sklep jest inny. Inna historia zakupów, inna półka, inne priorytety właściciela. Uniwersalne wytyczne nie działają.
Next Best Action Agent to silnik oparty na AI, który analizuje dane z każdego konkretnego sklepu — historię zakupów, stan półki, warunki umowy, profil sklepu — i dostarcza trzy konkretne, priorytetowe działania dla przedstawiciela podczas wizyty. Trzy najbardziej wpływowe rzeczy do zrobienia, teraz, w tym konkretnym sklepie.
AI koreluje dane, których ludzka percepcja nie jest w stanie objąć jednocześnie.
Przedstawiciel otwiera aplikację przed wejściem do sklepu. Agent zebrał i przeanalizował już dane: ostatnie zamówienia i trendy zakupowe z Trade Data Hub, aktualny stan półki z Shelf Recognition Agent, aktywne warunki umowy z punktem sprzedaży lub siecią, profil demograficzny okolicy, typ sklepu (mini-market osiedlowy, convenience, punkt HoReCa) oraz wyniki z podobnych sklepów w regionie. Na tej podstawie agent generuje uszeregowaną listę działań — od najbardziej do najmniej wpływowych dla tego konkretnego sklepu.
Zbieraj
Agent pobiera dane z każdego źródła istotnego dla tego sklepu: historię zakupów z Trade Data Hub, stan półki z Shelf Recognition Agent, warunki umowy, profil sklepu, wzorce z podobnych punktów sprzedaży. Zanim przedstawiciel dotrze do drzwi.
Niewidoczny backend — działa nieprzerwanie
Szeregowanie
Reguły biznesowe i modele ML korelują dane i szeregują możliwe działania według oczekiwanego wpływu — od najbardziej do najmniej wartościowych dla tego konkretnego sklepu w danym momencie. Każda rekomendacja zawiera własne uzasadnienie: dlaczego to, dlaczego teraz.
Priorytetyzacja oparta na danych, nie na intuicji
Dostarczanie
Przedstawiciel otwiera Mobile Touch i widzi trzy najważniejsze działania dla tego sklepu, każde z konkretnym uzasadnieniem. Brak listy kontrolnej do odhaczenia. Uszeregowany plan do wykonania. Przedstawiciel nie zastanawia się, co zrobić — wchodzi z planem i rozpoczyna rozmowę od konkretów.
Trzy najważniejsze działania, dostarczane w aplikacji, której przedstawiciel już używa
Co się zmienia, gdy AI wstępnie szereguje pracę.
Uniwersalne wytyczne spotykają się z rzeczywistością jednego sklepu. Next Best Action Agent zastępuje ogólną listę kontrolną planem priorytetowym — dostosowanym do tego punktu sprzedaży, tego momentu, tych danych.
Z czym pracują dziś przedstawiciele
- Planowanie wizyty na podstawie ogólnych wytycznych — „sprawdź półkę, zaproponuj nowe produkty” — bez odniesienia do specyfiki danego punktu sprzedaży
- Priorytetyzacja według intuicji — co wydaje się ważne, a nie co faktycznie przyniesie największy efekt w tym sklepie
- Brak kontekstu z poprzednich wizyt — każda wizyta zaczyna się od zera, brak wiedzy o tym, co zadziałało w podobnych miejscach
- Czas wizyty pochłonięty analizą na miejscu zamiast rozmową z właścicielem i wykonywaniem zadań
- Przegapione kluczowe działania — przedstawiciele nie dostrzegają okazji, ponieważ nie mają pełnego obrazu danych
- Centrala otrzymuje raporty o tym, co zostało zrobione, ale bez kontekstu — czy były to najważniejsze działania dla tego sklepu?
Co przedstawiciele otrzymują dzięki AI
- AI analizuje dane przed wizytą — zamówienia, półka, umowa, profil sklepu — i przedstawia trzy konkretne działania o największym potencjale
- Każda rekomendacja zawiera własne uzasadnienie — dlaczego to działanie, dlaczego teraz, co mówią dane
- Kontekst z podobnych punktów sprzedaży — AI wie, co zadziałało w sklepach o tym samym profilu i sugeruje sprawdzone podejścia
- Przedstawiciel wchodzi z gotowym planem — rozmowa z właścicielem zaczyna się od konkretów, a nie od diagnozy
- Centrala widzi nie tylko, co zostało zrobione, ale także, czy były to najważniejsze działania — i monitoruje skuteczność rekomendacji AI w czasie
- Każda pominięta rekomendacja ma kod przyczyny — menedżerowie dowiadują się, dlaczego przedstawiciele odstąpili od zaleceń, a agent się poprawia
Pięć źródeł danych. Jedna uszeregowana decyzja.
Każde źródło odpowiada na inne pytanie dotyczące tego konkretnego sklepu. Agent koreluje wszystkie pięć i odpowiednio szereguje działania.
Historia zakupów
Dane transakcyjne: częstotliwość zamówień, wolumen, rotacja, sezonowość. Agent wykrywa zmiany w wzorcach — spadek w kategorii, w której byliście liderem, wzrost udziału konkurencji, pojawienie się nowej linii produktów w koszyku.
Przykładowa rekomendacja: „Zakupy w kategorii piwa spadły o 40% w ciągu ostatnich dwóch miesięcy. Zaproponuj powrót do poprzedniego poziomu z argumentami sprzedażowymi opartymi na danych z podobnych punktów sprzedaży.”
Stan półki
Dane z Shelf Recognition Agent — obecność produktu, liczba facings, zgodność z planogramem, pozycja względem konkurencji, widoczność półki. Agent porównuje aktualny stan z warunkami umowy i optymalną ekspozycją dla tego typu sklepu.
Przykładowa rekomendacja: „Twój produkt premium ma jeden facing na dolnej półce; konkurencja ma trzy na wysokości oczu. Zaproponuj korektę ekspozycji zgodną z umową — lub renegocjuj warunki, jeśli obecna umowa nie daje Ci przewagi.”
Warunki umowy
Agent weryfikuje wykonanie umów podpisanych z sieciami i punktami sprzedaży. Sprawdza, czy uzgodnione działania zostały wdrożone: lista produktów, pozycja na półce, materiały POS, poziomy cen. Jeśli umowa nie jest realizowana, agent oznacza to jako priorytet wizyty.
Przykładowa rekomendacja: „Umowa określa ekspozycję produktu sezonowego do końca miesiąca. Produktu nie ma na półce. Priorytet: rozmowa z właścicielem i ustawienie ekspozycji.”
Profil sklepu i dane demograficzne
Agent bierze pod uwagę typ punktu sprzedaży (mini-market osiedlowy, convenience na stacji, duży convenience), powierzchnię sprzedaży, lokalizację i dane demograficzne okolicy (wiek, dochód, gęstość zaludnienia). Rekomendacje odpowiadają potencjałowi miejsca.
Przykładowa rekomendacja: W sklepie osiedlowym z klientelą rodzinną — nacisk na opakowania rodzinne. W punkcie sprzedaży w pobliżu dworca kolejowego — przekąski i małe formaty.
Wzorce z podobnych punktów sprzedaży
Agent agreguje dane z punktów sprzedaży o podobnych profilach — typ, rozmiar, lokalizacja, dane demograficzne — i identyfikuje sprawdzone działania, które przyniosły rezultaty w tych miejscach. Jeśli wprowadzenie danego produktu w sklepach podobnych do odwiedzanego zwiększyło wolumen zamówień o 30%, agent szereguje tę rekomendację wyżej. Nie zgaduje. Wie, co działa.
Przykładowa rekomendacja: „W 15 punktach sprzedaży o tym profilu w regionie, wprowadzenie produktu X zwiększyło zamówienia 3-krotnie w stosunku do okresu bazowego. Propozycja: wprowadź X w tym sklepie, poparte danymi benchmarkowymi z regionu.”
Przedstawiciel nie wchodzi z listą kontrolną do odhaczenia. Przedstawiciel wchodzi z planem.
Uszeregowany zestaw trzech najważniejszych działań dla tego konkretnego sklepu — wygenerowany przez agenta, który przetwarza dane, których człowiek nie jest w stanie objąć jednocześnie. Wizyta przestaje być rutynową inspekcją. Staje się strategiczną interwencją opartą na faktach: co zmienić, dlaczego się opłaca, co mówią dane o potencjale.
To jest różnica między wizytą prowadzoną według listy kontrolnej a rozmową opartą na danych.
Agent Next Best Action pasuje do Twojego stosu technologicznego — niezależnie od jego kształtu.
Agent Next Best Action to warstwa dostarczania frameworku — moment, w którym rekomendacja AI spotyka się z przedstawicielem. To, co zasila agenta, jest elastyczne. Możesz skorzystać z pełnego frameworku Asseco Platform (Klasy 1–4 dostarczają dane, punktację i kontekst). Możesz dostarczyć własne potoki danych i logikę punktacji, a my dostarczymy tylko warstwę skierowaną do przedstawiciela. Możesz też mieszać.
Pełny framework
Asseco Platform uruchamia Klasy 1–4 w tle. Trade Data Hub ujednolica Twoje dane, Agenci Rozpoznawania strukturyzują obserwacje, Punktacja i Priorytetyzacja szeregują punkty sprzedaży i kontrakty, Agenci Kontekstu przygotowują brief wizyty. Agent Next Best Action dostarcza 3 najlepsze działania do Mobile Touch.
Najprostsza konfiguracja. Jeden dostawca. Najniższe koszty integracji.
Własne rozwiązania
Masz już swoje jezioro danych, modele punktacji klientów i kontekst wizyt oparty na CRM? Agent Next Best Action podłącza się przez API. Twoje dane wejściowe, nasza warstwa dostarczania dla przedstawicieli. Zachowujesz inwestycje w istniejący stos technologiczny, dodając warstwę rekomendacji.
Dla zespołów z dojrzałą wewnętrzną analityką. Szybsze wdrożenie niż wymiana całego stosu.
Hybrydowy
Mieszaj i dopasowuj. Nasz Agent Rozpoznawania Półek dla danych o stanie półek — ale Twoja wewnętrzna logika punktacji. Lub nasz Trade Data Hub dla danych dystrybutora — ale Twój kontekst wizyt oparty na CRM. Niezależnie od tego, jaki podział pasuje do Twojego obecnego stosu technologicznego.
Dla zespołów w trakcie transformacji. Zachowaj to, co działa, przyjmij to, czego brakuje.
Niezależnie od tego, co zasila agenta, wynik jest ten sam: 3 najlepsze działania w Mobile Touch, z uzasadnieniem, w momencie, gdy przedstawiciel ich potrzebuje.
Dwa scenariusze, w których Agent Next Best Action napędza wynik.
Każda rekomendacja dostarczana przez agenta przedstawicielowi jest ostatnim krokiem łańcucha. Poniżej przedstawiamy pełny łańcuch: które klasy dostarczają dane i gdzie Agent Next Best Action formułuje działanie, które faktycznie widzi przedstawiciel. W ten sposób rekomendacja zasługuje na swoje miejsce w aplikacji przedstawiciela — wspierana pracą frameworku, a nie intuicją.
Dwa kolejne scenariusze — priorytetyzacja wizyt i ekspansja dystrybucji — są napędzane głównie przez Klasę 3 (Punktacja i Priorytetyzacja). Poniżej przedstawiamy je krótko jako powiązane scenariusze i szczegółowo omówimy je w sekcji Klasy 3 (już wkrótce).
Przypadek użycia 1 · Optymalizacja miksu produktów
Każdy centymetr powierzchni półki to waluta — wydaj ją na produkty, które rotują.
Wyzwanie: Producenci FMCG w handlu tradycyjnym obsługują tysiące małych i średnich punktów sprzedaży, gdzie powierzchnia handlowa jest ograniczona — każdy metr półki to kompromis. Punkt sprzedaży nie może mieć pełnego portfolio. Wybiera produkty, które według niego będą rotować, a resztę pomija. Problem: te wybory są często suboptymalne. Sprzedawca utrzymuje produkty o spadającej rotacji i nie wprowadza nowych pozycji, które już działają w podobnych sklepach. Przedstawiciel widzi to podczas wizyty, ale nie ma obiektywnych danych, aby przekonać właściciela. Sprzedawca odpowiada „To się tu nie sprzeda” — i nie ma kontrargumentu.
Dlaczego tradycyjne metody zawodzą: Przedstawiciel wie, czego producent chce na półce. Sprzedawca wie, co według niego rotuje w jego sklepie. Żaden z nich nie ma obiektywnego widoku na to, co faktycznie działa w punktach sprzedaży o podobnym profilu — rozmiarze, lokalizacji, demografii. Rezultat: miksy produktów są suboptymalne, sprzedawca utrzymuje pozycje o niskiej rotacji, producent traci potencjał, a rozmowa o zmianach asortymentu opiera się na przekonaniach, a nie na danych.
Jak Asseco Platform to rozwiązuje:
- Agent analizuje dane transakcyjne z tego punktu sprzedaży: które produkty szybko rotują, które leżą na półce, jak zmienia się struktura zakupów w czasie
- Porównuje te dane z wynikami z punktów sprzedaży o podobnym profilu (powierzchnia, typ, lokalizacja, profil klienta) i identyfikuje produkty, które tam działają, ale nie zostały tu jeszcze przetestowane
- Next Best Action generuje rekomendację przed wizytą: „Produkt X wykazuje niską rotację — 2 sprzedaże w ciągu ostatnich 6 tygodni. W podobnych sklepach produkt Y rotuje 3 razy szybciej. Zaproponuj zamianę — dane z 15 punktów sprzedaży w regionie potwierdzają potencjał.”
- Przedstawiciel wchodzi do rozmowy z konkretami: które produkty zmienić, dlaczego, co mówią dane o miejscach takich jak ten sklep
- Punkt sprzedaży otrzymuje nie opinię przedstawiciela, ale benchmark oparty na faktach — dane trudniej odrzucić niż sugestię
Efekt: Miksy produktów w małych punktach sprzedaży przestają być przypadkowe. Producent wie, które produkty optymalizują rotację w każdym typie sklepu. Właściciel otrzymuje konkretną propozycję zmiany opartą na danych z podobnych miejsc — i nie musi zgadywać, co zadziała. Przedstawiciel prowadzi rozmowę jako doradca, a nie sprzedawca portfolio.
„Nie pytam już, czy sklep chce nowy produkt. Pokazuję im dane: co rotuje w punktach sprzedaży takich jak ich, ile zarabiają na metr półki. Rozmowa zaczyna się od faktów, a nie od perswazji.”
— Reprezentatywny wzorzec opinii z wdrożeń Next Best ActionŁańcuch w tym scenariuszu: Klasa 1 (Trade Data Hub ujednolica dane transakcyjne z tego punktu sprzedaży i podobnych sklepów) → Klasa 3 (Punktacja Potencjału Sklepu porównuje rotację w podobnych punktach sprzedaży) → Klasa 5 (Agent Next Best Action formułuje konkretną rekomendację, którą przedstawiciel widzi w Mobile Touch).
Przypadek użycia 3 · Proaktywna korekta ekspozycji
Umowa mówi jedno, półka pokazuje co innego — AI wychwytuje lukę, zanim się nasili.
Wyzwanie: Producenci FMCG negocjują umowy z sieciami, które określają warunki ekspozycji: liczbę facings, pozycję na półce, widoczność materiałów POS, zgodność z planogramem. Problem: wykonanie tych warunków jest zmienne. Sieć podpisuje umowę, ale z wielu powodów (rotacja produktów, presja konkurencji, błędy merchandisingowe) faktyczna ekspozycja w sklepie odbiega od ustaleń. Przedstawiciel zauważa to podczas wizyty — ale jeśli sklep jest odwiedzany raz w miesiącu, luka może utrzymywać się przez tygodnie przed korektą. Rezultat: producent płaci za warunki, które nie są realizowane, a sieć nie otrzymuje sygnałów, które pomogłyby wrócić do zgodności.
Dlaczego tradycyjne metody zawodzą: Dane z Shelf Recognition pokazują stan półki, dane z CRM pokazują, co jest w umowie — ale te dwa źródła często nie komunikują się ze sobą w czasie rzeczywistym. Przedstawiciel może zauważyć rozbieżności, jeśli akurat pamięta warunki umowy dla tego punktu sprzedaży i ma czas na dokładne sprawdzenie półki. Rezultat: problemy z ekspozycją są wykrywane z opóźnieniem, a interwencje nie są priorytetyzowane według tego, gdzie odchylenie jest największe.
Jak Asseco Platform to rozwiązuje:
- Agent automatycznie porównuje dane z Shelf Recognition Agent (liczba facings, pozycja na półce, obecność materiałów POS) z warunkami umowy przechowywanymi w systemie
- Jeśli ekspozycja odbiega od ustaleń, Next Best Action Agent generuje alert i umieszcza korektę jako priorytet wizyty w tym punkcie sprzedaży
- Podczas wizyty przedstawiciel widzi rekomendację: „Umowa określa 4 facings produktu X na środkowej półce. Shelf Recognition pokazuje 1 facing na dolnej półce. Priorytet: korekta ekspozycji zgodna z umową.”
- System dostarcza konkretne dane do rozmowy z menedżerem: co jest w umowie, co jest na półce, jak wyglądał stan podczas poprzednich wizyt
- Centrala monitoruje zgodność i widzi, które punkty sprzedaży wymagają interwencji, zanim odchylenie stanie się problemem w relacjach
Efekt: Odchylenia od umów są wykrywane automatycznie i korygowane proaktywnie — nie po tygodniach, ale podczas wizyty. Właściciel otrzymuje obiektywne dane pokazujące, że ekspozycja nie odpowiada umowie, a przedstawiciel ma argumenty oparte na faktach, a nie na wrażeniach. Producent płaci za warunki, które są faktycznie realizowane, a nie tylko deklarowane. Zgodność przestaje być kwestią szczęścia i pamięci — staje się procesem możliwym do monitorowania.
„System mówi mi bezpośrednio: tu umowa nie jest realizowana, tu półka wygląda inaczej niż powinna. Nie muszę pamiętać warunków każdej umowy. AI je pamięta i sygnalizuje, gdzie jest problem.”
— Reprezentatywny wzorzec opinii z wdrożeń Next Best ActionŁańcuch w tym scenariuszu: Klasa 2 (Agent Rozpoznawania Półek odczytuje ułożenie produktów, pozycję, materiały POS ze zdjęcia) → Klasa 3 (Agent Punktacji Zgodności z Umową porównuje obserwowany stan z warunkami umowy) → Klasa 5 (Agent Next Best Action przedstawia rekomendację korekty przedstawicielowi podczas wizyty).
Powiązane scenariusze — głównie inne klasy frameworku
Dwa scenariusze, w których NBA prezentuje wyniki — ale silnik znajduje się w Klasie 3.
Agent Next Best Action dostarcza je do aplikacji przedstawiciela, ale logika szeregowania — które punkty sprzedaży, którzy klienci, dlaczego właśnie oni — jest napędzana przez Agenta Punktacji i Priorytetyzacji (Klasa 3). Pełne omówienie w sekcji Klasy 3.
Powiązany scenariusz 1
Priorytetyzacja wizyt
Przedstawiciel obsługuje setki punktów sprzedaży. AI szereguje, które sklepy wymagają uwagi w pierwszej kolejności — na podstawie potencjału wzrostu i ryzyka utraty pozycji. Trasa przedstawiciela przestaje być rotacją geograficzną i staje się interwencją tam, gdzie ma to największe znaczenie.
Główny czynnik: Klasa 3 (Agent Punktacji Potencjału Sklepu). Rola NBA: dostarczenie uszeregowanej listy przedstawicielowi w Mobile Touch. Pełne omówienie w sekcji Klasy 3 (już wkrótce).
Powiązany scenariusz 2
Ekspansja dystrybucji numerycznej
Producent chce rozszerzyć dystrybucję nowych produktów. AI celuje w populację klientów, którzy najprawdopodobniej je przyjmą, na podstawie historycznych wzorców zakupowych — i śledzi zarówno wprowadzenie, jak i utrzymanie na półce, z przejrzystym rozliczaniem bonusów dla przedstawicieli dystrybutorów.
Główny czynnik: Klasa 3 (punktacja populacji klientów + dopasowanie historycznych wzorców sukcesu). Rola NBA: przedstawienie docelowej listy klientów dla każdego przedstawiciela, ze śledzeniem postępów i bonusów. Pełne omówienie w sekcji Klasy 3 (już wkrótce).
Next Best Action to jedna klasa. Ramy mają pięć.
Ram AI Agentów Asseco Platform grupuje trzynaście wyspecjalizowanych agentów AI w pięć klas — każda z nich odpowiada na inne pytanie, z którym zespoły FMCG mierzą się każdego dnia. Next Best Action to Klasa 5 — warstwa rekomendacji. Zobacz, jak działa cały łańcuch, od surowych danych do konkretnego działania.
Klasa 1
Agent Unifikacji Danych
Jeden czysty zestaw danych z rozproszonych źródeł.
Klasa 2
Agent Rozpoznawania
Każde zdjęcie staje się ustrukturyzowanymi danymi.
Klasa 3
Agent Punktacji i Priorytetyzacji
Każdy sklep uszeregowany, w każdej chwili.
Klasa 4
Agent Kontekstu
Wejdź już poinformowany.
Klasa 5 — Jesteś tutaj
Next Best Action Agent
Co zrobić teraz, w tym sklepie.
Next Best Action Agent korzysta z wyników pozostałych czterech klas — ujednoliconych danych (Klasa 1), rozpoznanych stanów półek i menu (Klasa 2), rankingów sklepów i punktów sprzedaży (Klasa 3) oraz zebranego kontekstu wizyty (Klasa 4). W ten sposób jedna rekomendacja zyskuje swoją pozycję: jest wspierana przez cały łańcuch.
Oceniony przez analityków, zatwierdzony przez branżę.
Next Best Action Agent opiera się na dwóch wyróżnieniach POI Best-in-Class (Guided Selling i AI/Machine Learning), działa w ramach infrastruktury certyfikowanej ISO/IEC 27001:2022 z wyraźnie uwzględnionymi rozwiązaniami opartymi na AI w zakresie certyfikacji i jest częścią platformy nazwanej Reprezentatywnym Dostawcą w Gartner Market Guide for Retail Execution Management.
POI Best-in-Class — Guided Selling 2025
Instancja Guided Selling Next Best Action Agent (wdrożona w Sales & Retail Execution, funkcja RAO) otrzymała wyróżnienie POI Best-in-Class za Guided Selling w raporcie 2025 Consumer Goods Enterprise Planning & Retail Execution Vendor Panorama Report. Niezależny benchmark: ta klasa agentów należy do najsilniejszych na rynku.
POI Best-in-Class — AI/Uczenie Maszynowe
POI wyróżniło również Asseco Platform wyróżnieniem Best-in-Class za AI/Uczenie Maszynowe — fundament technologiczny, na którym opiera się Next Best Action Agent (i każdy inny agent AI w platformie). Dwa wyróżnienia POI bezpośrednio potwierdzają tę klasę.
ISO/IEC 27001:2022 — AI-based w zakresie
Asseco Business Solutions posiada certyfikat ISO/IEC 27001:2022 — międzynarodowej normy zarządzania bezpieczeństwem informacji. Rozwiązania oparte na AI są wyraźnie uwzględnione w zakresie certyfikacji. Ważny do lutego 2029 r.
Częste pytania dotyczące Next Best Action Agent
Next Best Action Agent to Klasa 5 w Ramach AI Agentów Asseco Platform — silnik oparty na AI, który analizuje dane z każdego konkretnego sklepu i szereguje trzy najbardziej wpływowe działania dla przedstawiciela terenowego podczas wizyty. W Asseco Platform występuje jako trzy konkretne agenty: Agent Rekomendacji w Sklepie (Rozpoznawanie Obrazu w Handlu Detalicznym), Agent Sprzedaży Kierowanej (Sprzedaż i Realizacja Detaliczna, funkcja RAO) oraz Agent Rekomendacji Zamówień (Realizacja Terenowa przez Strony Trzecie).
Nie. Agent Next Best Action szereguje i rekomenduje — przedstawiciel handlowy decyduje. Każda rekomendacja zawiera uzasadnienie (dlaczego ta akcja, dlaczego teraz, co mówią dane). Przedstawiciele mogą zaakceptować, zmodyfikować lub pominąć każdą rekomendację — a każda pominięta rekomendacja może zawierać kod przyczyny, dzięki czemu menedżerowie widzą, dlaczego sugestia agenta została odrzucona, a system może się uczyć.
Rekomendacje są zasilane z pięciu źródeł: historia transakcji (z Trade Data Hub), stan półki (z Shelf Recognition Agent w Retail Image Recognition), warunki umowy (z CRM/CMS), profil sklepu i dane demograficzne oraz wzorce z podobnych placówek. Im bogatsze dane, tym lepsze pozycjonowanie — ale nawet podzbiór danych przynosi wartość od pierwszego dnia.
Ogólny asystent odpowiada na wszystko, o co zapytasz. Agent Next Best Action jest wąsko wyspecjalizowany: szereguje działania sprzedażowe w terenie na podstawie danych operacyjnych. Dostarcza rekomendacje w aplikacji, której przedstawiciel już używa (Mobile Touch), wraz ze szczegółowym uzasadnieniem. To podejście zamienia ogólność na niezawodność — przedstawiciel otrzymuje odpowiedź na jedno konkretne pytanie, zawsze opartą na tych samych źródłach danych.
W obu. Powyższe przypadki użycia opisują handel detaliczny (handel tradycyjny, sklepy convenience, sieci). W przypadku HoReCa, Agent Next Best Action łączy się z Menu Recognition i Pre-Negotiation Briefing Agent — obowiązuje ta sama logika: szeregowanie działań dla każdej placówki na podstawie danych. W HoReCa dane te obejmują obecność menu, pozycje w menu i ekspozycję konkurencji w menu.
Czas wdrożenia zależy od tego, od którego sub-agenta zaczniesz. Guided Selling Agent (funkcja RAO w SRE) może zostać uruchomiony w ciągu kilku tygodni po wdrożeniu Sales & Retail Execution. In-store Recommendation Agent wymaga wdrożenia Retail Image Recognition. Order Recommendation Agent działa w Third Party Field Execution. Pełne pokrycie klasy 5 skaluje się z pozostałymi czterema klasami w ramach struktury.
Tak. Każda rekomendacja jest rejestrowana wraz z jej wynikiem: zaakceptowana, zmodyfikowana, pominięta (z kodem przyczyny). Centrala widzi wskaźniki akceptacji na sklep, na przedstawiciela, na kategorię produktów — i śledzi, czy zaakceptowane rekomendacje korelują z wynikami biznesowymi (wolumen zamówień, udział w półce, zgodność z umową). Agent staje się mierzalnym systemem, a nie czarną skrzynką.
Asseco Business Solutions posiada certyfikat ISO/IEC 27001:2022, z rozwiązaniami opartymi na AI wyraźnie w zakresie certyfikacji. Obsługa danych, ich przechowywanie i kontrola dostępu podlegają tym samym zasadom, które obejmują pozostałą część platformy.
Gotowy, aby zobaczyć Agent Next Best Action działający na Twoich danych?
Zarezerwuj 30-minutową demonstrację z naszymi specjalistami ds. realizacji w terenie. Skonfigurujemy przepływ rekomendacji na żywo w oparciu o Twoją branżę (napoje, żywność i artykuły spożywcze, higiena osobista, HoReCa) i pokażemy, jak trzy najlepsze działania są szeregowane dla rzeczywistego profilu sklepu.
Część AI Agents Framework · 9× POI Best-in-Class 2025 · ISO/IEC 27001:2022 z AI w zakresie