Voorbij dashboards: het aansturen van omzetgroei-agenten met Databricks en Mosaic AI

Waarom individuele LLM's falen en wat het Mosaic AI Agent Framework oplost

De eerste reactie van de meeste engineeringteams die AI-gestuurde prijsbepalingstools ontwikkelen, is om alles via één groot taalmodel te laten lopen. Dit mislukt al snel, en wel om een voorspelbare reden: omzetbeheer vereist tegenstrijdige analytische methoden – voorraadlogica, statistische modellering en ongestructureerde concurrentie-informatie – die parallel moeten draaien. Het invoeren van al deze gegevens in één promptcontext leidt tot vertekende beperkingen en onjuiste outputs die de API-verbindingen verstoren.

De juiste architectuur is een multi-agent supervisiesysteem gebouwd op het Mosaic AI Agent Framework. Dit is geen theoretische voorkeur, maar wat productieomgevingen vereisen.

Databricks Mosaic AI-architectuur: Hoe werkt het multi-agentsysteem?

De Databricks Mosaic AI-architectuur maakt samengestelde AI-systemen mogelijk: meerdere gespecialiseerde componenten die aan elkaar gekoppeld zijn, elk geoptimaliseerd voor een specifieke redeneertaak, gecoördineerd door een supervisor die hun output synthetiseert tot een concrete bedrijfsactie.

Het Mosaic AI Agent Framework maakt Databricks AI-workflows mogelijk waarbij taken worden opgesplitst, naar de juiste specialist worden doorgestuurd en vervolgens weer worden samengevoegd tot een gecontroleerde output – allemaal binnen één traceerbaar uitvoeringsspoor. In de context van omzetgroeimanagement betekent dit dat een enkele prijsvraag – "Waarom zijn de marges in het noordoosten gedaald en wat moeten we doen?" – automatisch wordt opgesplitst in subtaken voor de toeleveringsketen, concurrentie en elasticiteit. Elk van deze subtaken wordt beantwoord door een specialistische agent met toegang tot de juiste gegevens, waarna de resultaten worden samengevoegd tot één concrete prijsaanbeveling.

Een productie-RGM-agentarchitectuur die op dit patroon is gebaseerd, zou er als volgt uitzien:

De supervisor combineert alle drie de outputs en produceert een concrete aanbeveling voor handelsprijzen of promoties. In een ontwerp waarbij een mens betrokken is, schrijft de supervisor een voorgestelde actie naar een beheerde Unity Catalog-stagingtabel voor goedkeuring door de omzet- of categoriemanager. Elke uitvoeringsgeschiedenis wordt vastgelegd in MLflow, waardoor het besluitvormingsproces volledig traceerbaar is.

De supervisor combineert alle drie de outputs en produceert een concrete aanbeveling voor handelsprijzen of promoties . In een ontwerp waarbij een mens betrokken is, schrijft de supervisor een voorgestelde actie naar een beheerde Unity Catalog-stagingtabel voor goedkeuring door de omzet- of categoriemanager. Elke uitvoeringsgeschiedenis wordt vastgelegd in MLflow, waardoor het besluitvormingsproces volledig traceerbaar is.

Deze architectuur is even belangrijk voor het beheer van RGM's als voor de nauwkeurigheid. Een categoriemanager of omzetdirecteur die precies kan achterhalen waarom een agent een promotionele prijsverlaging heeft aanbevolen – en inzicht heeft in de voorraadoverschotten, de beweging van de concurrentie-index en de elasticiteitsband die daaraan ten grondslag lag – zal het systeem voldoende vertrouwen om ernaar te handelen in plaats van het te negeren.

Wat verandert er wanneer RGM overstapt van dashboards naar agents?

De operationele verschuiving die Databricks Mosaic AI mogelijk maakt in RGM is niet incrementeel, maar structureel. Hieronder ziet u wat er verandert in de kernaspecten van een typische CPG-omzetstructuur:

• Reactietijd van concurrenten: De meeste prijsbepalingsteams in de FMCG-sector werken tegenwoordig met wekelijkse of tweewekelijkse evaluatiecycli. Een AI-agent van Mosaic die continu prijsgegevens van concurrenten monitort, kan een prijsverandering in het schap signaleren en binnen enkele uren een aanbevolen reactie genereren. Zo wordt een handmatig proces dat normaal gesproken meerdere dagen in beslag neemt, omgezet in een geautomatiseerde en controleerbare actie.

  Weet je dat?

  Uit een analyse van meer dan 140 digitale en AI-toepassingen in de waardeketen van consumentengoederen blijkt dat AI-toepassingen wereldwijd jaarlijks een extra EBITDA van $160 miljard tot $270 miljard voor consumentengoederenbedrijven kunnen genereren.

  De grootste meerwaarde zit hem in consumenteninzichten en klant- en kanaalmanagement, precies de domeinen waarin een agentisch RGM-systeem opereert.


• Kwaliteit van handelsbevordering: In plaats van te vertrouwen op de promotiekalender van vorig jaar als basislijn, kan het Mosaic AI Agent Framework elke voorgestelde promotie evalueren aan de hand van historische gegevens over de omzetgroei, de huidige voorraadposities en regionale elasticiteitscurves voordat er ook maar één cent aan handelsuitgaven wordt besteed. Hierdoor verschuift RGM van reactief uitgavenbeheer naar proactief promotieontwerp.


• Capaciteit van de analist: Wanneer de Databricks AI-workflow zorgt voor continue monitoring, anomaliedetectie en eerste prijsaanbevelingen, kunnen omzet- en categoriemanagers zich richten op het valideren van beslissingen in plaats van data te extraheren. Ze besteden hun tijd aan het maken van inschattingen die menselijke context vereisen, in plaats van aan het samenstellen van wekelijkse presentaties.

Ontdek de bredere dataplatformstrategie die deze implementaties mogelijk maakt in het Polestar Analytics Data Migration and Modernization eBook , of zie hoe datamodernisering de basis legt voor agentsystemen.

Human-in-the-Loop: een sterke eigenschap van Mosaic AI, geen lapmiddel!

Het Mosaic AI Agent Framework is specifiek ontworpen voor bedrijfsomgevingen waar autonome uitvoering moet worden gecombineerd met menselijk toezicht – en in RGM is dit precies de juiste aanpak. Autonome prijsbepaling zonder governance is geen mogelijkheid, maar een risico.

Databricks Mosaic AI maakt van het 'human-in-the-loop'-patroon een volwaardig architectonisch kenmerk, geen bijzaak. In plaats van dat de agent een externe API aanroept om autonoom prijs- of promotiewijzigingen door te voeren, is de Supervisor Agent geconfigureerd om voorgestelde prijsacties in een beheerde Unity Catalog-stagingtabel te schrijven.

Deze interface biedt omzetmanagers, categoriedirecteuren of trade marketingmanagers een gestructureerd overzicht van het volledige redeneerproces van de agent — welke subagenten actief waren, welke signalen elk detecteerde, wat de elasticiteitsberekening opleverde en welk promotiescenario werd gemodelleerd — voordat een aanbeveling wordt uitgevoerd.

Dit ontwerp weerspiegelt een kernkenmerk van Databricks Mosaic AI: de mogelijkheid om governance-controlepunten in te voegen in elke fase van de agentworkflow zonder de automatiseringsketen te onderbreken. De agent verzorgt de continue monitoring, de datasynthese en het genereren van aanbevelingen. De mens neemt de uiteindelijke beslissing – op basis van een volledig auditspoor dat hij of zij niet zelf hoefde op te bouwen.

Voor de FMCG-industrie betekent dit dat een category manager die een aanbevolen prijsverlaging voor een langzaam verkopend product in het zuidoosten beoordeelt, niet alleen het bedrag ziet, maar ook het aantal dagen dat de voorraad op de markt was, de schapprijs van de concurrent die als context diende, en het elasticiteitsmodel dat de verlaging bevestigde. Dat is een fundamenteel andere besluitvormingsomgeving dan een spreadsheet en een onderbuikgevoel.

Weet je dat?

76% van de bedrijven integreert tegenwoordig processen met menselijke tussenkomst in hun AI-implementaties.

Bij RGM is dit geen aarzelende concessie aan organisatorische voorzichtigheid, maar een gezonde commerciële praktijk. Prijsbeslissingen brengen margerisico's met zich mee, hebben gevolgen voor de relatie met retailers en signaleren signalen naar de concurrentie. Menselijk oordeel speelt hierbij een cruciale rol. Het Mosaic AI Agent Framework is ontworpen om precies deze balans te ondersteunen: maximale automatisering in dataverwerking en het genereren van aanbevelingen, met gestructureerde menselijke autoriteit op het moment van de uiteindelijke beslissing.

Nog een belangrijk voordeel van de Databricks Mosaic AI-architectuur: hetzelfde gefaseerde governance-ontwerp dat beschermt tegen fouten bij autonome prijsbepaling, brengt ook latencyproblemen vroegtijdig aan het licht. Regionale prijsaanvragen met een hoog volume die 's nachts in batches worden verwerkt – waarbij duizenden SKU's worden geëvalueerd terwijl het handelsteam slaapt – zijn zowel operationeel geschikter voor de meeste CPG-workflows als kostenefficiënter dan synchrone realtime-uitvoering. Het Mosaic AI Agent Framework ondersteunt beide patronen; de juiste keuze hangt af van de frequentie van de prijsbeslissing, niet van de beperkingen van de technologie.

Waar kan het Mosaic AI Agent Framework worden toegepast?

Niet elke RGM-workflow vereist een Mosaic AI-agent. Meer dan 40% van de agentische AI-projecten zal tegen eind 2027 worden geannuleerd vanwege oplopende kosten, onduidelijke zakelijke waarde of ontoereikende risicobeheersing. De kunst is om te weten welke prijsworkflows de architectuur rechtvaardigen.

Pas het Mosaic AI Agent Framework toe wanneer de RGM-beslissing vereist dat meerdere ongestructureerde en gestructureerde gegevensbronnen tegelijkertijd worden samengevoegd — concurrentiegegevens over schappen, voorraadposities, historische promotionele effecten en regionale vraagsignalen — op een manier die een menselijke analist niet continu op grote schaal kan volhouden. Optimalisatie van handelspromoties, dynamische kanaalprijzen en regionale kortingsbeslissingen zijn hiervoor sterke voorbeelden.

Pas eenvoudigere Databricks AI-workflows toe — een op regels gebaseerde Databricks-taak, een geplande Python-trigger — wanneer de prijslogica deterministisch en begrensd is: "verlaag de prijs met 5% als de voorraad langer dan 30 dagen in het schap ligt." Deze workflows worden in milliseconden uitgevoerd, hebben geen risico op hallucinaties en zijn goedkoper in onderhoud. Het Mosaic AI Agent Framework vervangt geen op regels gebaseerde prijsengines. Het neemt de beslissingen over die regels niet kunnen nemen.

De RAG-componenten van de subagenten gebruiken historische gegevens om aanbevelingen te onderbouwen. Wanneer een marktschok geen precedent heeft in de Vector-index – een plotselinge prijsstijging van een grondstof, een onverwachte beursnotering van een concurrent – wordt de menselijke tussenkomst in het governance-mechanisme van het Mosaic AI Agent Framework de belangrijkste beveiliging. In plaats van een zelfverzekerde maar ongefundeerde aanbeveling te genereren, is het systeem zo geconfigureerd dat de anomalie wordt gesignaleerd en doorgestuurd naar een senior revenue manager voor handmatige afhandeling. Dit is geen systeemfout; het systeem werkt zoals bedoeld.

Het handhaven van de productiekwaliteit vereist voortdurende investeringen in ML-engineering — het monitoren van MLflow op snelle afwijkingen, het vernieuwen van Vector Search-embeddings naarmate de concurrentiegegevens veranderen, en het uitvoeren van evaluatiecycli van het Mosaic AI Agent Framework tegen bijgewerkte basislijnen. Teams die de agent bouwen en er vervolgens niet meer naar omkijken, zullen de prestaties stilletjes zien afnemen. Teams die de Databricks AI-workflow behandelen als een levend systeem — met dezelfde discipline als elke andere datapipeline in een productieomgeving — zullen de waarde ervan in de loop der tijd zien toenemen.

Met Mosaic AI Agent Evaluation kunnen belanghebbenden, zelfs buiten het Databricks-platform, de modeluitvoer beoordelen en scores geven om de kwaliteit te verbeteren.

Dergelijke MLflow-tracering biedt volledig inzicht in elke uitvoeringsstap van de Databricks AI-workflow — essentieel voor het monitoren van prompt-afwijkingen, het debuggen van de prestaties van Mosaic AI-agenten en het waarborgen van de kwaliteit van RGM-aanbevelingen in de loop van de tijd!

Wat bepaalt of een Databricks AI-workflow succesvol is in een productieomgeving?

De overstap van dashboardgestuurd naar agentgestuurd omzetbeheer is niet zozeer een technologische beslissing, maar een beslissing over het operationele model. De technologie – Databricks Mosaic AI, Unity Catalog, MLflow, Vector Search – is inmiddels voldoende ontwikkeld voor implementatie in een productieomgeving. Of een implementatie succesvol is, hangt af van het governance-ontwerp, de workflowarchitectuur van het omzetbeheer en de eerlijkheid over waar automatisering moet stoppen en waar het oordeel van de categoriemanager moet beginnen.

Polestar Analytics heeft deze transitie voor zakelijke klanten in de retail- en FMCG-sector gestructureerd, waarbij de Databricks Mosaic AI-architectuur wordt gecombineerd met een implementatiediscipline die even bewust rekening houdt met organisatorische frictie als met het technische ontwerp. De vraag is niet langer of agentisch omzetbeheer werkt. Het gaat erom of uw handels- en prijsinfrastructuur er klaar voor is – en of uw organisatie klaar is om te handelen op basis van de bevindingen.