Amanpal Dhupar, Head of Retail at Tredence – Interview Series

Amanpal Dhupar, Head of Retail at Tredence je zkušený lídr v oblasti retailové analytiky a AI s více než desetiletou zkušeností v navrhování a vývoji datově řízených řešení, která poskytují akční přehledy pro rozhodování na úrovni podniku. Během své kariéry vedl strategické analytické transformace pro seniorní výkonné ředitele napříč významnými maloobchodníky, vytvořil roadmapy AI produktů pro měřitelné obchodní KPI a rozšiřoval analytické týmy z počáteční fáze na velké operace – prokazující tak jak technickou hloubku, tak i liderství.

Tredence je firma specializující se na datové vědy a AI řešení, zaměřená na pomoc podnikům odemknout obchodní hodnotu prostřednictvím pokročilé analytiky, strojového učení a AI poháněného rozhodování. Společnost spolupracuje s globálními značkami – zejména v maloobchodu a spotřebním zboží – na řešení složitých problémů napříč merchandisingem, dodavatelským řetězcem, cenami, zákaznickými zkušenostmi a operacemi go-to-market, translatese tak přehledy do reálného dopadu a pomáhá klientům modernizovat své analytické a inteligentní schopnosti.

Maloobchodníci často spouštějí desítky AI pilotních projektů, ale velmi málo z nich přechází do plnohodnotné implementace. Jaké jsou nejčastější organizační chyby, které brání AI v přechodu na měřitelné obchodní výsledky?

Studie MIT Solan zjistila, že 95 % AI pilotních projektů nedokáže dosáhnout plnohodnotné implementace. Realita je taková, že pilotní projekty jsou snadné, ale produkce je tvrdá. V Tredence jsme identifikovali čtyři specifické organizační důvody, které způsobují tuto mezеру.

První je selhání při pochopení workflow koncového uživatele. Maloobchodníci často vkládají AI do stávajících poškozených procesů, místo aby se ptali, jak by měl být workflow sám reimaginován s AI v centru.

Druhý je nedostatek platformního přístupu k Agentic AI. Místo toho, aby se jednalo o agenty jako o jednorázové experimenty, organizace potřebují streamlinovat celý životní cyklus – od návrhu a vývoje agenta až po nasazení, monitoring a governance – napříč celou firmou.

Třetím je slabá datová základna. Je snadné postavit pilotní projekt na čistém plochém souboru, ale škálování vyžaduje robustní, reálnou datovou základnu, kde jsou přesná data neustále dostupná AI modelům.

Posledním je třecí plocha mezi IT tlakem a obchodním tahem. Úspěch nastává pouze tehdy, když obchodní lídři vidí AI jako hodnotový přínos spojený s měřitelným dopadem, spíše než jako rozptýlení vyvolané IT. V Tredence se naše pozornost vždy soustředila na ‘poslední míli’, kde mostíme tuto mezеру mezi generováním přehledů a realizací hodnoty.

Tredence spolupracuje s mnoha z největších maloobchodníků na světě, podporuje trillions v tržbách. Na základě toho, co vidíte napříč průmyslem, co odlišuje maloobchodníky, kteří úspěšně škálovají AI, od těch, kteří zůstávají uvězněni v experimentování?

V Tredence, podpora trillions v maloobchodních tržbách nám dala přední místo k jasně viditelnému průmyslovému rozdělení: maloobchodníci, kteří pohlížejí na AI jako na řadu nesouvisejících experimentů, versus ti, kteří budují industrializovanou ‘AI továrnu’. Primární diferenciátor spočívá v závazku k Agentic AI Platform základen. Nejúspěšnější organizace přestávají budovat od základu a místo toho investují do robustního ekosystému charakterizovaného opakovaně použitelnými komponentními knihovnami, standardními designovými šablonami a předem vytvořenými agenty vzorci vyhrazenými pro konkrétní maloobchodní použití. Když vrstvíte zralé LLMOps, plně viditelné pozorovatelnosti a zabudované zodpovědné AI (RAI) ochranné prvky na tuto základnu, dopad je transformační – obvykle vidíme zlepšení rychlosti hodnoty pro nové použití o 80 %, protože těžká architektonická práce je již hotova.

Nicméně, platforma je tak dobrá, jako je kontext, který spotřebuje, což nás přivádí k datové základně. Škálování vyžaduje více než jen surový přístup k datům; vyžaduje bohatou sémantickou vrstvu, kde silná metadata a unifikované datové modely umožňují AI ‘rozumět’ podniku, spíše než jen zpracovávat vstupy. Nakonec, skutečné lídry rozpoznávají, že se jedná nejen o technologickou přestavbu, ale i o kulturní. Mostí ‘poslední míli’ přechodem od jednoduché automatizace k lidsko-agentnímu týmovému spolupráci, přepracovávají workflow tak, aby se associates a merchanti důvěřovali a spolupracovali se svými digitálními protějšky, proměňovali algoritmický potenciál v měřitelnou obchodní realitu.

Více než 70 procent maloobchodních akcí stále selhává v dosažení zisku. Jak může AI významně zlepšit plánování akcí, měření a reálnou optimalizaci?

70% selhání přetrvává, protože maloobchodníci často spoléhají na ‘zadní zrcadlo’ analytiky, která zaměňuje celkové prodeje s inkrementálními zisky – vlastně dotují věrné zákazníky, kteří by stejně koupili. Abychom tento cyklus přerušili, musíme přejít od popisných reportů k prediktivnímu přístupu. Ve fázi plánování používáme Causal AI k simulaci výsledků a stanovení ‘skutečných bazálních hodnot’, identifikaci přesně toho, co by se prodalo bez akce. To umožňuje maloobchodníkům přestat platit za organickou poptávku a zaměřit se pouze na čisté nové objemy.

Pro měření AI řeší ‘portfolio puzzle’ kvantifikací halo efektů a kanibalizace. Lidský merchant často plánuje v izolovaných sférách, ale AI poskytuje kategorie-wide pohled, zajišťující, že akce na jednom SKU není jen krádeží marží z jiného. Tento holistický měření pomáhá maloobchodníkům pochopit, zda rostou kategorii nebo jen jinak rozdělují.

Nakonec, pro reálnou optimalizaci, průmysl se pohybuje směrem k AI Agentům, kteří monitorují kampaně ‘v letu’. Místo čekání na post-mortem analýzu týdnů po události, tyto agenty autonomně doporučují kursy korekcí – jako úpravu digitálního reklamního rozpočtu nebo výměnu nabídek – pro záchranu P&L před koncem akce. Tento přístup mění zaměření od jednoduchého vyčištění zásob na inženýrství ziskového růstu.

Předpovědní chyby a nedostatek zásob pokračují ve způsobování významných ztrát příjmů. Co činí AI poháněné maloobchodní a dodavatelské systémy účinnějšími než tradiční předpovědní přístupy?

První posun je v předpovědi, kde AI přechází od spoléhání se pouze na interní historii k přijímání externích dat – jako lokální počasí, sociální události a ekonomické ukazatele. Když předpověď zachytí tento vnější kontext, zlepšení přesnosti nezlepšují pouze prodejní čísla; kaskádovitě optimalizují také řízení zásob, kapacitní plány, pracovní rozvrhy a skladové operace, aby se shodovaly s skutečnou poptávkou.

Druhý posun je v Out-of-Stocks (OOS), které většina maloobchodníků stále nedokáže přesně měřit. AI řeší toto problémem detekcí anomálií v prodejních vzorcích – identifikací ‘Phantom Inventory’, kde systém myslí, že položka je ve skladu, ale prodeje přestaly – a automatickým spouštěním cyklických inventur pro opravu záznamu. Za hranicí dat vidíme vzestup počítačového vidění pro fyzické označení mezer na regálech v reálném čase a sledování zásob ve skladech, zajišťující, že produkt není jen ‘v budově’, ale je dostupný pro zákazníka k nákupu.

Agentic commerce se stává významnou tématem v maloobchodní inovaci. Jak rozumění založené AI agenty významně mění produktové objevy a konverzi ve srovnání se současnou vyhledávací nákupní zkušeností?

V dnešní vyhledávací nákupní zkušenosti spotřebitelé stále dělají většinu těžké práce. Musí vědět, co hledat, porovnat možnosti a dát smysl nekonečným výsledkům. Rozumění založené agenty narušují toto, dynamicky generují ‘syntetické uličky’ – přizpůsobené kolekce, které agregují multi-kategorie produkty na základě specifické záměry. Například místo samostatného hledání pěti položek, zákazník s ‘zdravou ranní’ misí je prezentován ucelenou, dočasnou uličkou obsahující vše od vysokobílkovinové cereálie po mixéry, okamžitě zkracující objevovací tunel z minut na sekundy.

Na straně konverze tyto agenty jednají méně jako vyhledávače a více jako ‘nákupní koncierge’. Nezobrazují pouze možnosti; aktivně sestavují košíky na základě otevřených potřeb. Pokud zákazník požádá o ‘večerní plán pro čtyři osoby za méně než 50’, agent rozumí skrze inventář, ceny a dietetické omezení, aby navrhl kompletní balíček. Tato rozumění schopnost uzavírá ‘důvěrnou mezеру’ – tím, že vyjadřuje, proč konkrétní produkt vyhovuje uživatelskému životnímu stylu nebo cíli, agent snižuje rozhodovací paralýzu a pohání vyšší konverzní sazby ve srovnání se silentní mřížkou produktových miniatur.

Nakonec vidíme, jak se toto rozšiřuje do hyper-personalizovaného obsahu. Místo zobrazení stejné úvodní stránky všem, Agentic AI může generovat dynamické přistávací stránky a vizuály, které odrážejí zákazníkovo aktuální nákupní misi. Avšak pro škálování, maloobchodníci zjistili, že potřebují založit tyto agenty na Unifikovaném Datovém Modelu se striktními značkovými a bezpečnostními governance, zajišťující, že AI ‘kreativita’ nikdy nehalucinuje produkty nebo porušuje značkovou řeč.

Mnozí maloobchodníci bojují se zastaralými datovými architekturami. Jak by měly podniky modernizovat své datové základy, aby AI modely mohly dodávat důvěryhodné a vysvětlitelné doporučení?

Největší bariéra pro úspěch AI není modely, ale ‘datový bažina’ pod nimi. Abychom modernizovali, maloobchodníci musí přestat pouze shromažďovat data a začít budovat unifikovanou sémantickou vrstvu. To znamená implementovat standardní ‘Datový Model’, kde obchodní logika (jako přesně, jak se ‘Čistý zisk’ nebo ‘odchod’ vypočítává) je definována jednou a je univerzálně přístupná, spíše než být skrytá v fragmentovaných SQL skriptech napříč organizací.

Druhým je potřeba přesunout se k ‘datovému produktu’ myšlení. Místo toho, aby se data považovala za IT vedlejší produkt, úspěšné maloobchodníky považují data za produkt s definovaným vlastnictvím, SLA a přísným kvalitním monitorováním (datová pozorovatelnost). Když kombinujete tento čistý, řízený ‘zlatý záznam’ s bohatými metadaty, odemkněte vysvětlitelnost. AI nedává pouze černou skříňku doporučení; může vystopovat svou logiku zpět skrze sémantickou vrstvu.

Spolupráce mezi maloobchodníky a CPG společnostmi historicky závisela na fragmentovaných datech a nekonzistentních metrikách. Jak unifikované datové modely a sdílené AI platformy odemknou silnější kategorie výkonu pro obě strany?

Dosud maloobchodníci a CPG společnosti pohlíželi na stejného zákazníka skrze různé čočky, každý používal svá vlastní data a pobídky. Unifikované datové modely mění toto, vytvářejí jediné pravdivé verze napříč hodnotovým řetězcem, ať už se jedná o prodejní výkon nebo zákaznické chování.

Když obě strany pracují na stejné AI platformě, mohou společně identifikovat, co pohání růst nebo únik na kategorické úrovni. Může to být cokoliv – ceny, akcie, sortiment nebo mezery ve zásobách. To mění konverzace z ‘mé data vs. vaše’ na ‘naše sdílená příležitost’.

Výsledkem jsou chytřejší rozhodnutí, rychlejší experimentování a nakonec vyšší kategorie růstu, který prospívá jak maloobchodníkům, tak značkám.

Jak se maloobchodní média sítě zrát, jakou roli bude AI hrát v zlepšování cílení, měření a uzavřené smyčky atribuce, zatímco udržuje spotřebitelskou důvěru?

AI transformuje čtyři klíčové oblasti, jak se maloobchodní média sítě zrát.

První je cílení, kde se průmysl vyvíjí od statických cílových segmentů k prediktivnímu úmyslu. Analýzou reálných signálů – jako prohlížení rychlosti nebo složení košíku – pro identifikaci přesného okamžiku zákazníkova potřeby, AI zajišťuje, že zobrazujeme správné reklamy, když to nejvíce záleží, spíše než jen cílení na široké demografické označení.

Druhým je měření, kde se zlatý standard mění od jednoduchého návratu na reklamní výdaje (ROAS) na inkrementální ROAS (iROAS). Používáním Causal AI můžeme měřit skutečný dopad médií výdajů identifikací zákazníků, kteří se konvertovali pouze kvůli reklamě, spíše než těm, kteří by se to stalo organicky.

Třetím je operativní efektivita, která se stává kritickou, zejména v kreativních operacích. Pro podporu hyper-personalizace maloobchodníci používají Generativní AI nejen pro ideaci, ale i pro škálování produkce. To umožňuje týmům automaticky generovat tisíce dynamických, kanálově specifických assetů variací za minutu, spíše než týdny, řeší tak úzké místo ‘obsahové rychlosti’.

Nakonec, udržení důvěry závisí na širokém přijetí čistých datových místností. Tyto prostředí umožňují maloobchodníkům a značkám bezpečně sladit svá datová sada pro uzavřenou smyčku atribuce, zajišťující, že citlivé Osobně identifikovatelné informace (PII) nikdy neopouští jejich příslušné firewall.

Pohledem dopředu, jaké schopnosti budou definovat další generaci AI poháněných maloobchodníků, a co by měli lídři začít budovat dnes, aby zůstali konkurenceschopní v příštích pěti letech?

Další éra maloobchodu bude definována posunem od ‘digitální transformace’ k ‘agentic transformaci’. Přecházíme do budoucnosti ‘autonomní orchestrace’, kde sítě AI agentů spolupracují na řízení komplexních procesů – jako je dodavatelský řetězec agent, který automaticky informuje marketingového agenta, aby pozastavil akci, protože zásilka je zpožděna.

Aby se na toto připravili, lídři musí začít budovat tři věci dnes.

První je unifikovaný datový model. Agenti nemohou spolupracovat, pokud nemluví stejným jazykem; vaše datová základna musí evoluce z úložiště do sémantického ‘nervového systému’.

Druhým je governance framework pro agenty. Musíte definovat ‘pravidla zapojení’ – co je AI povoleno dělat autonomně versus co vyžaduje lidské schválení – předtím, než škálovat.

Nakonec, dny statických dashboardů poskytujících ‘zadní zrcadlo’ analytiky jsou sečteny. Přecházíme k konverzačním analytikám, které poskytují okamžité, personalizované přehledy. Tyto rozhraní jdou daleko za reporting ‘co se stalo’; využívají agentic AI k rozumu skrze komplexní ‘proč’ otázky a dodávají preskriptivní doporučení na přesně ‘co dělat dál’, efektivě uzavírající mezеру mezi přehledem a akcí.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Tredence.