Amanpal Dhupar, vedoucí maloobchodního prodeje ve společnosti Tredence – Interview Series

Amanpal Dhupar, vedoucí maloobchodního prodeje ve společnosti Tredence, je zkušený lídr v oblasti maloobchodní analytiky a umělé inteligence s více než desetiletou zkušeností v oblasti navrhování a vývoje datově řízených řešení, která poskytují akční informace pro rozhodování na úrovni podniků. Během své kariéry vedl strategické transformace analytiky pro seniorní manažery ve velkých maloobchodních společnostech, vytvořil roadmapy produktů AI pro měřitelné obchodní KPI a rozšiřoval analytické týmy od počátku až po velké operace – prokazující jak technickou hloubku, tak i vůdcovskou flexibilitu.

Tredence je společnost specializující se na datové vědy a řešení umělé inteligence, zaměřená na pomoc podnikům odemknout obchodní hodnotu prostřednictvím pokročilé analytiky, strojového učení a rozhodování založeného na umělé inteligenci. Společnost spolupracuje s globálními značkami – zejména v maloobchodu a spotřebitelském zboží – na řešení komplexních problémů v oblasti merchandisingu, dodavatelského řetězce, cen, zákaznické zkušenosti a operací vstupu na trh, překládajících informace do skutečného dopadu a pomáhajících klientům modernizovat své analytické a inteligentní schopnosti.

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

Recentní studie MIT Solan zjistila, že 95 % pilotních projektů AI nezískává plnohodnotnou implementaci. Realita? Pilotní projekty jsou snadné, ale produkce je obtížná. Ve společnosti Tredence jsme identifikovali čtyři specifické organizační důvody, které způsobují tuto mezеру.

Prvním 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 reimagineován s AI v centru.

Druhým je nedostatek platformního přístupu k Agentic AI. Místo toho, aby se jednalo o agenty jako o jednorázové experimenty, organizace potřebují streamovat celý životní cyklus – od návrhu a vývoje agentů až po nasazení, monitorování a správu – napříč celou společností.

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

Posledním je třecí plocha mezi tlakem IT a tahem podniku. Úspěch nastává pouze tehdy, když lídři podniku vidí AI jako hodnotový přírůstek spojený s měřitelným dopadem, spíše než jako rozptýlení vyvolané IT. Ve společnosti Tredence se naše pozornost vždy soustředila na “poslední míli”, kde mostíme tuto mezéru mezi generováním informací a realizací hodnoty.

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

Ve společnosti Tredence má podpora trillions v maloobchodních tržbách poskytla nám přední místo k jasně viditelnému rozdílu v odvětví: maloobchodníci, kteří pohlížejí na AI jako na řadu nesouvisejících experimentů, versus ti, kteří budují industrializovanou “AI továrnu”. Primární diferenciátor spočívá v závazku vůči Agentic AI Platform fondům. Nejúspěšnější organizace přestávají budovat od začátku a místo toho investují do robustního ekosystému charakterizovaného opakovanými komponentními knihovnami, standardními šablonami návrhu a předem vytvořenými agenty podle specifických maloobchodních případů použití. Když vrstvíte zralé LLMOps, plně viditelnou observovatelnost a zabudované RAI zábrany na vrchol této základny, dopad je transformační – obvykle vidíme 80% zlepšení rychlosti hodnoty pro nové případy použití, protože těžká architektonická práce je již hotová.

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

70% selhání trvá, protože maloobchodníci často spoléhají na “zadní zrcátko” analytiky, která zaměňuje celkové prodeje s inkrementálním ziskem – vlastně dotuje věrné zákazníky, kteří by stejně koupili. Abychom prolomili tento cyklus, musíme se posunout od popisné zprávy k předpovědnímu přístupu. Ve fázi plánování používáme Causal AI k simulaci výsledků a stanovení “skutečných bazénů”, identifikujících přesně to, co by se prodalo bez akce. To umožňuje maloobchodníkům přestat platit za organickou poptávku a zaměřit se pouze na čisté nové objemy.

Mnoho maloobchodníků zápasí se zastaralými datovými architekturami. Jak by měly podniky modernizovat své datové základy, aby AI modely mohly poskytovat důvěryhodné a vysvětlitelné doporučení?

Největší bariéra pro úspěch AI není model, ale “datový bažina” pod ním. Abychom modernizovali, maloobchodníci musí přestat pouze sbírat data a začít budovat sjednocenou semantickou vrstvu. To znamená implementovat standardní “Datový model”, kde obchodní logika (jako například přesně, jak se vypočítává “Čistý zisk” nebo “odchod”) je definována jednou a je univerzálně přístupná, spíše než být skrytá ve fragmentovaných SQL skriptech napříč organizací.

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

Dosud pohlíželi maloobchodníci a CPG na stejného zákazníka skrze různé čočky, každý pomocí svých vlastních dat a pobídek. Sjednocené datové modely mění toto, vytvářející jedinou verzi pravdy napříč hodnotovým řetězcem, ať už se jedná o výkon regálu nebo chování zákazníka.

Jaké role bude AI hrát při zlepšování cílení, měření a uzavřené smyčky atribuce, zatímco zachování spotřebitelské důvěry, když se retailové mediální sítě zrají?

AI transformuje čtyři klíčové oblasti, když se retailové mediální sítě zrají.

Podívejte se dopředu, jaké schopnosti budou definovat další generaci AI poháněných maloobchodníků, a co by měli lídři začít budovat dnes, aby zůstali konkurenceschopní v průběhu následujících pěti let?

Budoucí generace 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 například agent dodavatelského řetězce, který automaticky informuje agenta marketingu, aby pozastavil akci, protože zásilka je zpožděna.

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