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 poznatky využitelné v praxi 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 mezeru.

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 nově navržen 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 zefektivnit 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 datovou základnu fungující v reálném čase, 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 překlenujeme tuto mezeru mezi generováním informací a realizací hodnoty.

Společnost Tredence spolupracuje s mnoha největšími maloobchodníky na světě a podporuje firmy s tržbami v bilionech. Co podle vašich zkušeností odlišuje maloobchodníky, kteří AI úspěšně rozšíří, od těch, kteří zůstanou u experimentů?

Podpora maloobchodních tržeb v bilionech nám ve společnosti Tredence umožňuje zblízka sledovat jasný rozdíl mezi maloobchodníky, kteří AI chápou jako soubor nesouvisejících pokusů, a těmi, kteří budují průmyslovou „továrnu na AI“. Hlavním rozdílem je závazek k základům agentní platformy. Nejúspěšnější organizace přestanou pokaždé začínat od nuly a investují do opakovaně použitelných komponent, standardních návrhových šablon a připravených agentních vzorů pro konkrétní maloobchodní situace. Se zralým LLMOps, kompletní pozorovatelností a vestavěnými pravidly odpovědné AI se doba potřebná k vytvoření hodnoty u nových případů použití obvykle zlepší o 80 %, protože hlavní architektonická práce je hotová.

Platforma je však jen tak dobrá jako kontext, který používá. Škálování vyžaduje bohatou sémantickou vrstvu, silná metadata a jednotné datové modely, aby AI mohla uvažovat o fungování podniku. Skuteční lídři navíc chápou, že jde i o kulturní změnu. Přecházejí od prosté automatizace ke spolupráci lidí s agenty a přepracují pracovní postupy tak, aby zaměstnanci a obchodníci digitálním kolegům důvěřovali a spolupracovali s nimi. Tím se algoritmický potenciál mění v měřitelnou obchodní hodnotu.

Více než 70 % maloobchodních akcí stále nepokryje své náklady. Jak může AI zlepšit plánování, měření a optimalizaci v reálném čase?

Problém přetrvává, protože analýzy často zaměňují celkové prodeje se skutečným přírůstkem a dotují zákazníky, kteří by nakoupili i bez slevy. Kauzální AI může při plánování simulovat výsledky a určit skutečnou výchozí úroveň, tedy co by se prodalo bez akce. Maloobchodník se pak zaměří pouze na nový objem.

Při měření AI řeší problém celého portfolia tím, že vyčísluje halo efekt i kanibalizaci. Obchodníci často plánují odděleně, zatímco AI poskytuje pohled na celou kategorii a ověří, zda akce na jednom SKU jen neodebírá marži jinému. Tento celkový pohled ukáže, zda kategorie skutečně roste, nebo se pouze jinak dělí její stávající prodej. Pro optimalizaci v reálném čase mohou agenti sledovat právě probíhající kampaň. Místo čekání na analýzu několik týdnů po jejím skončení samostatně doporučují korekce, například úpravu výdajů na digitální reklamu nebo změnu nabídky, aby zachránili hospodářský výsledek ještě před koncem akce. Cílem už není pouze vyprázdnit sklad, ale řídit ziskový růst.

Chyby v prognózách a nedostupné zboží stále způsobují velké ztráty. Proč jsou merchandising a dodavatelský řetězec řízené AI účinnější než tradiční předpovědi?

AI doplňuje interní historii o počasí, místní události a ekonomické ukazatele. Přesnější prognóza zlepšuje nejen prodej, ale také zásoby, kapacitu, pracovní směny a skladové operace podle skutečné poptávky.

Druhý posun se týká nedostupného zboží, které většina maloobchodníků stále nedokáže přesně měřit. AI odhalí prodejní anomálie a „fantomové zásoby“, kdy systém hlásí položku skladem, ale prodej ustal, a automaticky vyvolá kontrolní inventuru. Počítačové vidění navíc v reálném čase označí prázdná místa v regálu a sleduje zboží v zázemí, takže produkt není jen v budově, ale skutečně dostupný zákazníkovi.

Jak agenti schopní uvažování mění vyhledávání produktů a konverzi oproti dnešnímu nakupování založenému na hledání?

Dnes musí zákazník vědět, co hledá, porovnat možnosti a vyznat se v množství výsledků. Agent může dynamicky vytvořit „syntetickou uličku“, dočasnou kolekci produktů z více kategorií podle konkrétního záměru. Místo samostatného hledání pěti položek pro „zdravé ráno“ například spojí cereálie s vysokým obsahem bílkovin, mixér a další položky a zkrátí objevování z minut na sekundy.

Při konverzi se agent chová méně jako vyhledávač a více jako osobní nákupní asistent. Nejen vypisuje možnosti, ale aktivně sestavuje košíky podle otevřených potřeb. Požadavek „večeře pro čtyři do 50 dolarů“ vyhodnotí podle zásob, ceny a dietních omezení a navrhne kompletní sestavu. Vysvětlením, proč konkrétní produkt odpovídá životnímu stylu nebo cíli zákazníka, překonává mezeru v důvěře, snižuje rozhodovací paralýzu a dosahuje vyšší konverze než mlčící mřížka náhledů produktů. Tento přístup se rozšiřuje i na vysoce personalizovaný obsah. Místo stejného banneru na úvodní stránce pro všechny může agentní AI vytvářet dynamické vstupní stránky a vizuály podle aktuální nákupní mise. Pro škálování však musí být ukotvena v jednotném datovém modelu a přísných pravidlech značky a bezpečnosti, aby si nevymýšlela produkty ani nenarušovala tón komunikace značky.

Jak mají podniky modernizovat zastaralé datové základy, aby AI poskytovala důvěryhodná a vysvětlitelná doporučení?

Největší překážkou není model, ale datová bažina pod ním. Maloobchodníci musí vybudovat jednotnou sémantickou vrstvu, kde je obchodní logika, například výpočet čisté marže nebo odchodu zákazníků, definována jednou a dostupná všem místo ukrytí v roztříštěných SQL skriptech.

Místo vnímání dat jako vedlejšího produktu IT je třeba přijmout přístup datového produktu s jasným vlastníkem, dohodami o úrovni služby (SLA) a důsledným sledováním kvality prostřednictvím datové pozorovatelnosti. Čistý, řízený zlatý záznam spolu s metadaty odemyká vysvětlitelnost: AI může své doporučení zpětně doložit přes sémantickou vrstvu.

Jak jednotné datové modely a sdílené platformy AI posilují spolupráci maloobchodníků a výrobců spotřebního zboží?

Dříve obě strany sledovaly stejného zákazníka různými pohledy a s vlastními pobídkami. Jednotný model vytváří společnou verzi pravdy o regálu i chování zákazníků. Na stejné platformě mohou společně určit, zda růst či únik způsobuje cena, propagace, sortiment nebo zásoby. Diskuse se mění z „moje data proti vašim“ na „naše společná příležitost“, což vede k chytřejším rozhodnutím, rychlejším experimentům a vyššímu růstu celé kategorie ve prospěch maloobchodníků i značek.

Jakou roli bude AI hrát v cílení, měření a uzavřené atribuci při zachování důvěry zákazníků v maloobchodních mediálních sítích?

AI promění čtyři klíčové oblasti. Za prvé se cílení přesune od statických segmentů k predikci záměru pomocí signálů v reálném čase, například rychlosti prohlížení a složení košíku. AI tak rozpozná přesný okamžik potřeby zákazníka a zobrazí správnou reklamu v nejdůležitější chvíli místo pouhého cílení na širokou demografickou skupinu. Za druhé se měření posune od běžné návratnosti výdajů na reklamu (ROAS) k inkrementální návratnosti těchto výdajů (iROAS). Kauzální AI změří skutečný dopad mediálních výdajů tím, že rozliší zákazníky, kteří nakoupili pouze díky reklamě, od těch, kteří by nakoupili i bez ní.

Za třetí je zásadní provozní efektivita, zejména v kreativní produkci. Pro podporu vysoce personalizovaného obsahu používají maloobchodníci generativní AI nejen k tvorbě nápadů, ale i ke škálování výroby. Automaticky vytváří tisíce dynamických variant obsahu pro jednotlivé kanály během minut místo týdnů a odstraňuje omezení rychlosti tvorby obsahu. Za čtvrté důvěru chrání široké přijetí datových clean roomů, v nichž maloobchodníci a značky bezpečně propojí datové sady pro atribuci v uzavřené smyčce, aniž by citlivé osobní identifikační údaje (PII) opustily jejich příslušné firewally.

Jaké schopnosti vymezí příští generaci maloobchodníků s AI a co musí lídři začít budovat již dnes, aby zůstali konkurenceschopní v příštích pěti letech?

Další období přejde od digitální transformace k agentní transformaci. Sítě agentů budou společně řídit složité procesy; agent dodavatelského řetězce například automaticky požádá marketingového agenta, aby pozastavil akci kvůli zpožděné zásilce.

Lídři musí vybudovat tři věci. První je jednotný datový model, protože agenti nemohou spolupracovat bez společného jazyka; datový základ se musí stát sémantickým nervovým systémem. Druhou je rámec správy agentů, který předem určí, co může AI provést samostatně a co vyžaduje souhlas člověka. Třetí je přechod od statických panelů hledících do minulosti ke konverzační analytice, která poskytuje okamžité, personalizované poznatky. Tato rozhraní nejen popisují, co se stalo, ale pomocí agentní AI uvažují nad složitými otázkami proč a poskytují konkrétní doporučení, co přesně udělat dál. Tím uzavírají mezeru mezi poznatkem a akcí.

Děkuji za skvělý rozhovor. Čtenáři, kteří se chtějí dozvědět více, mohou navštívit Tredence.