Amanpal Dhupar, Head of Retail at Tredence – Interview-serie

Amanpal Dhupar, Head of Retail at Tredence er en erfaren retail analytics- og AI-leder med over et årti med ekspertise i design og udvikling af data-drevne løsninger, der leverer handlebare indsighter for virksomhedsbeslutningstagere. Gennem sin karriere har han ledet strategiske analytics-transformationer for seniortopchefer i store detailhandelsvirksomheder, bygget AI-produktveje til at drive målbare forretnings-KPI’er og skaleret analytics-teams fra spædbarn til storstilede operationer – demonstrerende både teknisk dybde og ledelsesflexibilitet.

Tredence er en data science- og AI-løsningsselskab, der fokuserer på at hjælpe virksomheder med at låse forretningsværdi op gennem avanceret analytics, machine learning og AI-drevet beslutningstagning. Selskabet samarbejder med globale mærker – især inden for detailhandel og forbrugsgoder – for at løse komplekse udfordringer på tværs af merchandising, forsyningskæde, prissætning, kundeoplevelse og markedsføringsoperationer, og omdanner indsighter til virkelige resultater og hjælper kunderne med at modernisere deres analytics- og intelligenskapaciteter.

Detailhandlere kører ofte dusinvis af AI-piloter, men kun få kommer i fuld skala. Hvad er de mest almindelige organisatoriske fejl, der forhindrer AI i at blive til målbare forretningsresultater?

En ny MIT Solan-studie fandt, at 95% af AI-piloter ikke opnår fuld skala. Sandheden er, at piloter er lette, men produktion er hård. Hos Tredence har vi identificeret fire specifikke organisatoriske årsager, der driver denne kløft.

Først er det fejlen i at forstå slutbrugerens arbejdsgang. Detailhandlere indsætter ofte AI i eksisterende fejlbehæftede processer i stedet for at spørge, hvordan arbejdsgangen selv skal genopfindes med AI i centrum.

Anden er manglen på en platform-tilgang til Agentic AI. I stedet for at behandle agenter som enkeltstående eksperimenter skal organisationer strømlinje hele livscyklussen – fra agentdesign og udvikling til implementering, overvågning og governance – på tværs af virksomheden.

Tredje er en svag datagrundlag. Det er let at bygge en pilot på en ren flad fil, men skaleringskrav kræver et robust, realtidsgrundlag, hvor præcis data er kontinuerligt tilgængelig for AI-modeller.

Endelig ser vi en friktion mellem IT-pushing og forretnings-træk. Succes sker kun, når forretningsledere ser AI som en værditilføjelse knyttet til målbare impact, i stedet for en afledning, der presses af IT. Hos Tredence har vores fokus altid været på ‘sidste mile’, hvor vi brobygger kløften mellem indsigtsgenerering og værdirealisering.

Tredence samarbejder med mange af verdens største detailhandlere og støtter billioner i omsætning. Hvad adskiller detailhandlere, der skalerer AI med succes, fra dem, der bliver fast i eksperimenter?

Hos Tredence har støtten til billioner i detailhandelsomsætning givet os en førerplads til en klar industriklov: detailhandlere, der behandler AI som en række separate eksperimenter, versus dem, der bygger en industrialiseret ‘AI-fabrik’. Den primære differentiator ligger i en tilbageholdenhed til Agentic AI-platformsgrundlag. De mest succesfulde organisationer stopper med at bygge fra bunden og investerer i stedet i en robust økosystem karakteriseret ved genbrugelige komponentbiblioteker, standarddesignskabeloner og forbyggede agentmønstre tilpasset specifikke detailhandelsbrugsområder. Når du lagrer modne LLMOps, fuld-stack-overvågning og indbyggede ansvarlige AI (RAI)-vagtposter oven på dette grundlag, er impacten transformerende – vi ser typisk en hastighed til værdi for nye brugsområder forbedret med 80%, fordi den tungt arkitektoniske løftning allerede er gjort.

Men en platform er kun så god som konteksten, den forbruger, hvilket bringer os til datagrundlaget. Skaleringskrav kræver mere end bare rå adgang til data; det kræver en rig semantisk lag, hvor stærk metadata og enhedlige datamodeller tillader AI at ‘resonere’ om forretningen i stedet for blot at behandle input.

Flere end 70% af detailhandelsfremmende handler ikke om at bryde lige. Hvordan kan AI meningfuldt forbedre planlægning, måling og realtidsoptimering?

Den 70% fejlrate består, fordi detailhandlere ofte afhænger af ‘bagudrettet’ analytics, der forveksler total salg med inkrementel løft – essentielt subsidierer trofaste kunder, der ville have købt alligevel. For at bryde denne cyklus skal vi skifte fra deskriptiv rapportering til en mere prædikativ tilgang. I planlægningsfasen bruger vi Causal AI til at simulere resultater og etablere ‘sandhedsbaseliner’, der identificerer præcis, hvad der ville have solgt uden forfremmelsen. Dette tillader detailhandlere at stoppe med at betale for organisk efterspørgsel og målrette kun netto-nyt volumen.

For måling løser AI ‘porteføljepuzzlen’ ved at kvantificere halo-effekter og kannibalisering. Menneskelige købmænd planlægger ofte i siloer, men AI giver en kategori-omfattende visning, der sikrer, at en forfremmelse på en vare ikke bare stjæler margin fra en anden. Denne holistiske måling hjælper detailhandlere med at forstå, om de er ved at vokse kategoripuben eller blot skærer den forskelligt.

Endelig for realtidsoptimering bevæger industrien sig mod AI-agenter, der overvåger kampagner ‘i luften’. I stedet for at vente på en post-mortem-analyse uger efter begivenheden anbefaler disse agenter selvstændigt kurskorrektioner – som tilpasning af digitalt reklameudbud eller udskiftning af tilbud – for at redde P&L, før forfremmelsen er slut. Denne tilgang skifter fokus fra blot at rydde lager til at ingeniøre profitabel vækst.

Forudsigtelsesfejl og udsalg fortsætter med at forårsage store omsætnings-tab. Hvad gør AI-drevne merchandising- og forsyningskædesystemer mere effektive end traditionelle forudsigtelsesmetoder?

Første skift er i forudsigtelse, hvor AI flytter os fra at afhænge kun af interne historik til at indtage eksterne data – som lokale vejrforhold, sociale begivenheder og økonomiske indikatorer. Når forudsigtelsen fanger denne ydre kontekst, forbedrer nøjagtigheden ikke kun salgstallene, men kaskader også nedad, optimerer lagerstyring, kapacitetsplanlægning, arbejdsskemaer og lageroperationer til at tilpasse sig den sande efterspørgsel.

Anden skift er i udsalg (OOS), som de fleste detailhandlere stadig ikke måler nøjagtigt. AI løser dette ved at detektere anomalier i salgsmønstre – identificerer ‘Fantom-lager’, hvor systemet tror, en vare er på lager, men salget er stoppet – og automatisk udløser cykliske tællinger for at korrigere optegnelserne. Ud over data ser vi også opkomsten af computer-vision til at fysisk flagre hyldesprækker i realtid og spore lager i bagrum, så produkterne ikke bare er ‘i bygningen’, men også tilgængelige for kunden at købe.

Agentic handel bliver en stor tema i detailhandelsinnovation. Hvordan ændrer resonans-baserede AI-agenter meningfuldt produkt-opdagelse og konvertering i forhold til i dagens søgedrevne indkøbsoplevelse?

I dagens søgedrevne indkøb skal forbrugerne stadig gøre det meste af det hårde arbejde. De skal vide, hvad de skal lede efter, sammenligne muligheder og give mening til endeløse resultater. Resonans-baserede agenter afbryder dette ved dynamisk at generere ‘syntetiske gange’ – brugerdefinerede samlinger, der samler multi-kategori-produkter baseret på en specifik hensigt. For eksempel skal en shopper med en ‘sund morgen’-mission ikke længere søge efter fem separate varer, men præsenteres med en samlet, midlertidig gang, der indeholder alt fra høj-protein-morgenmad til blenders, og sammenfatter opdagelses-kanalen fra minutter til sekunder.

På konverteringssiden fungerer disse agenter mindre som søgemaskiner og mere som ‘indkøbskoncerter’. De listar ikke bare muligheder, men bygger aktivt kurve baseret på åbne behov. Hvis en kunde beder om en ‘middagsplan for fire under 50′, resonerer agenten gennem lager, pris og diæt-begrænsninger for at foreslå en komplet pakke. Denne resonans-funktion lukker ’tillidskløften’ – ved at articulere, hvorfor en specifik vare passer brugerens livsstil eller mål, reducerer agenten beslutningslammelse og driver højere konverteringsrater i forhold til en tavs grid af produktminiaturer.

Endelig ser vi, at dette udvides til hyper-personlige indhold. I stedet for at vise alle samme hjemmeside-banner kan Agentic AI generere dynamiske landingsider og visuelle elementer, der spejler kundens nuværende indkøbsmission. Men for at dette skal skale, finder detailhandlere, at de har brug for at grundlægge disse agenter i en samlet datamodel med strengt brand- og sikkerhedsstyring, så AI’s ‘kreativitet’ aldrig hallucinerer produkter eller krænker brand-tone.

Mange detailhandlere kæmper med forældede dataarkitekturer. Hvordan skal virksomheder modernisere deres datagrundlag, så AI-modeller kan levere troværdige og forklarbare anbefalinger?

Den største barriere for AI-succes er ikke modellerne, men ‘data-søen’ under dem. For at modernisere skal detailhandlere stoppe med at samle data og bygge en samlet semantisk lag. Dette indebærer implementering af en standard ‘Data Model’, hvor forretningslogik (som præcis, hvordan ‘Netto-margen’ eller ‘frafall’ beregnes) defineres én gang og er universelt tilgængelig, i stedet for at være skjult i fragmenterede SQL-script på tværs af organisationen.

Anden skal virksomheder gå over til en ‘data-produkt’-tankegang. I stedet for at behandle data som en IT-biprodukt skal succesfulde detailhandlere behandle det som et produkt med defineret ejerskab, SLA’er og rigorøs kvalitets-overvågning (data-observabilitet). Når du kombinerer denne rene, styrede ‘gyldne post’ med rig metadata, låser du op forklarbarhed. AI’en kan ikke bare udspy en sort-boks-anbefaling; den kan spore sin logik tilbage gennem den semantiske lag.

Samarbejdet mellem detailhandlere og CPG-virksomheder har historisk set afhængt af fragmenterede data og inkonsistente målinger. Hvordan låser enificerede data-modeller og fælles AI-platforme op for stærkere kategoriprestationer for begge parter?

Indtil nu har detailhandlere og CPG-virksomheder set på samme kunde gennem forskellige linser, hver med deres eget data og incitamenter. Enificerede data-modeller ændrer dette ved at skabe en enkelt sandhedsversion på tværs af værdikæden, om det så er hyldes-ydelse eller kundeadfærd. Når begge parter arbejder på samme AI-platform, kan de fælles identificere, hvad der driver vækst eller lækkage på kategoriniveau. Det kan være noget som helst – prissætning, forfremmelse, udvalg eller lager-kløfter. Dette skifter samtalerne fra ‘mit data vs. dit’ til ‘vores fælles mulighed’.

Resultatet er klogere beslutninger, hurtigere eksperimenter og i sidste ende højere kategorivækst, der gavner både detailhandlere og mærker.

Da retail-medie-netværk modnes, hvilken rolle vil AI spille i at forbedre måling, måling og lukket-løkke-attribuering, samtidig med at forbruger-tillid opretholdes?

AI vil transformere fire nøgleområder, da retail-medie-netværk modnes.

Først i måling udvikler industrien sig fra statiske målgrupper til prædiktiv intention. Ved at analysere realtids-signaler – som browse-hastighed eller kurve-sammensætning – for at identificere præcis øjeblikket for en shoppers behov, sikrer AI, at vi viser de rette annoncer, når det betyder noget, i stedet for blot at målrette en bred demografisk mærkning.

Anden for måling skifter guldstandarden fra enkel Return on Ad Spend (ROAS) til inkrementel ROAS (iROAS). Ved at udnytte Causal AI kan vi måle den virkelige impact af medieudbudet ved at identificere kunder, der kun konverterede, fordi de så annoncen, i stedet for dem, der ville have gjort det alligevel.

Tredje er operationel effektivitet blevet kritisk, især i kreativ operation. For at støtte hyper-personalisering bruger detailhandlere Generativ AI ikke kun til ideation, men til at skale produktion. Dette tillader teams at automatisk generere tusindvis af dynamiske, kanal-specifikke asset-varianter på minutter i stedet for uger, og løser flaskenhalen i ‘indholdshastighed’.

Endelig afhænger opretholdelse af tillid af den bredt accepterede anvendelse af data-rene værelser. Disse miljøer tillader detailhandlere og mærker at matche deres datasæt sikkert for lukket-løkke-attribuering, og garanterer, at følsomme personlige identifikationsoplysninger (PII) aldrig forlader deres respektive brand-mure.

I fremtiden, hvilke funktioner vil definere den næste generation af AI-drevne detailhandlere, og hvad bør ledere bygge i dag for at blive konkurrencedygtige over de næste fem år?

Den næste æra af detailhandel vil blive defineret af skiftet fra ‘digital transformation’ til ‘agentic transformation’. Vi bevæger os mod en fremtid for ‘autonom orchestration’, hvor netværk af AI-agenter samarbejder om at køre komplekse processer – som en forsyningskæde-agent, der automatisk fortæller en markedsførings-agent at pause en forfremmelse, fordi en leverance er forsinket.

For at forberede sig på dette skal ledere starte med at bygge tre ting i dag.

Først er en samlet datamodel. Agenter kan ikke samarbejde, hvis de ikke taler samme sprog; jeres datagrundlag skal udvikle sig fra et lager til en semantisk ‘nervesystem’.

Anden er en styrestruktur for agenter. I skal definere ‘spilreglerne’ – hvad en AI er tilladt at gøre selvstændigt versus hvad kræver menneskelig godkendelse – før I skalerer.

Endelig er dage med statiske dashboards, der giver ‘bagudrettet’ analytics, talte. Vi bevæger os mod konversations-analytik, der giver øjeblikkelige, personlige indsighter. Disse grænseflader går langt ud over rapportering om ‘hvad skete’; de udnytter agentic AI til at resonere gennem komplekse ‘hvorfor’-spørgsmål og leverer prescriptive anbefalinger om præcis ‘hvad at gøre herefter’, og lukker effektivt kløften mellem indsigt og handling.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Tredence.