Viki Zabala, Chief Growth & Strategy Officer hos First Insight – Interviewserie

Viki Zabala, Chief Growth & Strategy Officer hos First Insight, har mere end 22 års ledelseserfaring fra high-growth SaaS-, AI- og teknologivirksomheder, der opererer i skæringspunktet mellem strategi, produkt og innovation. I hendes rolle leder hun First Insights samlede vækstmotor på tværs af strategi, go-to-market, marketing, produkt, AI, kundesucces og partnerskaber og former visionen bag virksomhedens Retail Decision Intelligence-platform. Hun er kendt for at omdanne usikkerhed til klarhed og har drevet hyper-vækst, ny markedsudvidelse og AI-ledet transformation ved at kombinere kundes indsigt, beslutningsintelligens og skalerbare driftsmodeller for at levere målbare forretningsresultater for globale virksomheder.

First Insight er en AI-drevet beslutningsintelligensplatform bygget til detailhandlere og mærker, der søger at forudsige efterspørgsel, optimere priser og udvalg samt reducere risiko på tværs af produktets livscyklus. Ved at kombinere realtids-kundetilbagemeldinger med prædiktiv, generativ og agensbaseret AI hjælper platformen organisationer med at træffe hurtigere og mere selvbevidste beslutninger på tværs af design, merchandising, planlægning og sæsonbestemmelse. Brugt af førende globale detailhandlere og forbrugerbrande fokuserer First Insight på at omdanne kundes indsigt til handlebar intelligens, der forbedrer margener, accelererer markedsføringstid og styrker langsigtede vækst.

Dit karriere har konsekvent været placeret i skæringspunktet mellem data, go-to-market-strategi og eksekvering. Hvad var de øjeblikke tidligere i din karriere, der har formet, hvordan du tænker om at omdanne indsigt til reelle operationelle beslutninger i dag?

Jeg har altid været fokuseret på en grundlæggende udfordring: hvordan man påvirker og ændrer adfærd i stor målestok.

Tidligt i min karriere udtrykte det sig i mobile apps og ad tech, hvor feedback-loopene er øjeblikkelige. Du lærer hurtigt, at data kun er vigtig, hvis det ændrer, hvad nogen gør herefter – installationer, engagement, konvertering. Senere, i IoT og oplevelsesplatforme, spillede samme sandhed sig af i fysiske miljøer: hvordan kontekst, timing og oplevelse former menneskelig adfærd i realtid.

På tværs af alle disse industrier forblev en lære konstant: indsigt er kun værdifuld, hvis den er handlebar i øjeblikket, en beslutning træffes. Hvis den ikke overlever trykket fra eksekvering – prissætning, go-to-market, lager, meddelelse – er det bare information.

Denne tankegang er det, der har ført mig til First Insight. Detailhandel er en af de mest adfærdsdrevne industrier, der findes, og alligevel har beslutninger historisk afhængigt af efterslæbende indikatorer og instinkt. Mit arbejde har handlet om at lukke denne åbning – bringe kundens stemme frem tidligt nok og kontinuerligt nok til at konstruere bedre resultater i stedet for at reagere på fiasko.

Mit fokus er nu på at hjælpe organisationer med at træffe bedre beslutninger tidligt nok til at have betydning – så de kan øge omsætning, opnå kundeloyalitet og konsekvent overgå markedet.

Som Chief Growth & Strategy Officer i First Insight har du ansvar for produkt, AI-vejledning, GTM og kundesucces. Hvordan ændrer det at have denne samlede visning, hvordan AI skal designedes og implementeres i detailhandelsorganisationer?

Når du ser det samlede system, stopper du med at tænke om AI som et værktøj og begynder at tænke om det som en driftsmodel.

Produktet viser dig, hvad der er teknisk muligt. Go-to-market viser dig, hvad der vil blive forstået og antaget. Kundesucces viser dig, hvad der holder i realverden – tidstryk, tværfunktionel spænding, datakvalitet og ansvar. Når disse perspektiver er samlet, bliver AI designed til, hvordan beslutninger faktisk sker, og ikke hvordan teknologien ser ud i isolation.

Det er derfor, AI i detailhandel skal fungere som et system af beslutninger og handlinger, og ikke kun et system af intelligens. Det skal forbinde kundesignaler med prissætning, udvalg, marketing og planlægning på en måde, der samordner hold og accelererer beslutninger. Når AI reducerer friktion mellem hold og forkorter afstanden mellem indsigt og handling, begynder det at levere reel værdi.

Detailhandlere har længe afhængigt af sæsonbestemmelse og historiske data. Hvorfor er disse modeller nu mere og mere misalignerede med, hvordan forbrugere opfører sig i dag?

Fordi disse modeller blev bygget til en verden, hvor detailhandel primært handlede om at optimere, hvad der allerede eksisterede – ikke om at opfinde, hvad der kommer herefter.

Historiske salg og sæsoncykler kan hjælpe med at forklare præstation i etablerede kategorier, men de er svage, når det kommer til de to ting, detailhandlere har mest brug for i dag: at reagere på hurtigt skiftende kundeadfærd og skabe ny efterspørgsel gennem produktinnovation og whitespace-udvidelse.

Efterspørgsel skifter nu i realtid – drevet af prisfølsomhed, kulturelle øjeblikke, sociale påvirkninger, økonomisk pres og kanal-dynamik. En trend kan opstå overnat. En prissignal kan ændre adfærd øjeblikkeligt. Historiske data forklarer, hvad der allerede er sket, men det siger ikke pålideligt, hvordan kunderne vil reagere herefter – selv for produkter, der allerede er på hylden – når kontekst og mening kan ændre sig på ethvert tidspunkt.

Samtidig er mange detailhandlere ved at træffe beslutninger med ældre CRM-systemer og forældede billeder af, hvem deres kunde faktisk er. Nye konkurrenter, nye kanaler og yngre generationer med forskellige forventninger og købekraft trækker stadig kunder væk – ofte uden, at detailhandlere når at opdage det, før resultaterne viser sig i form af missede prognoser eller dalende loyalitet. I mange tilfælde optimiserer brandene for kunder, de ikke længere har – eller kunder, der allerede er gået videre.

First Insights AI-assistent, Ellis, muliggør naturlig-sproglige forespørgsler omkring prissætning, udvalg og efterspørgsel. Hvordan vigtig er grænsefladedesign og tilgængelighed i at drive reel AI-adopteringsfaktor i forhold til kun teknisk kapacitet?

Grænsefladen er forskellen mellem “AI eksisterer” og “AI bliver brugt”.

Detailhandelsbeslutninger omfatter langt mere end ét øjeblik – konceptforskning, design, udvalgsbygning, prissætning, margenmodellering, købsdybde, allokeringsjusteringer, markedsføring og salg. Udfordringen er ikke, at detailhandlere ikke har spørgsmål; det er, at svarene er fanget i rapporter, præsentationer, eksport og specialiserede hold – og inden de leveres, er øjeblikket passeret.

Ellis er vigtig, fordi den fjerner friktion mellem indsigt og handling. I stedet for at navigere i rapporter eller vente på ny analyse kan hold stille strategiske og taktiske spørgsmål på klarsprog – om koncepter, prissætning, udvalg, segmenter, markeder, konkurrenter – og få klare, prædiktive svar på få minutter. Det er ikke kun brugervenlighed; det er beslutningshastighed.

Du har arbejdet tæt med detailhandlere, der navigerer i margenpres, lager-risiko og volatil efterspørgsel. Hvor leverer AI den hurtigste, mest målbare effekt i dag – og hvor er hypen stadig foran virkeligheden?

Den hurtigste effekt viser sig, hvor beslutninger er hyppige, dyre og tidsfølsomme: prissætning, udvalgsselektion, efterspørgselsvalidering og lager-risiko. Når AI hjælper hold med at undgå over-køb, fastholde prissætning med tillid og afslutte tabende produkter tidligt, er den finansielle effekt øjeblikkelig og målbar.

Hvor hypen er foran virkeligheden, er i idéen om fuldt autonome detailhandel – eller AI, der erstatter rigtig kundeforståelse med syntetiske genveje. Forbrugere er meget klare: de værdsætter ægthed, gennemsigtighed og at blive hørt. AI, der fjerner brandene fra kunden, skaber ikke effektivitet – det skaber risiko.

Den vindende model i dag er menneskelig dømmekraft suppleret med prædiktiv indsigt – ikke automatisering for automatiseringens skyld.

Mange AI-værktøjer lover prædiktive funktioner. Hvad ser meningsfuld prædiktion ud til i detailhandel, og hvordan skal ledere evaluere, om forudsigelser faktisk er beslutningsklare?

Meningsfuld prædiktion i detailhandel er ikke en prognose – det er evnen til at lukke cirklen fra kundesandhed til finansielt resultat.

En del AI-outputs lyder prædiktive, men de ændrer ikke forretningen, fordi de aldrig bliver en del af den operationelle cadence. Kvartalet går glip af, lageren stiger, og markdown-budgetter bliver brugt – og alle kan pege på data et sted, der kunne have hjulpet. Det rigtige fiasko er, at beslutninger ikke var samordnet, handlinger ikke blev taget, og arbejdsgangen ikke ændrede sig.

Beslutningsklar prædiktion gør tre ting på én gang:

1. Det er baseret på, hvordan kunder faktisk opfatter værdi – ikke kun salgshistorik – så det kan guide beslutninger fra koncept til sæson.
2. Det binder direkte til økonomien: efterspørgselselasticitet, villighed til at betale, AUR/ASP over produktets livscyklus og margenimplikationerne af at fastholde vs. diskontere.
3. Det er operationelt – indlejret i en gentagen proces, som hold faktisk følger, ikke fanget på tværs af dusinvis af værktøjer og siloede dashboards.

En tilbagevendende tema, vi ser, er omkostningerne ved “lang-halen” af varenumre. Over-udvalg er en tavs dræber: over-mål, lav hastighed, begravet risiko. En af de største gevind, som prædiktiv AI låser op, er evnen til at klippe halen – fjerne underpræsterende produkter tidligt og geninvestere lagerdollare i top-præstationer, hvor kundeefterspørgsel og -mening er højest.

Når hold anvender denne disciplin, ser vi dramatiske resultater:

• lagerdollare frigøres til innovation og højscore-muligheder,
• markdown-cadence stabiliserer og skrumper,
• promotionspres eases, og
• brandtillid øges, fordi kunder ikke trænes til at forvente 50-60% rabat, før de køber.

Ledere skal evaluere prædiktiv AI med ét spørgsmål: Ændrer det, hvor vi investerer? Den højeste ROI er ikke mere data – det er bedre beslutninger i, hvordan vi allokerer kapital, tid og lager mod rigtig kundeefterspørgsel – tidligt nok til at have betydning.

Ansvarlig AI diskuteres ofte på et højt niveau. I detailhandel specifikt, hvad ser praktisk, ansvarlig AI-adopteringsfaktor ud til, når beslutninger direkte påvirker prissætning, forbrugere og brandtillid?

Ansvarlig AI i detailhandel starter med ét enkelt princip: brug AI til at dykke kundeforholdet, ikke udnytte det.

Dette handler ikke om at hyper-spore enkeltpersoner, overvågning eller indsamle data for dens egen skyld. Ansvarlig AI handler om at bringe kundens stemme ind i hver beslutning i stor målestok – så produkter, prissætning, meddelelse og oplevelser reflekterer, hvad mennesker faktisk værdsætter. På mange måder er det en form for co-udvikling: kunder vejleder, hvad der skabes, hvordan det positioneres og hvad der føles retfærdigt.

Praktisk set ser ansvarlig AI ud til:

• At basere beslutninger på rigtig kundetilbagemelding – både kvantitativ og kvalitativ (“hvad de sagde”).
• At bygge gennemsigtighed og vagtler for høj-impakt-beslutninger som prissætning, promotioner og segmentering.
• At sikre retfærdighed på tværs af segmenter og markeder, så AI ikke utilsigtet favoriserer en gruppe, mens den udsætter en anden.
• At holde mennesker i løkken for dømmekraft, ansvar og den kreative nuance, AI ikke kan generere selv.

Brugt på denne måde styrker AI kundeforholdet i stedet for at underminere det. Kunder føler sig hørt i stor målestok. Hold træffer bedre beslutninger hurtigere. Og brandene bygger tillid – fordi de ikke længere reagerer på markedet; de handler med det.

Du har ledet både markedsfortællinger og produktstrategi. Hvordan skal detailhandlere omdefinere interne fortællinger omkring AI, så det ses som en beslutningspartner snarere end en trussel eller en sort boks?

Detailhandlere skal stoppe med at fortælle historien om, at AI er “smarter analyse” og starte med at fortælle historien om, at AI er kunde-centrisk på stor målestok.

Den interne friktion i detailhandel er ikke kun siloer – det er siloer, der træffer højrisikobeslutninger med forskellige sandheder: marketing har engagementssignaler, merchandising har salgshistorik, prissætning har margenpres, planlægning har lager-begrænsninger. Det er der, kampene finder sted.

AI bliver en beslutningspartner, når det skaber en fælles sprog på tværs af funktioner: kundens stemme, oversat til prædiktiv vejledning, der informerer produkt, pris, udvalg og salg – fra koncept til konvertering.

Og det er vigtigt at være ærlig om menneskets rolle. AI opfinder ikke den næste gennembrudside – det lærer mønstre. Mennesker bringer kreativitet, smag, brand-intention og kulturel intuition. AI gør denne kreativitet skarpere ved at forkorte feedback-loopene og trykke beslutninger, før markedet gør.

Når AI bliver mere integreret i planlægning og sæsonbestemmelse, hvordan ser du på, at menneskets dømmekraft udvikler sig snarere end forsvinder?

Menneskets dømmekraft bliver mere vigtig – og mere udnyttet – fordi sæsonen er, hvor detailhandelsfortjeneste vindes eller tabes.

Markdowns er en af de største omkostninger i detailhandel. Detailhandlere budgetter ofte for dem, fordi de er tvunget til at rydde ubetalte varer. Årsagen til, at markdowns er så smertefulde, er timing: diskonter for tidligt, og du ødelægger margen; diskonter for sent, og du savner vinduet til at konvertere efterspørgsel.

Med prædiktiv AI og mennesker i løkken kan hold modellere elastiske efterspørgselskurver og forstå, hvordan ASP/AUR skal udvikle sig over produktets livscyklus – baseret på salg, kundeperception og markeds-signaler. Det muliggør smartere træk: når at fastholde prissætning, når at diskontere og hvor meget – uden at overkorrigere.

Og sæsonbeslutninger handler ikke kun om prissætning. AI kan informere promotioner og markedsføring i sæsonen ved at tage højde for kulturelle øjeblikke, influencere, trend-acceleration og skift i kundepersonaer – sammen med produktperception og prisfølsomhed. Mennesker anvender herefter dømmekraft: brand-intention, risikotolerance og den kreative nuance, AI ikke kan generere selv.

Fremtiden er ikke automatisering. Det er hurtigere, mere kunde-informeret beslutninger – hvor AI skalerer lytningen, og mennesker leder meningen.

Set fremad, hvordan forventer du, at agens- og generativ AI vil omforme detailhandelsarbejdsgange over de næste to til tre år – ikke teoretisk, men operationelt?

Vi bevæger os fra systemer af intelligens til systemer af handling.

Operationelt vil generativ AI gøre indsigt tilgængelig på tværs af roller og niveauer – sammenfatte, sammenligne, forklare og besvare spørgsmål øjeblikkeligt. Agensbaseret AI vil mere og mere overtage det repetitive arbejde, der langsomer organisationer: forberede scenarier, samle executive-klar briefs, overvåge signaler, pege på risiko og koordinere næste bedste handlinger.

Men den mest meningsfulde ændring vil ikke være, at AI “kører detailhandel”. Det vil være, at detailhandlere endelig lukker cirklen mellem kunden og virksomheden. Hold vil bevæge sig hurtigere, skære igennem intern friktion og træffe bedre beslutninger tidligt – før trends toppes, før markdowns kaskader og før missede muligheder bliver kvartalsfiaskoer.

De detailhandlere, der vinder, vil ikke være dem med de fleste AI-eksperimenter. De vil være dem, der bygger en gentagen operationel cadence, hvor kundesandhed, prædiktiv intelligens og menneskelig kreativitet arbejder sammen – fra koncept til konvertering.

Tak for det detaljerede interview, læsere, der ønsker at lære mere, skal besøge First Insight.