Amanpal Dhupar, Head of Retail bei Tredence – Interview-Serie

Amanpal Dhupar, Head of Retail bei Tredence, ist ein erfahrener Retail-Analytics- und KI-Experte mit über einem Jahrzehnt Erfahrung in der Entwicklung von datengesteuerten Lösungen, die aktionsrelevante Erkenntnisse für Entscheidungsträger in Unternehmen liefern. Im Laufe seiner Karriere hat er strategische Analytics-Transformationen für Senior-Executive in großen Einzelhandelsunternehmen geleitet, AI-Produkt-Roadmaps entwickelt, um messbare Geschäftskennzahlen zu steigern, und Analytics-Teams von der Gründung bis hin zu großen Betrieben aufgebaut – und hat dabei sowohl technische Tiefe als auch Führungsflexibilität unter Beweis gestellt.

Tredence ist ein Unternehmen für Data-Science- und KI-Lösungen, das sich darauf konzentriert, Unternehmen dabei zu helfen, Geschäftswert durch fortschrittliche Analytics, Machine Learning und KI-gestützte Entscheidungsfindung zu erschließen. Das Unternehmen arbeitet mit globalen Marken – insbesondere im Einzelhandel und in der Konsumgüterindustrie – zusammen, um komplexe Herausforderungen in den Bereichen Merchandising, Supply Chain, Pricing, Kundenerfahrung und Go-to-Market-Operationen zu lösen, Erkenntnisse in realen Einfluss umzusetzen und Kunden bei der Modernisierung ihrer Analytics- und Intelligenzkapazitäten zu unterstützen.

Einzelhändler führen oft Dutzende von KI-Pilotprojekten durch, doch nur wenige kommen zu einer vollständigen Umsetzung. Welche sind die häufigsten organisatorischen Fehler, die verhindern, dass KI zu messbaren Geschäftsergebnissen führt?

Eine kürzlich von MIT Solan durchgeführte Studie ergab, dass 95 % der KI-Pilotprojekte nicht zu einer vollständigen Umsetzung kommen. Die Realität? Pilotprojekte sind einfach, aber die Produktion ist hart. Bei Tredence haben wir vier spezifische organisatorische Gründe identifiziert, die diese Lücke verursachen.

Erstens ist es das Versagen, den Endbenutzer-Workflow zu verstehen. Einzelhändler setzen oft KI in bestehende fehlerhafte Prozesse ein, anstatt zu fragen, wie der Workflow selbst mit KI im Mittelpunkt neu gestaltet werden sollte.

Zweitens ist es der Mangel an einem Plattformansatz für Agentic KI. Anstatt Agents als Einzelexperimente zu behandeln, müssen Unternehmen den gesamten Lebenszyklus – von der Agent-Entwicklung und -Implementierung bis hin zur Überwachung und Governance – über das gesamte Unternehmen hinweg strukturieren.

Drittens ist es eine schwache Datenbasis. Es ist einfach, ein Pilotprojekt auf einer sauberen Flachdatei aufzubauen, aber die Skalierung erfordert eine robuste, Echtzeit-Datenbasis, bei der genaue Daten kontinuierlich für KI-Modelle zugänglich sind.

Viertens sehen wir einen Konflikt zwischen IT-Push und Business-Pull. Erfolg tritt nur ein, wenn Geschäftsleiter KI als Wertaddition sehen, die an messbare Auswirkungen geknüpft ist, und nicht als Ablenkung, die von der IT vorangetrieben wird. Bei Tredence haben wir uns immer auf die “letzte Meile” konzentriert, wo wir diese Lücke zwischen Erkenntnisgenerierung und Wertrealisierung überbrücken.

Tredence arbeitet mit vielen der größten Einzelhändler der Welt zusammen und unterstützt Billionen von Umsatz. Was unterscheidet die Einzelhändler, die KI erfolgreich skalieren, von denen, die im Experimentierstadium stecken bleiben?

Bei Tredence hat uns die Unterstützung von Billionen von Umsatz im Einzelhandel einen Einblick in eine klare Branchenunterscheidung gegeben: Einzelhändler, die KI als eine Reihe von einzelnen Experimenten behandeln, versus solche, die eine industrialisierte “KI-Fabrik” aufbauen. Der Hauptunterschied liegt in der Verpflichtung zu Agentic-KI-Plattform-Grundlagen. Die erfolgreichsten Unternehmen hören auf, von vorne zu beginnen, und investieren stattdessen in eine robuste Ökosystem-Charakterisierung, die wiederverwendbare Komponentenbibliotheken, Standard-Design-Vorlagen und vorgefertigte Agentenmuster für spezifische Einzelhandelsanwendungsfälle umfasst. Wenn Sie reife LLMOps, Full-Stack-Überwachung und eingebettete verantwortungsvolle KI (RAI)-Sicherheitsvorkehrungen auf diese Grundlage legen, ist der Einfluss transformierend – wir sehen in der Regel eine Verbesserung der Geschwindigkeit bei der Wertschöpfung für neue Anwendungsfälle um 80 %, da die schwere architektonische Arbeit bereits erledigt ist.

Ein Plattformansatz ist jedoch nur so gut wie der Kontext, den er verbraucht, was uns zu der Datenbasis bringt. Skalierung erfordert mehr als nur rohen Zugriff auf Daten; es verlangt eine reiche semantische Schicht, in der starke Metadaten und einheitliche Datenmodelle es der KI ermöglichen, tatsächlich “über das Geschäft nachzudenken” und nicht nur Eingaben zu verarbeiten. Schließlich erkennen die wahren Führungskräfte, dass dies nicht nur eine technologische Überholung, sondern auch eine kulturelle ist. Sie überbrücken die “letzte Meile”, indem sie über einfache Automatisierung hinausgehen und menschliche Agenten-Teamarbeit aufbauen, Arbeitsabläufe so umgestalten, dass Mitarbeiter und Händler ihre digitalen Gegenstücke vertrauen und zusammenarbeiten, und algorithmisches Potenzial in messbare Geschäftswirklichkeit umwandeln.

Mehr als 70 Prozent der Einzelhandelsaktionen scheitern immer noch daran, die Gewinnschwelle zu erreichen. Wie kann KI die Aktionenplanung, -messung und Echtzeitoptimierung sinnvoll verbessern?

Die 70-prozentige Scheiterrate besteht, weil Einzelhändler oft auf “Rückblick-Analytics” angewiesen sind, die Gesamtverkäufe mit inkrementalem Aufschwung verwechseln – letztlich subventionieren sie treue Kunden, die ohnehin gekauft hätten. Um diesen Kreislauf zu durchbrechen, müssen wir von beschreibender Berichterstattung zu einer vorhersagenden Herangehensweise wechseln. In der Planungsphase verwenden wir Causal KI, um Ergebnisse zu simulieren und “wahre Baselines” zu etablieren, um genau zu bestimmen, was ohne die Aktion verkauft worden wäre. Dies ermöglicht es Einzelhändlern, aufzuhören, für organischen Bedarf zu zahlen, und sich stattdessen auf netten Neuwert zu konzentrieren.

Bei der Messung löst KI das “Portfolio-Puzzle”, indem es Halo-Effekte und Kannibalisierung quantifiziert. Menschliche Händler planen oft in Silos, aber KI bietet eine kategorieübergreifende Sicht, die sicherstellt, dass eine Aktion auf einem bestimmten SKU nicht einfach die Marge von einem anderen stiehlt. Diese holistische Messung hilft Einzelhändlern zu verstehen, ob sie die Kategorie-Pie wachsen oder nur anders schneiden.

Schließlich ermöglicht KI bei der Echtzeitoptimierung die Verwendung von KI-Agents, die Kampagnen “im Flug” überwachen. Anstatt auf eine postmortale Analyse Wochen nach dem Ereignis zu warten, empfehlen diese Agents autonom Kurskorrekturen – wie die Anpassung von digitalen Werbeausgaben oder das Umschalten von Angeboten -, um die P&L vor dem Ende der Aktion zu retten. Dieser Ansatz verschiebt den Fokus von der bloßen Lagerbestandsbereinigung hin zur Erzielung von profitabler Wachstum.

Prognosefehler und Lagerbestandsfehler verursachen immer noch erhebliche Umsatzeinbußen. Was macht KI-gesteuerte Merchandising- und Supply-Chain-Systeme effektiver als herkömmliche Prognoseansätze?

Der erste Schritt ist die Prognose, bei der KI uns von der alleinigen Abhängigkeit von internen Historien zu externen Daten wie lokalen Wetterbedingungen, sozialen Ereignissen und Wirtschaftsindikatoren führt. Wenn die Prognose diesen externen Kontext erfasst, verbessern sich die Genauigkeitsgewinne nicht nur bei den Verkaufszahlen, sondern auch bei der Optimierung des Lagerbestandsmanagements, der Kapazitätsplanung, der Arbeitszeitpläne und der Lageroperationen, um sie an die tatsächliche Nachfrage anzupassen.

Der zweite Schritt ist die Out-of-Stocks (OOS), bei der die meisten Einzelhändler immer noch Schwierigkeiten haben, genaue Messungen vorzunehmen. KI behebt dies, indem sie Anomalien in Verkaufsmustern erkennt – “Phantom-Inventar” identifiziert, bei dem das System denkt, ein Artikel ist vorrätig, aber der Verkauf hat aufgehört – und automatisch Zykluszählungen auslöst, um den Datensatz zu korrigieren. Darüber hinaus sehen wir den Aufstieg von Computer-Vision, um Lücken auf Regalen in Echtzeit zu erkennen und den Lagerbestand in den hinteren Räumen zu verfolgen, um sicherzustellen, dass das Produkt nicht nur “im Gebäude” ist, sondern auch für den Kunden zugänglich ist.

Agentic Commerce wird zu einem wichtigen Thema im Einzelhandelsinnovation. Wie verändern vernunftbasierte KI-Agents die Produktentdeckung und -umwandlung im Vergleich zur heutigen suchgesteuerten Einkaufserfahrung?

Bei der heutigen suchgesteuerten Einkaufserfahrung müssen Verbraucher immer noch die meiste Arbeit leisten. Sie müssen wissen, wonach sie suchen, Optionen vergleichen und Sinn aus endlosen Ergebnissen machen. Vernunftbasierte Agents stören dies, indem sie dynamisch “synthetische Gänge” generieren – benutzerdefinierte Sammlungen, die Produkte aus mehreren Kategorien basierend auf einem bestimmten Zweck aggregieren. Zum Beispiel wird anstelle einer getrennten Suche nach fünf Artikeln einem Einkäufer mit einer “gesunden Morgen”-Mission eine kohärente, temporäre Gasse mit allem von hochproteinhaltigem Müsli bis hin zu Mixern präsentiert, die den Entdeckungstrichter von Minuten auf Sekunden zusammenfasst.

Auf der Umwandlungsseite handeln diese Agents weniger wie Suchmaschinen und mehr wie “Einkaufs-Concierges”. Sie listen nicht nur Optionen auf; sie bauen aktiv Warenkörbe basierend auf offenen Bedürfnissen auf. Wenn ein Kunde nach einem “Abendessen-Plan für vier Personen unter 50 Dollar” fragt, denkt der Agent über den Lagerbestand, den Preis und die diätetischen Einschränkungen nach, um ein komplettes Paket vorzuschlagen. Diese Denkfähigkeit schließt die “Vertrauenslücke” – indem der Agent erklärt, warum ein bestimmtes Produkt zum Lebensstil oder Ziel des Benutzers passt, reduziert es die Entscheidungsblockade und treibt höhere Umwandlungsraten im Vergleich zu einem stillen Gitter von Produktminiaturansichten.

Schließlich sehen wir, dass dies sich auf hyperpersonalisierte Inhalte ausdehnt. Anstatt jedem die gleiche Startseite-Anzeige zu zeigen, kann Agentic KI dynamische Landeseiten und visuelle Elemente generieren, die dem aktuellen Einkaufsziel des Kunden entsprechen. Um dies jedoch zu skalieren, müssen Einzelhändler diese Agents in einem einheitlichen Datenmodell mit strenger Marken- und Sicherheitsregierung verankern, um sicherzustellen, dass die Kreativität der KI nie Produkte oder Markenstimmen halluziniert.

Viele Einzelhändler kämpfen mit veralteten Datenarchitekturen. Wie sollten Unternehmen ihre Datenbasis modernisieren, damit KI-Modelle vertrauenswürdige und erklärliche Empfehlungen liefern können?

Das größte Hindernis für den Erfolg von KI ist nicht das Modell, sondern der “Daten-Sumpf” darunter. Um zu modernisieren, müssen Einzelhändler aufhören, einfach Daten zu sammeln, und stattdessen eine einheitliche semantische Schicht aufbauen. Dies bedeutet die Implementierung eines standardmäßigen “Datenmodells”, in dem die Geschäftslogik (wie genau “Nettomarge” oder “Fluktuation” berechnet wird) definiert und universell zugänglich ist, anstatt in fragmentierten SQL-Skripten über das gesamte Unternehmen verteilt zu sein.

Zweitens müssen Unternehmen zu einer “Daten-Produkt”-Mentalität übergehen. Anstatt Daten als IT-Byprodukt zu behandeln, sollten erfolgreiche Einzelhändler Daten als Produkt mit definiertem Eigentum, SLAs und strenger Qualitätsüberwachung (Daten-Beobachtbarkeit) behandeln. Wenn Sie diese saubere, regulierte “Goldene Aufzeichnung” mit reichen Metadaten kombinieren, schließen Sie Erklärbarkeit ein. Die KI spuckt nicht nur eine schwarze Box-Empfehlung aus; sie kann ihre Logik zurück durch die semantische Schicht verfolgen.

Zusammenarbeit zwischen Einzelhändlern und CPG-Unternehmen basierte historisch auf fragmentierten Daten und inkonsistenten Metriken. Wie können einheitliche Datenmodelle und gemeinsame KI-Plattformen eine stärkere Kategorieleistung für beide Seiten freischalten?

Bisher haben Einzelhändler und CPG-Unternehmen den gleichen Kunden durch unterschiedliche Linsen betrachtet, jedes mit seinen eigenen Daten und Anreizen. Einheitliche Datenmodelle ändern dies, indem sie eine einzige Wahrheit über den Wertekette hinweg schaffen, sei es Regalperformance oder Shopper-Verhalten.

Wenn beide Seiten auf der gleichen KI-Plattform arbeiten, können sie gemeinsam identifizieren, was das Wachstum oder die Leckage auf Kategorieebene antreibt. Es könnte alles sein – Preisgestaltung, Aktionen, Sortiment oder Lagerlücken. Dies verschiebt die Konversationen von “meine Daten vs. deine” zu “unser gemeinsames Potenzial”.

Das Ergebnis sind intelligentere Entscheidungen, schnellere Experimente und letztendlich höheres Kategorie-Wachstum, das sowohl Einzelhändler als auch Marken zugutekommt.

Wenn Retail-Media-Netzwerke reifen, welche Rolle wird KI bei der Verbesserung der Zielgruppenansprache, Messung und geschlossenen Attribuierung spielen, während sie das Vertrauen der Verbraucher aufrechterhält?

KI wird vier Schlüsselbereiche transformieren, wenn Retail-Media-Netzwerke reifen.

Erstens wird die Branche in der Zielgruppenansprache von statischen Zielgruppen zu vorhersagbarer Absicht evolvieren. Durch die Analyse von Echtzeit-Signalen – wie Browsing-Geschwindigkeit oder Warenkorbzusammensetzung – zur Identifizierung des genauen Moments der Bedürfnisse eines Shoppers stellt KI sicher, dass wir die richtigen Anzeigen zeigen, wenn es am meisten zählt, anstatt einfach eine breite demografische Bezeichnung zu verwenden.

Zweitens wird der Goldstandard für die Messung von der einfachen Return-on-Ad-Spend (ROAS) zu inkrementalem ROAS (iROAS) wechseln. Durch die Nutzung von Causal KI können wir die tatsächliche Wirkung der Medienausgaben messen, indem wir Shopper identifizieren, die nur aufgrund der Anzeige umgewandelt wurden, im Gegensatz zu denen, die ohnehin umgewandelt worden wären.

Drittens wird die betriebliche Effizienz, insbesondere in der Content-Erstellung, immer kritischer. Um Hyper-Personalisierung zu unterstützen, verwenden Einzelhändler Generative KI nicht nur für die Ideenfindung, sondern auch, um die Produktion zu skalieren. Dies ermöglicht es Teams, Tausende von dynamischen, kanalspezifischen Asset-Variationen in Minuten anstelle von Wochen zu generieren, und löst das Problem der “Content-Geschwindigkeit”.

Letztlich hängt das Vertrauen von der weitverbreiteten Akzeptanz von Daten-Schutzräumen ab. Diese Umgebungen ermöglichen es Einzelhändlern und Marken, ihre Datensätze sicher zu verknüpfen, um eine geschlossene Attribuierung zu gewährleisten und sicherzustellen, dass sensible personenbezogene Informationen (PII) niemals die jeweiligen Firewalls verlassen.

Blickt man in die Zukunft, welche Fähigkeiten werden die nächste Generation von KI-gesteuerten Einzelhändlern definieren, und was sollten Führungskräfte heute aufbauen, um in den nächsten fünf Jahren wettbewerbsfähig zu bleiben?

Die nächste Ära des Einzelhandels wird durch den Übergang von “digitaler Transformation” zu “agenter Transformation” definiert. Wir bewegen uns in Richtung einer Zukunft der “autonomen Orchestrierung”, in der Netzwerke von KI-Agentsen zusammenarbeiten, um komplexe Prozesse wie eine Supply-Chain zu steuern, bei der ein Agent einem Marketing-Agenten automatisch sagt, eine Aktion zu pausieren, weil eine Lieferung verzögert ist.

Um sich darauf vorzubereiten, müssen Führungskräfte heute drei Dinge aufbauen.

Erstens ist es ein einheitliches Datenmodell. Agents können nicht zusammenarbeiten, wenn sie nicht die gleiche Sprache sprechen; Ihre Datenbasis muss sich von einem Speicher-Repository zu einem semantischen “Nervensystem” entwickeln.

Zweitens ist es ein Regulierungsrahmen für Agents. Sie müssen die “Regeln der Zusammenarbeit” definieren – was ein KI-System autonom tun darf und was menschliche Zustimmung erfordert – bevor Sie skalieren.

Letztlich sind die Tage von statischen Dashboards, die “Rückblick-Analytics” liefern, gezählt. Wir bewegen uns in Richtung konversationeller Analytics, die instantane, personalisierte Erkenntnisse liefern. Diese Schnittstellen gehen weit über die Berichterstattung hinaus, was passiert ist; sie nutzen agentic KI, um komplexe “Warum”-Fragen zu durchdenken und präskriptive Empfehlungen zu liefern, was genau als Nächstes zu tun ist, und schließen effektiv die Lücke zwischen Erkenntnis und Aktion.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Tredence besuchen.