Amanpal Dhupar, Head of Retail at Tredence – Interview Series

Amanpal Dhupar, Head of Retail at Tredence είναι ένας έμπειρος ηγέτης αναλυτικών λύσεων λιανικής και AI με πάνω από μια δεκαετία εμπειρίας στο σχεδιασμό και την ανάπτυξη λύσεων που βασίζονται σε δεδομένα και παρέχουν ενεργές πληροφορίες για τις επιχειρηματικές αποφάσεις. καθ’ όλη τη διάρκεια της καριέρας του, έχει ηγηθεί στρατηγικών αναλυτικών μετασχηματισμών για ανώτερους εκτελεστίκους σε μεγάλους λιανικούς εμπόρους, έχει δημιουργήσει δρόμους προϊόντων AI για να οδηγήσει μετρήσιμους επιχειρηματικούς δείκτες απόδοσης και έχει αυξήσει τις αναλυτικές ομάδες από την παιδική ηλικία σε μεγάλες επιχειρησιακές λειτουργίες—αποδεικνύοντας τόσο τεχνικό βάθος όσο και ηγετική ευελιξία.

Tredence είναι μια εταιρεία λύσεων επιστημών δεδομένων και AI που επικεντρώνεται στην βοήθεια των επιχειρήσεων να ξεκλειδώνουν την επιχειρηματική αξία μέσω προηγμένων αναλυτικών, μηχανικής μάθησης και λήψης αποφάσεων που βασίζονται σε AI. Η εταιρεία συνεργάζεται με παγκόσμιους品牌—ειδικά στο λιανικό εμπόριο και τα καταναλωτικά αγαθά—για να λύσει σύνθετα προβλήματα σε εμπόρευμα, αλυσίδα εφοδιασμού, τιμολόγηση, εμπειρία πελάτη και επιχειρήσεις go-to-market, μετατρέποντας τις ενημερώσεις σε πραγματική επίδραση και βοηθώντας τους πελάτες να μοντερνοποιήσουν τις αναλυτικές και νοητικές ικανότητές τους.

Οι λιανικοί εμπόροι συχνά εκτελούν δεκάδες πιλότους AI, αλλά πολύ λίγοι περνούν σε πλήρη κλίμακα ανάπτυξης. Ποια είναι τα πιο συνηθισμένα οργανωτικά λάθη που εμποδίζουν την AI από το να γίνει μετρήσιμα επιχειρηματικά αποτελέσματα;

Μια πρόσφατη μελέτη του MIT Solan βρήκε ότι το 95% των πιλότων AI δεν καταφέρνει να επιτύχει πλήρη κλίμακα ανάπτυξης. Η πραγματικότητα; Οι πιλότοι είναι εύκολοι, αλλά η παραγωγή είναι δύσκολη. Στο Tredence, abbiamo पहचάνεισει τέσσερις συγκεκριμένες οργανωτικές αιτίες που οδηγούν σε αυτό το χάσμα.

Πρώτον, είναι η αποτυχία να κατανοηθεί η ροή εργασίας του τελικού χρήστη. Οι λιανικοί εμπόροι συχνά εισάγουν την AI σε υπάρχουσες κατεστραμμένες διαδικασίες αντί να ρωτούν πώς η ροή εργασίας herself πρέπει να ξανασχεδιαστεί με την AI στο κέντρο.

Δεύτερον, είναι η έλλειψη μιας πλατφόρμας προσέγγισης για Agentic AI. Αντί να αντιμετωπίζουν τους πράκτορες ως μοναδικά πειράματα, οι οργανώσεις πρέπει να ροκανίσουν ολόκληρο τον κύκλο ζωής—από το σχεδιασμό και την ανάπτυξη του πράκτορα στην ανάπτυξη, παρακολούθηση και διακυβέρνηση—σε ολόκληρη την επιχείρηση.

Τρίτον, είναι ένα αδύναμο θεμέλιο δεδομένων. Είναι εύκολο να χτιστεί ένας πιλότος σε ένα καθαρό επίπεδο αρχείου, αλλά η κλίμακα απαιτεί ένα ρομποτικό, πραγματικό θεμέλιο όπου τα ακριβή δεδομένα είναι συνεχώς προσβάσιμα στα μοντέλα AI.

Τέλος, βλέπουμε μια τριβή μεταξύ IT push vs. επιχειρηματικής έλξης. Η επιτυχία συμβαίνει μόνο όταν οι ηγέτες της επιχείρησης βλέπουν την AI ως μια προστιθέμενη αξία που συνδέεται με μετρήσιμη επίδραση, αντί για μια απόσπαση που推 από το IT. Στο Tredence, ο στόχος μας έχει πάντα ήταν το ‘τελευταίο μίλι’, όπου γεφυρώνουμε αυτό το χάσμα μεταξύ της γεννήτριας ενημέρωσης και της πραγματοποίησης αξίας.

Το Tredence συνεργάζεται με πολλούς από τους μεγαλύτερους λιανικούς εμπόρους του κόσμου, υποστηρίζοντας τρισεκατομμύρια σε έσοδα. Βασισμένοι σε αυτό που βλέπετε σε ολόκληρη την βιομηχανία, τι διακρίνει τους λιανικούς εμπόρους που κλιμακώνουν την AI με επιτυχία από εκείνους που παραμένουν κολλημένοι στο πείραμα;

Στο Tredence, η υποστήριξη τρισεκατομμυρίων σε λιανικό εμπόριο έχει δώσει μια πρώτη σειρά σε μια σαφή βιομηχανική διαίρεση: λιανικοί εμπόροι που αντιμετωπίζουν την AI ως μια σειρά από διάσπαρτα πειράματα έναντι εκείνων που χτίζουν một βιομηχανική ‘AI fabrika’. Ο πρωταρχικός διαφοροποιητής βρίσκεται σε μια δέσμευση για Agentic AI Platform θεμέλια. Οι πιο επιτυχημένες οργανώσεις σταματούν να χτίζουν από το μηδέν και αντίθετα επενδύουν σε ένα ρομποτικό οικοσύστημα που χαρακτηρίζεται από ανακυκλώσιμες βιβλιοθήκες συνιστωσών, πρότυπα σχεδίασης και προ-χτισμένους μοτίβους πρακτόρων που ευθυγραμμίζονται με συγκεκριμένες περιπτώσεις λιανικού εμπορίου. Όταν στρώσετε ωριμότητα LLMOps, πλήρη στοίβαξη παρατηρησιμότητας και ενσωματωμένα φράγματα υπεύθυνης AI (RAI) πάνω σε αυτό το θεμέλιο, η επίδραση είναι μετασχηματιστική—συνήθως βλέπουμε ταχύτητα-σε-αξία για новые περιπτώσεις χρήσης να βελτιωθεί κατά 80% επειδή η βαριά αρχιτεκτονική ανύψωση έχει ήδη γίνει.

Ωστόσο, μια πλατφόρμα είναι τόσο καλή όσο και το контекστ που καταναλώνει, το οποίο μας οδηγεί στο θεμέλιο δεδομένων. Η κλίμακα απαιτεί περισσότερο από το raw πρόσβαση σε δεδομένα· απαιτεί ένα πλούσιο σεμαντικό στρώμα όπου ισχυρά μετα-δεδομένα και ενοποιημένα μοντέλα δεδομένων επιτρέπουν στην AI να ‘λογάριασε’ για την επιχείρηση αντί να επεξεργαστεί μόνο εισαγωγές. Τέλος, οι πραγματικοί ηγέτες αναγνωρίζουν ότι αυτό δεν είναι μόνο μια τεχνολογική ανακαίνιση αλλά και μια πολιτιστική. Γεφυρώνουν το ‘τελευταίο μίλι’ μετακινώντας πέρα από την απλή αυτοματοποίηση στην ανθρώπινη-πράκτορα συνεργασία, ανασχεδιάζοντας τις ροές εργασίας ώστε οι συνεργάτες και οι έμποροι να εμπιστεύονται και να συνεργάζονται με τους ψηφιακούς ομολόγους τους, μετατρέποντας την αλγοριθμική δυνατότητα σε μετρήσιμη επιχειρηματική πραγματικότητα.

Περισσότερο από το 70% των προωθήσεων λιανικού εμπορίου ακόμη δεν καταφέρνει να σπάσει τον ισοζυγισμό. Πώς μπορεί η AI να βελτιώσει σημαντικά την προώθηση της σχεδίασης, μέτρησης και πραγματικού χρόνου βελτιστοποίησης;

Το 70% του ποσοστού αποτυχίας συνεχίζει επειδή οι λιανικοί εμπόροι συχνά βασίζονται σε ‘rear-view mirror’ αναλυτικά που συγχέουν το σύνολο των πωλήσεων με την αύξηση—ουσιαστικά επιδοτούν πιστούς αγοραστές που θα είχαν αγοράσει σε κάθε περίπτωση. Για να σπάσει αυτό το κύκλο, πρέπει να μεταφερθούμε από περιγραφική αναφορά σε μια πιο προβλεπτική προσέγγιση. Στην φάση σχεδίασης, χρησιμοποιούμε Causal AI για να προσομοιώσουμε αποτελέσματα και να καθορίσουμε ‘αληθινά βάση’, αναγνωρίζοντας ακριβώς τι θα πουλήθηκε χωρίς την προώθηση. Αυτό επιτρέπει στους λιανικούς εμπόρους να σταματήσουν να πληρώνουν για οργανική ζήτηση και να στοχεύσουν μόνο νέα όγκους.

Για τη μέτρηση, η AI λύνει το ‘πρόβλημα του χαρτοφυλακίου’ ποσο화ώντας τις αύρες και την κανιβαλισμό. Οι ανθρώπινοι έμποροι συχνά σχεδιάζουν σε θύλακες, αλλά η AI παρέχει μια κατηγορία-πανω από την άποψη, εξασφαλίζοντας ότι μια προώθηση σε ένα SKU δεν κλέβει μόνο το περιθώριο από ένα άλλο. Αυτή η ολιστική μέτρηση βοηθά τους λιανικούς εμπόρους να κατανοήσουν αν αυξάνουν την κατηγορία πίτα ή απλά την κόβουν διαφορετικά.

Τέλος, για την πραγματική ώρα βελτιστοποίησης, η βιομηχανία μεταφέρεται προς τους πράκτορες AI που παρακολουθούν τις εκστρατείες ‘in-flight’. Αντί να περιμένουν μια μετα-θάνατο ανάλυση εβδομάδων μετά το γεγονός, αυτοί οι πράκτορες αυτονομούνται να συνιστώνται διορθώσεις πορείας—όπως η προσαρμογή ψηφιακής διαφήμισης ή η ανταλλαγή προσφορών—για να σώσουν το P&L πριν τελειώσει η προώθηση. Αυτή η προσέγγιση μεταφέρει το焦点 από το να καθαρίσει το stock σε να σχεδιάσει κερδοφόρο αύξηση.

Λάθη προβλέψεων και out-of-stocks συνεχίζουν να προκαλούν σημαντικές απώλειες εσόδων. Τι κάνει τα συστήματα merchandising και αλυσίδας εφοδιασμού που οδηγούνται από AI πιο αποτελεσματικά από τις παραδοσιακές προσεγγίσεις προβλέψεων;

Η πρώτη μετατόπιση είναι στην πρόβλεψη, όπου η AI μας μεταφέρει από την εξάρτηση μόνο από την εσωτερική ιστορία στην κατάποση εξωτερικών δεδομένων—όπως τοπικό καιρό, κοινωνικές εκδηλώσεις και οικονομικοί δείκτες. Όταν η πρόβλεψη καταλαμβάνει αυτό το εξωτερικό контекστ, οι κέρδη ακρίβειας δεν βελτιώνονται μόνο τα νούμερα πωλήσεων· κασκάδουν προς τα κάτω, βελτιώνοντας τη διαχείριση αποθεμάτων, την προγραμματισμένη χωρητικότητα, τις εργασιακές ωριαίες και τις λειτουργίες αποθήκης για να ευθυγραμμισθούν με την πραγματική ζήτηση.

Η δεύτερη μετατόπιση είναι στα Out-of-Stocks (OOS), τα οποία οι περισσότεροι λιανικοί εμπόροι ακόμη δεν μετρούν ακριβώς. Η AI διορθώνει αυτό αναγνωρίζοντας ανωμαλίες σε μοτίβους πωλήσεων—ταυτοποιώντας ‘Φανταστικό Αποθεματικό’ όπου το σύστημα πιστεύει ότι ένα αντικείμενο είναι σε απόθεμα, αλλά οι πωλήσεις έχουν σταματήσει—και αυτόματα ενεργοποιώντας κυκλικές μετρήσεις για να διορθώσουν το ρεκόρ. Πέρα από τα δεδομένα, βλέπουμε την άνοδο της υπολογιστικής όρασης για να σηματοδοτήσει φυσικά κενά ραφιών σε πραγματικό χρόνο και να παρακολουθήσει τα αποθέματα στις πίσω αίθουσες, εξασφαλίζοντας ότι το προϊόν δεν είναι μόνο ‘στο κτίριο’ αλλά διαθέσιμο για τον πελάτη να αγοράσει.

Η Agentic εμπόριο γίνεται ένα σημαντικό θέμα στην καινοτομία λιανικού εμπορίου. Πώς οι πράκτορες AI που βασίζονται σε λόγο μετατρέπουν την ανακάλυψη προϊόντων και τη μετατροπή σε σύγκριση με την τρέχουσα εμπειρία ψώνιασης που οδηγείται από αναζήτηση;

Στην τρέχουσα αναζήτηση-οδηγούμενη ψώνια, οι καταναλωτές ainda κάνουν την περισσότερη δουλειά. Πρέπει να γνωρίζουν τι να ψάξουν, να συγκρίνουν επιλογές και να κατανοήσουν τα απεριόριστα αποτελέσματα. Οι πράκτορες που βασίζονται σε λόγο διαταράσσουν αυτό δημιουργώντας δυναμικά ‘συνθετικά ράφια’—προσαρμοσμένες συλλογές που συναθροίζουν προϊόντα πολλαπλών κατηγοριών με βάση một συγκεκριμένη πρόθεση. Για παράδειγμα, αντί να ψάχνουν ξεχωριστά για πέντε αντικείμενα, ένας αγοραστής με μια ‘υγιή πρωινή’ αποστολή παρουσιάζεται με μια συνοχή, προσωρινή ράφι που περιλαμβάνει όλα, από υψηλής πρωτεΐνης δημητριακά σε μπλέντερ, συνθλιβώντας την ανεύρεση διοχέτευση από λεπτά σε δευτερόλεπτα.

Στην πλευρά της μετατροπής, αυτοί οι πράκτορες ενεργούν λιγότερο σαν μηχανές αναζήτησης και περισσότερο σαν ‘ψώνια concierges’. Δεν λίστα μόνο επιλογές· αυτονομούνται να χτίζουν καλάθι με βάση ανοιχτές ανάγκες. Αν ένας πελάτης ζητήσει μια ‘δείπνο σχέδιο για τέσσερις κάτω από $50’, ο πράκτορας λογάριασε μέσα από αποθέματα, τιμολόγηση και διατροφικές περιορισμοί για να προτείνει μια πλήρη συλλογή. Αυτή η ικανότητα λόγου κλείνει το ‘κενό εμπιστοσύνης’—κατανοώντας γιατί ένα συγκεκριμένο προϊόν ταιριάζει στο στυλ ζωής ή στο στόχο του χρήστη, ο πράκτορας μειώνει την αποφασιστική παράλυση και οδηγεί υψηλότερους ρυθμούς μετατροπής σε σύγκριση με μια σιωπηλή πλέξη προϊόντων.

Τέλος, βλέπουμε αυτήν την επέκταση σε υπερ-προσωποποιημένο περιεχόμενο. Αντί να δείχνουν σε όλους το ίδιο αρχική σελίδα banner, η Agentic AI μπορεί να δημιουργήσει δυναμικές σελίδες προσγείωσης και οπτικά που αντανακλούν την τρέχουσα αποστολή ψώνια του πελάτη. Ωστόσο, για να κλιμακωθεί αυτό, οι λιανικοί εμπόροι βρίσκουν ότι πρέπει να εδραιώσουν αυτούς τους πράκτορες σε ένα Ενοποιημένο Μοντέλο Δεδομένων με αυστηρή μάρκα και ασφάλεια διακυβέρνησης, εξασφαλίζοντας ότι η ‘δημιουργικότητα’ της AI ποτέ δεν φαντασιώνεται προϊόντα ή παραβιάζει την φωνή της μάρκας.

Πολλοί λιανικοί εμπόροι πασχίζουν με παλαιούς αρχιτεκτονικούς δεδομένων. Πώς πρέπει οι επιχειρήσεις να μοντερνοποιήσουν τα θεμέλια δεδομένων τους ώστε τα μοντέλα AI να μπορέσουν να παραδώσουν αξιόπιστες και εξηγήσιμες συστάσεις;

Το μεγαλύτερο εμπόδιο στην επιτυχία της AI δεν είναι τα μοντέλα αλλά το ‘data swamp’ κάτω από αυτά. Για να μοντερνοποιήσετε, οι λιανικοί εμπόροι πρέπει να σταματήσουν να συλλέγουν δεδομένα για να χτίζουν ένα ενοποιημένο σεμαντικό στρώμα. Αυτό σημαίνει την εφαρμογή eines τυποποιημένου ‘Data Model’ όπου η επιχειρηματική λογική (όπως ακριβώς ‘Καθαρό Περιθώριο’ ή ‘χürn’ υπολογίζεται) ορίζεται μια φορά και είναι καθολικά προσβάσιμο, αντί να είναι κρυφό σε θραυσματικές SQL scripts σε όλη την οργάνωση.

Δεύτερον, οι επιχειρήσεις πρέπει να μεταφερθούν σε μια ‘data product’ νοοτροπία. Αντί να αντιμετωπίζουν τα δεδομένα ως ένα IT byproduct, οι επιτυχημένοι λιανικοί εμπόροι αντιμετωπίζουν τα δεδομένα ως ένα προϊόν με καθορισμένα δικαιώματα, SLAs και αυστηρή παρακολούθηση ποιότητας (data observability). Όταν συνδυάσετε αυτό το καθαρό, διακυβερνημένο ‘χρυσό ρεκόρ’ με πλούσια μετα-δεδομένα, ξεκλειδώνετε την εξηγήσιμη. Η AI δεν απλά βγάζει μια μαύρη-κουτί σύσταση· μπορεί να ιχνηλατήσει την λογική της πίσω από το σεμαντικό στρώμα.

Η συνεργασία μεταξύ λιανικών εμπόρων και εταιρειών CPG έχει ιστορικά βασιστεί σε θραυσματικά δεδομένα και ασυνεπείς μετρήσεις. Πώς οι ενοποιημένες μοντέλα δεδομένων και οι κοινές πλατφόρμες AI ξεκλειδώνουν ισχυρότερη κατηγορία απόδοσης για cả τις πλευρές;

Μέχρι τώρα, οι λιανικοί εμπόροι και οι εταιρείες CPG έχουν κοιτάξει τον ίδιο πελάτη μέσω διαφορετικών φακών, κάθε ένας χρησιμοποιώντας τα δικά του δεδομένα και κίνητρα. Τα ενοποιημένα μοντέλα δεδομένων αλλάζουν αυτό δημιουργώντας μια seule εκδοχή της αλήθειας σε όλη τη διαδικασία αξίας, είτε πρόκειται για απόδοση ραφιών είτε για συμπεριφορά πελάτη.

Όταν και οι δύο πλευρές εργάζονται από την ίδια πλατφόρμα AI, μπορούν να αναγνωρίσουν gemeinsam τι οδηγεί την αύξηση ή την διαρροή σε επίπεδο κατηγορίας. Μπορεί να είναι οτιδήποτε—τιμολόγηση, προώθηση, επιλογή ή κενά αποθεμάτων. Αυτό μεταφέρει τις συνομιλίες από ‘τα δεδομένα μου vs. τα δικά σας’ σε ‘η κοινή μας ευκαιρία’.

Το αποτέλεσμα είναι έξυπνες αποφάσεις, ταχύτερη πειραματισμός και τελικά, υψηλότερη αύξηση κατηγορίας που ωφελεί και τους λιανικούς εμπόρους και τις μάρκες.

Καθώς οι λιανικοί εμπόροι ωριμάζουν, ποιο ρόλο θα παίξει η AI στη βελτίωση της στόχευσης, μέτρησης και κλειστού βρόχου απόδοσης ενώ διατηρούν την εμπιστοσύνη του καταναλωτή;

Η AI θα μετατρέψει τέσσερις κλειδιά περιοχές καθώς οι λιανικοί εμπόροι ωριμάζουν.

Πρώτον, στη στόχευση, η βιομηχανία εξελίσσεται από στατικές κοινοπραξίες κοινοτήτων σε προβλεπτική πρόθεση. Αναλύοντας πραγματικό χρόνο σήματα—όπως ταχύτητα περιήγησης ή σύνθεση καλαθιού—για να αναγνωρίσουν την ακριβή στιγμή της ανάγκης του πελάτη, η AIe διασφαλίζει ότι εμφανίζουμε τις σωστές διαφημίσεις όταν έχει σημασία περισσότερο παρά να στοχεύουμε ένα ευρύ δημογραφικό λεζάντα.

Δεύτερον, για τη μέτρηση, ο χρυσός κανόνας μεταφέρεται από την απλή Επιστροφή σε Κέρδος Διαφήμισης (ROAS) σε επικremental ROAS (iROAS). Χρησιμοποιώντας Causal AI, μπορούμε να μετρήσουμε την πραγματική επίδραση της διαφημιστικής δαπάνης αναγνωρίζοντας τους πελάτες που μόνο μετέτρεψαν λόγω της διαφήμισης έναντι εκείνων που θα είχαν συμβεί οργανικά.

Τρίτον, η λειτουργική αποτελεσματικότητα γίνεται κρίσιμη, ιδιαίτερα στις δημιουργικές επιχειρήσεις. Για να υποστηρίξουν την υπερ-προσωποποίηση, οι λιανικοί εμπόροι χρησιμοποιούν Generative AI όχι μόνο για ιδέες αλλά και για να κλιμακώσουν την παραγωγή. Αυτό επιτρέπει στις ομάδες να αυτοματοποιήσουν χιλιάδες δυναμικές, καναλιζόμενες παραλλαγές περιεχομένου σε λεπτά αντί για εβδομάδες, λύνοντας το μποτλνεκ του ‘περιεχομένου ταχύτητας’.

Τέλος, η διατήρηση της εμπιστοσύνης βασίζεται στην ευρεία υιοθέτηση των καθαρών δωματίων δεδομένων. Αυτά τα περιβάλλοντα επιτρέπουν στους λιανικούς εμπόρους και τις μάρκες να ταιριάζουν ασφαλώς τα datasets τους για κλειστό βρόχο απόδοσης, διασφαλίζοντας ότι ευαίσθητες Προσωπικά Αναγνωριστικά Πληροφορίες (PII) ποτέ δεν αφήνουν τους αντίστοιχους τοίχους προστασίας.

Κοιτάζοντας μπροστά, ποίες ικανότητες θα ορίσουν την επόμενη γενιά λιανικών εμπόρων που οδηγούνται από AI, και τι πρέπει οι ηγέτες να αρχίσουν να χτίζουν σήμερα για να παραμείνουν ανταγωνιστικοί τα επόμενα πέντε χρόνια;

Η επόμενη εποχή του λιανικού εμπορίου θα οριστεί από τη μετατόπιση από ‘ψηφιακή μεταμόρφωση’ σε ‘agentic μεταμόρφωση’. Μεταφερόμαστε σε ένα μέλλον ‘αυτόνομης ορχήστρας’, όπου δίκτυα από πράκτορες AI συνεργάζονται για να τρέξουν σύνθετες διαδικασίες—όπως ένας πράκτορας αλυσίδας εφοδιασμού που λέει αυτόματα σε einen πράκτορα μάρκετινγκ να παύσει μια προώθηση επειδή μια αποστολή καθυστερεί.

Για να προετοιμαστούν για αυτό, οι ηγέτες πρέπει να αρχίσουν να χτίζουν τρία πράγματα σήμερα.

Πρώτον, είναι ένα ενοποιημένο μοντέλο δεδομένων. Οι πράκτορες δεν μπορούν να συνεργαστούν αν δεν μιλήσουν την ίδια γλώσσα· το θεμέλιο δεδομένων σας πρέπει να εξελιχθεί από ένα αποθετήριο αποθήκευσης σε ένα σεμαντικό ‘νευρικό σύστημα’.

Δεύτερον, είναι ένα πλαίσιο διακυβέρνησης για τους πράκτορες. Πρέπει να ορίσετε τους ‘κανόνες εμπλοκής’—τι ένας AI επιτρέπεται να κάνει αυτόνομα έναντι τι απαιτεί ανθρώπινη έγκριση—πριν να κλιμακώσετε.

Τέλος, οι ημέρες των στατικών πινάκων που παρέχουν ‘rear-view’ αναλυτικά είναι αριθμημένες. Μεταφερόμαστε προς τις συνομιλίες αναλυτικών που παρέχουν στιγμιαίες, προσωποποιημένες ενημερώσεις. Αυτά τα διεπαφές πηγαίνουν πολύ πέρα από την αναφορά ‘τι συνέβη’; χρησιμοποιούν agentic AI για να λογαριαστούν μέσα από σύνθετα ‘γιατί’ ερωτήσεις και να παραδώσουν προταγμένες συστάσεις για ακριβώς ‘τι να κάνετε επόμενο’, αποτελεσματικά κλείνοντας το χάσμα μεταξύ ενημέρωσης και δράσης.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Tredence.