Amanpal Dhupar, director de venta minorista de Tredence - Serie de entrevistas

Amanpal DhuparEl Director de Retail en Tredence es un experimentado líder en análisis de retail e IA con más de una década de experiencia en el diseño y desarrollo de soluciones basadas en datos que ofrecen información práctica a los responsables de la toma de decisiones empresariales. A lo largo de su carrera, ha liderado transformaciones estratégicas de análisis para altos ejecutivos de importantes minoristas, ha desarrollado hojas de ruta de productos de IA para impulsar KPI empresariales medibles y ha escalado equipos de análisis desde sus inicios hasta operaciones a gran escala, demostrando tanto su capacidad técnica como su versatilidad de liderazgo.

Tendencia Es una firma de soluciones de ciencia de datos e IA enfocada en ayudar a las empresas a generar valor comercial mediante análisis avanzados, aprendizaje automático y toma de decisiones basada en IA. La compañía colabora con marcas globales, especialmente en el sector minorista y de bienes de consumo, para resolver desafíos complejos en las áreas de comercialización, cadena de suministro, precios, experiencia del cliente y operaciones de salida al mercado, convirtiendo los conocimientos en impacto real y ayudando a los clientes a modernizar sus capacidades de análisis e inteligencia.

Los minoristas suelen ejecutar decenas de pilotos de IA, pero muy pocos llegan a implementarlos a gran escala. ¿Cuáles son los errores organizativos más comunes que impiden que la IA se traduzca en resultados comerciales medibles?

Un estudio reciente del MIT Solan reveló que el 95 % de los proyectos piloto de IA no logran una implementación completa. ¿La realidad? Los proyectos piloto son fáciles, pero la producción es difícil. En Tredence, hemos identificado cuatro razones organizativas específicas que explican esta brecha.

En primer lugar, la falta de comprensión del flujo de trabajo del usuario final. Los minoristas suelen integrar la IA en procesos fallidos existentes en lugar de plantearse cómo reinventar el flujo de trabajo con la IA como eje central.

En segundo lugar, la falta de un enfoque de plataforma para la IA Agentic. En lugar de tratar a los agentes como experimentos puntuales, las organizaciones necesitan optimizar todo su ciclo de vida, desde el diseño y desarrollo hasta la implementación, la monitorización y la gobernanza, en toda la empresa.

En tercer lugar, la base de datos es débil. Es fácil crear un piloto con un archivo plano limpio, pero el escalamiento requiere una base sólida y en tiempo real donde los modelos de IA puedan acceder continuamente a datos precisos.

Finalmente, observamos una fricción entre el empuje de TI y la atracción del negocio. El éxito solo se logra cuando los líderes empresariales ven la IA como un valor añadido vinculado a un impacto medible, en lugar de una distracción impulsada por TI. En Tredence, nuestro enfoque siempre se ha centrado en el último tramo, donde acortamos la distancia entre la generación de conocimiento y la materialización de valor.

Tredence trabaja con muchos de los minoristas más grandes del mundo, generando billones de dólares en ingresos. Según lo que observa en el sector, ¿qué diferencia a los minoristas que escalan la IA con éxito de los que se quedan estancados en la experimentación?

En Tredence, respaldar billones de dólares en ingresos minoristas nos ha permitido observar en primera fila una clara división del sector: los minoristas que tratan la IA como una serie de experimentos dispares frente a aquellos que construyen una "fábrica de IA" industrializada. El principal diferenciador reside en el compromiso con las bases de la Plataforma de IA Agentic. Las organizaciones más exitosas dejan de construir desde cero y, en su lugar, invierten en un ecosistema robusto caracterizado por bibliotecas de componentes reutilizables, plantillas de diseño estándar y patrones de agentes prediseñados, alineados con casos de uso específicos del sector minorista. Al incorporar LLMOps maduros, observabilidad integral y barandillas de seguridad de IA responsable (RAI) integradas sobre esta base, el impacto es transformador: solemos observar una mejora del 80 % en la velocidad de obtención de valor para nuevos casos de uso, ya que el trabajo arquitectónico más complejo ya está realizado.

Sin embargo, la calidad de una plataforma depende del contexto que consume, lo que nos lleva a la base de datos. Escalar requiere más que solo acceso directo a los datos; exige una rica capa semántica donde metadatos sólidos y modelos de datos unificados permitan a la IA razonar sobre el negocio, en lugar de simplemente procesar información. Finalmente, los verdaderos líderes reconocen que esto no es solo una renovación tecnológica, sino cultural. Superan la "última milla" yendo más allá de la simple automatización hacia la colaboración entre agentes humanos, rediseñando los flujos de trabajo para que los empleados y comerciantes confíen y colaboren con sus contrapartes digitales, convirtiendo el potencial algorítmico en una realidad empresarial medible.

Más del 70 % de las promociones minoristas aún no alcanzan el punto de equilibrio. ¿Cómo puede la IA mejorar significativamente la planificación, la medición y la optimización en tiempo real de las promociones?

La tasa de fracaso del 70% persiste porque los minoristas suelen basarse en análisis retrospectivos que confunden las ventas totales con el incremento incremental, lo que básicamente subsidia a los compradores fieles que habrían comprado de todos modos. Para romper este ciclo, necesitamos cambiar de los informes descriptivos a un enfoque más predictivo. En la fase de planificación, utilizamos IA Causal para simular resultados y establecer "líneas de base reales", identificando exactamente qué se habría vendido sin la promoción. Esto permite a los minoristas dejar de pagar por la demanda orgánica y centrarse únicamente en el volumen neto nuevo.

Para la medición, la IA resuelve el problema del portafolio cuantificando los efectos de halo y la canibalización. Los comerciantes humanos suelen planificar de forma aislada, pero la IA ofrece una visión global de la categoría, lo que garantiza que una promoción en un SKU no solo le robe margen a otro. Esta medición holística ayuda a los minoristas a comprender si están expandiendo el sector de la categoría o simplemente distribuyéndolo de forma diferente.

Finalmente, para la optimización en tiempo real, la industria está evolucionando hacia agentes de IA que monitorean las campañas en tiempo real. En lugar de esperar un análisis exhaustivo semanas después del evento, estos agentes recomiendan de forma autónoma correcciones de rumbo, como ajustar la inversión en publicidad digital o cambiar ofertas, para recuperar las ganancias y pérdidas antes de que finalice la promoción. Este enfoque cambia el enfoque de simplemente liquidar el inventario a generar un crecimiento rentable.

Los errores de pronóstico y la falta de stock siguen causando importantes pérdidas de ingresos. ¿Qué hace que los sistemas de comercialización y cadena de suministro basados ​​en IA sean más eficaces que los enfoques de pronóstico tradicionales?

El primer cambio se produce en la previsión, donde la IA nos permite pasar de depender únicamente del historial interno a incorporar datos externos, como el clima local, eventos sociales e indicadores económicos. Cuando la previsión captura este contexto externo, las mejoras en la precisión no solo mejoran las ventas, sino que se transmiten en cascada, optimizando la gestión del inventario, la planificación de la capacidad, los horarios de mano de obra y las operaciones del almacén para alinearse con la demanda real.

El segundo cambio se da en las existencias agotadas (OOS), que la mayoría de los minoristas aún no miden con precisión. La IA soluciona este problema detectando anomalías en los patrones de venta: identifica el "inventario fantasma", donde el sistema cree que un artículo está en stock, pero las ventas se han detenido, y activa automáticamente los recuentos cíclicos para corregir el registro. Más allá de los datos, estamos presenciando el auge de la visión artificial para detectar físicamente los faltantes en los estantes en tiempo real y rastrear el inventario en las trastiendas, garantizando que el producto no solo esté "en el almacén", sino que esté disponible para que el cliente lo compre.

El comercio agéntico se está convirtiendo en un tema clave en la innovación minorista. ¿Cómo influyen significativamente los agentes de IA basados ​​en el razonamiento en el descubrimiento y la conversión de productos en comparación con la experiencia de compra actual basada en búsquedas?

En las compras actuales basadas en búsquedas, los consumidores aún hacen la mayor parte del trabajo pesado. Deben saber qué buscar, comparar opciones y comprender la infinidad de resultados. Los agentes basados ​​en el razonamiento alteran esto al generar dinámicamente "pasillos sintéticos": colecciones personalizadas que agrupan productos de múltiples categorías según una intención específica. Por ejemplo, en lugar de buscar cinco artículos por separado, un comprador con la misión de una "mañana saludable" se encuentra con un pasillo cohesivo y temporal que ofrece de todo, desde cereales ricos en proteínas hasta licuadoras, reduciendo instantáneamente el embudo de descubrimiento de minutos a segundos.

En cuanto a la conversión, estos agentes actúan menos como motores de búsqueda y más como "conserjes de compras". No se limitan a listar opciones, sino que crean cestas de compra basadas en necesidades abiertas. Si un cliente pide un "plan de cena para cuatro por menos de $50", el agente analiza el inventario, el precio y las restricciones dietéticas para sugerir un paquete completo. Esta capacidad de razonamiento reduce la "brecha de confianza": al explicar por qué un producto específico se ajusta al estilo de vida o al objetivo del usuario, el agente reduce la parálisis de decisión y genera mayores tasas de conversión en comparación con una cuadrícula silenciosa de miniaturas de productos.

Finalmente, estamos viendo cómo esto se extiende al contenido hiperpersonalizado. En lugar de mostrar a todos el mismo banner en la página de inicio, la IA de Agentic puede generar landing pages dinámicas y elementos visuales que reflejan la experiencia de compra actual del cliente. Sin embargo, para que esto se escale, los minoristas se están dando cuenta de que necesitan integrar a estos agentes en un Modelo de Datos Unificado con una estricta gobernanza de marca y seguridad, garantizando así que la creatividad de la IA nunca falsifique los productos ni contradiga la voz de la marca.

Muchos minoristas se enfrentan a arquitecturas de datos obsoletas. ¿Cómo deberían las empresas modernizar sus bases de datos para que los modelos de IA puedan ofrecer recomendaciones fiables y explicables?

El mayor obstáculo para el éxito de la IA no son los modelos, sino la maraña de datos que los sustenta. Para modernizarse, los minoristas deben dejar de limitarse a recopilar datos y construir una capa semántica unificada. Esto implica implementar un modelo de datos estándar donde la lógica de negocio (como el cálculo exacto del margen neto o la tasa de abandono) se define una sola vez y es universalmente accesible, en lugar de estar oculta en scripts SQL fragmentados por toda la organización.

En segundo lugar, las empresas necesitan adoptar una mentalidad de "producto de datos". En lugar de tratar los datos como un subproducto de TI, los minoristas exitosos los tratan como un producto con propiedad definida, acuerdos de nivel de servicio (SLA) y un riguroso control de calidad (observabilidad de datos). Al combinar este registro de oro limpio y gobernado con metadatos enriquecidos, se facilita la explicabilidad. La IA no se limita a emitir una recomendación de caja negra; puede rastrear su lógica a través de la capa semántica.

Históricamente, la colaboración entre minoristas y empresas de bienes de consumo envasados ​​se ha basado en datos fragmentados y métricas inconsistentes. ¿Cómo logran los modelos de datos unificados y las plataformas de IA compartidas un mayor rendimiento de la categoría para ambas partes?

Hasta ahora, los minoristas y las empresas de bienes de consumo envasados ​​han analizado al mismo cliente desde perspectivas diferentes, cada una con sus propios datos e incentivos. Los modelos de datos unificados cambian esto al crear una única versión de la verdad a lo largo de la cadena de valor, ya sea el rendimiento en los lineales o el comportamiento del comprador.

Cuando ambas partes trabajan con la misma plataforma de IA, pueden identificar conjuntamente qué impulsa el crecimiento o la fuga de clientes a nivel de categoría. Puede ser cualquier cosa: precios, promociones, surtido o brechas de inventario. Esto cambia la conversación de "mis datos vs. los tuyos" a "nuestra oportunidad compartida".

El resultado son decisiones más inteligentes, una experimentación más rápida y, en última instancia, un mayor crecimiento de la categoría que beneficia tanto a los minoristas como a las marcas.

A medida que las redes de medios minoristas maduran, ¿qué papel desempeñará la IA en la mejora de la segmentación, la medición y la atribución de circuito cerrado, manteniendo al mismo tiempo la confianza del consumidor?

La IA transformará cuatro áreas clave a medida que las redes de medios minoristas maduren.

En primer lugar, en la segmentación, la industria está evolucionando de segmentos de audiencia estáticos a la intención predictiva. Al analizar señales en tiempo real, como la velocidad de navegación o la composición del carrito de compra, para identificar el momento preciso de la necesidad del comprador, la IAe garantiza que mostremos los anuncios adecuados cuando más importa, en lugar de dirigirnos únicamente a un grupo demográfico amplio.

En segundo lugar, para la medición, el estándar de oro está cambiando del simple Retorno de la Inversión Publicitaria (ROAS) al ROAS incremental (iROAS). Al aprovechar la IA Causal, podemos medir el impacto real de la inversión en medios al identificar a los compradores que solo se convirtieron gracias al anuncio frente a aquellos que lo harían orgánicamente.

En tercer lugar, la eficiencia operativa se está volviendo crucial, especialmente en las operaciones creativas. Para impulsar la hiperpersonalización, los minoristas utilizan IA generativa no solo para la ideación, sino también para escalar la producción. Esto permite a los equipos generar automáticamente miles de variaciones dinámicas de activos específicos para cada canal en minutos, en lugar de semanas, solucionando así el problema de la velocidad del contenido.

Finalmente, mantener la confianza depende de la adopción generalizada de salas blancas de datos. Estos entornos permiten a minoristas y marcas cotejar de forma segura sus conjuntos de datos para una atribución de bucle cerrado, garantizando así que la información personal identificable (PII) confidencial nunca salga de sus respectivos firewalls.

De cara al futuro, ¿qué capacidades definirán la próxima generación de minoristas impulsados ​​por IA y qué deberían empezar a desarrollar hoy los líderes para seguir siendo competitivos en los próximos cinco años?

La próxima era del comercio minorista se definirá por la transición de la «transformación digital» a la «transformación agente». Nos encaminamos hacia un futuro de «orquestación autónoma», donde redes de agentes de IA colaboran para ejecutar procesos complejos, como un agente de la cadena de suministro que indica automáticamente a un agente de marketing que suspenda una promoción debido a un retraso en un envío.

Para prepararse para esto, los líderes deben comenzar a construir tres cosas hoy.

En primer lugar, se trata de un modelo de datos unificado. Los agentes no pueden colaborar si no hablan el mismo idioma; su infraestructura de datos debe evolucionar de un repositorio de almacenamiento a un sistema nervioso semántico.

En segundo lugar, se necesita un marco de gobernanza para las agencias. Es necesario definir las reglas de interacción (lo que una IA puede hacer de forma autónoma y lo que requiere aprobación humana) antes de escalar.

Finalmente, los días de los paneles estáticos que ofrecen análisis retrospectivos están contados. Nos estamos moviendo hacia el análisis conversacional que proporciona información instantánea y personalizada. Estas interfaces van mucho más allá de informar sobre el "qué sucedió"; aprovechan la IA de la agencia para razonar sobre preguntas complejas de "por qué" y ofrecer recomendaciones prescriptivas sobre exactamente "qué hacer a continuación", acortando eficazmente la distancia entre la información y la acción.

Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar Tendencia.