Amanpal Dhupar, Jefe de Retail en Tredence – Serie de Entrevistas

Amanpal Dhupar, Jefe de Retail en Tredence es un experimentado líder en analítica de retail y AI con más de una década de experiencia en el diseño y desarrollo de soluciones impulsadas por datos que brindan conocimientos accionables para los tomadores de decisiones empresariales. A lo largo de su carrera, ha liderado transformaciones estratégicas de analítica para altos ejecutivos en importantes minoristas, ha creado hojas de ruta de productos de AI para impulsar indicadores de desempeño empresarial medibles y ha escalado equipos de analítica desde su infancia hasta operaciones a gran escala, demostrando tanto profundidad técnica como versatilidad de liderazgo.

Tredence es una empresa de soluciones de ciencia de datos y AI que se centra en ayudar a las empresas a desbloquear el valor empresarial a través de analítica avanzada, aprendizaje automático y toma de decisiones impulsada por AI. La empresa se asocia con marcas globales, especialmente en retail y bienes de consumo, para resolver desafíos complejos en merchandising, cadena de suministro, precios, experiencia del cliente y operaciones de lanzamiento al mercado, traduciendo conocimientos en impacto real y ayudando a los clientes a modernizar sus capacidades de analítica e inteligencia.

Los minoristas a menudo ejecutan decenas de pilotos de AI, pero muy pocos pasan a la implementación a gran escala. ¿Cuáles son los errores organizacionales más comunes que impiden que la AI se convierta en resultados empresariales medibles?

Un estudio reciente de MIT Solan encontró que el 95% de los pilotos de AI no logran la implementación a gran escala. La realidad es que los pilotos son fáciles, pero la producción es difícil. En Tredence, hemos identificado cuatro razones organizacionales específicas que impulsan esta brecha.

La primera es la falta de comprensión del flujo de trabajo del usuario final. Los minoristas a menudo insertan la AI en procesos existentes rotos en lugar de preguntar cómo debería reimaginarse el flujo de trabajo en sí con la AI en el centro.

La segunda es la falta de un enfoque de plataforma para la AI Agente. En lugar de tratar a los agentes como experimentos de una sola vez, las organizaciones necesitan simplificar todo el ciclo de vida, desde el diseño y el desarrollo de los agentes hasta la implementación, el monitoreo y la gobernanza, en toda la empresa.

La tercera es una base de datos débil. Es fácil construir un piloto en un archivo plano limpio, pero escalar requiere una base de datos sólida y en tiempo real donde los datos precisos estén continuamente disponibles para los modelos de AI.

Finalmente, vemos una fricción entre la presión de IT y la atracción empresarial. El éxito solo ocurre cuando los líderes empresariales ven la AI como un valor agregado vinculado a un impacto medible, en lugar de una distracción impulsada por IT. En Tredence, nuestro enfoque siempre ha sido en la “última milla”, donde bridamos la brecha entre la generación de conocimientos y la realización de valor.

Tredence trabaja con muchos de los minoristas más grandes del mundo, apoyando billones en ingresos. Basándose en lo que está viendo en la industria, ¿qué separa a los minoristas que escalan la AI con éxito de aquellos que permanecen atascados en la experimentación?

En Tredence, apoyar billones en ingresos de retail nos ha dado un asiento en primera fila para una clara división en la industria: minoristas que tratan la AI como una serie de experimentos dispares versus aquellos que construyen una “fábrica de AI” industrializada. El principal diferenciador radica en un compromiso con las fundaciones de la plataforma de AI Agente. Las organizaciones más exitosas dejan de construir desde cero e invierten en un ecosistema robusto caracterizado por bibliotecas de componentes reutilizables, plantillas de diseño estándar y patrones de agentes preconstruidos alineados con casos de uso de retail específicos. Cuando se superponen LLMOps maduros, observabilidad de pila completa y guardias de AI responsable (RAI) incrustados en esta base, el impacto es transformador: normalmente vemos una mejora del 80% en la velocidad de valor para nuevos casos de uso porque la arquitectura pesada ya está hecha.

Sin embargo, una plataforma es tan buena como el contexto que consume, lo que nos lleva a la base de datos. Escalar requiere más que simplemente el acceso raw a los datos; exige una capa semántica rica donde los metadatos sólidos y los modelos de datos unificados permiten que la AI “razone” sobre el negocio en lugar de simplemente procesar entradas. Finalmente, los verdaderos líderes reconocen que esto no es solo una reforma tecnológica, sino también cultural. Bridan la “última milla” al moverse más allá de la simple automatización hacia el equipo humano-agente, reingenierizando los flujos de trabajo para que los asociados y los comerciantes confíen y colaboren con sus contrapartes digitales, convirtiendo el potencial algorítmico en realidad empresarial medible.

Más del 70% de las promociones de retail todavía no logran equilibrar el presupuesto. ¿Cómo puede la AI mejorar significativamente la planificación de promociones, la medición y la optimización en tiempo real?

La tasa de fracaso del 70% persiste porque los minoristas a menudo confunden las ventas totales con el incremento de levantamiento, esencialmente subsidiando a los compradores leales que habrían comprado de todos modos. Para romper este ciclo, debemos cambiar de un enfoque de informes descriptivos a uno más predictivo. En la fase de planificación, usamos AI Causal para simular resultados y establecer “líneas de base verdaderas”, identificando exactamente qué habría vendido sin la promoción. Esto permite a los minoristas dejar de pagar por la demanda orgánica y apuntar solo al volumen neto nuevo.

Para la medición, la AI resuelve el “rompecabezas de cartera” cuantificando los efectos de halo y la cannibalización. Los comerciantes humanos a menudo planean en silos, pero la AI proporciona una visión general de la categoría, asegurando que una promoción en un SKU no esté robando margen de otro. Esta medición holística ayuda a los minoristas a entender si están creciendo la porción de la categoría o simplemente rebanándola de manera diferente.

Finalmente, para la optimización en tiempo real, la industria se está moviendo hacia Agentes de AI que monitorean las campañas “en vuelo”. En lugar de esperar un análisis post mortem semanas después del evento, estos agentes recomiendan automáticamente correcciones de curso, como ajustar el gasto publicitario digital o cambiar ofertas, para rescatar el P&L antes de que termine la promoción. Este enfoque cambia el enfoque de simplemente liquidar inventario a ingeniería de crecimiento rentable.

Los errores de previsión y los agotamientos de stock siguen causando pérdidas de ingresos importantes. ¿Qué hace que los sistemas de merchandising y cadena de suministro impulsados por AI sean más efectivos que los enfoques de previsión tradicionales?

El primer cambio es en la previsión, donde la AI nos mueve de depender únicamente de la historia interna a ingerir datos externos, como el clima local, los eventos sociales y los indicadores económicos. Cuando la previsión captura este contexto externo, las ganancias de precisión no solo mejoran los números de ventas; también optimizan la gestión de inventario, la planificación de capacidad, los horarios laborales y las operaciones de almacén para alinearlos con la demanda real.

El segundo cambio es en los agotamientos de stock (OOS), que la mayoría de los minoristas todavía no miden con precisión. La AI soluciona esto detectando anomalías en los patrones de ventas, identificando “inventario fantasma” donde el sistema piensa que un artículo está en stock, pero las ventas han cesado, y desencadenando automáticamente conteos cíclicos para corregir el registro. Más allá de los datos, estamos viendo el surgimiento de la visión computacional para señalar físicamente las brechas en los estantes en tiempo real y rastrear el inventario en las salas de atrás, asegurando que el producto no esté solo “en el edificio” sino disponible para que el cliente lo compre.

El comercio agente está convirtiéndose en un tema importante en la innovación minorista. ¿Cómo cambian significativamente los agentes de razonamiento basados en AI la descubierta de productos y la conversión en comparación con la experiencia de compras impulsada por búsqueda de hoy?

En la búsqueda impulsada por la compra de hoy, los consumidores todavía hacen la mayor parte del trabajo pesado. Tienen que saber qué buscar, comparar opciones y dar sentido a resultados interminables. Los agentes basados en razonamiento interrumpen esto generando dinámicamente “pasillos sintéticos”, colecciones personalizadas que agregan productos multi-categoría basados en una intención específica. Por ejemplo, en lugar de buscar por separado cinco artículos, un comprador con una “misión de mañana saludable” se le presenta con un pasillo coherente y temporal que presenta todo, desde cereales de alto proteínas hasta licuadoras, instantáneamente colapsando el embudo de descubrimiento de minutos a segundos.

En el lado de la conversión, estos agentes actúan menos como motores de búsqueda y más como “conserjes de compras”. No solo enumeran opciones; construyen activamente cestas basadas en necesidades abiertas. Si un cliente solicita un “plan de cena para cuatro por debajo de $50”, el agente razona a través del inventario, el precio y las restricciones dietéticas para sugerir un paquete completo. Esta capacidad de razonamiento cierra la “brecha de confianza”, al articular por qué un producto específico se adapta al estilo de vida o la meta del usuario, el agente reduce la parálisis de la decisión y conduce tasas de conversión más altas en comparación con una cuadrícula silenciosa de miniaturas de productos.

Finalmente, estamos viendo que esto se extiende a contenido hiperpersonalizado. En lugar de mostrar a todos el mismo banner de página de inicio, la AI Agente puede generar páginas de aterrizaje dinámicas y visuales que reflejan la misión de compras actual del cliente. Sin embargo, para que esto se escalare, los minoristas están encontrando que necesitan basar estos agentes en un Modelo de Datos Unificado con una gobernanza estricta de marca y seguridad, asegurando que la “creatividad” de la AI nunca halle productos o viole la voz de la marca.

Muchos minoristas luchan con arquitecturas de datos obsoletas. ¿Cómo deben las empresas modernizar sus bases de datos para que los modelos de AI puedan brindar recomendaciones confiables y explicables?

El mayor obstáculo para el éxito de la AI no son los modelos, sino el “pantano de datos” debajo de ellos. Para modernizar, los minoristas deben dejar de simplemente recopilar datos y construir una capa semántica unificada. Esto significa implementar un “Modelo de Datos” estándar donde la lógica empresarial (como exactamente cómo se calcula el “Margen Neto” o la “rotación”) se define una vez y es universalmente accesible, en lugar de estar oculto en scripts SQL fragmentados en toda la organización.

En segundo lugar, las empresas necesitan moverse hacia una mentalidad de “producto de datos”. En lugar de tratar los datos como un subproducto de IT, los minoristas exitosos tratan los datos como un producto con propiedad definida, SLAs y monitoreo de calidad riguroso (observabilidad de datos). Cuando se combina este “registro dorado” limpio y gobernado con metadatos ricos, se desbloquea la explicabilidad. La AI no solo escupe una recomendación de caja negra; puede rastrear su lógica a través de la capa semántica.

La colaboración entre minoristas y empresas de bienes de consumo ha dependido históricamente de datos fragmentados y métricas inconsistentes. ¿Cómo los modelos de datos unificados y las plataformas de AI compartidas desbloquean un desempeño de categoría más fuerte para ambas partes?

Hasta ahora, los minoristas y las empresas de bienes de consumo han mirado al mismo cliente a través de diferentes lentes, cada uno utilizando sus propios datos e incentivos. Los modelos de datos unificados cambian esto al crear una sola versión de la verdad a lo largo de la cadena de valor, sea el rendimiento de los estantes o el comportamiento del comprador.

Cuando ambas partes trabajan en la misma plataforma de AI, pueden identificar conjuntamente qué impulsa el crecimiento o la fuga a nivel de categoría. Puede ser cualquier cosa: precios, promociones, surtido o brechas de inventario. Esto cambia las conversaciones de “mis datos versus los tuyos” a “nuestra oportunidad compartida”.

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

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

La AI transformará cuatro áreas clave a medida que las redes de medios de retail maduren.

Primero, en la segmentación, la industria está evolucionando de segmentos de audiencia estáticos a intención predictiva. Al analizar señales en tiempo real, como la velocidad de navegación o la composición de la cesta, para identificar el momento preciso de la necesidad del comprador, la AI garantiza que mostremos los anuncios correctos cuando más importa en lugar de simplemente apuntar a una etiqueta demográfica amplia.

En segundo lugar, para la medición, el estándar de oro se está desplazando de un simple Retorno sobre el Gasto Publicitario (ROAS) a un ROAS incremental (iROAS). Al aprovechar la AI Causal, podemos medir el impacto real del gasto en medios al identificar a los compradores que solo se convirtieron debido al anuncio versus aquellos que habrían ocurrido de manera orgánica.

En tercer lugar, la eficiencia operativa se está volviendo crítica, particularmente en las operaciones creativas. Para respaldar la hiperpersonalización, los minoristas están utilizando la AI Generativa no solo para la ideación sino para escalar la producción. Esto permite a los equipos generar automáticamente miles de variaciones de activos dinámicos y específicos de canal en minutos en lugar de semanas, resolviendo el cuello de botella de la “velocidad de contenido”.

Finalmente, mantener la confianza depende de la adopción generalizada de salas de datos limpios. Estos entornos permiten a los minoristas y las marcas emparejar sus conjuntos de datos de forma segura para la atribución de ciclo cerrado, garantizando que la información de identificación personal sensible (PII) nunca salga de sus respectivos firewalls.

Mirando hacia adelante, ¿qué capacidades definirán a la próxima generación de minoristas impulsados por AI, y qué deberían empezar a construir los líderes hoy para mantenerse competitivos en los próximos cinco años?

La próxima era del retail estará definida por el cambio de “transformación digital” a “transformación agente”. Nos estamos moviendo hacia un futuro de “orquestación autónoma”, donde las redes de agentes de AI colaboran para ejecutar procesos complejos, como un agente de cadena de suministro que le dice automáticamente a un agente de marketing que pause una promoción porque un envío se retrasó.

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

Primero es un modelo de datos unificado. Los agentes no pueden colaborar si no hablan el mismo lenguaje; su base de datos debe evolucionar de un repositorio de almacenamiento a un “sistema nervioso” semántico.

En segundo lugar es un marco de gobernanza para los agentes. Necesitan definir las “reglas de compromiso”, qué puede hacer la AI de forma autónoma versus qué requiere aprobación humana, antes de escalar.

Finalmente, los días de los paneles de instrumentos estáticos que brindan analítica de “vista trasera” están contados. Nos estamos moviendo hacia una analítica conversacional que brinda conocimientos instantáneos y personalizados. Estas interfaces van mucho más allá de informar sobre “qué sucedió”; aprovechan la AI agente para razonar a través de preguntas complejas de “por qué” y brindan recomendaciones prescriptivas sobre exactamente “qué hacer a continuación”, cerrando efectivamente la brecha entre conocimiento y acción.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Tredence.