Amanpal Dhupar, Tredencen myyntijohtaja – Haastattelusarja

Amanpal Dhupar, Tredencen myyntijohtaja on kokenut vähittäiskaupan analytiikka- ja tekoälyjohtaja, jolla on yli kymmenen vuoden kokemus dataohjattujen ratkaisujen suunnittelusta ja kehittämisestä, jotka tarjoavat toimintavinkkejä yritysten päätöksentekijöille. Uransa aikana hän on johtanut strategisia analytiikkaan liittyviä muutoksia korkean tason johtajille suurissa vähittäiskaupan yrityksissä, luonut tekoälytuotteiden tiestöt, joilla voidaan ohjata mitattavia liiketoimintaindikattoreita, ja laajentanut analytiikkatiimejä pienistä toiminnasta suurempiin operaatioihin – osoittaen sekä teknistä syvyyttä että johtamisjoustavuutta.

Tredence on data- ja tekoälyratkaisuihin erikoistunut yritys, joka auttaa yrityksiä lukemaan liiketoimintaa ja tekoälypohjaista päätöksentekoa edistämällä. Yritys toimii maailmanlaajuisten brändien, erityisesti vähittäiskaupan ja kuluttajatuotteiden aloilla, kanssa ratkaisemassa monimutkaisia haasteita, kuten myynti-, toimitusketju-, hinnoittelu-, asiakaskokemus- ja markkinointitoimia, ja kääntämällä nämä oivallukset todelliseksi vaikutukseksi ja auttaa asiakkaita modernisoimaan analytiikka- ja tiedonhallintakapasiteettinsa.

Vähittäiskauppiat usein pyörittävät kymmeniä tekoälykokeiluja, mutta vain harvat siirtyvät täysimittaiseen käyttöönottoon. Mitkä ovat yleisimmät organisaatiot, jotka estävät tekoälyä tuottamasta mitattavia liiketoimintatuloksia?

MIT Solan tutkimus osoitti, että 95 % tekoälykokeiluista epäonnistuu saavuttamaan täysimittaista käyttöönottoa. Totuus on, että kokeilut ovat helppoja, mutta tuotanto on vaikeaa. Tredencessä olemme tunnistaneet neljä tiettyä organisaatiotekijää, jotka johtavat tähän aukkoon.

Ensimmäinen on se, ettei loppukäyttäjän työnkulkua ymmärretä. Vähittäiskauppiat usein lisäävät tekoälyä olemassa oleviin rikkinäisiin prosesseihin sen sijaan, että kysytään, miten työnkulku itsessään tulisi uudelleenmuotoilla tekoälyn ympärille.

Toinen on tekoälyalustan puute. Sen sijaan, että tekoälyä kohteltaisiin yksittäisinä kokeiluina, organisaatioiden on streamattava koko elinkaaren – agenttien suunnittelusta ja kehittämisestä käyttöönottoon, seurantaan ja hallintaan – koko yrityksessä.

Kolmas on heikko dataperusta. On helppo rakentaa kokeilu puhdas tasainen tiedosto, mutta skaalautuminen edellyttää vankkaa, reaaliaikaista perustaa, jossa tarkka data on jatkuvasti saatavilla tekoälymallille.

Neljänneksi näemme kitkaa IT-veto ja liiketoimintaveto välillä. Menestys tapahtuu vain silloin, kun liiketoimintajohtajat näkevät tekoälyn arvonlisänä, joka on kytköksissä mitattaviin vaikutuksiin, eikä pelkästään IT-puolen työntekijöiden aiheuttamana häiriöksi. Tredencessä fokus on aina ollut “viimeisessä mailissa”, jossa siltaamme tämän kuilun oivalluksen ja arvon toteutuksen välillä.

Tredence työskentelee monien maailman suurimpien vähittäiskauppojen kanssa, tukeen triljoonia liiketoimintatuottoja. Mitä erottaa vähittäiskauppiat, jotka skaalauttavat tekoälyä onnistuneesti niistä, jotka jäävät jumiin kokeiluvaiheeseen?

Tredencessä, jossa tuetaan triljoonia vähittäiskaupan tuottoja, olemme saaneet eturivin paikan selvään teollisuuden jakautumiseen: vähittäiskauppiat, jotka kohdeltavat tekoälyä sarjana erillisiä kokeiluja, ja ne, jotka rakentavat teollisen “tekoälytehtaan”. Pääasiallinen erottava tekijä on sitoutuminen tekoälyalustan perusteisiin. Menestyvimmät organisaatiot lopettavat rakentamisen alusta ja sen sijaan investoivat vankkaan ekosysteemiin, joka on luonteenomaista uudelleenkäytettävistä komponenttikirjastoista, standardoiduista suunnitteluista ja ennalta määritetyistä agenttimalleista, jotka on suunniteltu tiettyihin vähittäiskaupan käyttötapauksiin. Kun kerrostaat kypsiä LLMOps, full-stack-havainnollistusta ja upotettuja vastuullisia tekoälyraiteita tähän perusta, vaikutus on muodonmuuttava – näemme yleensä uusien käyttötapauksien nopeuden arvoon parantuvan 80 %, koska raskas arkkitehtuuri on jo tehty.

Kuitenkin alusta on vain yhtä hyvä kuin konteksti, jota se kuluttaa, mikä tuo meidät dataperustaan. Skaalautuminen edellyttää enemmän kuin vain raakaa pääsyä dataan; se vaatii rikkaan semanttisen kerroksen, jossa vahva metadata ja yhdenmukaiset datamallit sallivat tekoälylle “päättää” liiketoiminnasta sen sijaan, että se vain prosessoi syötteitä. Lopulta todelliset johtajat tunnustavat, että tämä ei ole pelkästään teknologinen uudelleenjärjestely, vaan myös kulttuurinen. He siltaavat “viimeisen mailin” siirtymällä yksinkertaisesta automaatiosta ihmisten ja agenttien tiimiin, uudelleenmuotoilemalla työnkulkuja, jotta myyjät ja kauppiaat luottavat ja tekevät yhteistyötä digitaalisten vastineidensa kanssa, muuttaen algoritmista potentiaalia mitattavaksi liiketoimintatodellisuudeksi.

Yli 70 prosenttia vähittäiskaupan kampanjoista epäonnistuu edelleen rikkomasta nollan rajaa. Miten tekoäly voi mielekkäästi parantaa kampanjan suunnittelua, mittaamista ja reaaliaikaisen optimoinnin?

70 prosentin epäonnistumisprosentti jatkuu, koska vähittäiskauppiat usein luottavat “takana olevaan peiliin” analytiikkaan, joka sekoittaa yhteensä myynti- ja lisäysnosteen – perustellen uskollisia ostajia, jotka olisivat ostaneet joka tapauksessa. Tämän kierron murtamiseksi tarvitaan siirtymistä kuvailevasta raportoinnista enemmän prediktiiviseen lähestymistapaan. Suunnitteluvaiheessa käytämme kausaalia tekoälyä simuloimaan tuloksia ja perustamaan “oikeat perusviivat”, tunnistamaan tarkalleen, mitä olisi myyty ilman kampanjaa. Tämä mahdollistaa vähittäiskauppojen lopettamisen maksamisen orgaanisesta kysynnästä ja kohdistamisen vain uusiin tilavuuteen.

Mittaamisessa tekoäly ratkaisee “portfolion arvoituksen” määräämällä halo-vaikutukset ja kannibaloinnin. Ihmismyyjät suunnittelevat usein eristyneissä siloissa, mutta tekoäly tarjoaa kategoriavastaavan näkymän, varmistamalla, että kampanja toisessa tuotteessa ei vain vie voittoa toisesta.

Lopulta reaaliaikaisessa optimoinnissa teollisuus siirtyy tekoälyagentteihin, jotka seuraavat kampanjoita “lentokoneessa”. Sen sijaan, että odottaisi post mortem -analyysiä viikkoja tapahtuman jälkeen, nämä agentit suosittelevat itsestään kurssin korjauksia – kuten digitaalisen mainonnan mukauttamista tai tarjousten vaihtamista – pelastamaan P&L ennen kampanjan päättymistä. Tämä lähestymistapa siirtää fokus siitä, että vain tyhjennetään varastoa, kohti voitollisen kasvun insinööritöitä.

Ennustusvirheet ja loppumiset jatkavat aiheuttamasta suuria tappioita. Mitä tekee tekoälyohjatuista myynti- ja toimitusketjujärjestelmistä tehokkaampia kuin perinteiset ennustuslähestymistavat?

Ensimmäinen siirtymä on ennustamisessa, jossa tekoäly siirtää meidät riippuvuudesta pelkästään sisäisestä historiasta ulkoisen datan nielaisemiseen – kuten paikallissäästä, sosiaalisista tapahtumista ja taloudellisista osoittimista. Kun ennuste ottaa huomioon tämän ulkoisen kontekstin, tarkkuusparannukset eivät paranna vain myyntilukemia; ne optimoivat myös varastohallintaa, kapasiteettisuunnittelua, työaikatauluja ja varastotoimintoja oikean kysynnän mukaan.

Toinen siirtymä on loppumisissa (OOS), joita useimmat vähittäiskauppiat eivät vieläkään mitä arvioi tarkasti. Tekoäly korjaa tämän havaitsemalla poikkeamia myyntimalleissa – tunnistamalla “haamuvälineitä”, joissa järjestelmä luulee, että tuote on varastossa, mutta myynti on loppunut – ja käynnistää automaattisesti syklin laskenta korjataksesi ennusteen. Dataperustan lisäksi näemme tietokoneen näkemisen nousun fyysisesti merkittäväksi hyllyaukkoja reaaliajassa ja seurata varastoa takahuoneissa, varmistamalla, että tuote on saatavilla asiakkaan ostettavaksi.

Agenteerattu kauppa on muodostumassa suureksi teemaksi vähittäiskaupan innovaatioissa. Miten perustelupohjaiset tekoälyagentit muuttavat tuotteen löytymisen ja muunnoksen verrattuna tänään hakukonepohjaiseen ostokokemukseen?

Tänään hakukonepohjaisessa ostoksessa kuluttajat tekevät edelleen suurimman osan raskaasta työstä. Heidän on tiedettävä, mitä etsiä, vertailla vaihtoehtoja ja ymmärtää loputon määrä tuloksia. Perustelupohjaiset agentit rikkoavat tämän dynaamisesti luomalla “synthetic-kaistoja” – mukautettuja kokoelmia, jotka yhdistävät monen kategorian tuotteita tietyn tarkoituksen mukaan. Esimerkiksi sen sijaan, että etsisi erikseen viittä tuotetta, asiakas, jolla on “terve aamupäivä” -tehtävä, esitetään yhtenäinen, tilapäinen kaista, joka sisältää kaiken aamiaismuroista blendeihin, kutistaa löytöputken muutamasta minuutista sekunteihin.

Muunnoksen osalla nämä agentit toimivat vähemmän hakukoneina ja enemmän “ostoskonselein”. Ne eivät vain lista vaihtoehtoja; ne rakentavat aktiivisesti ostoskoreja avoimien tarpeiden perusteella. Jos asiakas pyytää “illallissuunnitelmaa neljälle alle 50 dollarilla”, agentti päättää varastosta, hinnoittelusta ja ruokavaliovaatimuksista ja ehdottaa täydellistä pakettia. Tämä perustelukyky sulkee “luottamuskuilun” – agentin selittäessä, miksi tietty tuote sopii asiakkaan elämäntapaan tai tavoitteeseen, se vähentää päätöksenteon halvausta ja ajaa korkeampia muunnoskursseja verrattuna hiljaiseen tuotekuvan ruudukkoon.

Lopulta näemme tämän laajentuvan hyperhenkilökohtaisiin sisältöihin. Sen sijaan, että näytetään kaikille sama etusivun banneri, agenteerattu tekoäly voi generoida dynaamisia aloitusnäkymiä ja visuaalisia elementtejä, jotka heijastavat asiakkaan nykyistä ostoslähettiläistä. Kuitenkin tämän skaalauttamiseksi vähittäiskauppioiden on yhdistettävä nämä agentit yhdenmukaiseen datamalliin ja tiukkaan brändi- ja turvallisuuden hallintaan, varmistamalla, että tekoälyn “luovuus” ei koskaan “haiku” tuotteita tai riko brändiääntä.

Monet vähittäiskauppiat kamppailevat vanhentuneiden datarakenteiden kanssa. Miten yritysten on modernisoitava dataperustaa, jotta tekoälymallit voivat toimittaa luotettavia ja selitettäviä suosituksia?

Suurin este tekoälymenestykselle ei ole mallit, vaan “dataraivaus” niiden alla. Modernisoidaksesi vähittäiskauppioiden on loputtava pelkästään datan keräämisestä ja rakennettava yhdenmukainen semanttinen kerros. Tämä tarkoittaa standardin “datamallin” toteuttamista, jossa liiketoimintalogiikka (kuten tarkalleen, miten “nettomarginaali” tai “kierros” lasketaan) määritellään kerran ja on yleisesti saatavilla, eikä piilotettuina hajanaisissa SQL-komentosarjoissa koko organisaatiossa.

Toiseksi yritysten on siirryttävä “datatuotteen” ajattelutapaan. Sen sijaan, että dataa kohdeltiin IT-tuotteena, menestyvät vähittäiskauppiat kohdeltavat sitä tuotteena, jolla on määritellyt omistajat, SLA:t ja tiukka laadunvalvonta (datan havainnollistus). Kun yhdistät tämän puhdas, hallitun “kultaisen ennusteen” rikkaan metadataan, avaat selitettävyyden. Tekoäly ei vain spittaa mustan laatikon suosituksia; se voi jäljittää logiikkansa takaisin semanttisen kerroksen kautta.

Yhteistyö vähittäiskaupan ja CPG-yritysten välillä on perinteisesti nojannut hajanaisiin tietoihin ja epäjohdonmukaisiin mittareihin. Miten yhdenmukaiset datamallit ja jaetut tekoälyalustat avaavat vahvemman kategoriSuorituskyvyn molemmille osapuolille?

Tähän asti vähittäiskauppiat ja CPG:t ovat katsoneet samaa asiakasta eri linssien läpi, kumpikin käyttäen omaa dataa ja kannustimia. Yhdenmukaiset datamallit muuttavat tämän luomalla yhden totuuden version arvoketjussa, olipa se hyllysuorituskyky tai asiakkaan käyttäytyminen.

Kun molemmat osapuolet työskentelevät samalla tekoälyalustalla, he voivat yhdessä tunnistaa, mitä kategoriassa ajaa kasvua tai vuotoa. Se voi olla mitä tahansa – hinnoittelu, kampanja, valikoima tai varastot. Tämä siirtää keskustelut “minun data vs. sinun data” – “meidän jaettuun mahdollisuuteen”.

Tuloksena on fiksummat päätökset, nopeampi kokeilu ja lopulta suurempi kategoriakasvu, josta molemmat vähittäiskauppiat ja brändit hyötyvät.

Vähittäiskaupan median verkostot kehittyvät. Minkä roolin tekoäly tulee näyttelemään kohdennuksen, mittaamisen ja suljetun silmukan attribuutio parantamisessa samalla, kun kuluttajien luottamus säilyy?

Tekoäly muuttaa neljää tärkeää aluetta, kun vähittäiskaupan median verkostot kypsyvät.

Ensinnäkin kohdennuksessa teollisuus kehittyy staattisista kohderyhmäsegmenteistä prediktiiviseen aikomukseen. Analysoimalla reaaliaikaisia signaaleja – kuten selausnopeutta tai ostoskoria – tunnistamaan tarkan hetken asiakkaan tarpeesta, tekoäly varmistaa, että näytämme oikeat mainokset, kun se on tärkeintä, eikä vain kohdenna laajaa demograafista merkintää.

Toiseksi mittaamisessa kultainen standardi siirtyy yksinkertaisesta mainonnan tuotosta (ROAS) kasvavaan ROAS:iin (iROAS). Käyttämällä kausaalia tekoälyä voimme mitata median todellisen vaikutuksen tunnistamalla asiakkaat, jotka muuttuivat vain mainoksen vuoksi, eikä luonnostaan.

Kolmanneksi operatiivinen tehokkuus on tärkeää, erityisesti luovissa toimissa. Tukeakseen hyperhenkilökohtaista sisältöä vähittäiskauppiat käyttävät generatiivista tekoälyä ei vain ideoinnissa vaan tuotantoon. Tämä mahdollistaa tiimien automaattisen luomisen tuhansia dynaamisia, kanavakohtaisia muunnelmia minuuteissa eikä viikoissa, ratkaisemalla “sisällön nopeuden” pullonkaulan.

Lopulta luottamuksen ylläpitäminen perustuu laajasti datan puhdistushuoneiden omaksumiseen. Nämä ympäristöt sallivat vähittäiskauppojen ja brändien turvallisesti yhdistää datansa suljetun silmukan attribuutio varmistamiseksi, varmistamalla, että arkaluontoiset henkilökohtaiset tunnistetiedot (PII) eivät koskaan jää heidän palomuurensa ulkopuolelle.

Katsoen eteenpäin, mitkä kyvyt määrittävät seuraavan sukupolven tekoälyvoimaisia vähittäiskauppoja, ja mitä johtajien on aloitettava rakentamaan tänään pysyäkseen kilpailukykyisinä seuraavan viiden vuoden aikana?

Tekoälyn seuraava aikakausi määritellään siirtymällä “digitaalisen muutoksen” “agenteeratun muutoksen” kautta. Siirrymme “automaattisen orkestraation” tulevaisuuteen, jossa tekoälyverkostot tekevät yhteistyötä monimutkaisten prosessien suorittamiseksi – kuten toimitusketjuagentti, joka kertoo automaattisesti markkinointiagentille keskeyttää kampanja, koska toimitus on viivästynyt.

Valmistuaksesi tähän johtajien on aloitettava kolmen asian rakentaminen tänään.

Ensinnäkin yhdenmukainen datamalli. Agentit eivät voi tehdä yhteistyötä, jos he eivät puhu samaa kieltä; dataperustasi on kehittynyt varastotilasta semanttiseksi “hermostoksi”.

Toiseksi on agenttien hallintorakenne. On määriteltävä “osallistumissäännöt” – mitä tekoäly on sallittu tehdä autonomisesti ja mitä vaatii ihmisen hyväksyntä – ennen kuin skaalautat.

Lopulta staattisten dashboardien päivät, jotka tarjoavat “takana olevan peilin” analytiikkaa, on laskussa. Siirrymme konversaatioanalytiikkaan, joka tarjoaa hetkellisiä, mukautettuja oivalluksia. Nämä käyttöliittymät menevät paljon pidemmälle kuin raportointi “mitä tapahtui”; ne käyttävät agenteerattua tekoälyä päättäää monimutkaisia “miksi”-kysymyksiä ja toimittaa preskriptiivisiä suosituksia siitä, mitä tehdä seuraavaksi, tehokkaasti sulkien kuilun oivalluksen ja toimen välillä.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Tredencessä.