Amanpal Dhupar, Tredencen vähittäiskauppajohtaja – Haastattelusarja

Amanpal Dhupar, Tredencen vähittäiskauppajohtaja on kokenut vähittäiskaupan analytiikka- ja tekoälyjohtaja, jolla on yli kymmenen vuoden kokemus dataohjattujen ratkaisujen suunnittelusta ja kehittämisestä, jotka tarjoavat päätöksentekoon sovellettavia oivalluksia yritysten päättäjille. Uransa aikana hän on johtanut strategisia analytiikkamuutoksia seniorijohtajille suurissa vähittäiskauppoissa, laatinut tekoälytuotteiden tiekarttoja, joilla edistetään mitattavia liiketoiminnan avainmittareita, ja laajentanut analytiikkatiimejä pienistä operaatioista suurempiin – osoittaen sekä teknistä syvyyttä että johtamisen monipuolisuutta.

Tredence on data-analytiikka- ja tekoälyratkaisujen yritys, joka keskittyy auttamaan yrityksiä luomaan liiketoiminta-arvoa edistyneen analytiikan, koneoppimisen ja tekoälyavusteisen päätöksenteon avulla. Yritys toimii maailmanlaajuisesti tunnettujen brändien, erityisesti vähittäiskaupan ja kuluttajatuotteiden, kanssa ratkaisemassa monimutkaisia haasteita, kuten myynti-, toimitusketju-, hinnoittelu-, asiakaskokemus- ja markkinointitoimia, ja auttaa asiakkaita kääntämään nämä oivallukset todelliseksi vaikutukseksi ja modernisoimaan analytiikka- ja tiedonhallintakapasiteettinsa.

Useat vähittäiskaupan AI-kokeilut eivät koskaan pääse täysimittaiseen käyttöön. Mitkä ovat yleisimmät organisatoriset virheet, jotka estävät AI:ta tuottamasta mitattavia liiketoimintatuloksia?

MIT Solan tutkimuksen mukaan 95 % AI-kokeiluista epäonnistuu täysimittaisessa käyttöönotossa. Totuus on, että kokeilut ovat helppoja, mutta tuotantoon siirtyminen on vaikeaa. Tredencessä olemme tunnistaneet neljä tarkkaa organisaatiotason syytä, jotka aiheuttavat tämän aukon.

Ensimmäinen on se, että loppukäyttäjän työnkulun ymmärtäminen epäonnistuu. Vähittäiskaupat usein lisäävät AI:n olemassa oleviin rikkinäisiin prosesseihin sen sijaan, että kysytään, miten työnkulku itsessään tulisi uudelleenmuotoilla AI:n ympärille.

Toinen on Agentic AI:lle puuttuva alustamuotoinen lähestymistapa. Sen sijaan, että agentteja kohdellaan yksittäisinä kokeiluina, organisaatioiden on sujuvoitettava koko elinkaari – agentin suunnittelusta ja kehittämisestä käyttöönottoon, seurantaan ja hallintaan – koko yrityksessä.

Kolmas on heikko dataperusta. On helppo rakentaa kokeilu puhtaan taulumuotoisen tiedoston varaan, mutta skaalautuminen edellyttää vankkaa, reaaliaikaista perustaa, jossa tarkka data on jatkuvasti saatavilla AI-malleille.

Neljäs on kitka IT-puolen ja liiketoiminnan välillä. Menestys tapahtuu vain silloin, kun liiketoimintajohtajat näkevät AI:n arvonlisänä, joka on kytköksissä mitattaviin vaikutuksiin, eikä pelkästään IT:n aiheuttamana häiriöksi. Tredencessä fokus on aina ollut “viimeisessä mailissa”, jossa siltaamme tämän aukon oivallusten tuottamisen ja arvon toteutumisen välillä.

Tredence työskentelee useiden maailman suurimpien vähittäiskauppojen kanssa, tukien biljoonien arvoista liikevaihtoa. Mihin perustuu se, mitä näet teollisuuden laajuisesti, erottaa vähittäiskaupat, jotka skaalauttavat AI:ta onnistuneesti niistä, jotka jäävät kokeiluvaiheeseen?

Tredencessä, biljoonien arvoisen vähittäiskaupan liikevaihdon tukeminen, on saatu eturivin näkemys selkeään teollisuuden jakautumiseen: vähittäiskaupat, jotka käsittelevät AI:ta erillisinä kokeiluina, ja ne, jotka rakentavat teollisen “AI-tehtaan”. Pääasiallinen erottava tekijä on sitoutuminen Agentic AI -alustan perusteisiin. Menestyvimmät organisaatiot lopettavat rakentamisen alusta ja investoivat sen sijaan vankkaan ekosysteemiin, jolle on ominaista uudelleenkäytettävät komponenttikirjastot, standardoidut suunnittelumallit ja ennalta määritellyt agenttimallit, jotka on suunniteltu tiettyihin vähittäiskaupan käyttötapauksiin. Kun kerrosta tähän perustaan kypsää LLMOps:ia, täydellistä observoitavuutta ja upotettuja vastuullisen tekoälyn (RAI) suojamekanismeja, vaikutus on muodonmuuttava – näemme yleensä uusien käyttötapauksien arvon tuottamisen nopeuden parantuvan 80 %, koska raskas arkkitehtuuri on jo tehty.

Alusta on kuitenkin vain niin hyvä kuin sen käyttämä konteksti. Skaalaaminen vaatii raakadatayhteyden lisäksi rikasta semanttista kerrosta, vahvaa metadataa ja yhtenäisiä datamalleja, jotta tekoäly voi käsitellä syötteiden lisäksi myös liiketoiminnan merkityksiä. Todelliset edelläkävijät ymmärtävät lisäksi, että kyse on kulttuurisesta muutoksesta. He siirtyvät automaatiosta ihmisten ja agenttien yhteistyöhön sekä suunnittelevat työnkulut niin, että henkilöstö ja kaupan asiantuntijat luottavat digitaalisiin työtovereihinsa ja tekevät yhteistyötä niiden kanssa. Näin algoritminen potentiaali muuttuu mitattavaksi liiketoiminta-arvoksi.

Yli 70 prosenttia vähittäiskaupan kampanjoista ei saavuta kannattavuusrajaa. Miten AI voi merkittävästi parantaa kampanjasuunnittelua, mittaamista ja reaaliaikaista optimointia?

70 prosentin epäonnistumisprosentti jatkuu, koska vähittäiskaupat usein luottavat “taakse katsovaan” analytiikkaan, joka sekoittaa kokonaismyynnin kampanjan tuomaan lisämyyntiin – periaatteessa tukemalla alennuksilla uskollisia ostajia, jotka olisivat ostaneet joka tapauksessa. Tämän kierron murtamiseksi tarvitaan siirtymistä kuvailevasta raportoinnista enemmän prediktiiviseen lähestymistapaan. Suunnitteluvaiheessa käytämme Causal AI:a simuloimaan tuloksia ja perustamaan “todellisia perusviivoja”, jotka tunnistavat tarkalleen, mitä olisi myyty ilman kampanjaa. Tämä mahdollistaa vähittäiskauppojen lopettamisen luonnollisen kysynnän maksamisen ja kohdistamisen vain aidosti uuteen myyntivolyymiin.

Mittaamisessa tekoäly ratkaisee tuotevalikoiman kokonaisuuden määrittämällä halo-vaikutukset ja kannibalisaation. Kaupan asiantuntijat suunnittelevat usein siiloissa, mutta tekoäly antaa koko tuoteryhmän näkymän ja varmistaa, ettei yhden tuotenimikkeen kampanja vain vie katetta toiselta. Näin vähittäiskauppa näkee, kasvattaako se koko tuoteryhmää vai jakaako se vain saman myynnin uudelleen. Reaaliaikaisessa optimoinnissa toimiala siirtyy kampanjan aikana sitä seuraaviin tekoälyagentteihin. Sen sijaan, että odotettaisiin viikkoja kampanjan päättymisen jälkeistä analyysia, agentit suosittelevat itsenäisesti korjauksia, kuten digitaalisen mainosbudjetin muuttamista tai tarjousten vaihtamista, tuloksen pelastamiseksi ennen kampanjan loppua. Painopiste siirtyy varaston tyhjentämisestä kannattavan kasvun rakentamiseen.

Ennustusvirheet ja loppumiset aiheuttavat edelleen suuria tappioita. Miten AI-vetoinen myynti- ja toimitusketjun johtaminen on tehokkaampaa kuin perinteinen ennustuslähestymistapa?

Ensimmäinen muutos on ennustamisessa, jossa AI siirtää meidät riippuvuudesta pelkästään sisäisestä historiasta ulkoisen datan omaksumiseen – kuten paikallissäästä, sosiaalista tapahtumista ja taloudellisista osoittimista. Kun ennuste ottaa huomioon tämän ulkoisen kontekstin, tarkkuuden parantumiset eivät paranna vain myyntilukemia, vaan optimoivat myös varastohallintaa, kapasiteettisuunnittelua, työaikatauluja ja varastotoimintoja oikean kysynnän mukaisesti.

Toinen muutos koskee varastopuutteita (OOS), joita useimmat vähittäiskaupat mittaavat edelleen epätarkasti. Tekoäly löytää myyntipoikkeamia ja tunnistaa haamuvaraston, jossa järjestelmä näyttää tuotetta olevan varastossa vaikka myynti on pysähtynyt, ja käynnistää inventointitarkistuksen. Konenäkö voi lisäksi havaita tyhjät hyllypaikat reaaliajassa ja seurata tavaraa taustavarastossa, jotta tuote ei ole vain rakennuksessa vaan asiakkaan ostettavissa.

Agentic-kauppa on muodostumassa merkittäväksi teemaksi vähittäiskaupan innovaatioissa. Miten perustelupohjaiset AI-agentit muuttavat tuotteiden löytämisen ja ostokonversion verrattuna nykyiseen hakupohjaiseen ostokokemukseen?

Nykyisessä hakupohjaisessa ostoksessa kuluttajat tekevät edelleen suurimman osan raskaasta työtä. Heidän on tiedettävä, mitä etsiä, vertailla vaihtoehtoja ja ymmärtää loputon määrä tuloksia. Perustelupohjaiset agentit rikkoavat tämän dynaamisesti luomalla “synthetic-aisles” – kokoelmat, jotka kokoavat monikategoriatuotteita tietyn tarkoituksen mukaisesti. Esimerkiksi sen sijaan, että etsisi erikseen viisi tuotetta, “terveellisen aamun” tehtävään on esitetty yhtenäinen, tilapäinen käytävä, joka sisältää kaiken aamiaiseen liittyvän, alkaen korkean proteiinipitoisuuden aamiaismuroista ja blenderistä, mikä supistaa löytymisputken muutamasta minuutista sekunteihin.

Ostokonversiossa agentit toimivat vähemmän hakukoneina ja enemmän henkilökohtaisina ostosavustajina. Ne eivät vain luettele vaihtoehtoja vaan rakentavat aktiivisesti ostoskoreja avoimesti esitettyjen tarpeiden pohjalta. Jos asiakas pyytää illallissuunnitelmaa neljälle alle 50 dollarilla, agentti päättelee varastotilanteen, hinnan ja ruokavaliorajoitusten perusteella kokonaisen tuotenipun. Tämä päättelykyky sulkee varmuuskuilun: perustelemalla, miksi tietty tuote sopii käyttäjän elämäntapaan tai tavoitteeseen, agentti vähentää päätöksenteon lamaantumista ja parantaa konversiota verrattuna pelkkään hiljaiseen tuotekuvien ruudukkoon.

Tämä ulottuu myös hyperpersonoituun sisältöön. Sen sijaan, että kaikille näytettäisiin sama etusivun mainosbanneri, agenttinen tekoäly voi luoda asiakkaan tämänhetkistä ostotarkoitusta vastaavia dynaamisia laskeutumissivuja ja kuvia. Skaalaaminen edellyttää kuitenkin yhtenäistä datamallia sekä tiukkaa brändi- ja turvallisuushallintaa, jotta tekoäly ei keksi tuotteita tai riko brändin ilmaisutapaa.

Monet vähittäiskaupat kamppailevat vanhentuneiden datarakenteiden kanssa. Miten yritysten on modernisoitava dataperustaa, jotta AI-mallit voivat toimittaa luotettavia ja selitettäviä suosituksia?

Suurin este AI-onnistumiselle ei ole mallit, vaan “datasuo” niiden alla. Modernisoimiseksi vähittäiskauppojen on loputtava pelkästään datan keräämisestä ja rakennettava yhtenäinen semanttinen kerros. Tämä tarkoittaa standardin “datamallin” toteuttamista, jossa liiketoimintalogiikka (kuten “nettomarginaali” tai «asiakaspoistuma») on määritelty kerran ja on yleisesti saatavilla, eikä piilotettu hajanaisiin SQL-komentosarjoihin koko organisaatiossa.

Yritysten pitää samalla käsitellä dataa tuotteena, jolla on omistaja, palvelutasosopimukset (SLA) ja tiukka laadunvalvonta eli datan havainnoitavuus. Kun puhdas, hallittu perustietue yhdistetään rikkaaseen metadataan, tekoälyn suositukset muuttuvat selitettäviksi: mustan laatikon tuloksen sijaan järjestelmä voi jäljittää perustelunsa semanttisen kerroksen kautta.

Yhteistyö vähittäiskauppojen ja CPG-yritysten välillä on perinteisesti nojannut hajanaisiin tietoihin ja epäjohdonmukaisiin mittareihin. Miten yhdenmukaiset datamallit ja jaetut AI-alustat mahdollistavat paremman tuoteryhmän suorituskyvyn molemmille osapuolille?

Toistaiseksi vähittäiskaupat ja CPG:t ovat katsoneet samaa asiakasta eri linssien läpi, kumpikin käyttäen omia tietojaan ja kannustimiaan. Yhdenmukaiset datamallit muuttavat tämän luomalla yhden totuuden version arvoketjussa, olipa se hyllysuorituskykyä tai asiakkaan käyttäytymistä. Kun molemmat osapuolet työskentelevät samalla AI-alustalla, he voivat yhdessä tunnistaa, mikä ajaa kasvua tai vuotamista kategoriatasolla. Se voi olla mitä tahansa – hinnoittelu, kampanja, valikoima tai varastopuutteet. Tämä siirtää keskustelut “minun data vs. sinun data” – “meidän jaettuun mahdollisuuteen”.

Tuloksena ovat paremmat päätökset, nopeammat kokeilut ja korkeampi tuoteryhmän kasvu, joka hyödyttää sekä vähittäiskauppaa että brändejä.

Vähittäiskaupan mediaverkostojen kypsyessä, mikä rooli AI:lla on kohdentamisen, mittaamisen ja suljetun kierron attribuution parantamisessa ylläpitäen samalla kuluttajien luottamusta?

AI muuttaa neljää keskeistä aluetta, kun vähittäiskaupan media-verkostot kypsyvät.

Ensimmäinen on kohdistus, jossa teollisuus kehittyy staattisista kohderyhmistä ennakoiduksi aikomukseksi. Analysoimalla reaaliaikaisia signaaleja – kuten selausnopeutta tai ostoskorin koostumusta – voidaan tunnistaa tarkka hetki, jolloin asiakkaalla on tarve, ja näin ollen näytetään oikeat mainokset silloin, kun se on tärkeintä, eikä pelkästään kohdisteta laajaan demografiaryhmään.

Toiseksi mittaamisen kultainen standardi siirtyy mainoskulujen tuotosta (ROAS) inkrementaaliseen mainoskulujen tuottoon (iROAS). Kausaalisella tekoälyllä voidaan mitata mainosinvestoinnin todellinen vaikutus erottamalla vain mainoksen ansiosta ostaneet niistä, jotka olisivat ostaneet muutenkin. Kolmanneksi operatiivinen tehokkuus korostuu etenkin luovassa tuotannossa. Hyperpersonointia varten vähittäiskauppa käyttää generatiivista tekoälyä ideoinnin lisäksi tuotannon skaalaamiseen. Tiimit voivat luoda automaattisesti tuhansia dynaamisia, kanavakohtaisia sisältöversioita minuuteissa viikkojen sijaan ja poistaa sisällöntuotannon nopeuden pullonkaulan. Neljänneksi luottamus perustuu data clean room -ympäristöjen laajaan käyttöönottoon. Niissä vähittäiskauppa ja brändit voivat yhdistää aineistonsa turvallisesti suljetun kierron attribuutiota varten ilman, että arkaluonteiset henkilötiedot poistuvat kummankaan osapuolen palomuurien sisältä.

Katso eteenpäin, mitkä ominaisuudet määrittävät seuraavan sukupolven AI-vetoisia vähittäiskauppoja, ja mitä johtajien on aloitettava rakentamaan tänään pysyäkseen kilpailukykyisinä seuraavan viiden vuoden aikana?

Seuraava vähittäiskaupan aikakausi määritellään “digitaalisen muutoksen” siirtymisestä “agentic-muutokseen”. Siirrymme “automaattisen orkestraation” tulevaisuuteen, jossa AI-agenttiverkostot tekevät yhteistyötä monimutkaisten prosessien suorittamiseksi – kuten toimitusketjun agentin kertovan automaattisesti markkinointi-agentille kampanjan keskeyttämisestä, koska toimitus on viivästynyt.

Johtajien on aloitettava kolmen asian rakentaminen jo tänään. Ensimmäinen on yhtenäinen datamalli: agentit eivät voi tehdä yhteistyötä ilman yhteistä kieltä, joten dataperustan pitää kehittyä säilytyspaikasta semanttiseksi hermostoksi. Toinen on agenttien hallintamalli. Ennen skaalaamista pitää määritellä pelisäännöt eli mitä tekoäly saa tehdä itsenäisesti ja mikä vaatii ihmisen hyväksynnän. Kolmanneksi menneisyyttä kuvaavien staattisten koontinäyttöjen aika on loppumassa. Suunta on keskusteleva analytiikka, joka antaa välittömiä, yksilöllisiä oivalluksia. Nämä käyttöliittymät menevät paljon tapahtumien raportointia pidemmälle: agenttinen tekoäly päättelee vastauksia monimutkaisiin miksi-kysymyksiin ja antaa täsmällisiä toimintasuosituksia siitä, mitä seuraavaksi pitäisi tehdä, sulkien oivalluksen ja toiminnan välisen kuilun.

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