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 toimintavälineitä yritysten päätöksentekijöille. Uransa aikana hän on johtanut strategisia analytiikkamuutoksia seniorijohtajille suurissa vähittäiskauppoissa, luonut tekoälytuotteiden tiemonteja, joilla mitataan liiketoimintaindikattoreita, ja laajentanut analytiikkatiimejä pienistä operaatioista suurempiin – osoittaen sekä teknistä syvyyttä että johtamisen monipuolisuutta.

Tredence on data-analytiikka- ja tekoälyratkaisujen yritys, joka keskittyy auttamaan yrityksiä lukemaan liiketoimintaa edistävien analytiikka-, koneoppimis- ja tekoälyohjattujen päätöksentekoprosessien kautta. 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 organisaatiot, 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 streamattava koko elinkaari – agentin 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 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, tukeakseen triljoonia liiketoimintatuottoja. Mihin perustuu se, mitä näet teollisuuden laajuisesti, erottaa vähittäiskaupat, jotka skaalauttavat AI:ta onnistuneesti niistä, jotka jäävät kokeiluvaiheeseen?

Tredencessä, tukeakseen triljoonia vähittäiskaupan tuottoja, 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 vastuullisia AI-raiteita, vaikutus on muodonmuuttava – näemme yleensä uusien käyttötapauksien nopeuden arvoon parantuvan 80 %, koska raskas arkkitehtuuri on jo tehty.

Yli 70 prosenttia vähittäiskaupan kampanjoista epäonnistuu rikastumisessa. Miten AI voi merkittävästi parantaa kampanjaplanerausta, mittaamista ja reaaliaikaisen optimoinnin?

70 prosentin epäonnistumisprosentti jatkuu, koska vähittäiskaupat usein luottavat “taakse katsovaan” analytiikkaan, joka sekoittaa kokonaismyynnit kasautuvan lisäysarvon kanssa – periaatteessa korvaamalla 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 uuteen tilavuuteen.

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.

Agentic-kauppa on muodostumassa merkittäväksi teemaksi vähittäiskaupan innovaatioissa. Miten perustelupohjaiset AI-agentit muuttavat tuotteen löytymisen ja muunnoksen 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.

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 “datavuorovesi” niiden alla. Modernisoimiseksi vähittäiskauppojen on loputtava pelkästään datan keräämisestä ja rakennettava yhtenäinen semanttinen kerros. Tämä tarkoittaa standardin “datamallin” toteuttamista, jossa liiketoimintalogiikka (kuten “nettomarginaali” tai “kato”) on määritelty kerran ja on yleisesti saatavilla, eikä piilotettu hajanaisiin SQL-komentosarjoihin koko organisaatiossa.

Yhteistyö vähittäiskauppojen ja CPG-yritysten välillä on perinteisesti nojannut hajanaisiin tietoihin ja epäjohdonmukaisiin mittareihin. Miten yhdenmukaiset datamallit ja jaetut AI-alustat lukitsevat vahvemman kategoriSuorituskyvyn 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 varastotäyttö. Tämä siirtää keskustelut “minun data vs. sinun data” – “meidän jaettuun mahdollisuuteen”.

Vähittäiskaupan media-verkostojen kypsentessä, mikä rooli AI:lla on parantamisessa, mittaamisessa ja suljetussa attribuutiossa 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.

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.

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