Amanpal Dhupar, Tredencen vähittäiskaupan johtaja – haastattelusarja

Amanpal Dhupar, Tredencen vähittäiskaupan johtaja, on kokenut vähittäiskaupan analytiikan ja tekoälyn johtaja, jolla on yli vuosikymmenen kokemus datalähtöisten ratkaisujen suunnittelusta ja kehittämisestä. Nämä ratkaisut tarjoavat käytännönläheisiä näkemyksiä yritysten päätöksentekijöille. Uransa aikana hän on johtanut strategisia analytiikkamuutoksia suurten vähittäiskauppojen johdolle, rakentanut tekoälytuotteiden etenemissuunnitelmia mitattavien liiketoiminnan KPI-mittareiden edistämiseksi ja skaalannut analytiikkatiimejä alkuvaiheista laajoihin operaatioihin – osoittaen sekä teknistä syvyyttä että johtajuuden monipuolisuutta.

Trendenssi on datatieteeseen ja tekoälyratkaisuihin erikoistunut yritys, joka keskittyy auttamaan yrityksiä vapauttamaan liiketoiminta-arvoa edistyneen analytiikan, koneoppimisen ja tekoälypohjaisen päätöksenteon avulla. Yritys tekee yhteistyötä globaalien brändien kanssa – erityisesti vähittäiskaupassa ja kulutustavaroissa – ratkaistakseen monimutkaisia ​​haasteita myynnin, toimitusketjun, hinnoittelun, asiakaskokemuksen ja markkinoilletulon toimintojen saralla, kääntäen näkemykset reaalimaailman vaikutuksiksi ja auttaen asiakkaita modernisoimaan analytiikka- ja tiedustelukykyjään.

Jälleenmyyjät toteuttavat usein kymmeniä tekoälypilotteja, mutta hyvin harvat siirtyvät täysimittaiseen käyttöönottoon. Mitkä ovat yleisimmät organisaatiovirheet, jotka estävät tekoälyn muuttumisen mitattavaksi liiketoimintatulokseksi?

MIT Solanin tuoreen tutkimuksen mukaan 95 % tekoälypilottihankkeista ei saavuta täysimittaista käyttöönottoa. Todellisuus? Pilottihankkeet ovat helppoja, mutta tuotanto on vaikeaa. Tredencellä olemme tunnistaneet neljä erityistä organisatorista syytä, jotka johtavat tähän kuiluun.

Ensimmäinen on loppukäyttäjän työnkulun ymmärtämättömyys. Jälleenmyyjät lisäävät usein tekoälyä olemassa oleviin, rikkinäisiin prosesseihin sen sijaan, että kysyisivät, miten itse työnkulkua tulisi suunnitella uudelleen tekoälyn keskiössä.

Toinen on alustalähtöisen lähestymistavan puute agenttiseen tekoälyyn. Sen sijaan, että agentteja kohdeltaisiin kertaluonteisina kokeiluina, organisaatioiden on virtaviivaistettava koko elinkaari – agenttien suunnittelusta ja kehittämisestä käyttöönottoon, valvontaan ja hallintaan – koko yrityksessä.

Kolmas on heikko dataperusta. Pilottihanke on helppo rakentaa puhtaalle tiedostolle, mutta skaalaus vaatii vankan, reaaliaikaisen perustan, jossa tarkka data on jatkuvasti tekoälymallien saatavilla.

Lopuksi näemme kitkan IT-toiminnan ja liiketoiminnan vetovoiman välillä. Menestys tapahtuu vain, kun yritysjohtajat näkevät tekoälyn mitattavaan vaikutukseen sidottuna arvonlisäyksenä, eivätkä IT:n ajamana häiriötekijänä. Tredencellä olemme aina keskittyneet "viimeiseen mailiin", jossa kuromme umpeen tätä kuilua oivallusten luomisen ja arvon toteutumisen välillä.

Tredence tekee yhteistyötä monien maailman suurimpien vähittäiskauppiaiden kanssa ja tukee biljoonien dollarien liikevaihtoa. Mitä erottaa tekoälyn skaalaamiseen onnistuneesti tähtäävät vähittäiskauppiaat niistä, jotka jäävät kokeiluvaiheeseen?

Tredencellä biljoonien dollarien vähittäismyyntitulojen tukeminen on antanut meille eturivin paikan selkeässä toimialajaossa: vähittäiskauppiaat, jotka käsittelevät tekoälyä sarjana erilaisia ​​kokeiluja, verrattuna niihin, jotka rakentavat teollistunutta "tekoälytehdasta". Ensisijainen erottava tekijä on sitoutuminen agenttisen tekoälyalustan perustuksiin. Menestyneimmät organisaatiot lopettavat rakentamisen tyhjästä ja investoivat sen sijaan vankkaan ekosysteemiin, jolle on ominaista uudelleenkäytettävät komponenttikirjastot, vakiomuotoiset suunnittelumallit ja valmiiksi rakennetut agenttimallit, jotka on mukautettu tiettyihin vähittäiskaupan käyttötapauksiin. Kun tämän perustan päälle kerrostetaan kypsät LLMOp-mallit, täyden pinon havaittavuus ja upotetut vastuullisen tekoälyn (RAI) suojakaiteet, vaikutus on mullistava – uusien käyttötapausten nopeus-arvo paranee tyypillisesti 80 %, koska raskas arkkitehtuurinen nosto on jo tehty.

Alusta on kuitenkin vain niin hyvä kuin sen käyttämä konteksti, mikä tuo meidät dataperustalle. Skaalaaminen vaatii enemmän kuin vain raakadatan saatavuutta; se vaatii rikkaan semanttisen kerroksen, jossa vahva metatieto ja yhtenäiset datamallit mahdollistavat tekoälyn todellisen "pääsyn" liiketoiminnasta sen sijaan, että se vain käsittelisi syötteitä. Lopuksi, todelliset johtajat ymmärtävät, että kyseessä ei ole vain teknologinen, vaan myös kulttuurinen uudistus. He ylittävät "viimeisen mailin" siirtymällä yksinkertaisesta automaatiosta ihmisen ja agentin yhteistyöhön, suunnittelemalla työnkulkuja uudelleen niin, että työntekijät ja kauppiaat luottavat digitaalisiin vastineisiinsa ja tekevät yhteistyötä heidän kanssaan, muuttamalla algoritmisen potentiaalin mitattavaksi liiketoimintatodellisuudeksi.

Yli 70 prosenttia vähittäiskaupan promootioista ei vieläkään tuota tulosta. Miten tekoäly voi merkittävästi parantaa promootioiden suunnittelua, mittaamista ja reaaliaikaista optimointia?

70 prosentin epäonnistumisprosentti pysyy samana, koska vähittäiskauppiaat luottavat usein "taustapeilin" analytiikkaan, joka sekoittaa kokonaismyynnin ja lisämyynnin – käytännössä tukemalla uskollisia ostajia, jotka olisivat joka tapauksessa ostaneet. Tämän kierteen katkaisemiseksi meidän on siirryttävä kuvailevasta raportoinnista ennakoivampaan lähestymistapaan. Suunnitteluvaiheessa käytämme syy-seuraussuhteisiin perustuvaa tekoälyä simuloidaksemme tuloksia ja luodaksemme "todelliset lähtötasot" tunnistamalla tarkalleen, mitä olisi myyty ilman kampanjaa. Tämä antaa vähittäiskauppiaille mahdollisuuden lopettaa orgaanisen kysynnän maksaminen ja keskittyä vain uuteen nettomyyntiin.

Mittaamisen osalta tekoäly ratkaisee "portfoliopalapelin" kvantifioimalla haloefektejä ja kannibalisaatiota. Ihmiskauppiaat suunnittelevat usein siiloissa, mutta tekoäly tarjoaa koko kategorian kattavan näkymän varmistaen, että yhden tuoteyksikön kampanja ei vain varasta katetta toiselta. Tämä kokonaisvaltainen mittaus auttaa jälleenmyyjiä ymmärtämään, kasvattavatko he tuoteryhmän kakkua vai leikkaavatko he sitä eri tavalla.

Lopuksi, reaaliaikaisen optimoinnin osalta ala on siirtymässä kohti tekoälyagentteja, jotka seuraavat kampanjoita "lennon aikana". Sen sijaan, että nämä agentit odottaisivat jälkipuintianalyysia viikkoja tapahtuman jälkeen, he suosittelevat itsenäisesti korjauksia – kuten digitaalisen mainonnan menojen säätämistä tai tarjousten vaihtamista – pelastaakseen voitot ja tappiot ennen kampanjan päättymistä. Tämä lähestymistapa siirtää painopisteen pelkästä varaston tyhjentämisestä kannattavan kasvun suunnitteluun.

Ennustevirheet ja varastojen loppuminen aiheuttavat edelleen merkittäviä tulonmenetyksiä. Mikä tekee tekoälypohjaisista myynti- ja toimitusketjujärjestelmistä tehokkaampia kuin perinteiset ennustusmenetelmät?

Ensimmäinen muutos tapahtuu ennustamisessa, jossa tekoälyn avulla luotamme pelkästä sisäisestä historiasta ulkoisen datan, kuten paikallisen sään, sosiaalisten tapahtumien ja taloudellisten indikaattoreiden, hyödyntämiseen. Kun ennuste tallentaa tämän ulkoisen kontekstin, tarkkuuden parannukset eivät ainoastaan ​​paranna myyntilukuja, vaan ne kasautuvat eteenpäin optimoiden varastonhallintaa, kapasiteetin suunnittelua, työaikatauluja ja varastotoimintoja vastaamaan todellista kysyntää.

Toinen muutos on loppuneet varastot (OOS), joita useimmat jälleenmyyjät eivät vieläkään mittaa tarkasti. Tekoäly korjaa tämän havaitsemalla myyntimallien poikkeavuuksia – tunnistamalla "haamuvaraston", jossa järjestelmä luulee tuotteen olevan varastossa, mutta myynti on pysähtynyt – ja käynnistämällä automaattisesti syklilaskennan korjatakseen tiedot. Datan lisäksi näemme konenäön yleistyvän, jotta hyllyaukot voidaan fyysisesti merkitä reaaliajassa ja seurata varastoa takahuoneissa varmistaen, että tuote ei ole vain "rakennuksessa", vaan asiakkaan saatavilla ostettavaksi.

Agenttikaupasta on tulossa merkittävä teema vähittäiskaupan innovaatioissa. Miten päättelyyn perustuvat tekoälyagentit muuttavat merkityksellisesti tuotteiden löytämistä ja konversioita verrattuna nykyiseen hakupohjaiseen ostokokemukseen?

Nykypäivän hakuvetoisessa ostoksissa kuluttajat tekevät edelleen suurimman osan raskaasta työstä. Heidän on tiedettävä, mitä etsiä, vertailtava vaihtoehtoja ja ymmärrettävä loputtomia tuloksia. Järkeilyyn perustuvat agentit häiritsevät tätä luomalla dynaamisesti "synteettisiä käytäviä" – räätälöityjä kokoelmia, jotka yhdistävät usean kategorian tuotteita tietyn aikomuksen perusteella. Esimerkiksi sen sijaan, että ostaja, jolla on "terveellinen aamu" -missio, etsii erikseen viittä tuotetta, hänelle esitetään yhtenäinen, väliaikainen käytävä, jossa on kaikkea proteiinipitoisista muroista tehosekoittimiin, mikä romahduttaa löytöfunnin minuuteista sekunteihin.

Konversioiden osalta nämä agentit toimivat vähemmän hakukoneiden ja enemmän "ostosten concierge-apulaisten" tavoin. He eivät pelkästään listaa vaihtoehtoja, vaan he rakentavat aktiivisesti koreja avoimien tarpeiden perusteella. Jos asiakas pyytää "neljän hengen illallissuunnitelmaa alle 50 dollarilla", agentti ehdottaa kokonaisvaltaista pakettia analysoimalla varastotilannetta, hintaa ja ruokavaliorajoituksia. Tämä päättelykyky kuroa umpeen "luottamuskuilun" – selittämällä, miksi tietty tuote sopii käyttäjän elämäntyyliin tai tavoitteeseen, agentti vähentää päätöksentekohalvaantumista ja nostaa konversioasteita verrattuna hiljaiseen tuotepikkukuvien ruudukkoon.

Lopuksi näemme tämän laajenevan hyperpersonoituun sisältöön. Sen sijaan, että kaikille näytettäisiin sama kotisivun banneri, Agenttic-tekoäly voi luoda dynaamisia aloitussivuja ja visuaalisia elementtejä, jotka peilaavat asiakkaan nykyistä ostotehtävää. Jotta tämä skaalautuisi, jälleenmyyjät kuitenkin huomaavat, että heidän on maadoitettava nämä agentit yhtenäiseen datamalliin, jossa on tiukka brändi- ja turvallisuushallinto, varmistaen, että tekoälyn "luovuus" ei koskaan hallusinoi tuotteita tai riko brändin ääntä.

Monet vähittäiskauppiaat kamppailevat vanhentuneiden data-arkkitehtuurien kanssa. Miten yritysten tulisi modernisoida dataperustaansa, jotta tekoälymallit voivat tarjota luotettavia ja selitettäviä suosituksia?

Suurin este tekoälyn menestykselle eivät ole mallit, vaan niiden alla oleva "datasuo". Nykyaikaistaakseen vähittäiskauppiaiden on lopetettava pelkkä tiedon kerääminen ja rakennettava yhtenäinen semanttinen kerros. Tämä tarkoittaa standardoidun "tietomallin" käyttöönottoa, jossa liiketoimintalogiikka (kuten se, miten "nettomarginaali" tai "asiakasvaihtuvuus" lasketaan) määritellään kerran ja on yleisesti saatavilla sen sijaan, että se olisi piilotettu organisaation eri SQL-komentosarjoihin.

Toiseksi yritysten on siirryttävä "datatuote"-ajattelutapaan. Sen sijaan, että menestyvät jälleenmyyjät käsittelisivät dataa IT-sivutuotteena, ne kohtelevat sitä tuotteena, jolla on määritelty omistajuus, palvelutasosopimukset ja tiukka laadunvalvonta (datan havaittavuus). Kun yhdistät tämän puhtaan ja hallitun "kultaisen tietueen" rikkaisiin metatietoihin, saat selitettävyyden irti. Tekoäly ei vain anna mustaa laatikkoa koskevia suosituksia, vaan se voi jäljittää logiikkansa takaisin semanttisen kerroksen läpi.

Jälleenmyyjien ja kulutustavarayritysten välinen yhteistyö on perinteisesti perustunut pirstaloituneeseen dataan ja epäjohdonmukaisiin mittareihin. Miten yhtenäiset datamallit ja jaetut tekoälyalustat avaavat molemmille osapuolille paremman tuoteryhmän suorituskyvyn?

Tähän mennessä vähittäiskauppiaat ja kulutustavarakauppiaat ovat tarkastelleet samaa asiakasta eri linssien läpi, kukin käyttäen omia tietojaan ja kannustimiaan. Yhtenäiset datamallit muuttavat tätä luomalla yhden version totuudesta koko arvoketjuun, olipa kyse sitten hyllytoiminnasta tai ostajien käyttäytymisestä.

Kun molemmat osapuolet työskentelevät samalla tekoälyalustalla, he voivat yhdessä tunnistaa, mikä ajaa kasvua tai vuotoa kategoriatasolla. Se voi olla mikä tahansa – hinnoittelu, kampanjat, valikoima tai varastovajeet. Tämä siirtää keskustelut "minun datani vs. sinun" -keskustelusta "jaettuun mahdollisuuteemme".

Tuloksena on älykkäämpiä päätöksiä, nopeampaa kokeilua ja lopulta nopeampaa tuoteryhmäkasvua, josta hyötyvät sekä jälleenmyyjät että tuotemerkit.

Kun vähittäiskaupan mediaverkostot kypsyvät, mikä rooli tekoälyllä tulee olemaan kohdentamisen, mittaamisen ja suljetun kierron attribuutioiden parantamisessa kuluttajien luottamuksen säilyttäen?

Tekoäly tulee mullistamaan neljä keskeistä aluetta vähittäiskaupan mediaverkostojen kypsyessä.

Ensinnäkin kohdentamisessa ala on kehittymässä staattisista yleisösegmenteistä ennustavaan aikomukseen. Analysoimalla reaaliaikaisia ​​signaaleja – kuten selausnopeutta tai ostoskorin koostumusta – tunnistaakseen ostajan tarpeen tarkan hetken, tekoäly varmistaa, että näytämme oikeat mainokset silloin, kun sillä on eniten merkitystä, sen sijaan, että kohdistettaisiin vain laajaan demografiseen ryhmään.

Toiseksi, mittaamisen kultainen standardi on siirtymässä yksinkertaisesta mainostuottoprosentista (ROAS) lisämainostuottoon (iROAS). Hyödyntämällä kausaalista tekoälyä voimme mitata mediakulutuksen todellista vaikutusta tunnistamalla ostajat, jotka konvertoivat vain mainoksen ansiosta, verrattuna niihin, jotka olisivat konvertoineet orgaanisesti.

Kolmanneksi, toiminnan tehokkuudesta on tulossa ratkaisevan tärkeää, erityisesti luovissa toiminnoissa. Hyperpersonoinnin tukemiseksi vähittäiskauppiaat käyttävät generatiivista tekoälyä paitsi ideointiin myös tuotannon skaalaamiseen. Tämä mahdollistaa tiimien automaattisesti luoda tuhansia dynaamisia, kanavakohtaisia ​​resurssivariaatioita minuuteissa viikkojen sijaan, mikä ratkaisee "sisällön nopeuden" pullonkaulan.

Lopuksi luottamuksen ylläpitäminen riippuu datapuhtaiden huoneiden laajamittaisesta käyttöönotosta. Nämä ympäristöt mahdollistavat jälleenmyyjien ja brändien tietojoukkojen turvallisen yhdistämisen suljetun kierron attribuutiota varten, mikä takaa, että arkaluonteiset henkilötiedot (PII) eivät koskaan poistu heidän palomuuriensa läpi.

Mitkä ominaisuudet määrittelevät tekoälypohjaisten vähittäiskauppiaiden seuraavan sukupolven tulevaisuudessa, ja mitä johtajien tulisi alkaa rakentaa tänään pysyäkseen kilpailukykyisinä seuraavien viiden vuoden aikana?

Vähittäiskaupan seuraavaa aikakautta määrittelee siirtyminen digitaalisesta transformaatiosta agenttiseen transformaatioon. Olemme siirtymässä autonomisen orkestroinnin tulevaisuuteen, jossa tekoälyagenttien verkostot tekevät yhteistyötä monimutkaisten prosessien suorittamiseksi – kuten toimitusketjun edustaja, joka automaattisesti käskee markkinointiedustajaa keskeyttämään kampanjan, koska toimitus on viivästynyt.

Valmistautuakseen tähän johtajien on aloitettava kolmen asian rakentaminen tänään.

Ensimmäinen on yhtenäinen datamalli. Agentit eivät voi tehdä yhteistyötä, jos he eivät puhu samaa kieltä; dataperustasi on kehityttävä tallennusrepositoriosta semanttiseksi "hermostojärjestelmäksi".

Toinen on toimijoiden hallintokehys. Ennen skaalausta on määriteltävä "toimintasäännöt" – mitä tekoäly saa tehdä itsenäisesti vs. mikä vaatii ihmisen hyväksynnän.

Viimeinkin staattisten, "takaa katsottuna" analytiikkaa tarjoavien kojelaudan päivät ovat luetut. Olemme siirtymässä kohti keskustelevaa analytiikkaa, joka tarjoaa välittömiä, personoituja näkemyksiä. Nämä käyttöliittymät menevät paljon pelkän tapahtumien raportoinnin pidemmälle; ne hyödyntävät agenttista tekoälyä monimutkaisten miksi-kysymysten pohtimiseen ja antavat ohjaavia suosituksia siitä, mitä seuraavaksi tehdä, mikä tehokkaasti kuroa umpeen näkemysten ja toiminnan välistä kuilua.

Kiitos upeasta haastattelusta, lukijoiden, jotka haluavat tietää lisää, kannattaa käydä Trendenssi.