Amanpal Dhupar, Head of Retail at Tredence – Interview Series

Amanpal Dhupar, Head of Retail at Tredence est un leader expérimenté dans l’analyse de détail et l’intelligence artificielle, avec plus d’une décennie d’expertise dans la conception et le développement de solutions axées sur les données qui fournissent des insights actionnables pour les décideurs d’entreprise. Tout au long de sa carrière, il a dirigé des transformations analytiques stratégiques pour les cadres supérieurs de grands détaillants, établi des feuilles de route de produits d’IA pour stimuler des indicateurs de performance clés (KPI) mesurables et fait évoluer les équipes d’analyse de l’enfance à des opérations à grande échelle – démontrant à la fois une profondeur technique et une polyvalence de leadership.

Tredence est une entreprise de solutions de science des données et d’IA qui se concentre sur l’aide aux entreprises à débloquer la valeur commerciale grâce à l’analyse avancée, à l’apprentissage automatique et à la prise de décision alimentée par l’IA. La société s’associe à des marques mondiales – en particulier dans le détail et les biens de consommation – pour résoudre des défis complexes dans les domaines de la marchandisation, de la chaîne d’approvisionnement, du prix, de l’expérience client et des opérations de lancement sur le marché, en traduisant les insights en impact réel et en aidant les clients à moderniser leurs capacités d’analyse et d’intelligence.

Les détaillants exécutent souvent des dizaines de pilotes d’IA, mais très peu passent à un déploiement à grande échelle. Quelles sont les erreurs organisationnelles les plus courantes qui empêchent l’IA de se traduire par des résultats commerciaux mesurables ?

Une étude récente de MIT Solan a révélé que 95 % des pilotes d’IA ne parviennent pas à atteindre un déploiement à grande échelle. La réalité ? Les pilotes sont faciles, mais la production est difficile. Chez Tredence, nous avons identifié quatre raisons organisationnelles spécifiques qui entraînent cet écart.

Premièrement, c’est l’échec de la compréhension du flux de travail de l’utilisateur final. Les détaillants insèrent souvent l’IA dans des processus existants défectueux au lieu de se demander comment le flux de travail lui-même devrait être réimaginé avec l’IA au centre.

Deuxièmement, c’est le manque d’une approche de plateforme pour l’IA Agentic. Au lieu de traiter les agents comme des expériences à court terme, les organisations doivent rationaliser l’ensemble du cycle de vie – de la conception et du développement de l’agent au déploiement, à la surveillance et à la gouvernance – dans l’ensemble de l’entreprise.

Troisièmement, c’est une fondation de données faible. Il est facile de construire un pilote sur un fichier plat propre, mais la mise à l’échelle nécessite une fondation en temps réel robuste où les données précises sont continuellement accessibles aux modèles d’IA.

Enfin, nous voyons une friction entre l’impulsion de l’IT et l’attrait commercial. Le succès ne se produit que lorsque les dirigeants d’entreprise considèrent l’IA comme une valeur ajoutée liée à un impact mesurable, plutôt que comme une distraction poussée par l’IT. Chez Tredence, notre focus a toujours été sur le « dernier mile », où nous comblons le fossé entre la génération d’insights et la réalisation de la valeur.

Tredence travaille avec de nombreux plus grands détaillants du monde, en soutenant des trillions de dollars de chiffre d’affaires. En fonction de ce que vous voyez dans l’industrie, qu’est-ce qui distingue les détaillants qui mettent à l’échelle l’IA avec succès de ceux qui restent coincés dans l’expérimentation ?

Chez Tredence, le soutien à des trillions de dollars de chiffre d’affaires de détail nous a donné un siège au premier rang pour une division claire de l’industrie : les détaillants qui traitent l’IA comme une série d’expériences disparates par rapport à ceux qui construisent une usine d’IA « industrialisée ». Le principal facteur de différenciation réside dans un engagement en faveur des fondations de plateforme d’IA Agentic. Les organisations les plus performantes cessent de construire à partir de zéro et investissent plutôt dans un écosystème robuste caractérisé par des bibliothèques de composants réutilisables, des modèles de conception standard et des modèles d’agents préconstruits alignés sur des cas d’utilisation de détail spécifiques. Lorsque vous superposez une LLMOps mature, une observabilité full-stack et des garde-fous d’IA responsable (RAI) intégrés à cette fondation, l’impact est transformateur – nous voyons généralement améliorer la vitesse de valeur pour les nouveaux cas d’utilisation de 80 % car les efforts architecturaux lourds sont déjà faits.

Cependant, une plateforme n’est aussi bonne que le contexte qu’elle consomme, ce qui nous amène à la fondation de données. La mise à l’échelle nécessite plus que l’accès brut aux données ; elle exige une couche sémantique riche où de fortes métadonnées et des modèles de données unifiés permettent à l’IA de « raisonner » réellement sur l’entreprise plutôt que de simplement traiter les entrées. Enfin, les véritables leaders reconnaissent que cela ne concerne pas seulement une refonte technologique mais également une refonte culturelle. Ils comblent le « dernier mile » en allant au-delà de la simple automatisation pour former des équipes humaines et d’agents, en réaménageant les flux de travail pour que les associés et les commerçants fassent confiance et collaborent avec leurs homologues numériques, transformant le potentiel algorithmique en réalité commerciale mesurable.

Plus de 70 pour cent des promotions de détail échouent encore à atteindre l’équilibre. Comment l’IA peut-elle améliorer de manière significative la planification, la mesure et l’optimisation en temps réel des promotions ?

Le taux d’échec de 70 pour cent persiste parce que les détaillants s’appuient souvent sur une analyse « rétroviseur » qui confond les ventes totales avec l’effet de levier incrémental – essentiellement en subventionnant les acheteurs fidèles qui auraient acheté de toute façon. Pour briser ce cycle, nous devons passer d’une analyse descriptive à une approche plus prédictive. Dans la phase de planification, nous utilisons l’IA causale pour simuler les résultats et établir des « lignes de base réelles », en identifiant exactement ce qui se serait vendu sans la promotion. Cela permet aux détaillants d’arrêter de payer pour la demande organique et de cibler uniquement le volume nouveau net.

Pour la mesure, l’IA résout le « puzzle du portefeuille » en quantifiant les effets d’auréole et de cannibalisation. Les marchands humains planifient souvent dans des silos, mais l’IA fournit une vue d’ensemble de la catégorie, garantissant qu’une promotion sur un SKU n’est pas simplement en train de voler une marge à un autre. Cette mesure holistique aide les détaillants à comprendre s’ils augmentent la part de catégorie ou s’ils ne font que la découper différemment.

Enfin, pour l’optimisation en temps réel, l’industrie se dirige vers des agents d’IA qui surveillent les campagnes « en vol ». Au lieu d’attendre une analyse post-mortem des semaines après l’événement, ces agents recommandent autonomement des corrections de cap – comme ajuster les dépenses publicitaires numériques ou échanger des offres – pour sauver le P&L avant la fin de la promotion. Cette approche déplace le focus de la simple liquidation des stocks à la croissance rentable.

Les erreurs de prévision et les ruptures de stock continuent de causer des pertes de revenus majeures. Qu’est-ce qui rend les systèmes de merchandising et de chaîne d’approvisionnement alimentés par l’IA plus efficaces que les approches de prévision traditionnelles ?

Le premier déplacement se produit dans la prévision, où l’IA nous fait passer de la confiance exclusive à l’histoire interne à l’ingestion de données externes – comme la météo locale, les événements sociaux et les indicateurs économiques. Lorsque la prévision capte ce contexte externe, les gains de précision ne s’améliorent pas seulement les chiffres de vente ; ils optimisent en aval la gestion des stocks, la planification de la capacité, les horaires de travail et les opérations d’entrepôt pour les aligner sur la demande réelle.

Le deuxième déplacement se produit dans les ruptures de stock (OOS), que la plupart des détaillants ne parviennent toujours pas à mesurer avec précision. L’IA corrige cela en détectant les anomalies dans les modèles de vente – en identifiant le « stock fantôme » où le système pense qu’un article est en stock, mais les ventes ont cessé – et en déclenchant automatiquement des comptes cycliques pour corriger l’enregistrement. Au-delà des données, nous voyons l’émergence de la vision par ordinateur pour signaler en temps réel les lacunes sur les étagères et suivre les stocks dans les arrière-boutiques, garantissant que le produit n’est pas seulement « dans le bâtiment » mais disponible pour que le client puisse l’acheter.

Le commerce agentic devient un thème majeur dans l’innovation du détail. Comment les agents d’IA basés sur le raisonnement modifient-ils de manière significative la découverte de produits et la conversion par rapport à l’expérience d’achat axée sur la recherche d’aujourd’hui ?

Dans l’expérience d’achat axée sur la recherche d’aujourd’hui, les consommateurs font encore la majeure partie du travail de recherche. Ils doivent savoir ce qu’ils cherchent, comparer les options et donner un sens à des résultats interminables. Les agents basés sur le raisonnement perturbent cela en générant dynamiquement des « allées synthétiques » – des collections personnalisées qui regroupent des produits multicatégories en fonction d’une intention spécifique. Par exemple, au lieu de rechercher séparément cinq articles, un acheteur avec une mission « matin sain » est présenté avec une allée temporaire et cohérente qui présente tout, des céréales riches en protéines aux blenders, réduisant instantanément le tunnel de découverte de minutes à secondes.

Sur le plan de la conversion, ces agents agissent moins comme des moteurs de recherche et plus comme des « concierges d’achat ». Ils ne listent pas simplement les options ; ils construisent activement des paniers en fonction de besoins ouverts. Si un client demande un « plan de dîner pour quatre personnes pour moins de 50 dollars », l’agent raisonne à travers les stocks, les prix et les contraintes alimentaires pour suggérer un bundle complet. Cette capacité de raisonnement ferme le « fossé de confiance » – en articulant pourquoi un produit spécifique correspond au style de vie ou à l’objectif de l’utilisateur, l’agent réduit la paralysie de la décision et stimule des taux de conversion plus élevés par rapport à une grille silencieuse de vignettes de produits.

Enfin, nous voyons cela s’étendre à du contenu hyper-personnalisé. Plutôt que de montrer à tout le monde la même bannière d’accueil, l’IA Agentic peut générer des pages d’accueil et des visuels dynamiques qui reflètent la mission d’achat actuelle du client. Cependant, pour que cela soit évolutif, les détaillants constatent qu’ils ont besoin de baser ces agents sur un Modèle de Données Unifié avec une gouvernance stricte de marque et de sécurité, garantissant que la « créativité » de l’IA ne hallucine jamais les produits ou ne viole jamais la voix de la marque.

De nombreux détaillants luttent avec des architectures de données obsolètes. Comment les entreprises doivent-elles moderniser leurs fondations de données pour que les modèles d’IA puissent fournir des recommandations fiables et explicables ?

Le plus grand obstacle au succès de l’IA n’est pas les modèles, mais le « marécage de données » qui se trouve en dessous. Pour moderniser, les détaillants doivent cesser de simplement collecter des données pour construire une couche sémantique unifiée. Cela signifie mettre en œuvre un « Modèle de Données » standard où la logique métier (comme la façon exacte dont le « bénéfice net » ou la « rotation » est calculé) est définie une fois et est universellement accessible, plutôt que d’être cachée dans des scripts SQL fragmentés à travers l’organisation.

Deuxièmement, les entreprises doivent passer à une mentalité de « produit de données ». Au lieu de traiter les données comme un sous-produit de l’IT, les détaillants performants traitent les données comme un produit avec une propriété définie, des SLA et une surveillance de la qualité rigoureuse (observabilité des données). Lorsque vous combinez ce « dossier d’or » propre et géré avec des métadonnées riches, vous débloquez l’explicabilité. L’IA ne produit pas simplement une recommandation de boîte noire ; il peut retracer sa logique à travers la couche sémantique.

La collaboration entre les détaillants et les entreprises de biens de consommation a historiquement reposé sur des données fragmentées et des métriques incohérentes. Comment les modèles de données unifiés et les plateformes d’IA partagées débloquent-elles des performances de catégorie plus solides pour les deux parties ?

Jusqu’à présent, les détaillants et les entreprises de biens de consommation ont regardé le même client à travers des lentilles différentes, chacun utilisant ses propres données et incitations. Les modèles de données unifiés changent cela en créant une version unique de la vérité à travers la chaîne de valeur, qu’il s’agisse de performance sur les étagères ou de comportement d’acheteur.

Lorsque les deux parties travaillent sur la même plateforme d’IA, elles peuvent identifier conjointement ce qui stimule la croissance ou les fuites au niveau de la catégorie. Cela peut être n’importe quoi – prix, promotion, assortment ou lacunes d’inventaire. Cela déplace les conversations de « mes données par rapport aux vôtres » à « notre opportunité partagée ».

Le résultat est des décisions plus intelligentes, une expérimentation plus rapide et, en fin de compte, une croissance de catégorie plus élevée qui profite à la fois aux détaillants et aux marques.

À mesure que les réseaux de médias de détail mûrissent, quel rôle l’IA jouera-t-elle pour améliorer la ciblage, la mesure et l’attribution en boucle fermée tout en maintenant la confiance des consommateurs ?

L’IA va transformer quatre domaines clés à mesure que les réseaux de médias de détail mûrissent.

Premièrement, dans la ciblage, l’industrie évolue des segments d’audience statiques vers l’intention prédictive. En analysant les signaux en temps réel – comme la vitesse de navigation ou la composition du panier – pour identifier le moment précis du besoin d’un acheteur, l’IA garantit que nous affichons les bonnes publicités au moment où cela compte le plus plutôt que de cibler simplement une étiquette démographique large.

Deuxièmement, pour la mesure, la norme est en train de passer d’un simple retour sur les dépenses publicitaires (ROAS) à un ROAS incrémental (iROAS). En exploitant l’IA causale, nous pouvons mesurer l’impact réel des dépenses de médias en identifiant les acheteurs qui n’auraient converti que grâce à la publicité par opposition à ceux qui l’auraient fait de toute façon de manière organique.

Troisièmement, l’efficacité opérationnelle devient critique, en particulier dans les opérations créatives. Pour soutenir l’hyper-personnalisation, les détaillants utilisent l’IA générative non seulement pour l’idéation mais pour mettre à l’échelle la production. Cela permet aux équipes de générer automatiquement des milliers de variations d’actifs dynamiques et spécifiques aux canaux en quelques minutes plutôt qu’en semaines, en résolvant le goulet d’étranglement de la « vitesse de contenu ».

Enfin, le maintien de la confiance repose sur l’adoption généralisée des salles de données propres. Ces environnements permettent aux détaillants et aux marques de faire correspondre leurs ensembles de données de manière sécurisée pour l’attribution en boucle fermée, garantissant que les informations personnelles identifiables (PII) sensibles ne quittent jamais leurs pare-feu respectifs.

En regardant vers l’avenir, quels seront les capacités qui définiront la prochaine génération de détaillants alimentés par l’IA, et quels sont les éléments que les dirigeants devraient commencer à construire aujourd’hui pour rester compétitifs au cours des cinq prochaines années ?

La prochaine ère du détail sera définie par le passage de la « transformation numérique » à la « transformation agentic ». Nous nous dirigeons vers un avenir d’« orchestration autonome », où des réseaux d’agents d’IA collaborent pour exécuter des processus complexes – comme un agent de chaîne d’approvisionnement qui indique automatiquement à un agent marketing de suspendre une promotion parce qu’un envoi est en retard.

Pour se préparer à cela, les dirigeants doivent commencer à construire trois choses aujourd’hui.

Premièrement, c’est un modèle de données unifié. Les agents ne peuvent pas collaborer s’ils ne parlent pas la même langue ; votre fondation de données doit évoluer d’un référentiel de stockage à un « système nerveux » sémantique.

Deuxièmement, c’est un cadre de gouvernance pour les agents. Vous devez définir les « règles d’engagement » – ce qu’un IA est autorisé à faire de manière autonome par opposition à ce qui nécessite une approbation humaine – avant de mettre à l’échelle.

Enfin, les jours des tableaux de bord statiques fournissant une analyse « rétroviseur » sont comptés. Nous nous dirigeons vers une analyse conversationnelle qui fournit des insights instantanés et personnalisés. Ces interfaces vont bien au-delà du simple rapport de ce qui s’est passé ; ils exploitent l’IA agentic pour raisonner à travers des questions « pourquoi » complexes et fournir des recommandations prescriptives sur exactement « quoi faire ensuite », fermant efficacement le fossé entre l’insight et l’action.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus devraient visiter Tredence.