Amanpal Dhupar, Directeur du Retail chez Tredence – Série d’entretiens

Amanpal Dhupar, Directeur du Retail chez Tredence, est un expert chevronné en analyse de données et en intelligence artificielle, avec plus d’une décennie d’expérience dans la conception et le développement de solutions axées sur les données qui fournissent des insights actionnables aux décideurs d’entreprise. Tout au long de sa carrière, il a dirigé des transformations stratégiques d’analyse pour les dirigeants de grandes enseignes de distribution, établi des feuilles de route de produits d’IA pour impulser des indicateurs de performance d’entreprise mesurables et a fait évoluer les équipes d’analyse de la petite équipe 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. L’entreprise s’associe à des marques mondiales, en particulier dans le secteur de la vente au détail et des biens de consommation, pour résoudre des défis complexes dans les domaines du merchandising, de la chaîne d’approvisionnement, de la tarification, de l’expérience client et des opérations de lancement sur le marché, en traduisant les insights en impact réel dans le monde 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 une mise en œuvre 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 une mise en œuvre 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.

La première est le manque de 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.

La deuxième est le manque d’une approche de plateforme pour l’IA agente. Au lieu de traiter les agents comme des expériences ponctuelles, les organisations doivent rationaliser l’ensemble du cycle de vie – de la conception et du développement de l’agent à la mise en œuvre, à la surveillance et à la gouvernance – dans l’ensemble de l’entreprise.

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

Enfin, nous voyons une friction entre l’impulsion donnée par l’informatique et la demande des métiers. Le succès ne se produit que lorsque les dirigeants d’entreprise voient l’IA comme une valeur ajoutée liée à un impact mesurable, plutôt que comme une distraction poussée par l’IT. Chez Tredence, notre priorité a toujours été le « dernier kilomètre », qui consiste à combler l’écart entre la production d’analyses et la création de valeur.

Tredence travaille avec nombre des plus grands détaillants au monde, accompagnant des milliers de milliards de chiffre d’affaires. Sur la base 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, l’accompagnement de milliers de milliards de chiffre d’affaires dans le commerce 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 l’engagement en faveur des fondements de la plateforme d’IA agente. 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.

En ajoutant à cette fondation des pratiques LLMOps matures, une observabilité de l’ensemble de la pile technologique et des garde-fous d’IA responsable, le délai de création de valeur des nouveaux cas d’usage s’améliore généralement de 80 %, car l’essentiel du travail architectural est déjà accompli.

Cependant, une plateforme ne vaut que par le contexte qu’elle consomme. Le passage à l’échelle exige plus qu’un accès brut aux données : il faut une couche sémantique riche, des métadonnées solides et des modèles unifiés permettant à l’IA de raisonner sur l’entreprise plutôt que de simplement traiter des entrées.

Enfin, les leaders comprennent qu’il s’agit aussi d’une transformation culturelle. Ils franchissent le dernier kilomètre en passant de l’automatisation à la collaboration entre humains et agents, et redessinent les flux de travail afin que les employés et les responsables de merchandising puissent faire confiance à leurs homologues numériques. C’est ainsi que le potentiel algorithmique devient une réalité commerciale mesurable.

Plus de 70 % des promotions dans le commerce de détail ne couvrent toujours pas leurs coûts. Comment l’IA peut-elle réellement améliorer leur planification, leur mesure et leur optimisation en temps réel ?

Ce taux d’échec persiste parce que les détaillants s’appuient souvent sur des analyses rétrospectives qui confondent les ventes totales avec l’augmentation réellement causée par la promotion. Ils subventionnent ainsi des clients fidèles qui auraient acheté de toute façon. Il faut passer du reporting descriptif à une approche prédictive. Lors de la planification, nous utilisons l’IA causale pour simuler les résultats et établir de véritables niveaux de référence, afin d’identifier exactement ce qui se serait vendu sans promotion. Les enseignes cessent alors de financer la demande organique et ciblent uniquement le volume supplémentaire.

Pour la mesure, l’IA résout le problème du portefeuille en quantifiant les effets de halo et la cannibalisation. Les responsables planifient souvent produit par produit, alors que l’IA offre une vue de toute la catégorie et vérifie qu’une promotion sur une référence ne retire pas simplement de la marge à une autre. Elle montre si l’opération agrandit réellement la catégorie ou en redistribue seulement les ventes.

Enfin, des agents d’IA commencent à surveiller les campagnes pendant leur déroulement. Au lieu d’attendre une analyse plusieurs semaines plus tard, ils recommandent de manière autonome des corrections, comme modifier les dépenses publicitaires numériques ou remplacer une offre, afin de protéger le résultat avant la fin de la promotion. L’objectif passe de l’écoulement des stocks à une croissance rentable.

Les erreurs de prévision et les ruptures de stock continuent d’entraîner d’importantes pertes de revenus. Pourquoi les systèmes de merchandising et de chaîne logistique pilotés par l’IA sont-ils plus efficaces que les prévisions traditionnelles ?

Le premier changement concerne les prévisions. L’IA ne dépend plus uniquement de l’historique interne : elle intègre la météo locale, les événements sociaux et les indicateurs économiques. Une prévision enrichie par ce contexte améliore les ventes, mais aussi la gestion des stocks, la capacité, les horaires de travail et les opérations d’entrepôt en les alignant sur la demande réelle.

Le second concerne les ruptures de stock, que la plupart des détaillants mesurent encore mal. L’IA détecte les anomalies de vente et repère les « stocks fantômes », lorsque le système affirme qu’un article est disponible alors que les ventes ont cessé, puis déclenche automatiquement des inventaires tournants pour rectifier les données. La vision par ordinateur peut également signaler les rayons vides en temps réel et suivre les articles en réserve, afin qu’un produit ne soit pas seulement présent dans le bâtiment, mais réellement disponible pour le client.

Le commerce agentique devient un thème majeur de l’innovation dans le retail. Comment les agents capables de raisonnement transforment-ils la découverte des produits et la conversion par rapport à la recherche actuelle ?

Dans l’expérience actuelle, le client effectue encore l’essentiel du travail : il doit savoir quoi chercher, comparer les options et interpréter une multitude de résultats. Les agents de raisonnement créent des « rayons synthétiques », des collections temporaires qui réunissent des produits de plusieurs catégories selon une intention précise. Par exemple, au lieu de chercher séparément cinq articles pour une mission « matinée saine », le client découvre un rayon temporaire cohérent réunissant des céréales riches en protéines, des mixeurs et les autres produits utiles, réduisant la découverte de plusieurs minutes à quelques secondes.

Pour la conversion, ces agents agissent davantage comme des concierges que comme des moteurs de recherche. Une demande telle que « un dîner pour quatre personnes à moins de 50 dollars » les conduit à raisonner sur les stocks, le prix et les contraintes alimentaires pour proposer un panier complet. En expliquant pourquoi chaque produit correspond au mode de vie ou à l’objectif du client, ils comblent le manque de confiance, réduisent la paralysie décisionnelle et augmentent les taux de conversion par rapport à une simple grille muette de vignettes de produits.

Cette approche s’étend au contenu hyperpersonnalisé. Au lieu d’afficher la même bannière à tous, l’IA agentique peut créer des pages et des visuels adaptés à la mission d’achat du moment. Pour fonctionner à grande échelle, elle doit toutefois s’appuyer sur un modèle de données unifié et des règles strictes de marque et de sécurité, afin de ne pas inventer de produits ni déformer la voix de l’enseigne.

De nombreux détaillants utilisent encore des architectures de données obsolètes. Comment moderniser leurs fondations afin que l’IA fournisse des recommandations fiables et explicables ?

Le principal obstacle n’est pas le modèle, mais le marécage de données qui se trouve dessous. Les enseignes doivent cesser d’accumuler simplement des données et construire une couche sémantique unifiée. Un modèle standard doit définir une seule fois la logique métier, par exemple le calcul exact de la marge nette ou de l’attrition, puis la rendre accessible à toute l’organisation au lieu de la disperser dans des scripts SQL.

Les entreprises doivent aussi adopter une approche de produit de données : au lieu de traiter les données comme un sous-produit de l’informatique, elles doivent leur attribuer une responsabilité définie, des accords de niveau de service (SLA) et une surveillance rigoureuse de la qualité, ou observabilité des données. En associant cet enregistrement de référence propre et gouverné à de riches métadonnées, elles obtiennent l’explicabilité : l’IA ne produit plus une recommandation opaque, elle peut retracer son raisonnement à travers la couche sémantique.

La collaboration entre détaillants et entreprises de produits de grande consommation repose depuis longtemps sur des données fragmentées et des indicateurs incohérents. Comment les modèles unifiés et les plateformes d’IA partagées améliorent-ils les performances des catégories pour les deux parties ?

Jusqu’ici, détaillants et marques observaient le même client selon des perspectives différentes, avec leurs propres données et incitations. Un modèle unifié crée une version commune de la réalité dans toute la chaîne de valeur, qu’il s’agisse des rayons ou du comportement d’achat.

Sur une même plateforme d’IA, les deux parties peuvent déterminer ensemble ce qui produit de la croissance ou des pertes dans une catégorie : prix, promotion, assortiment ou disponibilité. La conversation passe de « mes données contre les vôtres » à « notre occasion commune ». Les décisions deviennent plus intelligentes, les expériences plus rapides et la croissance profite aux détaillants comme aux marques.

À mesure que les réseaux de médias de détail gagnent en maturité, quel rôle l’IA jouera-t-elle dans le ciblage, la mesure et l’attribution en boucle fermée tout en préservant la confiance des consommateurs ?

L’IA transformera quatre domaines. D’abord, le ciblage passera des segments statiques à l’intention prédictive. En analysant des signaux en temps réel, comme la vitesse de navigation ou la composition du panier, elle détectera le moment précis du besoin et montrera la publicité pertinente plutôt que de viser une catégorie démographique générale.

Ensuite, la référence de mesure passera du simple retour sur dépenses publicitaires (ROAS) au retour incrémental sur dépenses publicitaires (iROAS). L’IA causale distinguera les clients convertis à cause de la publicité de ceux qui auraient acheté naturellement, afin de mesurer l’effet réel de l’investissement.

Troisièmement, l’efficacité des opérations créatives deviendra essentielle. Pour soutenir l’hyperpersonnalisation, les détaillants utilisent l’IA générative non seulement pour trouver des idées, mais aussi pour développer la production à grande échelle. Elle permet aux équipes de produire automatiquement en quelques minutes des milliers de variantes adaptées aux canaux, au lieu de plusieurs semaines, et résoudre le goulot d’étranglement de la vitesse de production du contenu.

Enfin, la confiance reposera sur l’adoption de salles blanches de données. Celles-ci permettront aux détaillants et aux marques de rapprocher leurs données en toute sécurité pour l’attribution en boucle fermée, sans que les informations personnelles identifiables ne quittent leurs pare-feu.

Quelles capacités définiront la prochaine génération de détaillants alimentés par l’IA, et que doivent construire les dirigeants dès aujourd’hui pour rester compétitifs pendant les cinq prochaines années ?

La prochaine ère du commerce passera de la transformation numérique à la transformation agentique. Nous nous dirigeons vers une « orchestration autonome », dans laquelle des réseaux d’agents d’IA collaboreront pour exécuter des processus complexes : un agent de chaîne logistique pourra demander automatiquement à l’agent marketing de suspendre une promotion parce qu’une livraison est retardée.

Les dirigeants doivent construire trois choses. La première est un modèle de données unifié. Les agents ne peuvent collaborer s’ils ne parlent pas le même langage ; la fondation de données doit devenir un système nerveux sémantique, et non un simple entrepôt.

La deuxième est un cadre de gouvernance des agents. Il faut définir les règles d’engagement, c’est-à-dire ce que l’IA peut faire seule et ce qui exige une approbation humaine, avant le passage à grande échelle.

Enfin, les tableaux de bord statiques qui regardent le passé céderont la place à des analyses conversationnelles donnant des informations immédiates et personnalisées. Au-delà de « ce qui s’est passé », les agents raisonneront sur le « pourquoi » et recommanderont précisément « ce qu’il faut faire ensuite », comblant ainsi l’écart entre l’information et l’action.

Merci pour cet excellent entretien. Les lecteurs qui souhaitent en savoir plus peuvent consulter Tredence.