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 entreprises de détail, 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 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 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 à court terme, 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 la poussée de l’IT et l’attrait des entreprises. 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 objectif a toujours été de combler l’écart entre la génération d’insights et la réalisation de la valeur.

Tredence travaille avec de nombreux détaillants du monde entier, soutenant des trillions de dollars 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, 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 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.

Cependant, une plateforme n’est que 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 juste l’accès brut aux données ; elle exige une couche sémantique riche où des métadonnées solides et des modèles de données unifiés permettent à l’IA de « raisonner » sur l’entreprise plutôt que de simplement traiter les entrées.

Plus de 70 % des promotions de détail ne parviennent toujours pas à équilibrer leur coût. Comment l’IA peut-elle améliorer de manière significative la planification des promotions, la mesure et l’optimisation en temps réel ?

Le taux d’échec de 70 % persiste car les détaillants s’appuient souvent sur une analyse « rétrospective » qui confond les ventes totales avec l’effet d’augmentation réel – 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.

Enfin, nous voyons cela s’étendre à un contenu hyper-personnalisé. Plutôt que de montrer à tout le monde la même bannière d’accueil, l’IA agente peut générer des pages d’accueil et des visuels dynamiques qui reflètent la mission d’achat actuelle du client.

Beaucoup de 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 « marais de données » qui se trouve en dessous. Pour moderniser, les détaillants doivent cesser de simplement collecter des données et construire une couche sémantique unifiée.

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 de meilleures performances de catégorie pour les deux parties ?

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

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.

Enfin, nous sommes à l’aube d’une ère de commerce agence, où les agents d’IA raisonnent à travers des processus complexes et fournissent des recommandations prescriptives sur exactement « ce qu’il faut faire ensuite », comblant efficacement l’écart entre l’insight et l’action. Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Tredence.