Amanpal Dhupar, responsable de la vente au détail chez Tredence – Série d'entretiens

Amanpal DhuparLe responsable du commerce de détail chez Tredence est un expert reconnu en analyse de données et en intelligence artificielle, fort de plus de dix ans d'expérience dans la conception et le développement de solutions basées sur les données. Ces solutions fournissent des informations exploitables aux décideurs d'entreprise. Tout au long de sa carrière, il a piloté des transformations stratégiques en matière d'analyse de données pour les cadres supérieurs de grandes enseignes, élaboré des feuilles de route de produits d'IA pour optimiser les indicateurs clés de performance (KPI) et développé des équipes d'analyse de données, de leur création à leur déploiement à grande échelle. Il a ainsi démontré une expertise technique pointue et une grande polyvalence en matière de leadership.

Tendance est une entreprise spécialisée dans les solutions de science des données et d'IA, dont la mission est d'aider les entreprises à créer de la valeur grâce à l'analyse avancée, l'apprentissage automatique et la prise de décision basée sur l'IA. L'entreprise collabore avec des marques internationales, notamment dans les secteurs de la distribution et des biens de consommation, pour résoudre des problématiques complexes liées au merchandising, à la chaîne d'approvisionnement, à la tarification, à l'expérience client et aux opérations de commercialisation. Elle transforme les analyses en actions concrètes et accompagne ses clients dans la modernisation de leurs capacités d'analyse et de veille stratégique.

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

Une étude récente du MIT Solan a révélé que 95 % des projets pilotes d'IA n'aboutissent pas à un déploiement à grande échelle. La réalité ? Les projets pilotes sont faciles, mais la production est complexe. Chez Tredence, nous avons identifié quatre raisons organisationnelles spécifiques expliquant cet écart.

Le premier problème réside dans la méconnaissance du parcours utilisateur. Les détaillants intègrent souvent l'IA à des processus défaillants existants au lieu de se demander comment repenser le parcours utilisateur en plaçant l'IA au centre.

Deuxièmement, on constate l'absence d'une approche plateforme pour l'IA agentique. Au lieu de considérer les agents comme des expériences ponctuelles, les organisations doivent rationaliser l'ensemble de leur cycle de vie — de la conception et du développement au déploiement, à la surveillance et à la gouvernance — à l'échelle de l'entreprise.

Troisièmement, la faiblesse des données de base. Il est facile de créer un projet pilote à partir d'un fichier plat et vierge, mais le passage à l'échelle exige une base robuste et en temps réel, où des données précises sont accessibles en permanence aux modèles d'IA.

Enfin, nous constatons une friction entre la volonté de l'informatique et la volonté des métiers. Le succès n'est au rendez-vous que lorsque les dirigeants perçoivent l'IA comme une valeur ajoutée liée à un impact mesurable, et non comme une distraction imposée par l'informatique. Chez Tredence, nous avons toujours mis l'accent sur la « dernière étape », celle qui consiste à combler le fossé entre la génération d'informations et la concrétisation de leur valeur.

Tredence collabore avec de nombreuses grandes enseignes de distribution mondiales, contribuant à des chiffres d'affaires se chiffrant en milliards de dollars. D'après vos observations sur le secteur, qu'est-ce qui distingue les distributeurs qui réussissent à déployer l'IA à grande échelle de ceux qui restent bloqués au stade de l'expérimentation ?

Chez Tredence, notre expérience dans la gestion de milliers de milliards de dollars de chiffre d'affaires dans le secteur du commerce de détail nous a permis d'observer de près une fracture majeure au sein de l'industrie : d'un côté, les détaillants qui considèrent l'IA comme une série d'expérimentations disparates, et de l'autre, ceux qui construisent une véritable « usine à IA » industrialisée. La principale différence réside dans l'engagement envers les fondements d'une plateforme d'IA agentique. Les organisations les plus performantes cessent de repartir 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 préconfigurés, adaptés aux cas d'usage spécifiques du commerce de détail. En y ajoutant des solutions LLMOps matures, une observabilité complète et des garde-fous d'IA responsable intégrée (RAI), l'impact est transformateur : nous constatons généralement une amélioration de 80 % du délai de rentabilisation des nouveaux cas d'usage, car le travail d'architecture le plus complexe est déjà réalisé.

Cependant, la qualité d'une plateforme dépend du contexte qu'elle exploite, ce qui nous amène à l'importance des données. Le passage à l'échelle exige bien plus qu'un simple accès aux données brutes ; il requiert une couche sémantique riche où des métadonnées robustes et des modèles de données unifiés permettent à l'IA de comprendre les enjeux commerciaux plutôt que de se contenter de traiter des entrées. Enfin, les véritables leaders reconnaissent qu'il ne s'agit pas seulement d'une transformation technologique, mais aussi culturelle. Ils franchissent la dernière étape en dépassant la simple automatisation pour privilégier la collaboration entre humains et agents, en repensant les flux de travail afin que les collaborateurs et les commerçants fassent confiance à leurs homologues numériques et collaborent efficacement, transformant ainsi le potentiel des algorithmes en résultats concrets et mesurables pour l'entreprise.

Plus de 70 % des promotions en magasin n'atteignent toujours pas le seuil de rentabilité. Comment l'IA peut-elle améliorer significativement la planification, la mesure et l'optimisation en temps réel des promotions ?

Le taux d'échec de 70 % persiste car les détaillants s'appuient souvent sur des analyses rétrospectives qui confondent les ventes totales avec l'augmentation marginale des ventes, subventionnant ainsi les clients fidèles qui auraient acheté de toute façon. Pour rompre ce cercle vicieux, il est nécessaire de passer d'un reporting descriptif à une approche plus prédictive. Lors de la planification, nous utilisons l'IA causale pour simuler les résultats et établir des « références réelles », identifiant précisément ce qui se serait vendu sans la promotion. Cela permet aux détaillants de ne plus payer pour la demande organique et de se concentrer uniquement sur le volume net de ventes.

Pour mesurer les ventes, l'IA résout le casse-tête du portefeuille en quantifiant les effets de halo et la cannibalisation. Les responsables commerciaux travaillent souvent de manière cloisonnée, tandis que l'IA offre une vision globale de la catégorie, garantissant qu'une promotion sur un produit ne pénalise pas uniquement la marge d'un autre. Cette mesure holistique aide les détaillants à comprendre s'ils contribuent à la croissance de la catégorie ou s'ils se contentent de la segmenter différemment.

Enfin, pour une optimisation en temps réel, le secteur se tourne vers des agents d'IA qui surveillent les campagnes en cours. Au lieu d'attendre une analyse a posteriori des semaines après l'événement, ces agents recommandent automatiquement des ajustements – comme le rééquilibrage des dépenses publicitaires numériques ou la modification des offres – afin de préserver la rentabilité avant la fin de la promotion. Cette approche permet de passer d'une simple gestion des stocks à une véritable stratégie de croissance rentable.

Les erreurs de prévision et les ruptures de stock continuent d'entraîner d'importantes pertes de revenus. En quoi les systèmes de merchandising et de chaîne d'approvisionnement pilotés par l'IA sont-ils plus efficaces que les approches de prévision traditionnelles ?

Le premier changement majeur concerne les prévisions : l’IA nous permet de passer d’une approche basée uniquement sur nos données historiques à l’intégration de données externes, telles que la météo locale, les événements sociaux et les indicateurs économiques. Lorsque les prévisions tiennent compte de ce contexte extérieur, les gains de précision ne se limitent pas à l’augmentation des ventes ; ils ont un effet domino positif, optimisant la gestion des stocks, la planification des capacités, les horaires de travail et les opérations d’entrepôt pour répondre à la demande réelle.

Le deuxième changement concerne les ruptures de stock, un problème que la plupart des détaillants peinent encore à mesurer avec précision. L'IA y remédie en détectant les anomalies dans les tendances de vente – en identifiant les « stocks fantômes », lorsque le système considère un article comme étant en stock alors que les ventes sont à l'arrêt – et en déclenchant automatiquement des inventaires tournants pour corriger les données. Au-delà des données, on observe l'essor de la vision par ordinateur pour repérer physiquement et en temps réel les articles manquants en rayon et suivre les stocks en réserve, garantissant ainsi que le produit n'est pas seulement « présent » dans le magasin, mais bien disponible à l'achat pour le client.

Le commerce assisté par agents est devenu un thème majeur de l'innovation dans le secteur du commerce de détail. Comment les agents d'IA basés sur le raisonnement transforment-ils significativement la découverte de produits et la conversion par rapport à l'expérience d'achat actuelle axée sur la recherche ?

Dans le monde du shopping moderne axé sur la recherche, les consommateurs restent les plus impliqués. Ils doivent savoir quoi chercher, comparer les options et s'y retrouver parmi une multitude de résultats. Les agents conversationnels intelligents révolutionnent ce processus en générant dynamiquement des « rayons synthétiques » : des collections personnalisées regroupant des produits de différentes catégories en fonction d'une intention précise. Par exemple, au lieu de rechercher séparément cinq articles, un client souhaitant un « petit-déjeuner sain » se voit proposer un rayon temporaire et cohérent regroupant tout, des céréales riches en protéines aux mixeurs, réduisant ainsi instantanément le temps de recherche de plusieurs minutes à quelques secondes.

Côté conversion, ces agents fonctionnent moins comme des moteurs de recherche et davantage comme des conseillers shopping. Ils ne se contentent pas de lister des options ; ils composent activement des paniers en fonction des besoins exprimés. Si un client demande un « menu dîner pour quatre à moins de 50 € », l’agent analyse les stocks, les prix et les contraintes alimentaires pour lui suggérer une offre complète. Cette capacité de raisonnement permet de gagner en confiance : en expliquant pourquoi un produit spécifique correspond au mode de vie ou à l’objectif de l’utilisateur, l’agent réduit l’hésitation et génère des taux de conversion plus élevés qu’une simple grille de vignettes de produits.

Enfin, cette tendance s'étend désormais au contenu hyper-personnalisé. Au lieu d'afficher la même bannière de page d'accueil à tous, l'IA Agentic peut générer des pages de destination et des visuels dynamiques qui reflètent le parcours d'achat du client. Cependant, pour que cette solution puisse se généraliser, les détaillants constatent qu'il est nécessaire d'intégrer ces agents dans un modèle de données unifié, assorti d'une gouvernance stricte de la marque et de la sécurité, afin de garantir que la « créativité » de l'IA ne génère jamais de produits erronés ni ne contrevienne à l'identité de marque.

De nombreux détaillants sont confrontés à des architectures de données obsolètes. Comment les entreprises peuvent-elles moderniser leurs infrastructures de données pour que les modèles d'IA puissent fournir des recommandations fiables et explicables ?

Le principal obstacle au succès de l'IA ne réside pas dans les modèles eux-mêmes, mais dans la complexité des données sous-jacentes. Pour se moderniser, les détaillants doivent cesser de se contenter de collecter des données et construire une couche sémantique unifiée. Cela implique la mise en œuvre d'un modèle de données standard où la logique métier (comme le calcul précis de la marge nette ou du taux de désabonnement) est définie une seule fois et accessible à tous, au lieu d'être dissimulée dans des scripts SQL fragmentés au sein de l'organisation.

Deuxièmement, les entreprises doivent adopter une approche axée sur les données. Au lieu de considérer les données comme un simple sous-produit informatique, les entreprises performantes les perçoivent comme un produit dont la propriété est clairement définie, assortie de SLA et d'un contrôle qualité rigoureux (observabilité des données). En combinant ce référentiel de données fiable et gouverné avec des métadonnées riches, on obtient une véritable explicabilité. L'IA ne se contente plus de fournir une recommandation opaque ; elle est capable de retracer son raisonnement à travers la couche sémantique.

Historiquement, la collaboration entre les distributeurs et les entreprises de biens de consommation s'est appuyée sur des données fragmentées et des indicateurs incohérents. Comment des modèles de données unifiés et des plateformes d'IA partagées peuvent-ils améliorer les performances des deux parties ?

Jusqu'à présent, les distributeurs et les entreprises de biens de consommation ont analysé le même client sous différents angles, chacun utilisant ses propres données et incitations. Les modèles de données unifiés changent la donne en créant une source unique de vérité tout au long de la chaîne de valeur, qu'il s'agisse des performances en rayon ou du comportement des consommateurs.

Lorsque les deux parties utilisent la même plateforme d'IA, elles peuvent identifier conjointement les facteurs de croissance ou de perte au niveau d'une catégorie. Il peut s'agir de n'importe quel élément : prix, promotion, assortiment ou ruptures de stock. Les discussions passent ainsi d'une confrontation de données (« mes données contre les vôtres ») à une vision d'opportunités partagées.

Il en résulte des décisions plus judicieuses, une expérimentation plus rapide et, au final, une croissance plus forte de la catégorie, ce qui profite à la fois aux détaillants et aux marques.

À mesure que les réseaux de médias de détail gagnent en maturité, quel rôle jouera l'IA dans l'amélioration du ciblage, de la mesure et de l'attribution en boucle fermée, tout en préservant la confiance des consommateurs ?

L'IA transformera quatre domaines clés à mesure que les réseaux de médias de détail gagneront en maturité.

Tout d'abord, en matière de ciblage, le secteur évolue des segments d'audience statiques vers une approche basée sur la prédiction des intentions. En analysant des signaux en temps réel, comme la vitesse de navigation ou la composition du panier, afin d'identifier le moment précis où un client a besoin d'une publicité, l'intelligence artificielle garantit la diffusion des publicités les plus pertinentes au moment opportun, plutôt que de se contenter de cibler une catégorie démographique générale.

Deuxièmement, en matière de mesure, la référence passe du simple retour sur investissement publicitaire (ROAS) au ROAS incrémental (iROAS). Grâce à l'IA causale, nous pouvons mesurer l'impact réel des dépenses publicitaires en identifiant les acheteurs qui ont effectué une conversion uniquement grâce à la publicité, par opposition à ceux qui auraient effectué cette conversion naturellement.

Troisièmement, l'efficacité opérationnelle devient cruciale, notamment dans les opérations créatives. Pour favoriser l'hyperpersonnalisation, les détaillants utilisent l'IA générative non seulement pour la conception, mais aussi pour optimiser la production. Cela permet aux équipes de générer automatiquement des milliers de variations dynamiques et spécifiques à chaque canal en quelques minutes au lieu de plusieurs semaines, résolvant ainsi le problème de la « vitesse de production du contenu ».

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

Quelles seront, à l'avenir, les capacités qui définiront la prochaine génération de détaillants s'appuyant sur l'IA, et que devraient commencer à développer dès aujourd'hui les dirigeants pour rester compétitifs au cours des cinq prochaines années ?

La prochaine ère du commerce de détail sera définie par le passage de la « transformation numérique » à la « transformation par agents ». Nous évoluons vers un avenir d'« orchestration autonome », où des réseaux d'agents d'IA collaborent pour exécuter des processus complexes, comme un agent de la chaîne d'approvisionnement informant automatiquement un agent marketing de suspendre une promotion en raison d'un retard de livraison.

Pour s'y préparer, les dirigeants doivent commencer dès aujourd'hui à construire trois choses.

La première étape consiste à mettre en place un modèle de données unifié. Les agents ne peuvent pas collaborer s'ils ne parlent pas le même langage ; votre infrastructure de données doit évoluer d'un référentiel de stockage vers un « système nerveux » sémantique.

Deuxièmement, il est nécessaire de définir un cadre de gouvernance pour les agents. Avant tout déploiement à grande échelle, vous devez définir les « règles d'engagement » — ce qu'une IA est autorisée à faire de manière autonome et ce qui requiert une approbation humaine.

Enfin, les tableaux de bord statiques offrant une analyse rétrospective sont voués à disparaître. Nous évoluons vers une analyse conversationnelle qui fournit des informations instantanées et personnalisées. Ces interfaces vont bien au-delà du simple compte rendu des événements ; elles exploitent une IA proactive pour répondre à des questions complexes de type « pourquoi » et formuler des recommandations précises sur les actions à entreprendre, comblant ainsi le fossé entre l’analyse et l’action.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter Tendance.