Viki Zabala, Directrice de la croissance et de la stratégie chez First Insight – Série d’entretiens

Viki Zabala, Directrice de la croissance et de la stratégie chez First Insight, compte plus de 22 ans d’expérience dans des entreprises de haute croissance, des sociétés de logiciels en tant que service (SaaS), de l’intelligence artificielle (IA) et de la technologie, opérant à l’intersection de la stratégie, du produit et de l’innovation. Dans son rôle, elle dirige le moteur de croissance unifié de First Insight à travers la stratégie, le lancement sur le marché, le marketing, le produit, l’IA, la réussite client et les partenariats, façonnant la vision derrière la plateforme d’intelligence de décision au détail de l’entreprise. Connue pour traduire l’incertitude en clarté, Zabala a conduit une croissance hyperbolique, une expansion de nouveaux marchés et une transformation menée par l’IA en reliant l’insight client, l’intelligence de décision et des modèles opérationnels évolutifs pour livrer des résultats commerciaux mesurables pour les entreprises mondiales.

First Insight est une plateforme d’intelligence de décision alimentée par l’IA, conçue pour les détaillants et les marques qui cherchent à prédire la demande, à optimiser les prix et les assortiments, et à réduire les risques tout au long du cycle de vie du produit. En combinant les commentaires des consommateurs en temps réel avec une IA prédictive, générative et agente, la plateforme aide les organisations à prendre des décisions plus rapides et plus confiantes dans la conception, la merchandising, la planification et l’exécution en saison. Utilisée par les plus grands détaillants et marques de consommation mondiaux, First Insight se concentre sur la transformation de l’insight client en une intelligence actionnable qui améliore les marges, accélère la vitesse de mise sur le marché et renforce la croissance à long terme.

Votre carrière a toujours été située à l’intersection des données, de la stratégie de lancement sur le marché et de l’exécution. Quels moments, plus tôt dans votre carrière, ont le plus façonné votre façon de penser pour transformer l’insight en décisions opérationnelles réelles aujourd’hui ?

J’ai toujours été axée sur un défi fondamental : comment influencer et changer le comportement à grande échelle.

Tôt dans ma carrière, cela s’est manifesté dans les applications mobiles et la publicité technologique, où les boucles de rétroaction sont immédiates. Vous apprenez rapidement que les données ne comptent que si elles changent ce que quelqu’un fait ensuite – installation, engagement, conversion. Plus tard, dans l’Internet des objets (IoT) et les plateformes d’expérience, la même vérité s’est jouée dans des environnements physiques : la façon dont le contexte, le moment et l’expérience façonnent le comportement humain en temps réel.

À travers toutes ces industries, une leçon est restée constante : l’insight n’est précieux que s’il est actionnable au moment où une décision est prise. Si cela ne survit pas à la pression de l’exécution – tarification, lancement sur le marché, inventaire, messagerie – ce n’est que de l’information.

C’est cette mentalité qui m’a amenée à First Insight. Le détail est l’une des industries les plus axées sur le comportement qui existe, et pourtant, les décisions ont historiquement reposé sur des indicateurs retardés et l’instinct. Mon travail a consisté à combler cet écart – en faisant entendre la voix du client suffisamment tôt, et de manière continue, pour ingénierier de meilleurs résultats plutôt que de réagir à l’échec.

Mon objectif est désormais d’aider les organisations à prendre de meilleures décisions suffisamment tôt pour compter – afin qu’elles augmentent les revenus, gagnent la loyauté des clients et surpassent constamment le marché.

En tant que Directrice de la croissance et de la stratégie chez First Insight, vous supervisez le produit, la feuille de route de l’IA, le lancement sur le marché et la réussite client. Comment avoir cette vision unifiée change la façon dont l’IA devrait être conçue et déployée au sein des organisations de détail ?

Lorsque vous voyez l’ensemble du système, vous cessez de penser à l’IA comme à un outil et commencez à y penser comme à un modèle opérationnel.

Le produit vous montre ce qui est techniquement possible. Le lancement sur le marché vous montre ce qui sera réellement compris et adopté. La réussite client vous montre ce qui tient sous des contraintes du monde réel – pression temporelle, tension interfonctionnelle, qualité des données et responsabilité. Lorsque ces perspectives sont unifiées, l’IA est conçue autour de la façon dont les décisions se font réellement, et non de la façon dont la technologie semble impressionnante en isolation.

C’est pourquoi l’IA dans le détail doit fonctionner comme un système de décisions et d’actions, et non comme un système d’intelligence uniquement. Elle doit relier les signaux clients au tarification, à l’assortiment, au marketing et à la planification d’une manière qui aligne les équipes et accélère les décisions. Lorsque l’IA réduit les frictions entre les équipes et raccourcit la distance entre l’insight et l’action, elle commence à livrer de la valeur réelle.

Les détaillants ont longtemps reposé sur des cycles de planification saisonniers et des données historiques. D’après ce que vous voyez sur le terrain, pourquoi ces modèles sont-ils de plus en plus déconnectés de la façon dont les consommateurs se comportent aujourd’hui ?

Parce que ces modèles ont été conçus pour un monde où le détail était principalement axé sur l’optimisation de ce qui existait déjà – et non sur l’invention de ce qui est à venir.

Les ventes historiques et les cycles saisonniers peuvent aider à expliquer les performances dans des catégories établies, mais ils sont faibles pour les deux choses dont les détaillants ont le plus besoin aujourd’hui : répondre à un comportement client en constante évolution et créer de la demande nouvelle à travers l’innovation de produits et l’expansion des espaces blancs.

La demande change en temps réel – poussée par la sensibilité aux prix, les moments culturels, l’influence sociale, la pression économique et la dynamique des canaux. Une tendance peut émerger du jour au lendemain. Un signal de tarification peut changer le comportement instantanément. Les données historiques expliquent ce qui s’est déjà passé, mais elles ne disent pas de manière fiable comment les clients réagiront ensuite – même pour les produits déjà sur les étagères – lorsque le contexte et le sentiment peuvent changer à tout moment.

À la même époque, de nombreux détaillants prennent des décisions avec des CRM vieillissants et des vues obsolètes de qui est réellement leur client. De nouveaux concurrents, de nouveaux canaux et de plus jeunes générations avec des attentes et un pouvoir d’achat différents s’éloignent régulièrement des clients – souvent sans que les détaillants s’en rendent compte jusqu’à ce que les résultats apparaissent dans des prévisions manquées ou une loyauté en déclin. Dans de nombreux cas, les marques sont optimisées pour des clients qu’elles n’ont plus – ou pour des clients qui sont déjà passés à autre chose.

Et lorsqu’il s’agit d’innovation, l’histoire des ventes ne peut pas valider un produit qui n’existe pas encore – ou un segment de clientèle que vous êtes en danger de perdre. C’est pourquoi tant de détaillants finissent par itérer sur le passé au lieu de financer avec confiance la prochaine catégorie, le prochain ensemble de fonctionnalités ou la prochaine audience. La clé est de faire entendre la voix du client suffisamment tôt – pour guider la création de concepts, le pouvoir de tarification et la positionnement – afin que l’innovation devienne un système répétitif et non un pari.

L’assistant IA de First Insight, Ellis, permet des requêtes en langage naturel autour du tarification, des assortiments et de la demande. Combien la conception d’interface et l’accessibilité sont-elles importantes pour stimuler une adoption réelle de l’IA par rapport à la seule capacité technique ?

L’interface est la différence entre « l’IA existe » et « l’IA est utilisée ».

La prise de décision au détail s’étend bien au-delà d’un seul moment – recherche de concepts, conception, construction d’assortiments, optimisation des prix, modélisation des marges, profondeur d’achat, allocation, ajustements en saison, marketing et vente. Le défi n’est pas que les détaillants n’aient pas de questions ; c’est que les réponses sont piégées dans des tableaux de bord, des présentations, des exportations et des équipes spécialisées – et que, une fois livrées, le moment est passé.

Ellis compte parce qu’il supprime les frictions entre l’insight et l’action. Au lieu de naviguer dans des rapports ou d’attendre de nouvelles analyses, les équipes peuvent poser des questions stratégiques et tactiques en langage clair – sur les concepts, les prix, les assortiments, les segments, les marchés, les concurrents – et obtenir des réponses claires et prédictives en quelques minutes. Ce n’est pas seulement l’usabilité ; c’est la vitesse de décision.

Accessibility also drives adoption across the organization. When the same customer signal is instantly available to merchandising, pricing, marketing, and planning, you reduce internal battles and misalignment. People stop debating whose data is right and start debating what to do next—faster, and with more confidence.

Vous avez travaillé en étroite collaboration avec des détaillants qui naviguent sous la pression des marges, des risques d’inventaire et d’une demande volatile. Où l’IA livre-t-elle l’impact le plus rapide et le plus mesurable aujourd’hui – et où l’hystérie est-elle encore en avance sur la réalité ?

L’impact le plus rapide se manifeste là où les décisions sont fréquentes, coûteuses et sensibles au temps : tarification, sélection d’assortiments, validation de la demande et risque d’inventaire. Lorsque l’IA aide les équipes à éviter les surachats, à maintenir les prix avec confiance ou à sortir plus tôt des produits perdants, l’impact financier est immédiat et mesurable.

Là où l’hystérie devance la réalité, c’est dans l’idée d’un détail entièrement autonome – ou de l’IA remplaçant la véritable compréhension client par des raccourcis synthétiques. Les consommateurs sont très clairs : ils valorisent l’authenticité, la transparence et être entendus. L’IA qui éloigne les marques des clients ne crée pas d’efficacité – elle crée un risque.

Le modèle gagnant aujourd’hui est le jugement humain augmenté par l’insight prédictif, et non l’automatisation pour l’automatisation.

De nombreux outils IA promettent des capacités prédictives. Qu’est-ce qu’une prédiction significative dans le détail, et comment les dirigeants devraient-ils évaluer si les prédictions sont réellement prêtes à être prises en compte ?

Une prédiction significative dans le détail n’est pas une prévision – c’est la capacité de fermer la boucle entre la vérité client et le résultat financier.

Beaucoup de sorties IA semblent prédictives, mais elles ne changent pas l’entreprise parce qu’elles n’entrent jamais dans le rythme opérationnel. Le trimestre est manqué, l’inventaire s’accumule, les budgets de remise sont dépensés – et tout le monde peut pointer des données quelque part qui pourraient aider. L’échec réel est que les décisions n’étaient pas alignées, les actions n’ont pas été prises et le flux de travail n’a pas changé.

Une prédiction prête à la décision fait trois choses à la fois :

1. Elle est ancrée dans la façon dont les clients perçoivent réellement la valeur – et non seulement dans l’histoire des ventes – afin de guider les décisions de la conception à l’exécution en saison.
2. Elle relie directement aux économies : élasticité de la demande, volonté de payer, AUR/ASP sur le cycle de vie du produit, et les implications de marge de maintenir par rapport à la remise.
3. Elle est opérationnelle – intégrée dans un processus répétitif que les équipes suivent réellement, et non piégée à travers des dizaines d’outils et de tableaux de bord cloisonnés.

Un thème récurrent que nous voyons est le coût de la « queue de comète » des SKUs. Le sur-assortiment est un tueur silencieux : profondeur excessive, faible vitesse, risque enfoui. L’un des plus grands leviers que l’IA prédictive débloque est la capacité de couper la queue – de supprimer les produits sous-performants tôt et de réinvestir ces dollars d’inventaire dans les meilleurs produits où la demande client et le sentiment sont les plus élevés.

Lorsque les équipes appliquent cette discipline, nous voyons des résultats dramatiques :

• les dollars d’inventaire sont libérés pour l’innovation et les opportunités à haute performance,
• la cadence de remise se stabilise et se réduit,
• la pression promotionnelle se réduit, et
• la confiance de la marque augmente car les clients ne sont pas formés à s’attendre à 50-60 % de réduction avant d’acheter.

Les dirigeants devraient évaluer l’IA prédictive avec une question : Est-ce que cela change où nous investissons ? Le ROI le plus élevé n’est pas plus de données – c’est de meilleures décisions dans l’allocation de capital, de temps et d’inventaire contre la demande client réelle – suffisamment tôt pour compter.

L’IA responsable est souvent discutée à un niveau élevé. Dans le détail spécifiquement, à quoi ressemble l’adoption pratique et responsable de l’IA lorsque les décisions affectent directement le tarification, les consommateurs et la confiance de la marque ?

L’IA responsable dans le détail commence avec un principe simple : utiliser l’IA pour approfondir la relation client, et non l’exploiter.

Ceci n’est pas à propos du suivi hyper des individus, de la surveillance ou de la collecte de données pour son propre sake. L’IA responsable est à propos de faire entendre la voix du client dans chaque décision à grande échelle – afin que les produits, les prix, les messages et les expériences reflètent ce que les gens valorisent réellement. De nombreuses manières, c’est une forme de co-développement : les clients guident ce qui est créé, comment cela est positionné et ce qui semble équitable.

Pratiquement, l’IA responsable ressemble à :

• Ancre les décisions dans les commentaires clients réels – à la fois quantitatifs et qualitatifs (« ce qu’ils ont dit »).
• Construire la transparence et les garde-fous pour les décisions à haut impact comme le tarification, les promotions et la segmentation.
• Assurer l’équité à travers les segments et les marchés, afin que l’IA ne favorise pas involontairement un groupe tandis qu’elle désavantage un autre.
• Garder les humains dans la boucle pour le jugement, la responsabilité et la nuance créative que l’IA ne peut pas générer elle-même.

Utilisée de cette façon, l’IA renforce la relation client au lieu de l’éroder. Les clients se sentent entendus à grande échelle. Les équipes prennent de meilleures décisions plus rapidement. Et les marques construisent la confiance – parce qu’elles ne réagissent pas à le marché ; elles agissent avec lui.

Vous avez dirigé à la fois les récits marketing et la stratégie de produit. Comment les détaillants devraient-ils repenser l’histoire interne de l’IA afin qu’elle soit perçue comme un partenaire de décision plutôt que comme une menace ou une boîte noire ?

Les détaillants devraient cesser de raconter l’histoire que l’IA est « une analyse plus intelligente » et commencer à raconter l’histoire que l’IA est une centricité client à grande échelle.

La friction interne dans le détail n’est pas seulement les silos – ce sont les silos qui prennent des décisions à haut risque avec différentes vérités : le marketing a des signaux d’engagement, la merchandising a l’histoire des ventes, le tarification a la pression des marges, la planification a les contraintes d’inventaire. C’est là que les batailles ont lieu.

AI devient un partenaire de décision lorsqu’il crée un langage partagé entre les fonctions : la voix du client, traduite en une orientation prédictive qui éclaire le produit, le prix, l’assortiment et la façon de vendre – de la conception à la conversion.

Et il est important d’être honnête sur le rôle des humains. L’IA n’invente pas la prochaine idée de rupture – elle apprend les modèles. Les humains apportent la créativité, le goût, l’intention de la marque et l’intuition culturelle. L’IA rend cette créativité plus aiguisée en raccourcissant les boucles de rétroaction et en testant les décisions avant que le marché ne le fasse.

À mesure que l’IA devient plus intégrée dans la planification et la prise de décision en saison, comment voyez-vous le rôle du jugement humain évoluer plutôt que disparaître ?

Le jugement humain devient plus important – et plus sollicité – parce que la saison est là où le profit du détail est gagné ou perdu.

Les remises sont l’un des plus grands coûts dans le détail. Les détaillants budgétisent souvent pour eux parce qu’ils sont forcés de nettoyer l’inventaire invendu. La raison pour laquelle les remises sont si douloureuses est le moment : réduire les prix trop tôt et vous détruirez la marge ; réduire les prix trop tard et vous manquerez la fenêtre pour convertir la demande.

Avec l’IA prédictive et les humains dans la boucle, les équipes peuvent modéliser des courbes de demande élastiques et comprendre comment l’ASP/AUR devrait évoluer sur la durée de vie du produit – en fonction de la vente, de la perception client et des signaux du marché. Cela permet des mouvements plus intelligents : quand maintenir le prix, quand réduire les prix et de combien – sans surcorriger.

Et les décisions en saison ne concernent pas seulement le tarification. L’IA peut éclairer les promotions et le marketing en saison en tenant compte des moments culturels, des influenceurs, de l’accélération des tendances et des changements dans les personas client – aux côtés de la perception du produit et de la sensibilité aux prix. Les humains appliquent ensuite leur jugement : intention de la marque, tolérance au risque et les choix créatifs que l’IA ne peut pas générer elle-même.

Le futur n’est pas l’automatisation. C’est des décisions plus rapides et plus éclairées par le client – où l’IA met à l’échelle l’écoute, et les humains mènent le sens.

En regardant vers l’avenir, comment vous attendez-vous à ce que l’IA agente et générative transforme les flux de travail du détail sur les deux à trois prochaines années – et non théoriquement, mais opérationnellement ?

Nous passons des systèmes d’intelligence aux systèmes d’action.

Opérationnellement, l’IA générative rendra l’insight accessible à tous les rôles et niveaux – en résumant, en comparant, en expliquant et en répondant à des questions en quelques minutes. L’IA agente prendra de plus en plus en charge le travail répétitif qui ralentit les organisations : préparer des scénarios, assembler des briefs prêts pour les dirigeants, surveiller les signaux, signaler les risques et coordonner les prochaines actions.

Mais le changement le plus significatif ne sera pas que l’IA « fait tourner le détail ». Ce sera que les détaillants finiront par resserrer la boucle entre le client et l’entreprise. Les équipes iront plus vite, couperont à travers les frictions internes et prendront de meilleures décisions plus tôt – avant que les tendances ne culminent, avant que les remises ne se multiplient et avant que les opportunités manquées ne deviennent des manques trimestriels.

Les détaillants qui gagnent ne seront pas ceux qui ont le plus d’expériences d’IA. Ce seront ceux qui construisent un rythme opérationnel répétitif où la vérité client, l’intelligence prédictive et la créativité humaine travaillent ensemble – de la conception à la conversion. Merci pour l’entretien détaillé ; les lecteurs qui souhaitent en savoir plus devraient visiter First Insight.