अमनपाल धुपर, ट्रेडेंस में रिटेल के प्रमुख – साक्षात्कार श्रृंखला

अमनपाल धुपर, ट्रेडेंस में रिटेल के प्रमुख एक अनुभवी रिटेल विश्लेषण और एआई नेता हैं जिनके पास डेटा-चालित समाधानों को डिजाइन और विकसित करने में एक दशक से अधिक का अनुभव है जो उद्यम निर्णय लेने वालों के लिए कार्रवाई योग्य अंतर्दृष्टि प्रदान करते हैं। अपने करियर के दौरान, उन्होंने प्रमुख खुदरा विक्रेताओं में वरिष्ठ कार्यकारियों के लिए रणनीतिक विश्लेषण परिवर्तन का नेतृत्व किया है, एआई उत्पाद रोडमैप बनाए हैं जो मापने योग्य व्यवसाय के केपीआई को चलाने के लिए, और विश्लेषण टीमों को शिशु से बड़े पैमाने पर संचालन तक बढ़ाया है – दोनों तकनीकी गहराई और नेतृत्व लचीलेपन का प्रदर्शन किया है।

ट्रेडेंस एक डेटा साइंस और एआई समाधान फर्म है जो उन्नत विश्लेषण, मशीन लर्निंग और एआई-संचालित निर्णय लेने के माध्यम से उद्यमों को व्यवसाय मूल्य अनलॉक करने में मदद करने पर केंद्रित है। कंपनी वैश्विक ब्रांडों – विशेष रूप से खुदरा और उपभोक्ता सामानों में – के साथ भागीदारी करती है ताकि व्यापार, आपूर्ति श्रृंखला, मूल्य निर्धारण, ग्राहक अनुभव और जाने के लिए बाजार संचालन में जटिल चुनौतियों का समाधान किया जा सके, अंतर्दृष्टि को वास्तविक दुनिया के प्रभाव में अनुवादित किया जा सके और ग्राहकों को अपने विश्लेषण और बुद्धिमत्ता क्षमताओं को आधुनिक बनाने में मदद मिल सके।

खुदरा विक्रेताओं को अक्सर दर्जनों एआई पायलट चलाने होते हैं, लेकिन बहुत कम पूर्ण-स्केल तैनाती में जाते हैं। एआई को मापने योग्य व्यवसाय परिणामों में बदलने से रोकने वाली सबसे सामान्य संगठनात्मक गलतियां क्या हैं?

एक हालिया एमआईटी सोलान अध्ययन में पाया गया कि 95% एआई पायलट पूर्ण-स्केल तैनाती हासिल करने में विफल रहते हैं। वास्तविकता? पायलट आसान हैं, लेकिन उत्पादन कठिन है। ट्रेडेंस में, हमने इस अंतर को चलाने वाले चार विशिष्ट संगठनात्मक कारणों की पहचान की है।

पहला अंतिम उपयोगकर्ता कार्य प्रवाह को समझने में विफलता है। खुदरा विक्रेताओं में अक्सर एआई को मौजूदा टूटे हुए प्रक्रियाओं में डाला जाता है, बजाय इसके कि वे पूछें कि एआई के केंद्र में कार्य प्रवाह को कैसे पुनः कल्पना किया जाना चाहिए।

दूसरा एजेंटिक एआई के लिए एक मंच दृष्टिकोण की कमी है। एजेंटों को एक-एक करके प्रयोग के रूप में मानने के बजाय, संगठनों को एजेंट डिजाइन और विकास से लेकर तैनाती, निगरानी और शासन तक पूरे जीवन चक्र को स्ट्रीमलाइन करने की आवश्यकता है।

तीसरा एक कमजोर डेटा फाउंडेशन है। एक साफ फ्लैट फ़ाइल पर एक पायलट बनाना आसान है, लेकिन स्केलिंग के लिए एक मजबूत, वास्तविक समय फाउंडेशन की आवश्यकता होती है जहां सटीक डेटा एआई मॉडल के लिए निरंतर रूप से सुलभ हो।

अंत में, हम आईटी पुश बनाम व्यवसाय खींचतान देखते हैं। सफलता तभी होती है जब व्यवसाय के नेता एआई को एक मूल्य-वर्धक के रूप में देखते हैं जो मापने योग्य प्रभाव से जुड़ा हुआ है, न कि आईटी द्वारा धक्का दिया गया एक विकर्षण। ट्रेडेंस में, हमारा ध्यान हमेशा ‘अंतिम मील’ पर रहा है, जहां हम अंतर्दृष्टि पीढ़ी और मूल्य के एहसास के बीच के अंतर को पुल करते हैं।

ट्रेडेंस दुनिया के कई सबसे बड़े खुदरा विक्रेताओं के साथ काम करता है, जो राजस्व में ट्रिलियन का समर्थन करता है। उद्योग में आपको जो कुछ दिख रहा है, उसके आधार पर, वे खुदरा विक्रेता जो एआई को सफलतापूर्वक स्केल करते हैं और जो प्रयोग में फंसे रहते हैं उन्हें क्या अलग करता है?

ट्रेडेंस में, खुदरा राजस्व में ट्रिलियन का समर्थन करने से हमें एक स्पष्ट उद्योग विभाजन का सामना करने का मौका मिला है: खुदरा विक्रेता जो एआई को विभिन्न प्रयोगों की श्रृंखला के रूप में मानते हैं बनाम जो एक औद्योगिक ‘एआई फैक्ट्री’ बनाते हैं। प्राथमिक अंतर एक एजेंटिक एआई प्लेटफ़ॉर्म फाउंडेशन में प्रतिबद्धता में निहित है। सबसे सफल संगठनों ने स्क्रैच से बनाना बंद कर दिया है और इसके बजाय एक मजबूत पारिस्थितिकी तंत्र में निवेश किया है जो पुन: प्रयोज्य घटक लाइब्रेरी, मानक डिज़ाइन टेम्पलेट और पूर्व-निर्मित एजेंट पैटर्न की विशेषता है जो विशिष्ट खुदरा उपयोग के मामलों के साथ संरेखित हैं। जब आप इस फाउंडेशन पर परिपक्व एलएलएमओपीएस, फुल-स्टैक ऑब्जर्वेबिलिटी और एम्बेडेड जिम्मेदार एआई (आरएआई) गार्डरेल्स की परतें जोड़ते हैं, तो प्रभाव परिवर्तनकारी होता है – हम आमतौर पर नए उपयोग के मामलों के लिए 80% की गति से मूल्य में सुधार देखते हैं क्योंकि भारी वास्तुकला पहले से ही की जा चुकी है।

हालांकि, एक मंच उतना ही अच्छा है जितना कि यह संदर्भ की खपत करता है, जो हमें डेटा फाउंडेशन में ले जाता है। स्केलिंग के लिए केवल कच्चे डेटा तक पहुंच से अधिक की आवश्यकता होती है; यह एक समृद्ध सेमांटिक परत की मांग करता है जहां मजबूत मेटाडेटा और एकीकृत डेटा मॉडल एआई को वास्तव में व्यवसाय के बारे में ‘कारण’ करने की अनुमति देते हैं, न कि केवल इनपुट को संसाधित करते हैं। अंत में, सच्चे नेता यह पहचानते हैं कि यह केवल एक प्रौद्योगिकी ओवरहाल नहीं है, बल्कि एक सांस्कृतिक भी है। वे ‘अंतिम मील’ को पार करते हैं bằng सरल स्वचालन से परे मानव-एजेंट टीमिंग की ओर बढ़ते हैं, कार्य प्रवाह को पुनः इंजीनियर करते हैं ताकि सहयोगी और व्यापारी अपने डिजिटल समकक्षों के साथ विश्वास और सहयोग करें, एल्गोरिदमिक संभावना को मापने योग्य व्यवसाय वास्तविकता में बदल दें।

70 प्रतिशत से अधिक खुदरा प्रचार अभी भी लाभ को तोड़ने में विफल रहते हैं। एआई प्रचार योजना, माप और वास्तविक समय अनुकूलन में कैसे सार्थक रूप से सुधार कर सकता है?

70 प्रतिशत की विफलता दर बनी रहती है क्योंकि खुदरा विक्रेता अक्सर ‘रियर-व्यू मिरर’ विश्लेषण पर निर्भर करते हैं जो कुल बिक्री को बढ़ाने वाली छूट से भ्रमित करते हैं – मूल रूप से वफादार ग्राहकों को सब्सिडी देते हैं जो वैसे भी खरीदारी करते। इस चक्र को तोड़ने के लिए, हमें वर्णनात्मक रिपोर्टिंग से एक अधिक पूर्वानुमानिक दृष्टिकोण में स्थानांतरित करने की आवश्यकता है। योजना चरण में, हम परिणामों को सिम्युलेट करने और ‘सच्चे बेसलाइन’ स्थापित करने के लिए कारण एआई का उपयोग करते हैं, यह पहचानने के लिए कि बिना प्रचार के क्या बिकेगा। यह खुदरा विक्रेताओं को जैविक मांग के लिए भुगतान करना बंद करने और केवल शुद्ध-नई मात्रा को लक्षित करने में मदद करता है।

माप के लिए, एआई ‘पोर्टफोलियो पजल’ का समाधान करता है जो हैलो प्रभाव और कैनिबलाइजेशन को मात्रा देता है। मानव व्यापारी अक्सर सिलोस में योजना बनाते हैं, लेकिन एआई एक श्रेणी-व्यापी दृष्टिकोण प्रदान करता है, यह सुनिश्चित करता है कि एक एसकेयू पर प्रचार दूसरे से मार्जिन चोरी नहीं कर रहा है। यह समग्र माप खुदरा विक्रेताओं को समझने में मदद करता है कि वे श्रेणी पाई बढ़ा रहे हैं या बस इसे अलग तरह से काट रहे हैं।

अंत में, वास्तविक समय अनुकूलन के लिए, उद्योग एआई एजेंटों की ओर बढ़ रहा है जो अभियानों की निगरानी ‘उड़ान में’ करते हैं। प्रचार के बाद हफ्तों तक पोस्ट-मॉर्टम विश्लेषण की प्रतीक्षा करने के बजाय, ये एजेंट स्वचालित रूप से पाठ्यक्रम सुधार की सिफारिश करते हैं – जैसे कि डिजिटल विज्ञापन खर्च को समायोजित करना या प्रस्तावों को स्वैप करना – प्रचार के अंत से पहले पी एंड एल को बचाने के लिए। यह दृष्टिकोण ध्यान को सिर्फ इन्वेंट्री को साफ करने से लेकर लाभदायक विकास को इंजीनियर करने तक स्थानांतरित करता है।

पूर्वानुमान त्रुटियां और स्टॉक से बाहर निकलने के कारण अभी भी बड़े राजस्व के नुकसान होते हैं। एआई-चालित व्यापार और आपूर्ति श्रृंखला प्रणालियां पारंपरिक पूर्वानुमान दृष्टिकोणों की तुलना में अधिक प्रभावी क्यों हैं?

पहला परिवर्तन पूर्वानुमान में है, जहां एआई हमें केवल आंतरिक इतिहास पर निर्भर करने से लेकर बाहरी डेटा – जैसे स्थानीय मौसम, सामाजिक घटनाएं और आर्थिक संकेतक – को पचाने की ओर ले जाता है। जब पूर्वानुमान बाहरी संदर्भ को पकड़ लेता है, तो सटीकता में लाभ न केवल बिक्री संख्या में सुधार करता है; यह डाउनस्ट्रीम ऑप्टिमाइज़ करता है इन्वेंट्री प्रबंधन, क्षमता योजना, श्रम अनुसूची और गोदाम संचालन को वास्तविक मांग के साथ संरेखित करने के लिए।

दूसरा परिवर्तन आउट-ऑफ-स्टॉक (ओओएस) में है, जिसे अधिकांश खुदरा विक्रेता अभी भी सटीक रूप से माप नहीं पाते हैं। एआई इसे बिक्री पैटर्न में असामान्यताओं का पता लगाकर ठीक करता है – ‘फैंटम इन्वेंट्री’ की पहचान करता है जहां सिस्टम सोचता है कि एक आइटम स्टॉक में है, लेकिन बिक्री बंद हो गई है – और स्वचालित रूप से चक्र गणना को ट्रिगर करता है ताकि रिकॉर्ड को सही किया जा सके। डेटा के अलावा, हम देख रहे हैं कि शेल्फ गैप को वास्तविक समय में फ्लैग करने और स्टोररूम में इन्वेंट्री को ट्रैक करने के लिए कंप्यूटर दृष्टि का उदय, यह सुनिश्चित करने के लिए कि उत्पाद न केवल ‘बिल्डिंग में’ है, बल्कि ग्राहक के लिए खरीदने के लिए उपलब्ध है।

एजेंटिक वाणिज्य खुदरा नवाचार में एक प्रमुख विषय बन रहा है। कारण-आधारित एआई एजेंट उत्पाद खोज और रूपांतरण को बदलने के लिए आज के खोज-चालित शॉपिंग अनुभव की तुलना में कैसे अर्थपूर्ण रूप से बदलते हैं?

आज के खोज-चालित शॉपिंग में, उपभोक्ता अभी भी अधिकांश भारी उठाने वाले हैं। उन्हें यह जानने की आवश्यकता है कि क्या देखना है, विकल्पों की तुलना करना और अंतहीन परिणामों को समझना है। कारण-आधारित एजेंट इसे तोड़ते हैं द्वारा गतिविधि रूप से ‘सिंथेटिक गलियारे’ उत्पन्न – बहु-श्रेणी उत्पादों का संग्रह जो एक विशिष्ट इरादे पर आधारित है। उदाहरण के लिए, पांच आइटम के लिए अलग से खोज करने के बजाय, एक ‘स्वस्थ सुबह’ मिशन वाला शॉपर एक साथी गलियारे के साथ प्रस्तुत किया जाता है जिसमें उच्च-प्रोटीन अनाज से लेकर ब्लेंडर तक सब कुछ शामिल है, तुरंत खोज फ़नल को मिनटों से सेकंड में सिकोड़ता है।

रूपांतरण के पक्ष में, ये एजेंट खोज इंजन की तुलना में अधिक ‘शॉपिंग कॉन्सियर्ज’ के रूप में कार्य करते हैं। वे केवल विकल्पों को सूचीबद्ध नहीं करते हैं; वे खुले अंत वाली जरूरतों के आधार पर सक्रिय रूप से बास्केट बनाते हैं। यदि एक ग्राहक ‘$50 के तहत चार के लिए डिनर योजना’ मांगता है, तो एजेंट इन्वेंट्री, मूल्य और आहार प्रतिबंधों के माध्यम से तर्क करता है ताकि एक पूर्ण बंडल का सुझाव दिया जा सके। यह तर्क क्षमता ‘आत्मविश्वास अंतर’ को बंद करती है – उपयोगकर्ता के जीवनशैली या लक्ष्य के साथ एक विशिष्ट उत्पाद को फिट करने के कारणों को व्यक्त करके, एजेंट निर्णय लेने वाली शिथिलता को कम करता है और खोज ग्रिड की तुलना में उच्च रूपांतरण दर चलाता है। उत्पाद थंबनेल।

अंत में, हम इसे हाइपर-व्यक्तिगत सामग्री में विस्तारित होते हुए देख रहे हैं। हर किसी को एक ही होमपेज बैनर दिखाने के बजाय, एजेंटिक एआई गतिशील लैंडिंग पेज और दृश्य उत्पन्न कर सकता है जो ग्राहक के वर्तमान शॉपिंग मिशन को दर्शाता है। हालांकि, इसके लिए स्केल करने के लिए, खुदरा विक्रेताओं को इन एजेंटों को एक एकीकृत डेटा मॉडल में आधार बनाने की आवश्यकता है जिसमें सख्त ब्रांड और सुरक्षा शासन हो, यह सुनिश्चित करने के लिए कि एआई की ‘रचनात्मकता’ कभी भी उत्पादों को हॉलुसिनेट नहीं करती है या ब्रांड वॉइस का उल्लंघन नहीं करती है।

बहुत से खुदरा विक्रेता पुराने डेटा वास्तुकला से जूझते हैं। एआई मॉडल को विश्वसनीय और व्याख्या योग्य सिफारिशें देने के लिए उद्यमों को अपने डेटा फाउंडेशन को आधुनिक बनाना चाहिए?

एआई सफलता के लिए सबसे बड़ा बाधा मॉडल नहीं है, लेकिन ‘डेटा कचरा’ उन्हें नीचे है। आधुनिक बनाने के लिए, खुदरा विक्रेताओं को बस डेटा एकत्र करने से एक एकीकृत सेमांटिक परत बनाने के लिए रोकना होगा। इसका अर्थ है एक मानक ‘डेटा मॉडल’ लागू करना जहां व्यवसाय तर्क (जैसे ‘नेट मार्जिन’ या ‘चरन’ की गणना कैसे की जाती है) को एक बार परिभाषित किया जाता है और सार्वभौमिक रूप से सुलभ होता है, न कि संगठन भर में विभिन्न एसक्यूएल स्क्रिप्ट में छिपा हुआ है।

दूसरा, उद्यमों को डेटा के प्रति ‘डेटा उत्पाद’ दृष्टिकोण की आवश्यकता है। डेटा को आईटी उपोत्पाद के रूप में मानने के बजाय, सफल खुदरा विक्रेता इसे एक उत्पाद के रूप में मानते हैं जिसका स्वामित्व, एसएलए और कठोर गुणवत्ता निगरानी (डेटा दृश्यता) है। जब आप इस स्वच्छ, शासित ‘गोल्डन रिकॉर्ड’ को समृद्ध मेटाडेटा के साथ जोड़ते हैं, तो आप व्याख्या को अनलॉक करते हैं। एआई केवल एक ब्लैक-बॉक्स सिफारिश नहीं देता है; यह अपनी तर्क को सेमांटिक परत के माध्यम से वापस ले जा सकता है।

खुदरा विक्रेताओं और सीपीजी कंपनियों के बीच सहयोग ऐतिहासिक रूप से टुकड़े-टुकड़े डेटा और असंगत मेट्रिक्स पर निर्भर करता है। एकीकृत डेटा मॉडल और साझा एआई प्लेटफ़ॉर्म दोनों पक्षों के लिए मजबूत श्रेणी प्रदर्शन को कैसे अनलॉक करते हैं?

अब तक, खुदरा विक्रेता और सीपीजी एक ही ग्राहक को अलग-अलग लेंस के माध्यम से देखते हैं, प्रत्येक अपने स्वयं के डेटा और प्रोत्साहन का उपयोग करते हैं। एकीकृत डेटा मॉडल इसे बदलते हैं जो मूल्य श्रृंखला भर में एक ही सच्चाई का एकल संस्करण बनाते हैं, चाहे वह शेल्फ़ प्रदर्शन हो या शॉपर व्यवहार। जब दोनों पक्ष एक ही एआई प्लेटफ़ॉर्म पर काम करते हैं, तो वे संयुक्त रूप से पहचान सकते हैं कि श्रेणी स्तर पर विकास या रिसाव को क्या चला रहा है। यह बातचीत ‘मेरा डेटा बनाम आपका डेटा’ से ‘हमारा साझा अवसर’ में बदल जाती है।

परिणाम स्मार्ट निर्णय हैं, तेजी से प्रयोग, और अंततः, दोनों खुदरा विक्रेताओं और ब्रांडों के लिए उच्च श्रेणी वृद्धि है।

जैसे ही खुदरा मीडिया नेटवर्क परिपक्व होते हैं, एआई लक्ष्यीकरण, माप और बंद-लूप विशेषता में सुधार करते समय उपभोक्ता विश्वास को बनाए रखने में क्या भूमिका निभाएगा?

एआई चार क्षेत्रों में परिवर्तनकारी भूमिका निभाएगा क्योंकि खुदरा मीडिया नेटवर्क परिपक्व होते हैं।

पहला, लक्ष्यीकरण में, उद्योग स्थिर ऑडियंस खंडों से भविष्यसूचक इरादे में विकसित हो रहा है। वास्तविक समय संकेतों – जैसे ब्राउज़िंग वेग या बास्केट संरचना – का विश्लेषण करके एक शॉपर की जरूरत के सटीक क्षण की पहचान करने के लिए, एआई यह सुनिश्चित करता है कि हम सही विज्ञापन दिखाएं जब यह सबसे ज्यादा मायने रखता है, न कि केवल एक व्यापक जनसांख्यिकीय लेबल को लक्षित करता है।

दूसरा, माप के लिए, स्वर्ण मानक साधारण रिटर्न ऑन एड स्पेंड (आरओएएस) से इंक्रीमेंटल आरओएएस (आईआरओएएस) में स्थानांतरित हो रहा है। कारण एआई का लाभ उठाकर, हम वास्तविक प्रभाव को माप सकते हैं मीडिया खर्च का माध्यम से जो विज्ञापन के कारण ही परिवर्तित हुए शॉपरों की पहचान करके मीडिया खर्च।

तीसरा, संचालन की दक्षता विशेष रूप से रचनात्मक संचालन में महत्वपूर्ण हो रही है। हाइपर-व्यक्तिगतीकरण का समर्थन करने के लिए, खुदरा विक्रेता उत्पादन को स्केल करने के लिए उत्पादक एआई का उपयोग नहीं कर रहे हैं बल्कि विचार-विमर्श के लिए भी कर रहे हैं। यह टीमों को मिनटों में हजारों गतिशील, चैनल-विशिष्ट संपत्ति संस्करणों को स्वचालित रूप से उत्पन्न करने की अनुमति देता है, ‘सामग्री वेग’ की बोतलें को हल करता है।

अंत में, विश्वास बनाए रखना डेटा साफ़ कमरों के व्यापक अपनाने पर निर्भर करता है। ये वातावरण खुदरा विक्रेताओं और ब्रांडों को अपने डेटासेट को बंद-लूप विशेषता के लिए सुरक्षित रूप से मिलाने की अनुमति देते हैं, यह गारंटी देते हुए कि संवेदनशील व्यक्तिगत रूप से पहचान योग्य जानकारी (पीआईआई) कभी भी उनके संबंधित फायरवॉल से बाहर नहीं जाती है।

आगे देखते हुए, अगली पीढ़ी के एआई-संचालित खुदरा विक्रेताओं को परिभाषित करने वाली क्षमताएं क्या होंगी, और नेताओं को पांच साल के भीतर प्रतिस्पर्धी बने रहने के लिए आज से क्या बनाना शुरू करना चाहिए?

खुदरा का अगला युग ‘डिजिटल परिवर्तन’ से ‘एजेंटिक परिवर्तन’ में स्थानांतरण से परिभाषित किया जाएगा। हम ‘स्वायत्त ऑर्केस्ट्रेशन’ की दिशा में बढ़ रहे हैं, जहां एआई एजेंटों के नेटवर्क जटिल प्रक्रियाओं – जैसे कि एक आपूर्ति श्रृंखला एजेंट जो स्वचालित रूप से एक विपणन एजेंट को एक प्रचार को रोकने के लिए कहता है क्योंकि एक शिपमेंट देरी हो रही है – चलाने के लिए सहयोग करते हैं।

इसके लिए तैयार करने के लिए, नेताओं को आज से तीन चीजें बनानी शुरू करनी चाहिए।

पहला एक एकीकृत डेटा मॉडल है। एजेंट तब तक सहयोग नहीं कर सकते जब तक वे एक ही भाषा नहीं बोलते; आपका डेटा फाउंडेशन एक स्टोरेज रिपॉजिटरी से एक सेमांटिक ‘नर्वस सिस्टम’ में विकसित होना चाहिए।

दूसरा, एजेंटों के लिए एक शासन ढांचे की आवश्यकता है। आपको ‘नियमों की भागीदारी’ को परिभाषित करने की आवश्यकता है – एक एआई को स्वतंत्र रूप से क्या करने की अनुमति है और क्या मानव अनुमोदन की आवश्यकता है – इससे पहले कि आप इसे स्केल करें।

अंत में, स्टेटिक डैशबोर्ड के दिन जो ‘रियर-व्यू’ विश्लेषण प्रदान करते हैं, गिने जाते हैं। हम बातचीत विश्लेषण की ओर बढ़ रहे हैं जो तुरंत, व्यक्तिगत अंतर्दृष्टि प्रदान करते हैं। ये इंटरफेस केवल यह रिपोर्ट नहीं करते हैं कि ‘क्या हुआ’; वे एजेंटिक एआई का लाभ उठाकर जटिल ‘क्यों’ प्रश्नों के माध्यम से तर्क देते हैं और बताते हैं कि ‘अगले क्या करना है’, वास्तव में अंतर्दृष्टि और कार्रवाई के बीच के अंतर को बंद करते हैं।

साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें ट्रेडेंस पर जाना चाहिए।