Amanpal Dhupar, Kepala Retail di Tredence – Seri Wawancara

Amanpal Dhupar, Kepala Retail di Tredence adalah seorang ahli analitik ritel dan pemimpin AI dengan lebih dari satu dekade pengalaman dalam merancang dan mengembangkan solusi berbasis data yang memberikan wawasan yang dapat ditindaklanjuti untuk pengambil keputusan perusahaan. Sepanjang karirnya, ia telah memimpin transformasi analitik strategis untuk eksekutif senior di ritel besar, membangun peta produk AI untuk mengarahkan KPI bisnis yang dapat diukur, dan memperluas tim analitik dari tahap awal hingga operasi skala besar—menunjukkan kedalaman teknis dan kelenturan kepemimpinan.

Tredence adalah perusahaan solusi sains data dan AI yang fokus membantu perusahaan mengunci nilai bisnis melalui analitik lanjutan, pembelajaran mesin, dan pengambilan keputusan yang ditenagai AI. Perusahaan ini bermitra dengan merek global—terutama di ritel dan barang konsumen—untuk memecahkan tantangan kompleks di seluruh merchandising, rantai pasokan, harga, pengalaman pelanggan, dan operasi go-to-market, menerjemahkan wawasan menjadi dampak dunia nyata dan membantu klien memodernisasi kemampuan analitik dan intelijen mereka.

Ritel sering menjalankan puluhan pilot AI, namun sangat sedikit yang bergerak ke penggunaan skala penuh. Apa kesalahan organisasi yang paling umum yang mencegah AI berubah menjadi hasil bisnis yang dapat diukur?

Sebuah studi MIT Solan baru-baru ini menemukan bahwa 95% pilot AI gagal mencapai penggunaan skala penuh. Kenyataannya? Pilot itu mudah, tetapi produksi itu sulit. Di Tredence, kami telah mengidentifikasi empat alasan organisasi spesifik yang mendorong kesenjangan ini.

Pertama adalah kegagalan untuk memahami alur kerja pengguna akhir. Ritel sering memasukkan AI ke dalam proses yang sudah rusak daripada bertanya bagaimana alur kerja itu sendiri harus dibayangkan dengan AI di pusatnya.

Kedua adalah kurangnya pendekatan platform untuk Agentic AI. Sebagai gantinya untuk mengobati agen sebagai eksperimen satu kali, organisasi perlu menyederhanakan seluruh siklus hidup—dari desain dan pengembangan agen hingga penerapan, pemantauan, dan tata kelola—di seluruh perusahaan.

Ketiga adalah fondasi data yang lemah. Mudah untuk membangun pilot pada file datar yang bersih, tetapi penskalaan memerlukan fondasi waktu nyata yang kuat di mana data akurat terus-menerus tersedia untuk model AI.

Akhirnya, kami melihat gesekan antara dorongan IT dan tarikan bisnis. Keberhasilan hanya terjadi ketika pemimpin bisnis melihat AI sebagai nilai tambah yang terkait dengan dampak yang dapat diukur, bukan gangguan yang dipaksakan oleh IT. Di Tredence, fokus kami selalu pada ‘mil terakhir,’ di mana kami menjembatani kesenjangan antara generasi wawasan dan realisasi nilai.

Tredence bekerja dengan banyak ritel terbesar di dunia, mendukung triliunan dolar pendapatan. Berdasarkan apa yang Anda lihat di seluruh industri, apa yang membedakan ritel yang menskalakan AI dengan sukses dari mereka yang tetap terjebak dalam eksperimen?

Di Tredence, mendukung triliunan dolar pendapatan ritel telah memberi kami tempat duduk di barisan depan untuk membagi industri yang jelas: ritel yang memperlakukan AI sebagai serangkaian eksperimen yang terpisah versus mereka yang membangun ‘pabrik AI’ yang terindustrialisasi. Perbedaan utama terletak pada komitmen terhadap fondasi Platform Agentic AI. Organisasi yang paling sukses berhenti membangun dari awal dan sebaliknya berinvestasi pada ekosistem yang kuat yang ditandai dengan perpustakaan komponen yang dapat digunakan kembali, templat desain standar, dan pola agen pra-bangun yang sesuai dengan kasus penggunaan ritel tertentu. Ketika Anda melapisi LLMOps yang matang, observabilitas tumpukan penuh, dan pengawasan RAI yang tertanam di atas fondasi ini, dampaknya sangat transformatif—kami biasanya melihat kecepatan-ke-nilai untuk kasus penggunaan baru meningkat sebesar 80% karena arsitektur berat sudah selesai.

Namun, platform hanya sebaik konteks yang dikonsumsinya, yang membawa kita ke fondasi data. Penskalaan memerlukan lebih dari sekadar akses mentah ke data; itu menuntut lapisan semantik kaya di mana metadata yang kuat dan model data yang seragam memungkinkan AI untuk ‘berpikir’ tentang bisnis daripada hanya memproses input. Akhirnya, pemimpin sejati mengakui bahwa ini bukan hanya perubahan teknologi tetapi juga budaya. Mereka menjembatani ‘mil terakhir’ dengan bergerak melampaui otomatisasi sederhana ke tim kerja manusia-agents, merancang ulang alur kerja sehingga asosiasi dan pedagang percaya dan berkolaborasi dengan rekan digital mereka, mengubah potensi algoritmik menjadi kenyataan bisnis yang dapat diukur.

Lebih dari 70 persen promosi ritel masih gagal untuk menghasilkan keuntungan. Bagaimana AI dapat memperbaiki perencanaan promosi, pengukuran, dan optimasi waktu nyata?

Tingkat kegagalan 70% bertahan karena ritel sering mengandalkan analitik ‘kaca spion’ yang membingungkan penjualan total dengan lift inkremental—pada dasarnya mensubsidi pelanggan setia yang akan membeli tanpa promosi. Untuk memecahkan siklus ini, kita perlu bergeser dari pelaporan deskriptif ke pendekatan yang lebih prediktif. Pada fase perencanaan, kita menggunakan Causal AI untuk mensimulasikan hasil dan menetapkan ‘garis dasar yang sebenarnya,’ mengidentifikasi apa yang akan terjual tanpa promosi. Ini memungkinkan ritel untuk berhenti membayar untuk permintaan organik dan hanya menargetkan volume baru.

Untuk pengukuran, AI memecahkan ‘teka-teki portofolio’ dengan mengkuantifikasi efek halo dan kanibalisme. Pedagang manusia sering merencanakan dalam silo, tetapi AI memberikan pandangan kategori-lebar, memastikan bahwa promosi pada satu SKU tidak hanya mencuri margin dari yang lain. Pengukuran holistik ini membantu ritel memahami apakah mereka tumbuh kue kategori atau hanya memotongnya berbeda.

Akhirnya, untuk optimasi waktu nyata, industri ini bergerak menuju Agen AI yang memantau kampanye ‘dalam penerbangan.’ Sebagai gantinya untuk menunggu analisis post-mortem minggu setelah acara, agen-agen ini merekomendasikan koreksi kursus—seperti menyesuaikan pengeluaran iklan digital atau menukar tawaran—untuk menyelamatkan P&L sebelum promosi berakhir. Pendekatan ini memindahkan fokus dari hanya membersihkan inventori ke merancang pertumbuhan yang menguntungkan.

Kesalahan peramalan dan kehabisan stok terus menyebabkan kerugian pendapatan besar. Apa yang membuat sistem merchandising dan rantai pasokan yang ditenagai AI lebih efektif daripada pendekatan peramalan tradisional?

Perubahan pertama adalah dalam peramalan, di mana AI memindahkan kita dari mengandalkan sejarah internal ke mengkonsumsi data eksternal—seperti cuaca lokal, acara sosial, dan indikator ekonomi. Ketika peramalan menangkap konteks luar ini, keuntungan akurasi tidak hanya memperbaiki angka penjualan; mereka juga mengalir ke bawah, mengoptimalkan manajemen inventori, perencanaan kapasitas, jadwal kerja, dan operasi gudang untuk selaras dengan permintaan yang sebenarnya.

Perubahan kedua adalah dalam Stok Habis (OOS), yang sebagian besar ritel masih gagal mengukurnya dengan akurat. AI memperbaiki ini dengan mendeteksi anomali dalam pola penjualan—mengidentifikasi ‘Inventory Hantu’ di mana sistem berpikir item ada di stok, tetapi penjualan telah berhenti—dan secara otomatis memicu hitungan siklus untuk memperbaiki catatan. Di luar data, kami melihat munculnya penglihatan komputer untuk secara fisik mengidentifikasi celah rak waktu nyata dan melacak inventori di gudang, memastikan produk tidak hanya ‘di dalam bangunan’ tetapi tersedia untuk dibeli pelanggan.

Perdagangan agenik menjadi tema utama dalam inovasi ritel. Bagaimana agen AI berbasis alasan memperubahan penemuan produk dan konversi dibandingkan dengan pengalaman belanja berbasis pencarian saat ini?

Di pengalaman belanja berbasis pencarian saat ini, konsumen masih melakukan sebagian besar pekerjaan berat. Mereka harus tahu apa yang harus dicari, membandingkan opsi, dan memahami hasil yang tak terbatas. Agen berbasis alasan mengganggu ini dengan secara dinamis menghasilkan ‘lorong sintetis’—koleksi kustom yang menggabungkan produk multi-kategori berdasarkan niat tertentu. Sebagai contoh, alih-alih mencari lima item secara terpisah, pembeli dengan misi ‘pagi sehat’ disajikan dengan lorong kohesif, sementara yang menampilkan semua dari sereal protein tinggi hingga blender, segera mengurangi corong penemuan dari menit ke detik.

Di sisi konversi, agen-agen ini bertindak kurang seperti mesin pencari dan lebih seperti ‘koncierge belanja.’ Mereka tidak hanya menampilkan opsi; mereka secara aktif membangun keranjang berdasarkan kebutuhan terbuka. Jika pelanggan meminta ‘rencana makan malam untuk empat orang di bawah $50,’ agen berpikir melalui inventori, harga, dan keterbatasan diet untuk menyarankan bundel lengkap. Kemampuan alasan ini menutup ‘celah kepercayaan’—dengan mengartikulasikan mengapa produk tertentu sesuai dengan gaya hidup atau tujuan pengguna, agen mengurangi paralisis keputusan dan mengarahkan tingkat konversi yang lebih tinggi dibandingkan dengan grid produk sunyi.

Akhirnya, kami melihat ini diperluas ke konten yang sangat dipersonalisasi. Sebagai gantinya untuk menampilkan semua orang banner halaman depan yang sama, AI Agentic dapat menghasilkan halaman pendaratan dinamis dan visual yang mencerminkan misi belanja saat ini pelanggan. Namun, agar ini dapat diskalakan, ritel menemukan bahwa mereka perlu membumikan agen-agen ini dalam Model Data Seragam dengan tata kelola merek dan keamanan yang ketat, memastikan bahwa ‘kreativitas’ AI tidak pernah menghaluskan produk atau melanggar suara merek.

Banyak ritel bergelut dengan arsitektur data yang ketinggalan zaman. Bagaimana perusahaan harus memodernisasi fondasi data mereka sehingga model AI dapat memberikan rekomendasi yang dapat dipercaya dan dapat dijelaskan?

Hambatan terbesar untuk kesuksesan AI bukanlah modelnya, tetapi ‘rawa data’ di bawahnya. Untuk memodernisasi, ritel harus berhenti hanya mengumpulkan data dan membangun lapisan semantik seragam. Ini berarti menerapkan ‘Model Data’ standar di mana logika bisnis (seperti bagaimana ‘Margin Bersih’ atau ‘churn’ dihitung) didefinisikan sekali dan diakses secara universal, bukan tersembunyi dalam skrip SQL yang terfragmentasi di seluruh organisasi.

Kedua, perusahaan perlu beralih ke ‘produk data’ mindset. Sebagai gantinya untuk mengobati data sebagai produk sampingan IT, ritel sukses memperlakukan data sebagai produk dengan kepemilikan yang didefinisikan, SLA, dan pemantauan kualitas yang ketat (pengamatan data). Ketika Anda menggabungkan ‘catatan emas’ yang bersih dan dikelola ini dengan metadata yang kaya, Anda membuka kunci keterjelasan. AI tidak hanya mengeluarkan rekomendasi kotak hitam; itu dapat melacak logikanya kembali melalui lapisan semantik.

Kolaborasi antara ritel dan perusahaan CPG secara historis bergantung pada data yang terfragmentasi dan metrik yang tidak konsisten. Bagaimana model data seragam dan platform AI yang dibagikan membuka kinerja kategori yang lebih kuat untuk kedua belah pihak?

Sampai sekarang, ritel dan CPG telah melihat pelanggan yang sama melalui lensa yang berbeda, masing-masing menggunakan data dan insentif mereka sendiri. Model data seragam mengubah ini dengan menciptakan satu versi kebenaran di seluruh rantai nilai, baik itu kinerja rak atau perilaku pembeli. Ketika kedua belah pihak bekerja pada platform AI yang sama, mereka dapat secara bersama-sama mengidentifikasi apa yang mengarahkan pertumbuhan atau kebocoran pada tingkat kategori. Ini bisa menjadi apa saja—harga, promosi, asortimen, atau celah inventori. Ini memindahkan percakapan dari “data saya vs. data Anda” ke “kesempatan bersama kita.”

Hasilnya adalah keputusan yang lebih cerdas, eksperimen yang lebih cepat, dan akhirnya, pertumbuhan kategori yang lebih tinggi yang menguntungkan baik ritel dan merek.

Seiring jaringan media ritel matang, apa peran AI dalam memperbaiki target, pengukuran, dan atribusi tertutup sambil mempertahankan kepercayaan konsumen?

AI akan mengubah empat area kunci saat jaringan media ritel matang.

Pertama, dalam target, industri ini berkembang dari segmen audiens statis ke niat prediktif. Dengan menganalisis sinyal waktu nyata—seperti kecepatan browsing atau komposisi keranjang—untuk mengidentifikasi momen tepat kebutuhan pembeli, AI memastikan kita menampilkan iklan yang tepat saat itu paling penting daripada hanya menargetkan label demografi yang luas.

Kedua, untuk pengukuran, standar emas bergeser dari Return on Ad Spend (ROAS) sederhana ke ROAS inkremental (iROAS). Dengan menggunakan Causal AI, kita dapat mengukur dampak nyata dari pengeluaran media dengan mengidentifikasi pembeli yang hanya mengonversi karena iklan versus mereka yang akan terjadi secara alami.

Ketiga, efisiensi operasional menjadi kritis, terutama dalam operasi kreatif. Untuk mendukung hiper-personalisasi, ritel menggunakan AI Generatif tidak hanya untuk ideasi tetapi untuk menskalakan produksi. Ini memungkinkan tim untuk secara otomatis menghasilkan ribuan variasi aset dinamis, spesifik saluran dalam hitungan menit bukan minggu, memecahkan bottleneck ‘kecepatan konten’.

Akhirnya, mempertahankan kepercayaan bergantung pada adopsi luas ‘ruang data yang bersih.’ Lingkungan ini memungkinkan ritel dan merek untuk mencocokkan dataset mereka secara aman untuk atribusi tertutup, menjamin bahwa Informasi Pribadi yang Peka (PII) tidak pernah meninggalkan firewall masing-masing.

Melihat ke depan, apa kemampuan yang akan mendefinisikan generasi berikutnya dari ritel yang ditenagai AI, dan apa yang harus pemimpin mulai bangun hari ini untuk tetap kompetitif selama lima tahun ke depan?

Era ritel berikutnya akan ditandai dengan pergeseran dari ‘transformasi digital’ ke ‘transformasi agenik.’ Kami bergerak menuju masa depan ‘orkestrasi otonom,’ di mana jaringan agen AI bekerja sama untuk menjalankan proses kompleks—seperti agen rantai pasokan yang secara otomatis mengatakan kepada agen pemasaran untuk menghentikan promosi karena pengiriman tertunda.

Untuk mempersiapkan ini, pemimpin harus mulai membangun tiga hal hari ini.

Pertama adalah model data seragam. Agen tidak dapat bekerja sama jika mereka tidak berbicara bahasa yang sama; fondasi data Anda harus berkembang dari repositori penyimpanan ke ‘sistem saraf’ semantik.

Kedua adalah kerangka tata kelola untuk agen. Anda perlu mendefinisikan ‘aturan pertemuan’—apa yang diizinkan AI untuk dilakukan secara otonom versus apa yang memerlukan persetujuan manusia—sebelum Anda menskalakan.

Akhirnya, hari-hari dasbor statis yang menyediakan analitik ‘kaca spion’ terhitung. Kami bergerak menuju analitik konversasional yang menyediakan wawasan instan dan dipersonalisasi. Antarmuka ini jauh melampaui pelaporan ‘apa yang terjadi’; mereka menggunakan AI agenik untuk memahami pertanyaan ‘mengapa’ yang kompleks dan memberikan rekomendasi preskriptif tentang ‘apa yang harus dilakukan selanjutnya,’ secara efektif menutup kesenjangan antara wawasan dan tindakan.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Tredence.