Amanpal Dhupar, Kepala Ritel di Tredence – Seri Wawancara

Amanpal Dhupar, Kepala Divisi Ritel di Tredence, adalah pemimpin analitik ritel dan AI berpengalaman dengan lebih dari satu dekade keahlian dalam merancang dan mengembangkan solusi berbasis data yang memberikan wawasan yang dapat ditindaklanjuti bagi para pengambil keputusan perusahaan. Sepanjang kariernya, ia telah memimpin transformasi analitik strategis untuk para eksekutif senior di berbagai peritel besar, membangun peta jalan produk AI untuk mendorong KPI bisnis yang terukur, dan mengembangkan tim analitik dari tahap awal hingga operasi skala besar—menunjukkan kedalaman teknis dan fleksibilitas kepemimpinan.

Tren adalah perusahaan solusi ilmu data dan AI yang berfokus pada membantu perusahaan membuka nilai bisnis melalui analitik canggih, pembelajaran mesin, dan pengambilan keputusan berbasis AI. Perusahaan ini bermitra dengan merek global—terutama di bidang ritel dan barang konsumsi—untuk menyelesaikan tantangan kompleks di berbagai bidang seperti merchandising, rantai pasokan, penetapan harga, pengalaman pelanggan, dan operasi pemasaran, menerjemahkan wawasan menjadi dampak nyata dan membantu klien memodernisasi kemampuan analitik dan intelijen mereka.

Peritel sering menjalankan puluhan proyek percontohan AI, namun sangat sedikit yang beralih ke penerapan skala penuh. Apa saja kesalahan organisasi paling umum yang mencegah AI menghasilkan hasil bisnis yang terukur?

Sebuah studi terbaru dari MIT Solan menemukan bahwa 95% proyek percontohan AI gagal mencapai penerapan skala penuh. Realitanya? Proyek percontohan itu mudah, tetapi produksi itu sulit. Di Tredence, kami telah mengidentifikasi empat alasan organisasi spesifik yang mendorong kesenjangan ini.

Pertama, kegagalan memahami alur kerja pengguna akhir. Peritel sering kali memasukkan AI ke dalam proses yang sudah ada dan bermasalah, alih-alih bertanya bagaimana alur kerja itu sendiri harus dirancang ulang dengan AI sebagai pusatnya.

Kedua adalah kurangnya pendekatan platform untuk AI berbasis agen. Alih-alih memperlakukan agen sebagai eksperimen sekali pakai, organisasi perlu merampingkan seluruh siklus hidup—mulai dari desain dan pengembangan agen hingga penerapan, pemantauan, dan tata kelola—di seluruh perusahaan.

Ketiga adalah fondasi data yang lemah. Membangun proyek percontohan dengan file data mentah yang bersih memang mudah, tetapi penskalaan membutuhkan fondasi yang kuat dan real-time di mana data yang akurat terus-menerus dapat diakses oleh model AI.

Terakhir, kita melihat adanya gesekan antara dorongan TI dan tarikan bisnis. Kesuksesan hanya terjadi ketika para pemimpin bisnis melihat AI sebagai nilai tambah yang terkait dengan dampak yang terukur, bukan sebagai pengalih perhatian yang didorong oleh TI. Di Tredence, fokus kami selalu pada 'langkah terakhir,' di mana kami menjembatani kesenjangan antara pembangkitan wawasan dan realisasi nilai.

Tredence bekerja sama dengan banyak peritel terbesar di dunia, mendukung pendapatan triliunan dolar. Berdasarkan apa yang Anda lihat di seluruh industri, apa yang membedakan peritel yang berhasil meningkatkan skala AI dari mereka yang tetap terjebak dalam tahap eksperimen?

Di Tredence, mendukung pendapatan ritel triliunan dolar telah memberi kami kesempatan untuk melihat langsung perbedaan yang jelas dalam industri ini: peritel yang memperlakukan AI sebagai serangkaian eksperimen yang terpisah-pisah versus mereka yang membangun 'pabrik AI' yang terindustrialisasi. Perbedaan utamanya terletak pada komitmen terhadap fondasi Agentic AI Platform. Organisasi yang paling sukses berhenti membangun dari awal dan malah berinvestasi dalam ekosistem yang kuat yang dicirikan oleh pustaka komponen yang dapat digunakan kembali, templat desain standar, dan pola agen yang telah dibangun sebelumnya yang selaras dengan kasus penggunaan ritel tertentu. Ketika Anda menambahkan LLMOps yang matang, observabilitas full-stack, dan pengaman AI bertanggung jawab (RAI) yang tertanam di atas fondasi ini, dampaknya sangat transformatif—kami biasanya melihat peningkatan kecepatan untuk mendapatkan nilai tambah untuk kasus penggunaan baru hingga 80% karena pekerjaan arsitektur yang berat telah selesai.

Namun, sebuah platform hanya akan sebaik konteks yang dikonsumsinya, yang membawa kita pada fondasi data. Skalabilitas membutuhkan lebih dari sekadar akses mentah ke data; dibutuhkan lapisan semantik yang kaya di mana metadata yang kuat dan model data terpadu memungkinkan AI untuk benar-benar 'bernalar' tentang bisnis daripada hanya memproses input. Terakhir, para pemimpin sejati menyadari bahwa ini bukan hanya perombakan teknologi tetapi juga perombakan budaya. Mereka menjembatani 'mil terakhir' dengan bergerak melampaui otomatisasi sederhana menuju kerja sama manusia-agen, merekayasa ulang alur kerja sehingga rekanan dan pedagang mempercayai dan berkolaborasi dengan rekan digital mereka, mengubah potensi algoritmik menjadi realitas bisnis yang terukur.

Lebih dari 70 persen promosi ritel masih gagal mencapai titik impas. Bagaimana AI dapat secara signifikan meningkatkan perencanaan, pengukuran, dan optimasi promosi secara real-time?

Tingkat kegagalan 70% terus berlanjut karena peritel sering mengandalkan analisis 'cermin belakang' yang membingungkan total penjualan dengan peningkatan penjualan tambahan—pada dasarnya mensubsidi pelanggan setia yang akan tetap membeli meskipun tanpa promosi. Untuk memutus siklus ini, kita perlu beralih dari pelaporan deskriptif ke pendekatan yang lebih prediktif. Pada fase perencanaan, kami menggunakan Causal AI untuk mensimulasikan hasil dan menetapkan 'garis dasar sebenarnya,' mengidentifikasi secara tepat apa yang akan terjual tanpa promosi. Hal ini memungkinkan peritel untuk berhenti membayar permintaan organik dan hanya menargetkan volume penjualan bersih baru.

Untuk pengukuran, AI memecahkan 'teka-teki portofolio' dengan mengukur efek halo dan kanibalisasi. Pedagang manusia sering merencanakan secara terpisah, tetapi AI memberikan pandangan menyeluruh di seluruh kategori, memastikan bahwa promosi pada satu SKU tidak hanya mencuri margin dari SKU lain. Pengukuran holistik ini membantu pengecer memahami apakah mereka sedang mengembangkan pangsa pasar kategori atau hanya membaginya secara berbeda.

Terakhir, untuk optimasi waktu nyata, industri ini bergerak menuju Agen AI yang memantau kampanye 'saat sedang berjalan'. Alih-alih menunggu analisis pasca-mortem beberapa minggu setelah kejadian, agen-agen ini secara otomatis merekomendasikan koreksi—seperti menyesuaikan pengeluaran iklan digital atau mengganti penawaran—untuk menyelamatkan laba rugi sebelum promosi berakhir. Pendekatan ini menggeser fokus dari sekadar menghabiskan inventaris ke merekayasa pertumbuhan yang menguntungkan.

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

Pergeseran pertama terletak pada peramalan, di mana AI mengalihkan kita dari hanya mengandalkan data internal ke memasukkan data eksternal—seperti cuaca lokal, peristiwa sosial, dan indikator ekonomi. Ketika peramalan menangkap konteks eksternal ini, peningkatan akurasi tidak hanya meningkatkan angka penjualan; tetapi juga berdampak positif pada proses selanjutnya, mengoptimalkan manajemen persediaan, perencanaan kapasitas, jadwal kerja, dan operasional gudang agar selaras dengan permintaan sebenarnya.

Pergeseran kedua adalah pada kekurangan stok (Out-of-Stocks/OOS), yang sebagian besar pengecer masih gagal mengukurnya secara akurat. AI mengatasi hal ini dengan mendeteksi anomali dalam pola penjualan—mengidentifikasi 'Inventaris Hantu' di mana sistem mengira suatu barang tersedia, tetapi penjualan telah berhenti—dan secara otomatis memicu penghitungan siklus untuk memperbaiki catatan tersebut. Di luar data, kita melihat peningkatan penggunaan visi komputer untuk secara fisik menandai celah rak secara real-time dan melacak inventaris di gudang, memastikan produk tidak hanya 'ada di dalam gedung' tetapi juga tersedia untuk dibeli pelanggan.

Perdagangan berbasis agen (agentic commerce) menjadi tema utama dalam inovasi ritel. Bagaimana agen AI berbasis penalaran secara signifikan mengubah penemuan produk dan konversi dibandingkan dengan pengalaman belanja berbasis pencarian saat ini?

Dalam belanja berbasis pencarian saat ini, konsumen masih melakukan sebagian besar pekerjaan berat. Mereka harus tahu apa yang dicari, membandingkan pilihan, dan memahami hasil yang tak terbatas. Agen berbasis penalaran mengganggu hal ini dengan secara dinamis menghasilkan 'lorong sintetis'—koleksi khusus yang menggabungkan produk multi-kategori berdasarkan maksud tertentu. Misalnya, alih-alih mencari lima item secara terpisah, pembeli dengan misi 'pagi yang sehat' akan disajikan dengan lorong sementara yang kohesif yang menampilkan segala sesuatu mulai dari sereal berprotein tinggi hingga blender, yang secara instan mempersingkat proses penemuan dari menit menjadi detik.

Dari sisi konversi, agen-agen ini bertindak kurang seperti mesin pencari dan lebih seperti 'asisten belanja'. Mereka tidak hanya mencantumkan pilihan; mereka secara aktif membangun keranjang belanja berdasarkan kebutuhan yang terbuka. Jika pelanggan meminta 'paket makan malam untuk empat orang dengan harga di bawah $50', agen tersebut akan mempertimbangkan inventaris, harga, dan batasan diet untuk menyarankan paket lengkap. Kemampuan penalaran ini menutup 'kesenjangan kepercayaan'—dengan mengartikulasikan mengapa produk tertentu sesuai dengan gaya hidup atau tujuan pengguna, agen tersebut mengurangi kelumpuhan pengambilan keputusan dan mendorong tingkat konversi yang lebih tinggi dibandingkan dengan tampilan thumbnail produk yang hanya menampilkan gambar.

Akhirnya, kita melihat hal ini meluas ke konten yang sangat personal. Alih-alih menampilkan banner beranda yang sama kepada semua orang, Agentic AI dapat menghasilkan halaman arahan dan visual dinamis yang mencerminkan misi belanja pelanggan saat ini. Namun, agar hal ini dapat berkembang, peritel menemukan bahwa mereka perlu mendasarkan agen-agen ini pada Model Data Terpadu dengan tata kelola merek dan keamanan yang ketat, memastikan bahwa 'kreativitas' AI tidak pernah mengarang produk atau melanggar citra merek.

Banyak peritel kesulitan dengan arsitektur data yang ketinggalan zaman. Bagaimana seharusnya perusahaan memodernisasi fondasi data mereka sehingga model AI dapat memberikan rekomendasi yang tepercaya dan dapat dijelaskan?

Kendala terbesar bagi keberhasilan AI bukanlah modelnya, melainkan 'rawa data' di bawahnya. Untuk melakukan modernisasi, peritel harus berhenti sekadar mengumpulkan data dan mulai membangun lapisan semantik yang terpadu. Ini berarti menerapkan 'Model Data' standar di mana logika bisnis (seperti bagaimana tepatnya 'Margin Bersih' atau 'tingkat pelanggan yang berhenti berlangganan' dihitung) didefinisikan sekali dan dapat diakses secara universal, alih-alih tersembunyi dalam skrip SQL yang terfragmentasi di seluruh organisasi.

Kedua, perusahaan perlu beralih ke pola pikir 'produk data'. Alih-alih memperlakukan data sebagai produk sampingan TI, peritel yang sukses memperlakukannya sebagai produk dengan kepemilikan yang jelas, SLA, dan pemantauan kualitas yang ketat (observabilitas data). Ketika Anda menggabungkan 'catatan emas' yang bersih dan teratur ini dengan metadata yang kaya, Anda membuka kemampuan untuk menjelaskan. AI tidak hanya mengeluarkan rekomendasi kotak hitam; ia dapat menelusuri logikanya kembali melalui lapisan semantik.

Kolaborasi antara peritel dan perusahaan CPG (Consumer Packaged Goods) secara historis bergantung pada data yang terfragmentasi dan metrik yang tidak konsisten. Bagaimana model data terpadu dan platform AI bersama dapat membuka potensi kinerja kategori yang lebih kuat bagi kedua belah pihak?

Sejauh ini, peritel dan perusahaan barang konsumsi (CPG) telah melihat pelanggan yang sama dari sudut pandang yang berbeda, masing-masing menggunakan data dan insentif mereka sendiri. Model data terpadu mengubah hal ini dengan menciptakan satu versi kebenaran di seluruh rantai nilai, baik itu kinerja rak maupun perilaku pembeli.

Ketika kedua belah pihak menggunakan platform AI yang sama, mereka dapat bersama-sama mengidentifikasi apa yang mendorong pertumbuhan atau kebocoran di tingkat kategori. Itu bisa apa saja—harga, promosi, ragam produk, atau kekurangan persediaan. Hal ini menggeser percakapan dari “data saya vs. data Anda” menjadi “peluang bersama kita.”

Hasilnya adalah pengambilan keputusan yang lebih cerdas, eksperimen yang lebih cepat, dan pada akhirnya, pertumbuhan kategori yang lebih tinggi yang menguntungkan baik pengecer maupun merek.

Seiring dengan semakin matangnya jaringan media ritel, peran apa yang akan dimainkan AI dalam meningkatkan penargetan, pengukuran, dan atribusi siklus tertutup sambil mempertahankan kepercayaan konsumen?

AI akan mentransformasi empat area utama seiring dengan kematangan jaringan media ritel.

Pertama, dalam hal penargetan, industri ini berevolusi dari segmen audiens statis ke niat prediktif. Dengan menganalisis sinyal waktu nyata—seperti kecepatan penelusuran atau komposisi keranjang belanja—untuk mengidentifikasi momen tepat dari kebutuhan pembeli, AIe memastikan kami menampilkan iklan yang tepat ketika hal itu paling penting, bukan hanya menargetkan label demografis yang luas.

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

Ketiga, efisiensi operasional menjadi sangat penting, terutama dalam operasi kreatif. Untuk mendukung hiper-personalisasi, peritel menggunakan AI Generatif tidak hanya untuk ide tetapi juga untuk meningkatkan produksi. Hal ini memungkinkan tim untuk secara otomatis menghasilkan ribuan variasi aset dinamis dan spesifik saluran dalam hitungan menit, bukan minggu, sehingga mengatasi hambatan 'kecepatan konten'.

Terakhir, menjaga kepercayaan bergantung pada adopsi luas ruang data bersih (data clean room). Lingkungan ini memungkinkan pengecer dan merek untuk mencocokkan kumpulan data mereka secara aman untuk atribusi tertutup (closed-loop attribution) yang menjamin bahwa Informasi Identifikasi Pribadi (PII) yang sensitif tidak pernah meninggalkan firewall masing-masing.

Ke depan, kemampuan apa yang akan mendefinisikan generasi berikutnya dari peritel berbasis AI, dan apa yang harus mulai dibangun oleh para pemimpin saat ini agar tetap kompetitif selama lima tahun ke depan?

Era ritel berikutnya akan ditentukan oleh pergeseran dari 'transformasi digital' ke 'transformasi berbasis agen'. Kita bergerak menuju masa depan 'orkestrasi otonom', di mana jaringan agen AI berkolaborasi untuk menjalankan proses kompleks—seperti agen rantai pasokan yang secara otomatis memberi tahu agen pemasaran untuk menghentikan sementara promosi karena pengiriman tertunda.

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

Pertama adalah model data terpadu. Agen tidak dapat berkolaborasi jika mereka tidak berbicara dalam bahasa yang sama; fondasi data Anda harus berevolusi dari repositori penyimpanan menjadi 'sistem saraf' semantik.

Kedua adalah kerangka kerja tata kelola untuk agensi. Anda perlu mendefinisikan 'aturan main'—apa yang boleh dilakukan AI secara otonom dan apa yang memerlukan persetujuan manusia—sebelum Anda melakukan ekspansi.

Akhirnya, era dasbor statis yang menyediakan analitik 'pandangan ke belakang' akan segera berakhir. Kita bergerak menuju analitik percakapan yang memberikan wawasan instan dan personal. Antarmuka ini jauh melampaui pelaporan 'apa yang terjadi'; antarmuka ini memanfaatkan AI agen untuk menalar melalui pertanyaan 'mengapa' yang kompleks dan memberikan rekomendasi preskriptif tentang 'apa yang harus dilakukan selanjutnya,' secara efektif menutup kesช่อง antara wawasan dan tindakan.

Terima kasih atas wawancaranya yang luar biasa, pembaca yang ingin belajar lebih banyak harus berkunjung Tren.