Viki Zabala, Chief Growth & Strategy Officer di First Insight – Seri Wawancara

Viki Zabala, Chief Growth & Strategy Officer di First Insight, membawa lebih dari 22 tahun kepemimpinan di perusahaan SaaS, AI, dan teknologi yang tumbuh pesat, yang beroperasi di persimpangan strategi, produk, dan inovasi. Dalam perannya, dia memimpin mesin pertumbuhan terpadu First Insight di seluruh strategi, go-to-market, pemasaran, produk, AI, keberhasilan pelanggan, dan kemitraan, membentuk visi di balik platform Retail Decision Intelligence perusahaan. Dikenal karena menerjemahkan ketidakpastian menjadi kejelasan, Zabala telah mengarahkan pertumbuhan hiper, ekspansi pasar baru, dan transformasi yang dipimpin AI dengan menghubungkan wawasan pelanggan, kecerdasan keputusan, dan model operasional yang dapat diskalakan untuk menghasilkan hasil bisnis yang terukur untuk perusahaan global.

First Insight adalah platform kecerdasan keputusan yang ditenagai AI yang dibangun untuk pedagang eceran dan merek yang mencari untuk memprediksi permintaan, mengoptimalkan harga dan asortimen, dan mengurangi risiko di seluruh siklus hidup produk. Dengan menggabungkan umpan balik konsumen waktu nyata dengan AI prediktif, generatif, dan agen, platform ini membantu organisasi membuat keputusan yang lebih cepat dan lebih percaya diri di seluruh desain, merchandising, perencanaan, dan eksekusi musim. Digunakan oleh pedagang eceran dan merek konsumen global terkemuka, First Insight fokus pada mengubah wawasan pelanggan menjadi intelijen yang dapat ditindaklanjuti yang meningkatkan margin, mempercepat kecepatan ke pasar, dan memperkuat pertumbuhan jangka panjang.

Karir Anda secara konsisten berada di persimpangan data, strategi go-to-market, dan eksekusi. Apa momen-momen sebelumnya dalam karir Anda yang paling membentuk bagaimana Anda berpikir tentang mengubah wawasan menjadi keputusan operasional nyata hari ini?

Saya selalu fokus pada satu tantangan dasar: bagaimana Anda mempengaruhi dan mengubah perilaku dalam skala besar.

Awal dalam karir saya, itu muncul dalam aplikasi mobile dan ad tech, di mana umpan balik loop adalah segera. Anda belajar dengan cepat bahwa data hanya penting jika itu mengubah apa yang seseorang lakukan selanjutnya—instal, keterlibatan, konversi. Kemudian, dalam IoT dan platform pengalaman, kebenaran yang sama dimainkan dalam lingkungan fisik: bagaimana konteks, waktu, dan pengalaman membentuk perilaku manusia dalam waktu nyata.

Di seluruh industri tersebut, satu pelajaran tetap konstan: wawasan hanya berharga jika itu dapat ditindaklanjuti pada saat keputusan dibuat. Jika itu tidak bertahan dalam tekanan eksekusi—harga, go-to-market, persediaan, pesan—itu hanya informasi.

Pemikiran itu adalah yang membawa saya ke First Insight. Ritel adalah salah satu industri yang paling dipengaruhi perilaku, namun keputusan telah secara historis bergantung pada indikator tertinggal dan insting. Pekerjaan saya telah tentang menutup kesenjangan itu—membawa suara pelanggan ke depan cukup awal, dan terus-menerus, untuk merancang hasil yang lebih baik daripada bereaksi terhadap kegagalan.

Fokus saya sekarang adalah membantu organisasi membuat keputusan yang lebih baik cukup awal untuk mempengaruhi—sehingga mereka tumbuh pendapatan, memenangkan loyalitas pelanggan, dan secara konsisten outperform pasar.

Sebagai Chief Growth & Strategy Officer di First Insight, Anda mengawasi produk, peta jalan AI, GTM, dan keberhasilan pelanggan. Bagaimana memiliki pandangan terpadu itu mengubah bagaimana AI harus dirancang dan diterapkan di dalam organisasi ritel?

Ketika Anda melihat seluruh sistem, Anda berhenti berpikir tentang AI sebagai alat dan mulai berpikir tentang itu sebagai model operasional.

Produk menunjukkan apa yang secara teknis memungkinkan. Go-to-market menunjukkan apa yang akan sebenarnya dipahami dan diadopsi. Keberhasilan pelanggan menunjukkan apa yang bertahan dalam kendala dunia nyata—tekanan waktu, ketegangan lintas fungsional, kualitas data, dan akuntabilitas. Ketika perspektif tersebut terpadu, AI dirancang di sekitar bagaimana keputusan benar-benar terjadi, bukan bagaimana teknologi terlihat dalam isolasi.

Itu adalah mengapa AI di ritel harus berfungsi sebagai sistem keputusan dan tindakan, bukan hanya sistem kecerdasan. Itu harus menghubungkan sinyal pelanggan ke harga, asortimen, pemasaran, dan perencanaan dengan cara yang selaras tim dan mempercepat keputusan. Ketika AI mengurangi gesekan antara tim dan mempersingkat jarak antara wawasan dan tindakan, itu mulai menghasilkan nilai nyata.

Pedagang eceran telah lama bergantung pada siklus perencanaan musiman dan data historis. Dari apa yang Anda lihat di lapangan, mengapa model-model tersebut semakin tidak sejalan dengan bagaimana konsumen berperilaku hari ini?

Karena model-model tersebut dibangun untuk dunia di mana ritel terutama tentang mengoptimalkan apa yang sudah ada—bukan menciptakan apa yang berikutnya.

Penjualan historis dan siklus musiman dapat membantu menjelaskan kinerja di kategori yang mapan, tetapi mereka lemah dalam dua hal yang pedagang eceran butuhkan hari ini: merespons perilaku konsumen yang berubah cepat dan menciptakan permintaan baru melalui inovasi produk dan ekspansi whitespace.

Permintaan sekarang bergeser dalam waktu nyata—didorong oleh sensitivitas harga, momen budaya, pengaruh sosial, tekanan ekonomi, dan dinamika saluran. Sebuah tren dapat muncul semalam. Sebuah sinyal harga dapat mengubah perilaku secara instan. Data historis menjelaskan apa yang sudah terjadi, tetapi tidak secara andal memberitahu Anda bagaimana pelanggan akan merespons selanjutnya—bahkan untuk produk yang sudah ada di rak—ketika konteks dan sentimen dapat berubah pada saat apa pun.

Pada saat yang sama, banyak pedagang eceran membuat keputusan dengan CRM yang sudah ketinggalan zaman dan pandangan yang sudah ketinggalan zaman tentang siapa pelanggan sebenarnya. Kompetitor baru, saluran baru, dan generasi muda dengan harapan dan daya beli yang berbeda secara bertahap menarik pelanggan—seringkali tanpa pedagang eceran menyadari itu sampai hasil muncul dalam perkiraan yang terlewat atau loyalitas yang menurun. Dalam banyak kasus, merek mengoptimalkan untuk pelanggan yang tidak mereka miliki lagi—atau pelanggan yang sudah berpindah.

Dan ketika datang ke inovasi, sejarah penjualan tidak dapat memvalidasi produk yang belum ada—atau segmen pelanggan yang Anda bahaya kehilangan. Itu adalah mengapa banyak pedagang eceran berakhir mengulangi masa lalu daripada dengan percaya diri mendanai kategori berikutnya, fitur set berikutnya, atau audiens berikutnya. Kunci adalah membawa suara pelanggan ke depan—cukup awal untuk memandu penciptaan konsep, kekuatan harga, dan posisi—sehingga inovasi menjadi sistem yang dapat diulang daripada taruhan.

Asisten AI First Insight, Ellis, memungkinkan kueri bahasa alami di sekitar harga, asortimen, dan permintaan. Seberapa penting desain antarmuka dan aksesibilitas dalam mengarahkan adopsi AI nyata versus hanya kemampuan teknis?

Antarmuka adalah perbedaan antara “AI ada” dan “AI digunakan.”

Pengambilan keputusan ritel meliputi jauh lebih dari satu saat—penelitian konsep, desain, pembangunan asortimen, optimasi harga, modeling margin, kedalaman beli, alokasi, penyesuaian musim, pemasaran dan penjualan. Tantangan bukan bahwa pedagang eceran tidak memiliki pertanyaan; itu adalah jawaban yang terjebak dalam dashboard, deck, ekspor, dan tim khusus—dan oleh waktu jawaban disampaikan, saatnya telah berlalu.

Ellis penting karena itu menghilangkan gesekan antara wawasan dan tindakan. Sebagai gantinya untuk menavigasi laporan atau menunggu analisis baru, tim dapat mengajukan pertanyaan strategis dan taktis dalam bahasa sederhana—tentang konsep, harga, asortimen, segmen, pasar, kompetitor—dan mendapatkan jawaban yang jelas, prediktif dalam hitungan menit. Itu bukan hanya usabilitas; itu adalah kecepatan keputusan.

Aksesibilitas juga mengarahkan adopsi di seluruh organisasi. Ketika sinyal pelanggan yang sama tersedia secara instan untuk merchandising, harga, pemasaran, dan perencanaan, Anda mengurangi pertempuran internal dan ketidakselarasan. Orang-orang berhenti debat tentang data mana yang benar dan mulai debat tentang apa yang harus dilakukan selanjutnya—lebih cepat, dan dengan lebih percaya diri.

Anda telah bekerja erat dengan pedagang eceran yang menghadapi tekanan margin, risiko persediaan, dan permintaan yang tidak stabil. Di mana AI memberikan dampak tercepat, paling terukur hari ini—dan di mana hype masih mendahului kenyataan?

Dampak tercepat muncul di mana keputusan adalah sering, mahal, dan sensitif waktu: harga, pemilihan asortimen, validasi permintaan, dan risiko persediaan. Ketika AI membantu tim menghindari overbuying, mempertahankan harga dengan percaya diri, atau keluar dari produk yang kalah lebih awal, dampak keuangan adalah segera dan terukur.

Di mana hype mendahului kenyataan adalah dalam gagasan ritel yang sepenuhnya otonom—atau AI menggantikan pemahaman pelanggan yang sebenarnya dengan jalan pintas sintetis. Konsumen sangat jelas: mereka menghargai keaslian, transparansi, dan didengar. AI yang menjauhkan merek dari pelanggan tidak menciptakan efisiensi—itu menciptakan risiko.

Model yang menang hari ini adalah penilaian manusia yang ditingkatkan oleh wawasan prediktif, bukan otomatisasi untuk kepentingan otomatisasi.

Banyak alat AI menjanjikan kemampuan prediktif. Apa yang terlihat seperti prediksi yang berarti di ritel, dan bagaimana pemimpin harus mengevaluasi apakah prediksi benar-benar siap keputusan?

Prediksi yang berarti di ritel bukanlah ramalan—itu adalah kemampuan untuk menutup loop dari kebenaran pelanggan ke hasil keuangan.

Banyak output AI terdengar prediktif, tetapi mereka tidak mengubah bisnis karena mereka tidak membuatnya ke dalam kadence operasional. Kuartal melewatkan, persediaan menumpuk, anggaran diskon dibelanjakan—dan semua orang dapat menunjuk ke data di suatu tempat yang bisa membantu. Kegagalan sebenarnya adalah bahwa keputusan tidak selaras, tindakan tidak diambil, dan alur kerja tidak berubah.

Prediksi yang siap keputusan melakukan tiga hal sekaligus:

1. Itu didasarkan pada bagaimana pelanggan sebenarnya memandang nilai—bukan hanya sejarah penjualan—sehingga itu dapat memandu keputusan dari konsep hingga musim.
2. Itu terikat langsung ke ekonomi: elastisitas permintaan, kemauan membayar, AUR/ASP selama siklus hidup produk, dan implikasi margin dari mempertahankan vs. mendiskon.
3. Itu operasional—tertanam dalam proses yang dapat diulang yang tim sebenarnya ikuti, bukan terjebak di seluruh alat dan dashboard yang terisolasi.

Tema yang berulang yang kita lihat adalah biaya “ekor panjang” dari SKU. Over-asortimen adalah pembunuh sunyi: kedalaman berlebih, kecepatan rendah, risiko tersembunyi. Salah satu pengungkit terbesar yang AI prediktif membuka adalah kemampuan untuk memotong ekor—menghapus produk yang tidak berperforma lebih awal dan menginvestasikan kembali dolar persediaan ke dalam kinerja terbaik di mana permintaan pelanggan dan sentimen tertinggi.

Ketika tim menerapkan disiplin ini, kita melihat hasil yang dramatis:

• dolar persediaan dibebaskan untuk inovasi dan kesempatan skor tinggi,
• cadence diskon stabil dan menyusut,
• tekanan promosi mereda, dan
• kepercayaan merek meningkat karena pelanggan tidak dilatih untuk mengharapkan 50–60% off sebelum mereka akan membeli.

Pemimpin harus mengevaluasi AI prediktif dengan satu pertanyaan: Apakah itu mengubah di mana kita berinvestasi? ROI tertinggi bukanlah lebih banyak data—itu adalah keputusan yang lebih baik dalam bagaimana Anda mengalokasikan modal, waktu, dan persediaan terhadap permintaan pelanggan yang sebenarnya—cukup awal untuk mempengaruhi.

AI yang bertanggung jawab sering dibahas pada tingkat tinggi. Di ritel khusus, apa yang terlihat seperti adopsi AI yang praktis dan bertanggung jawab ketika keputusan secara langsung mempengaruhi harga, konsumen, dan kepercayaan merek?

AI yang bertanggung jawab di ritel dimulai dengan satu prinsip sederhana: gunakan AI untuk memperdalam hubungan pelanggan, bukan mengeksploitasi.

Ini bukan tentang melacak individu, pengawasan, atau mengumpulkan data untuk kepentingan sendiri. AI yang bertanggung jawab adalah tentang membawa suara pelanggan ke dalam setiap keputusan dalam skala—sehingga produk, harga, pesan, dan pengalaman mencerminkan apa yang sebenarnya dihargai orang. Dalam banyak cara itu adalah bentuk ko-develompent: pelanggan memandu apa yang dibuat, bagaimana itu diposisikan, dan apa yang terasa adil.

Secara praktis, AI yang bertanggung jawab terlihat seperti:

• Mendasarkan keputusan pada input pelanggan yang sebenarnya—baik kuantitatif dan kualitatif (“apa yang mereka katakan”).
• Membangun transparansi dan pengawasan untuk keputusan yang berdampak tinggi seperti harga, promosi, dan segmentasi.
• Memastikan kesetaraan di seluruh segmen dan pasar, sehingga AI tidak secara tidak sengaja menguntungkan satu kelompok sementara merugikan yang lain.
• Menjaga manusia dalam loop untuk penilaian, akuntabilitas, dan nuansa kreatif yang AI tidak dapat menghasilkan sendiri.

Digunakan dengan cara ini, AI memperkuat hubungan pelanggan bukan merusaknya. Pelanggan merasa didengar dalam skala. Tim membuat keputusan yang lebih baik lebih cepat. Dan merek membangun kepercayaan—karena mereka tidak lagi bereaksi terhadap pasar; mereka bertindak dengan itu.

Anda telah memimpin baik narasi pemasaran dan strategi produk. Bagaimana pedagang eceran harus memikirkan kembali cerita internal tentang AI sehingga itu dilihat sebagai mitra keputusan bukan ancaman atau kotak hitam?

Pedagang eceran harus berhenti menceritakan cerita bahwa AI adalah “analisis yang lebih cerdas” dan mulai menceritakan cerita bahwa AI adalah sentrisitas pelanggan dalam skala.

Gesekan internal di ritel bukan hanya silo—itu adalah silo yang membuat keputusan dengan kebenaran yang berbeda: pemasaran memiliki sinyal keterlibatan, merchandising memiliki sejarah penjualan, harga memiliki tekanan margin, perencanaan memiliki kendala persediaan. Itu adalah tempat pertempuran terjadi.

AI menjadi mitra keputusan ketika itu menciptakan bahasa yang dibagikan di seluruh fungsi: suara pelanggan, diterjemahkan ke dalam bimbingan prediktif yang memandu produk, harga, asortimen, dan bagaimana menjual—dari konsep hingga konversi.

Dan itu penting untuk jujur tentang peran manusia. AI tidak menciptakan ide terobosan berikutnya—itu belajar pola. Manusia membawa kreativitas, selera, niat merek, dan intuisi budaya. AI membuat kreativitas itu lebih tajam dengan mempersingkat loop umpan balik dan menguji keputusan sebelum pasar melakukannya.

Seiring AI menjadi lebih tertanam dalam perencanaan dan pengambilan keputusan musim, bagaimana Anda melihat peran penilaian manusia berkembang bukan menghilang?

Penilaian manusia menjadi lebih penting—dan lebih kuat—karena di musim adalah di mana keuntungan ritel dimenangkan atau hilang.

Markdowns adalah salah satu biaya terbesar di ritel. Pedagang eceran sering menganggarkan untuk mereka karena mereka dipaksa untuk membersihkan persediaan yang tidak terjual. Alasan markdowns sangat menyakitkan adalah waktu: diskon terlalu awal dan Anda menghancurkan margin; diskon terlalu lambat dan Anda melewatkan jendela untuk mengubah permintaan.

Dengan AI prediktif dan manusia dalam loop, tim dapat memodelkan kurva permintaan elastis dan memahami bagaimana ASP/AUR harus berkembang selama siklus hidup produk—berdasarkan penjualan, persepsi pelanggan, dan sinyal pasar. Itu memungkinkan langkah yang lebih cerdas: kapan untuk mempertahankan harga, kapan untuk mendiskon, dan seberapa banyak—tanpa mengoreksi berlebihan.

Dan keputusan musim tidak hanya tentang harga. AI dapat memandu promosi dan pemasaran musim dengan mempertimbangkan momen budaya, influencer, percepatan tren, dan pergeseran persona pelanggan—bersama dengan persepsi produk dan sensitivitas harga. Manusia kemudian menerapkan penilaian: niat merek, toleransi risiko, dan pilihan kreatif yang AI tidak dapat menghasilkan sendiri.

Masa depan bukanlah otomatisasi. Itu adalah keputusan yang lebih cepat, lebih dipandu pelanggan—di mana AI menskalakan mendengarkan, dan manusia memimpin makna.

Melihat ke depan, bagaimana Anda mengharapkan AI agen dan generatif untuk mengubah alur kerja ritel dalam dua hingga tiga tahun ke depan—bukan secara teoretis, tetapi operasional?

Kita bergerak dari sistem kecerdasan ke sistem tindakan.

Secara operasional, AI generatif akan membuat wawasan tersedia di seluruh peran dan tingkat—mengringkas, membandingkan, menjelaskan, dan menjawab pertanyaan secara instan. AI agen akan semakin mengambil alih pekerjaan berulang yang memperlambat organisasi: mempersiapkan skenario, mengumpulkan brief eksekutif, memantau sinyal, mengidentifikasi risiko, dan mengkoordinasikan tindakan berikutnya.

Tapi perubahan yang paling berarti tidak akan menjadi “AI menjalankan ritel.” Itu akan menjadi bahwa pedagang eceran akhirnya mengencangkan loop antara pelanggan dan perusahaan. Tim akan bergerak lebih cepat, mengurangi gesekan internal, dan membuat keputusan yang lebih baik lebih awal—sebelum tren puncak, sebelum markdowns bergeser, dan sebelum kesempatan yang terlewat menjadi kesalahan kuartal.

Pedagang eceran yang menang tidak akan menjadi mereka yang memiliki eksperimen AI terbanyak. Mereka akan menjadi mereka yang membangun kadence operasional yang dapat diulang di mana kebenaran pelanggan, kecerdasan prediktif, dan kreativitas manusia bekerja bersama—dari konsep hingga konversi.

Terima kasih atas wawancara yang terperinci, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi First Insight.