Amanpal Dhupar, Responsabile della vendita al dettaglio presso Tredence – Serie di interviste

Amanpal Dhupar, Responsabile Retail presso Tredence, è un esperto leader in analisi e intelligenza artificiale nel settore retail, con oltre un decennio di esperienza nella progettazione e nello sviluppo di soluzioni basate sui dati che forniscono informazioni fruibili ai decisori aziendali. Nel corso della sua carriera, ha guidato trasformazioni strategiche in ambito analitico per dirigenti senior di importanti aziende di vendita al dettaglio, ha creato roadmap di prodotti basati sull'intelligenza artificiale per guidare KPI aziendali misurabili e ha portato i team di analisi dalla fase iniziale a operazioni su larga scala, dimostrando sia una profonda competenza tecnica che una versatilità di leadership.

Tredenza è un'azienda di soluzioni di data science e intelligenza artificiale focalizzata ad aiutare le aziende a liberare il valore aziendale attraverso analisi avanzate, apprendimento automatico e processi decisionali basati sull'intelligenza artificiale. L'azienda collabora con marchi globali, in particolare nei settori della vendita al dettaglio e dei beni di consumo, per risolvere sfide complesse in ambito merchandising, supply chain, pricing, customer experience e go-to-market, traducendo le informazioni in un impatto concreto e aiutando i clienti a modernizzare le proprie capacità di analisi e intelligence.

I rivenditori spesso gestiscono decine di progetti pilota di intelligenza artificiale, ma pochissimi ne implementano una versione completa. Quali sono gli errori organizzativi più comuni che impediscono all'intelligenza artificiale di trasformarsi in risultati aziendali misurabili?

Un recente studio del MIT Solan ha rilevato che il 95% dei progetti pilota di intelligenza artificiale non riesce a raggiungere un'implementazione su larga scala. La realtà? I progetti pilota sono facili, ma la produzione è difficile. In Tredence, abbiamo identificato quattro specifiche ragioni organizzative che causano questo divario.

Il primo è l'incapacità di comprendere il flusso di lavoro dell'utente finale. I rivenditori spesso inseriscono l'intelligenza artificiale in processi esistenti e non funzionanti, anziché chiedersi come il flusso di lavoro stesso dovrebbe essere ripensato con l'intelligenza artificiale al centro.

In secondo luogo, la mancanza di un approccio basato su una piattaforma per l'IA agentica. Invece di trattare gli agenti come esperimenti isolati, le organizzazioni devono semplificare l'intero ciclo di vita, dalla progettazione e sviluppo degli agenti all'implementazione, al monitoraggio e alla governance, in tutta l'azienda.

Il terzo è una base dati debole. È facile costruire un progetto pilota su un file semplice e pulito, ma la scalabilità richiede una base solida e in tempo reale, in cui dati accurati siano costantemente accessibili ai modelli di intelligenza artificiale.

Infine, osserviamo una frizione tra la spinta dell'IT e la spinta del business. Il successo si verifica solo quando i leader aziendali vedono l'IA come un valore aggiunto legato a un impatto misurabile, piuttosto che come una distrazione generata dall'IT. In Tredence, la nostra attenzione è sempre stata rivolta all'"ultimo miglio", dove colmiamo questo divario tra generazione di insight e realizzazione del valore.

Tredence collabora con molti dei più grandi retailer al mondo, supportando un fatturato di migliaia di miliardi di dollari. In base a ciò che state osservando nel settore, cosa distingue i retailer che scalano con successo l'intelligenza artificiale da quelli che rimangono bloccati nella sperimentazione?

In Tredence, supportare migliaia di miliardi di fatturato nel settore retail ci ha offerto un posto in prima fila su una netta divisione del settore: i retailer che trattano l'IA come una serie di esperimenti eterogenei e quelli che costruiscono una "fabbrica di IA" industrializzata. Il principale elemento di differenziazione risiede nell'impegno nei confronti delle fondamenta della piattaforma di IA agentica. Le organizzazioni di maggior successo smettono di costruire da zero e investono invece in un ecosistema robusto caratterizzato da librerie di componenti riutilizzabili, modelli di progettazione standard e modelli di agenti predefiniti, allineati a specifici casi d'uso nel settore retail. Quando si aggiungono a queste fondamenta LLMOps maturi, osservabilità full-stack e protezioni integrate per l'IA responsabile (RAI), l'impatto è trasformativo: in genere osserviamo un miglioramento dell'80% della velocità di creazione del valore per i nuovi casi d'uso, perché il grosso del lavoro a livello architettonico è già stato svolto.

Tuttavia, una piattaforma è valida solo quanto il contesto che utilizza, il che ci porta alle basi dei dati. La scalabilità richiede più di un semplice accesso grezzo ai dati; richiede un ricco livello semantico in cui metadati solidi e modelli di dati unificati consentano all'IA di "ragionare" effettivamente sul business anziché limitarsi a elaborare input. Infine, i veri leader riconoscono che non si tratta solo di una revisione tecnologica, ma anche culturale. Colmano "l'ultimo miglio" andando oltre la semplice automazione verso il teaming tra operatori umani, riprogettando i flussi di lavoro in modo che addetti alle vendite e commercianti si fidino e collaborino con le loro controparti digitali, trasformando il potenziale algoritmico in una realtà aziendale misurabile.

Oltre il 70% delle promozioni al dettaglio non riesce ancora a raggiungere il pareggio di bilancio. In che modo l'intelligenza artificiale può migliorare significativamente la pianificazione, la misurazione e l'ottimizzazione in tempo reale delle promozioni?

Il tasso di fallimento del 70% persiste perché i rivenditori spesso si affidano ad analisi "dallo specchietto retrovisore" che confondono le vendite totali con l'incremento incrementale, sovvenzionando di fatto gli acquirenti fedeli che avrebbero comunque acquistato. Per interrompere questo circolo vizioso, dobbiamo passare da un reporting descrittivo a un approccio più predittivo. Nella fase di pianificazione, utilizziamo l'intelligenza artificiale causale per simulare i risultati e stabilire "linee di base reali", identificando esattamente cosa sarebbe stato venduto senza la promozione. Questo consente ai rivenditori di smettere di pagare per la domanda organica e di puntare solo al nuovo volume netto.

Per la misurazione, l'intelligenza artificiale risolve il "puzzle del portafoglio" quantificando gli effetti alone e la cannibalizzazione. I commercianti umani spesso pianificano in silos, ma l'intelligenza artificiale fornisce una visione a livello di categoria, garantendo che una promozione su una SKU non stia semplicemente sottraendo margine a un'altra. Questa misurazione olistica aiuta i rivenditori a capire se stanno ampliando la torta della categoria o se stanno semplicemente dividendola in modo diverso.

Infine, per l'ottimizzazione in tempo reale, il settore si sta orientando verso agenti di intelligenza artificiale che monitorano le campagne "in corso". Invece di attendere un'analisi post-evento settimane dopo l'evento, questi agenti suggeriscono autonomamente correzioni di rotta, come l'adeguamento della spesa pubblicitaria digitale o la sostituzione di offerte, per salvare il conto economico prima della fine della promozione. Questo approccio sposta l'attenzione dalla semplice liquidazione dell'inventario alla progettazione di una crescita redditizia.

Errori di previsione e rotture di stock continuano a causare ingenti perdite di fatturato. Cosa rende i sistemi di merchandising e supply chain basati sull'intelligenza artificiale più efficaci rispetto agli approcci di previsione tradizionali?

Il primo cambiamento riguarda le previsioni, dove l'intelligenza artificiale ci porta a non affidarci più esclusivamente alla cronologia interna, ma ad assimilare dati esterni, come il meteo locale, gli eventi sociali e gli indicatori economici. Quando le previsioni catturano questo contesto esterno, i guadagni di accuratezza non si limitano a migliorare i numeri delle vendite, ma si ripercuotono a valle, ottimizzando la gestione dell'inventario, la pianificazione della capacità, i programmi di lavoro e le operazioni di magazzino per allinearli alla domanda reale.

Il secondo cambiamento riguarda le fuoriuscite di magazzino (OOS), che la maggior parte dei rivenditori non riesce ancora a misurare con precisione. L'intelligenza artificiale risolve questo problema rilevando anomalie nei modelli di vendita, identificando "inventari fantasma", ovvero quando il sistema ritiene che un articolo sia disponibile, ma le vendite si sono interrotte, e attivando automaticamente i conteggi ciclici per correggere il dato. Oltre ai dati, stiamo assistendo all'ascesa della visione artificiale per segnalare fisicamente le lacune sugli scaffali in tempo reale e monitorare l'inventario nei magazzini, garantendo che il prodotto non sia semplicemente "in magazzino", ma disponibile per l'acquisto da parte del cliente.

L'Agentic Commerce sta diventando un tema centrale nell'innovazione del retail. In che modo gli agenti di intelligenza artificiale basati sul ragionamento cambiano significativamente la scoperta e la conversione dei prodotti rispetto all'attuale esperienza di acquisto basata sulla ricerca?

Nell'attuale shopping basato sulla ricerca, sono ancora i consumatori a fare la maggior parte del lavoro. Devono sapere cosa cercare, confrontare le opzioni e dare un senso a infiniti risultati. Gli agenti basati sul ragionamento interrompono questo processo generando dinamicamente "corsie sintetiche", ovvero raccolte personalizzate che aggregano prodotti multicategoria in base a un intento specifico. Ad esempio, invece di cercare separatamente cinque articoli, un acquirente con la missione "una mattina sana" si trova di fronte a una corsia temporanea e coerente che offre di tutto, dai cereali ad alto contenuto proteico ai frullatori, riducendo istantaneamente il funnel di scoperta da minuti a secondi.

Dal punto di vista della conversione, questi agenti agiscono meno come motori di ricerca e più come "concierge dello shopping". Non si limitano a elencare le opzioni; costruiscono attivamente carrelli della spesa in base a esigenze aperte. Se un cliente chiede un "piano cena per quattro persone a meno di 50 dollari", l'agente ragiona in base a inventario, prezzo e vincoli alimentari per suggerire un pacchetto completo. Questa capacità di ragionamento colma il "gap di fiducia": spiegando perché un prodotto specifico si adatta allo stile di vita o agli obiettivi dell'utente, l'agente riduce la paralisi decisionale e genera tassi di conversione più elevati rispetto a una griglia silenziosa di miniature di prodotti.

Infine, stiamo assistendo all'estensione di questo approccio ai contenuti iper-personalizzati. Invece di mostrare a tutti lo stesso banner della homepage, l'Agentic AI può generare landing page e contenuti visivi dinamici che rispecchiano l'attuale missione di acquisto del cliente. Tuttavia, affinché questo approccio sia scalabile, i rivenditori si stanno rendendo conto della necessità di basare questi agenti su un modello di dati unificato con una rigorosa governance del marchio e della sicurezza, garantendo che la "creatività" dell'IA non comprometta mai i prodotti o violi la voce del marchio.

Molti rivenditori hanno difficoltà a gestire architetture dati obsolete. Come dovrebbero le aziende modernizzare le proprie basi dati affinché i modelli di intelligenza artificiale possano fornire raccomandazioni affidabili e comprensibili?

Il più grande ostacolo al successo dell'intelligenza artificiale non sono i modelli, ma la "palude di dati" che li sottende. Per modernizzare, i rivenditori devono smettere di raccogliere dati e costruire un livello semantico unificato. Ciò significa implementare un "modello di dati" standard in cui la logica di business (ad esempio, come viene calcolato il "margine netto" o il "tasso di abbandono") sia definita una sola volta e universalmente accessibile, anziché essere nascosta in script SQL frammentati all'interno dell'organizzazione.

In secondo luogo, le aziende devono adottare una mentalità basata sui "prodotti dati". Invece di trattare i dati come un sottoprodotto IT, i rivenditori di successo li trattano come un prodotto con proprietà definita, SLA (Service Level Agreement) e un rigoroso monitoraggio della qualità (osservabilità dei dati). Combinando questo "golden record" pulito e governato con metadati approfonditi, si sblocca la spiegabilità. L'intelligenza artificiale non si limita a fornire una raccomandazione "black box", ma può tracciare la sua logica a ritroso attraverso il livello semantico.

La collaborazione tra rivenditori e aziende del largo consumo si è storicamente basata su dati frammentati e metriche incoerenti. In che modo modelli di dati unificati e piattaforme di intelligenza artificiale condivise possono garantire performance di categoria più elevate per entrambe le parti?

Finora, rivenditori e aziende di largo consumo hanno analizzato lo stesso cliente attraverso lenti diverse, ciascuna utilizzando dati e incentivi propri. I modelli di dati unificati cambiano questa situazione, creando un'unica versione della verità lungo tutta la catena del valore, che si tratti di performance a scaffale o di comportamento degli acquirenti.

Quando entrambe le parti lavorano sulla stessa piattaforma di intelligenza artificiale, possono identificare congiuntamente cosa sta guidando la crescita o le perdite a livello di categoria. Potrebbe trattarsi di qualsiasi cosa: prezzi, promozioni, assortimento o gap di inventario. Questo sposta le conversazioni da "i miei dati contro i tuoi" a "la nostra opportunità condivisa".

Il risultato sono decisioni più intelligenti, sperimentazioni più rapide e, in definitiva, una maggiore crescita della categoria, che avvantaggia sia i rivenditori che i marchi.

Con la maturazione delle reti di media al dettaglio, quale ruolo avrà l'intelligenza artificiale nel migliorare il targeting, la misurazione e l'attribuzione a ciclo chiuso, mantenendo al contempo la fiducia dei consumatori?

L'intelligenza artificiale trasformerà quattro aree chiave con la maturazione delle reti di media al dettaglio.

In primo luogo, per quanto riguarda il targeting, il settore si sta evolvendo da segmenti di pubblico statici a intenti predittivi. Analizzando segnali in tempo reale, come la velocità di navigazione o la composizione del carrello, per identificare il momento preciso in cui un acquirente manifesta il suo bisogno, AIe garantisce la visualizzazione degli annunci giusti quando è più necessario, anziché limitarsi a un target demografico generico.

In secondo luogo, per la misurazione, il gold standard sta passando dal semplice ritorno sulla spesa pubblicitaria (ROAS) al ROAS incrementale (iROAS). Sfruttando l'intelligenza artificiale causale, possiamo misurare il reale impatto della spesa pubblicitaria, identificando gli acquirenti che hanno generato una conversione solo grazie all'annuncio e quelli che l'avrebbero generata organicamente.

In terzo luogo, l'efficienza operativa sta diventando fondamentale, in particolare nelle operazioni creative. Per supportare l'iper-personalizzazione, i rivenditori utilizzano l'intelligenza artificiale generativa non solo per l'ideazione, ma anche per scalare la produzione. Ciò consente ai team di generare automaticamente migliaia di varianti dinamiche di asset specifiche per canale in pochi minuti anziché settimane, risolvendo il problema della "velocità dei contenuti".

Infine, il mantenimento della fiducia si basa sull'adozione diffusa di data clean room. Questi ambienti consentono a rivenditori e marchi di abbinare in modo sicuro i propri set di dati per un'attribuzione a circuito chiuso, garantendo che le Informazioni Personali Identificative (PII) sensibili non escano mai dai rispettivi firewall.

Guardando al futuro, quali capacità definiranno la prossima generazione di rivenditori basati sull'intelligenza artificiale e cosa dovrebbero iniziare a costruire oggi i leader per rimanere competitivi nei prossimi cinque anni?

La prossima era del commercio al dettaglio sarà definita dal passaggio dalla "trasformazione digitale" alla "trasformazione agentica". Ci stiamo muovendo verso un futuro di "orchestrazione autonoma", in cui reti di agenti di intelligenza artificiale collaborano per gestire processi complessi, come un agente della supply chain che comunica automaticamente a un agente di marketing di sospendere una promozione perché una spedizione è in ritardo.

Per prepararsi a questo, i leader devono iniziare a costruire tre cose fin da oggi.

Il primo è un modello di dati unificato. Gli agenti non possono collaborare se non parlano la stessa lingua; la base dati deve evolversi da un repository di archiviazione a un "sistema nervoso" semantico.

Il secondo è un quadro di governance per gli agenti. È necessario definire le "regole di ingaggio", ovvero cosa un'IA può fare in autonomia e cosa richiede l'approvazione umana, prima di procedere alla scalabilità.

Infine, i giorni delle dashboard statiche che forniscono analisi retrospettive sono contati. Ci stiamo muovendo verso analisi conversazionali che forniscono insight immediati e personalizzati. Queste interfacce vanno ben oltre la segnalazione di "cosa è successo"; sfruttano l'intelligenza artificiale agentica per ragionare su complesse domande "perché" e fornire raccomandazioni prescrittive su "cosa fare dopo", colmando efficacemente il divario tra insight e azione.

Grazie per l'ottima intervista, i lettori che desiderano saperne di più dovrebbero visitare Tredenza.