Amanpal Dhupar, responsabile del settore retail di Tredence – Serie di interviste

Amanpal Dhupar, responsabile del settore retail di Tredence è un esperto di analisi retail e AI con oltre un decennio di esperienza nella progettazione e sviluppo di soluzioni basate sui dati che forniscono informazioni azionabili per i responsabili delle decisioni aziendali. Nel corso della sua carriera, ha guidato trasformazioni strategiche di analisi per dirigenti senior di importanti retailer, ha creato roadmap di prodotti AI per guidare KPI di business misurabili e ha scalato team di analisi dalle fasi iniziali a operazioni su larga scala, dimostrando sia profondità tecnica che versatilità di leadership.

Tredence è una società di soluzioni di scienza dei dati e AI che si concentra sull’aiutare le imprese a sbloccare il valore aziendale attraverso analisi avanzate, apprendimento automatico e processi decisionali guidati dall’AI. La società collabora con marchi globali, in particolare nel retail e nei beni di consumo, per risolvere sfide complesse in aree come la merchandising, la catena di approvvigionamento, la determinazione dei prezzi, l’esperienza del cliente e le operazioni di go-to-market, traducendo le informazioni in impatto reale nel mondo e aiutando i clienti a modernizzare le loro capacità di analisi e intelligenza.

I retailer spesso eseguono decine di piloti di AI, ma pochi si spingono fino al deploy su larga scala. Quali sono gli errori organizzativi più comuni che impediscono all’AI di tradursi in risultati aziendali misurabili?

Uno studio recente di MIT Solan ha scoperto che il 95% dei piloti di AI non raggiunge il deploy su larga scala. La realtà? I piloti sono facili, ma la produzione è difficile. A Tredence, abbiamo identificato quattro motivi organizzativi specifici che guidano questo gap.

Il primo è la mancanza di comprensione del flusso di lavoro dell’utente finale. I retailer spesso inseriscono l’AI in processi esistenti rotti invece di chiedersi come il flusso di lavoro stesso dovrebbe essere ripensato con l’AI al centro.

Il secondo è la mancanza di un approccio di piattaforma all’AI Agentic. Invece di trattare gli agenti come esperimenti una tantum, le organizzazioni devono semplificare l’intero ciclo di vita, dalla progettazione e sviluppo alla distribuzione, monitoraggio e governance, in tutta l’azienda.

Il terzo è una base di dati debole. È facile costruire un pilota su un file piatto pulito, ma la scalabilità richiede una base di dati robusta e in tempo reale dove i dati accurati sono continuamente accessibili ai modelli di AI.

Infine, vediamo un attrito tra il push dell’IT e il pull aziendale. Il successo si verifica solo quando i leader aziendali vedono l’AI come un valore aggiunto legato a un impatto misurabile, piuttosto che come una distrazione spinta dall’IT. A Tredence, il nostro focus è sempre stato sull’ultimo miglio, dove colmiamo il gap tra la generazione di informazioni e la realizzazione del valore.

Tredence lavora con molti dei più grandi retailer del mondo, supportando migliaia di miliardi di ricavi. Sulla base di ciò che stai vedendo in tutta l’industria, cosa distingue i retailer che scalano con successo l’AI da quelli che rimangono bloccati nella sperimentazione?

A Tredence, supportare migliaia di miliardi di ricavi nel retail ci ha dato un posto in prima fila per una chiara divisione nell’industria: i retailer che trattano l’AI come una serie di esperimenti disparati rispetto a quelli che costruiscono una ‘fabbrica di AI’ industrializzata. Il principale fattore differenziante risiede in un impegno per le fondamenta della piattaforma di AI Agentic. Le organizzazioni più di successo smettono di costruire da zero e investono in un ecosistema robusto caratterizzato da librerie di componenti riutilizzabili, modelli di design standard e modelli di agenti predefiniti allineati a specifici casi d’uso nel retail. Quando si aggiungono LLMOps maturi, osservabilità full-stack e guardrail di AI responsabile (RAI) incorporati su questa base, l’impatto è trasformativo: di solito vediamo un miglioramento dell’80% nella velocità di raggiungimento del valore per nuovi casi d’uso, poiché il sollevamento architettonico pesante è già stato fatto.

Tuttavia, una piattaforma vale quanto il contesto che utilizza, e questo ci riporta alle fondamenta dei dati. Scalare richiede più del semplice accesso ai dati grezzi: serve un ricco livello semantico, con metadati solidi e modelli di dati unificati che consentano all’AI di ragionare davvero sul business invece di limitarsi a elaborare input. Infine, i veri leader riconoscono che non si tratta soltanto di una revisione tecnologica, ma anche culturale. Colmano l’ultimo miglio passando dalla semplice automazione alla collaborazione tra persone e agenti, riprogettando i flussi di lavoro affinché dipendenti e responsabili commerciali si fidino dei loro colleghi digitali e collaborino con loro, trasformando il potenziale algoritmico in risultati aziendali misurabili.

Oltre il 70% delle promozioni nel retail non raggiunge ancora il pareggio. In che modo l’AI può migliorare concretamente la pianificazione delle promozioni, la misurazione e l’ottimizzazione in tempo reale?

Il tasso di insuccesso del 70% persiste perché i retailer spesso si affidano ad analisi retrospettive che confondono le vendite totali con l’incremento generato dalla promozione, finendo per sovvenzionare clienti fedeli che avrebbero acquistato comunque. Per interrompere questo ciclo dobbiamo passare dalla reportistica descrittiva a un approccio più predittivo. In fase di pianificazione usiamo l’AI causale per simulare i risultati e stabilire basi di confronto reali, identificando esattamente ciò che si sarebbe venduto senza promozione. Questo permette ai retailer di smettere di pagare per la domanda spontanea e di puntare soltanto sui volumi realmente aggiuntivi.

Per la misurazione, l’AI risolve il problema del portafoglio quantificando gli effetti alone e la cannibalizzazione. I responsabili commerciali spesso pianificano separatamente, mentre l’AI offre una visione dell’intera categoria e verifica che la promozione di uno SKU non sottragga semplicemente margine a un altro. Questa misurazione complessiva aiuta a capire se la categoria sta crescendo oppure se le vendite vengono soltanto ripartite diversamente.

Per l’ottimizzazione in tempo reale, infine, il settore si sta orientando verso agenti AI che monitorano le campagne durante il loro svolgimento. Anziché attendere un’analisi consuntiva settimane dopo l’evento, questi agenti raccomandano autonomamente correzioni di rotta, come adeguare la spesa pubblicitaria digitale o cambiare le offerte, per salvaguardare il conto economico prima della fine della promozione. L’attenzione passa così dal semplice smaltimento delle scorte alla costruzione di una crescita redditizia.

Gli errori di previsione e le rotture di stock continuano a causare ingenti perdite di ricavi. Cosa rende i sistemi di merchandising e di gestione della catena di approvvigionamento basati sull’AI più efficaci degli approcci previsionali tradizionali?

Il primo cambiamento riguarda le previsioni: l’AI consente di passare dal solo storico interno all’acquisizione di dati esterni, come il meteo locale, gli eventi sociali e gli indicatori economici. Quando la previsione coglie questo contesto, i miglioramenti di precisione non riguardano soltanto le vendite: si propagano a valle, ottimizzando gestione delle scorte, pianificazione della capacità, turni di lavoro e operazioni di magazzino in funzione della domanda reale.

Il secondo cambiamento riguarda le rotture di stock (OOS), che la maggior parte dei retailer non riesce ancora a misurare con precisione. L’AI rileva anomalie negli andamenti delle vendite, identificando le scorte fantasma, quando il sistema indica che un articolo è disponibile ma le vendite si sono fermate, e attiva automaticamente inventari ciclici per correggere le registrazioni. Oltre ai dati, la visione artificiale segnala fisicamente in tempo reale i vuoti sugli scaffali e traccia le scorte nei locali sul retro, assicurando che il prodotto non sia soltanto nell’edificio, ma effettivamente disponibile per l’acquisto.

Il commercio agente sta diventando un tema importante nell’innovazione del retail. In che modo gli agenti di AI basati sulla ragione cambiano in modo significativo la scoperta dei prodotti e la conversione rispetto all’esperienza di shopping guidata dalla ricerca di oggi?

Nell’attuale shopping guidato dalla ricerca, i consumatori devono ancora fare la maggior parte del lavoro pesante. Devono sapere cosa cercare, confrontare opzioni e dare senso a risultati infiniti. Gli agenti basati sulla ragione interrompono questo processo generando dinamicamente ‘corsie sintetiche’: raccolte personalizzate che aggregano prodotti di più categorie in base a una specifica intenzione. Ad esempio, invece di cercare separatamente cinque articoli, uno shopper con una missione di ‘mattina sana’ viene presentato con una corsia coesa e temporanea che include tutto, dai cereali ad alto contenuto proteico ai frullatori, riducendo il funnel di scoperta da minuti a secondi.

Sul lato della conversione, questi agenti agiscono meno come motori di ricerca e più come ‘consiglieri di shopping’. Non elencano solo opzioni; costruiscono attivamente carrelli basati su esigenze aperte. Se un cliente chiede un ‘piano per la cena per quattro persone sotto i 50 dollari’, l’agente ragiona attraverso l’inventario, il prezzo e le restrizioni dietetiche per suggerire un bundle completo. Questa capacità di ragionamento riduce il ‘gap di fiducia’: articolando perché un prodotto specifico si adatta allo stile di vita o all’obiettivo dell’utente, l’agente riduce la paralisi delle scelte e guida tassi di conversione più alti rispetto a una griglia silenziosa di miniature di prodotti.

Infine, stiamo vedendo questo estendersi nel contenuto iperpersonalizzato. Invece di mostrare a tutti lo stesso banner di homepage, l’AI Agentic può generare pagine di destinazione dinamiche e visual che riflettono la missione di shopping attuale del cliente. Tuttavia, perché ciò si verifichi, i retailer devono fondare questi agenti in un Modello di Dati Unificato con una governance di marca e sicurezza rigorosa, assicurandosi che la ‘creatività’ dell’AI non inventi mai prodotti inesistenti o violi la voce della marca.

Molti retailer lottano con architetture di dati obsolete. Come possono le imprese modernizzare le loro basi di dati in modo che i modelli di AI possano fornire raccomandazioni attendibili e spiegabili?

Il più grande ostacolo al successo dell’AI non sono i modelli, ma il ‘pantano di dati’ che li sostiene. Per modernizzare, i retailer devono passare dalla semplice raccolta di dati alla costruzione di uno strato semantico unificato. Ciò significa implementare un ‘Modello di Dati’ standard in cui la logica aziendale (come il calcolo del margine netto o del tasso di abbandono dei clienti) è definita una volta e accessibile universalmente, piuttosto che essere nascosta in script SQL frammentati in tutta l’organizzazione.

In secondo luogo, le imprese devono passare a una mentalità di ‘prodotto di dati’. Invece di trattare i dati come un sottoprodotto dell’IT, i retailer di successo trattano i dati come un prodotto con proprietà definita, SLA e monitoraggio della qualità rigoroso (osservabilità dei dati). Quando si combina questo ‘record d’oro’ pulito e governato con metadati ricchi, si sblocca l’esplicabilità. L’AI non solo fornisce una raccomandazione in scatola nera; può rintracciare la sua logica attraverso lo strato semantico.

La collaborazione tra retailer e aziende di beni di consumo ha storicamente fatto affidamento su dati frammentati e metriche inconsistenti. Come modelli di dati unificati e piattaforme di AI condivise sbloccano prestazioni di categoria più forti per entrambe le parti?

Finora, retailer e aziende di beni di consumo hanno guardato lo stesso cliente attraverso lenti diverse, ciascuno utilizzando i propri dati e incentivi. I modelli di dati unificati cambiano questo, creando una versione unica della verità lungo la catena del valore, sia essa la performance degli scaffali o il comportamento degli acquirenti.

Quando entrambe le parti lavorano sulla stessa piattaforma di AI, possono identificare congiuntamente cosa sta guidando la crescita o la perdita a livello di categoria. Potrebbe trattarsi di prezzi, promozioni, assortimento o lacune di inventario. Ciò sposta le conversazioni da ‘i miei dati vs. i tuoi’ a ‘la nostra opportunità condivisa’.

Il risultato è una presa di decisioni più intelligente, un’esperimentazione più rapida e, in ultima analisi, una crescita di categoria più alta che beneficia sia i retailer che le marche.

Mentre le reti di media retail maturano, quale sarà il ruolo dell’AI nel migliorare la mira, la misurazione e l’attribuzione a ciclo chiuso, mantenendo al contempo la fiducia dei consumatori?

L’AI trasformerà quattro aree chiave mentre le reti di media retail maturano.

Primo, nella mira, l’industria 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 del bisogno di uno shopper, l’AI assicura che mostriamo gli annunci giusti quando più conta, piuttosto che solo mirare a un’etichetta demografica ampia.

Secondo, per la misurazione, lo standard oro sta passando da un semplice Return on Ad Spend (ROAS) a un ROAS incrementale (iROAS). Sfruttando l’AI Causale, possiamo misurare l’impatto reale della spesa per i media, identificando gli acquirenti che si sono convertiti solo a causa dell’annuncio, rispetto a quelli che lo avrebbero fatto organicamente.

Terzo, l’efficienza operativa sta diventando critica, in particolare nelle operazioni creative. Per supportare l’iperpersonalizzazione, i retailer stanno utilizzando l’AI Generativa non solo per l’ideazione, ma per scalare la produzione. Ciò consente ai team di generare automaticamente migliaia di variazioni di asset dinamici e specifici per canale in minuti, piuttosto che settimane, risolvendo l’ingorgo della ‘velocità del contenuto’.

Infine, mantenere la fiducia dipende dall’adozione diffusa di ‘stanze pulite’ per i dati. Questi ambienti consentono ai retailer e alle marche di abbinare in modo sicuro i loro set di dati per l’attribuzione a ciclo chiuso, garantendo che le informazioni personali sensibili (PII) non lascino mai i rispettivi firewall.

Guardando avanti, quali capacità definiranno la prossima generazione di retailer potenziati dall’AI, e cosa dovrebbero iniziare a costruire oggi i leader per rimanere competitivi nei prossimi cinque anni?

La prossima era del retail sarà definita dal passaggio dalla ‘trasformazione digitale’ alla ‘trasformazione agente’. Stiamo andando verso un futuro di ‘orchestrazione autonoma’, in cui reti di agenti di AI collaborano per eseguire processi complessi, come un agente della catena di approvvigionamento che dice a un agente di marketing di interrompere una promozione perché un carico è in ritardo.

Per prepararsi a ciò, i leader devono iniziare a costruire tre cose oggi.

Primo, un modello di dati unificato. Gli agenti non possono collaborare se non parlano la stessa lingua; la vostra base di dati deve evolversi da un repository di archiviazione a un ‘sistema nervoso’ semantico.

Secondo, un quadro di governance per gli agenti. Devi definire le ‘regole di ingaggio’: cosa un’AI può fare autonomamente e cosa richiede l’approvazione umana, prima di scalare.

Infine, i giorni dei dashboard statici che forniscono analisi ‘a ritroso’ sono contati. Stiamo andando verso analisi conversazionali che forniscono insight istantanei e personalizzati. Queste interfacce vanno ben oltre il reporting di ‘cosa è successo’; utilizzano l’AI agente per ragionare attraverso domande ‘perché’ complesse e fornire raccomandazioni prescrittive su ‘cosa fare dopo’, colmando efficacemente il gap tra insight e azione.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Tredence.