Viki Zabala, Chief Growth & Strategy Officer at First Insight – Interview Series

Viki Zabala, Chief Growth & Strategy Officer at First Insight, porta più di 22 anni di esperienza di leadership in aziende ad alto tasso di crescita di SaaS, AI e tecnologia, operanti all’intersezione di strategia, prodotto e innovazione. Nel suo ruolo, guida il motore di crescita unificato di First Insight attraverso strategia, go-to-market, marketing, prodotto, AI, customer success e partnership, plasmando la visione dietro la piattaforma di Retail Decision Intelligence dell’azienda. Conosciuta per tradurre l’incertezza in chiarezza, Zabala ha guidato una crescita iperbolica, l’espansione di nuovi mercati e la trasformazione guidata dall’AI, collegando l’approfondimento del cliente, l’intelligenza decisionale e i modelli operativi scalabili per consegnare risultati aziendali misurabili per le imprese globali.

First Insight è una piattaforma di intelligenza decisionale alimentata da AI progettata per i dettaglianti e i marchi che cercano di prevedere la domanda, ottimizzare i prezzi e gli assortimenti e ridurre il rischio in tutto il ciclo di vita del prodotto. Combinando il feedback dei consumatori in tempo reale con AI predittiva, generativa e agente, la piattaforma aiuta le organizzazioni a prendere decisioni più rapide e più sicure attraverso design, merchandising, pianificazione ed esecuzione in stagione. Utilizzata dai principali dettaglianti e marchi di consumo globali, First Insight si concentra sul trasformare l’approfondimento del cliente in intelligenza azionabile che migliora i margini, accelera la velocità di mercato e rafforza la crescita a lungo termine.

La tua carriera è sempre stata all’intersezione di dati, strategia go-to-market ed esecuzione. Quali momenti, all’inizio della tua carriera, hanno plasmato il modo in cui pensi alla trasformazione dell’approfondimento in decisioni operative reali oggi?

Mi sono sempre concentrata su una sfida fondamentale: come influenzare e cambiare il comportamento su larga scala.

All’inizio della mia carriera, questo si è manifestato nelle app mobili e nella tecnologia pubblicitaria, dove i cicli di feedback sono immediati. Si impara rapidamente che i dati hanno importanza solo se cambiano ciò che qualcuno fa dopo — installazione, coinvolgimento, conversione. Successivamente, nell’IoT e nelle piattaforme esperienziali, la stessa verità si è ripetuta in ambienti fisici: come il contesto, il timing e l’esperienza plasmano il comportamento umano in tempo reale.

In tutte queste industrie, una lezione è rimasta costante: l’approfondimento è utile solo se è azionabile nel momento in cui si prende una decisione. Se non sopravvive alla pressione dell’esecuzione — prezzo, go-to-market, inventario, messaggio — è solo informazione.

Quella mentalità è ciò che mi ha portato a First Insight. Il retail è una delle industrie più guidate dal comportamento che esistano, eppure le decisioni hanno storicamente fatto affidamento su indicatori ritardati e istinto. Il mio lavoro è stato quello di colmare quel divario — portando la voce del cliente in primo piano abbastanza presto, e continuamente, per progettare risultati migliori piuttosto che reagire al fallimento.

Il mio focus ora è aiutare le organizzazioni a prendere decisioni migliori abbastanza presto da contare — in modo che crescano i ricavi, guadagnino la fedeltà del cliente e superino costantemente il mercato.

Come Chief Growth & Strategy Officer at First Insight, sovraintendi al prodotto, alla roadmap dell’AI, al go-to-market e al customer success. Come avere una visione unificata cambia il modo in cui l’AI dovrebbe essere progettata e distribuita all’interno delle organizzazioni di retail?

Quando si vede l’intero sistema, si smette di pensare all’AI come a uno strumento e si inizia a pensare a esso come a un modello operativo.

Il prodotto mostra ciò che è tecnicamente possibile. Il go-to-market mostra ciò che sarà effettivamente compreso e adottato. Il customer success mostra ciò che regge sotto vincoli del mondo reale — pressione temporale, tensione cross-funzionale, qualità dei dati e responsabilità. Quando queste prospettive sono unificate, l’AI viene progettata intorno a come le decisioni si verificano effettivamente, e non a come la tecnologia sembra impressionante in isolamento.

Quello è il motivo per cui l’AI nel retail deve funzionare come un sistema di decisioni e azioni, e non solo come un sistema di intelligenza. Deve collegare i segnali del cliente al prezzo, all’assortimento, al marketing e alla pianificazione in un modo che allinei i team e acceleri le decisioni. Quando l’AI riduce l’attrito tra i team e accorcia la distanza tra l’approfondimento e l’azione, inizia a consegnare valore reale.

I dettaglianti hanno a lungo fatto affidamento su cicli di pianificazione stagionale e dati storici. Da ciò che stai vedendo sul campo, perché quei modelli sono sempre più in disallineamento con il modo in cui i consumatori si comportano oggi?

Perché quei modelli sono stati costruiti per un mondo in cui il retail era principalmente incentrato sull’ottimizzazione di ciò che già esisteva — non sull’invenzione di ciò che verrà.

I dati storici delle vendite e i cicli stagionali possono aiutare a spiegare le prestazioni in categorie stabilite, ma sono deboli nelle due cose che i dettaglianti hanno bisogno oggi: rispondere ai rapidi cambiamenti del comportamento del cliente e creare nuova domanda attraverso l’innovazione del prodotto e l’espansione dello spazio bianco.

La domanda cambia in tempo reale — guidata dalla sensibilità del prezzo, dai momenti culturali, dall’influenza sociale, dalla pressione economica e dalla dinamica del canale. Una tendenza può emergere nel corso di una notte. Un segnale di prezzo può cambiare il comportamento all’istante. I dati storici spiegano ciò che già è accaduto, ma non dicono in modo affidabile come i clienti risponderanno dopo — anche per i prodotti già sullo scaffale — quando il contesto e il sentimento possono cambiare in qualsiasi momento.

Allo stesso tempo, molti dettaglianti stanno prendendo decisioni con CRM datati e vecchie visioni di chi è effettivamente il loro cliente. Nuovi concorrenti, nuovi canali e nuove generazioni con diverse aspettative e potere d’acquisto stanno costantemente allontanando i clienti — spesso senza che i dettaglianti se ne accorgano fino a quando i risultati non si manifestano in previsioni mancate o fedeltà in declino. In molti casi, i marchi stanno ottimizzando per clienti che non hanno più — o clienti che sono già passati a altro.

E quando si tratta di innovazione, la storia delle vendite non può validare un prodotto che non esiste ancora — o un segmento di clienti che si è in pericolo di perdere. Quello è il motivo per cui molti dettaglianti finiscono per iterare sul passato invece di finanziare con fiducia la prossima categoria, il prossimo set di funzionalità o il prossimo pubblico. La chiave è portare la voce del cliente in primo piano — abbastanza presto da guidare la creazione del concetto, il potere di prezzo e la posizione — in modo che l’innovazione diventi un sistema ripetibile invece di un azzardo.

L’assistente AI di First Insight, Ellis, consente query in linguaggio naturale intorno al prezzo, agli assortimenti e alla domanda. Quanto è importante la progettazione dell’interfaccia e l’accessibilità nel guidare l’adozione reale dell’AI rispetto alla sola capacità tecnica?

L’interfaccia è la differenza tra “l’AI esiste” e “l’AI viene utilizzato”.

La presa di decisioni nel retail copre molto più di un momento — ricerca del concetto, design, costruzione dell’assortimento, ottimizzazione del prezzo, modellazione del margine, profondità di acquisto, allocazione, regolazioni in stagione, marketing e vendita. La sfida non è che i dettaglianti non abbiano domande; è che le risposte sono intrappolate in dashboard, deck, esportazioni e team specializzati — e nel momento in cui vengono consegnate, il momento è passato.

Ellis conta perché rimuove l’attrito tra l’approfondimento e l’azione. Invece di navigare tra report o aspettare nuove analisi, i team possono porre domande strategiche e tattiche in linguaggio piano — su concetti, prezzi, assortimenti, segmenti, mercati, concorrenti — e ottenere risposte chiare e predittive in pochi minuti. Quello non è solo l’usabilità; è la velocità delle decisioni.

L’accessibilità guida anche l’adozione in tutta l’organizzazione. Quando lo stesso segnale del cliente è disponibile istantaneamente per merchandising, prezzo, marketing e pianificazione, si riducono le battaglie interne e la mancanza di allineamento. Le persone smettono di discutere su cui sono i dati giusti e iniziano a discutere cosa fare dopo — più velocemente e con maggiore fiducia.

Hai lavorato a stretto contatto con dettaglianti che navigano la pressione dei margini, il rischio dell’inventario e la domanda volatile. Dove l’AI consegna l’impatto più rapido e più misurabile oggi — e dove l’iperiallo è ancora davanti alla realtà?

L’impatto più rapido si verifica dove le decisioni sono frequenti, costose e sensibili al tempo: prezzo, selezione dell’assortimento, convalida della domanda e rischio dell’inventario. Quando l’AI aiuta i team a evitare di acquistare in eccesso, a mantenere il prezzo con fiducia o a uscire da prodotti perdenti prima, l’impatto finanziario è immediato e misurabile.

Dove l’iperiallo è davanti alla realtà è nell’idea di retail completamente autonomo — o l’AI che sostituisce la reale comprensione del cliente con scorciatoie sintetiche. I consumatori sono molto chiari: valorizzano l’autenticità, la trasparenza e l’essere ascoltati. L’AI che allontana i marchi dal cliente non crea efficienza — crea rischio.

Il modello vincente oggi è il giudizio umano aumentato da approfondimenti predittivi, non l’automazione per l’automazione stessa.

Molti strumenti AI promettono capacità predittive. Cosa significa previsione significativa nel retail, e come i leader dovrebbero valutare se le previsioni sono effettivamente pronte per le decisioni?

La previsione significativa nel retail non è una previsione — è la capacità di chiudere il ciclo dalla verità del cliente al risultato finanziario.

Molti output dell’AI sembrano predittivi, ma non cambiano l’azienda perché non entrano nel ritmo operativo. Il trimestre manca, l’inventario si accumula, i budget di sconto vengono spesi — e tutti possono indicare dati da qualche parte che avrebbero potuto aiutare. Il vero fallimento è che le decisioni non sono state allineate, le azioni non sono state prese e il flusso di lavoro non è cambiato.

La previsione pronta per le decisioni fa tre cose contemporaneamente:

1. È basata su come i clienti percepiscono effettivamente il valore — non solo la storia delle vendite — in modo da poter guidare le decisioni dal concetto alla stagione.
2. Si lega direttamente all’economia: elasticità della domanda, disponibilità a pagare, AUR/ASP nel ciclo di vita del prodotto e le implicazioni di margine del mantenimento del prezzo rispetto allo sconto.
3. È operativo — incorporato in un processo ripetibile che i team effettivamente seguono, non intrappolato in decine di strumenti e dashboard isolate.

Un tema ricorrente che vediamo è il costo della “coda lunga” degli SKU. La sovra-selezione è un killer silenzioso: profondità eccessiva, bassa velocità, rischio nascosto. Uno dei più grandi lever che l’AI predittiva sblocca è la capacità di tagliare la coda — rimuovere i prodotti che non performano presto e reinvestire quei dollari di inventario nei migliori performer dove la domanda e il sentimento del cliente sono più alti.

Quando i team applicano questa disciplina, vediamo risultati drammatici:

• i dollari di inventario vengono liberati per l’innovazione e le opportunità ad alto punteggio,
• il ritmo delle promozioni si stabilizza e si riduce,
• la pressione promozionale si allevia, e
• la fiducia del marchio aumenta perché i clienti non vengono addestrati a aspettarsi il 50-60% di sconto prima di comprare.

I leader dovrebbero valutare l’AI predittiva con una domanda: Cambia dove investiamo? Il più alto ROI non è più dati — è una migliore decisione su come allocare capitale, tempo e inventario contro la reale domanda del cliente — abbastanza presto da contare.

L’AI responsabile viene spesso discussa a livello alto. Nel retail in particolare, cosa significa adozione pratica e responsabile dell’AI quando le decisioni influenzano direttamente il prezzo, i consumatori e la fiducia del marchio?

L’AI responsabile nel retail inizia con un principio semplice: utilizzare l’AI per approfondire la relazione con il cliente, non sfruttarla.

Questo non riguarda il tracciamento iper di individui, la sorveglianza o il raccolta di dati per il loro stesso sake. L’AI responsabile riguarda portare la voce del cliente in ogni decisione su larga scala — in modo che i prodotti, i prezzi, i messaggi e le esperienze riflettano ciò che le persone effettivamente valorizzano. In molti modi è una forma di co-sviluppo: i clienti guidano ciò che viene creato , come viene posizionato e cosa sembra giusto.

Praticamente, l’AI responsabile sembra:

• Basare le decisioni su input reali del cliente — sia quantitativi che qualitativi (“ciò che lui/lei/loro ha detto”).
• Costruire trasparenza e paratie per decisioni ad alto impatto come prezzo, promozioni e segmentazione.
• Garantire l’equità tra segmenti e mercati, in modo che l’AI non favorisca involontariamente un gruppo mentre svantaggia un altro.
• Tenere gli esseri umani nel loop per il giudizio, la responsabilità e la creatività che l’AI non può generare da sola.

Utilizzata in questo modo, l’AI rafforza la relazione con il cliente invece di eroderla. I clienti si sentono ascoltati su larga scala. I team prendono decisioni migliori più velocemente. E i marchi costruiscono fiducia — perché non stanno più reagendo al mercato; stanno agendo con esso.

Hai guidato sia le narrazioni di marketing che la strategia del prodotto. Come i dettaglianti dovrebbero ripensare la narrazione interna intorno all’AI in modo che sia vista come un partner decisionale piuttosto che una minaccia o una scatola nera?

I dettaglianti dovrebbero smettere di raccontare la storia che l’AI è “analisi più intelligente” e iniziare a raccontare la storia che l’AI è la centralità del cliente su larga scala.

La frizione interna nel retail non è solo silos — è silos che prendono decisioni ad alto rischio con verità diverse: il marketing ha segnali di coinvolgimento, il merchandising ha storia delle vendite, il prezzo ha pressione di margine, la pianificazione ha vincoli di inventario. È lì che si verificano le battaglie.

L’AI diventa un partner decisionale quando crea un linguaggio condiviso tra funzioni: la voce del cliente, tradotta in orientamento predittivo che informa prodotto, prezzo, assortimento e come vendere — dall’inizio alla fine, dal concetto alla conversione.

È importante essere onesti sul ruolo degli esseri umani. L’AI non inventa la prossima idea dirompente — impara modelli. Gli esseri umani portano creatività, gusto, intento del marchio e intuizione culturale. L’AI rende quella creatività più affilata accorciando i cicli di feedback e testando le decisioni prima che il mercato lo faccia.

Man mano che l’AI diventa più integrata nella pianificazione e nelle decisioni in stagione, come vedi evolversi il ruolo del giudizio umano piuttosto che scomparire?

Il giudizio umano diventa più importante — e più sfruttato — perché nella stagione è dove il profitto del retail viene vinto o perso.

I saldi sono uno dei costi più grandi nel retail. I dettaglianti spesso budgettano per essi perché sono costretti a cancellare l’inventario invenduto. Il motivo per cui i saldi sono così dolorosi è il timing: scontare troppo presto distrugge il margine; scontare troppo tardi si perde la finestra per convertire la domanda.

Con l’AI predittiva e gli esseri umani nel loop, i team possono modellare curve di domanda elastiche e capire come ASP/AUR dovrebbe evolversi nel corso della vita del prodotto — in base al sell-through, alla percezione del cliente e ai segnali del mercato. Ciò consente mosse più intelligenti: quando mantenere il prezzo, quando scontare e di quanto — senza correggere eccessivamente.

Le decisioni in stagione non sono solo di prezzo. L’AI può informare promozioni e marketing in stagione tenendo conto di momenti culturali, influencer, accelerazione delle tendenze e cambiamenti nei profili del cliente — insieme alla percezione del prodotto e alla sensibilità del prezzo. Gli esseri umani applicano il giudizio: intento del marchio, tolleranza al rischio e le scelte creative che l’AI non può originare.

Il futuro non è l’automazione. È una decisione più rapida e più informata dal cliente — dove l’AI scala l’ascolto, e gli esseri umani guidano il significato.

Guardando avanti, come ti aspetti che l’AI agente e generativa ridisegni i flussi di lavoro del retail nei prossimi due o tre anni — non teoricamente, ma operativamente?

Stiamo passando da sistemi di intelligenza a sistemi di azione.

Operativamente, l’AI generativa renderà l’approfondimento accessibile in tutti i ruoli e livelli — riassumendo, confrontando, spiegando e rispondendo a domande istantaneamente. L’AI agente assumerà sempre più il lavoro ripetitivo che rallenta le organizzazioni: preparare scenari, assemblare briefings pronti per l’esecutivo, monitorare segnali, segnalare rischi e coordinare le prossime azioni migliori.

Ma il cambiamento più significativo non sarà che l’AI “gestisce il retail”. Sarà che i dettaglianti finalmente stringeranno il ciclo tra il cliente e l’impresa. I team si muoveranno più velocemente, taglieranno l’attrito interno e prenderanno decisioni migliori prima — prima che le tendenze raggiungano il picco, prima che i saldi si moltiplichino e prima che le opportunità mancate diventino errori trimestrali.

I dettaglianti che vincono non saranno quelli con gli esperimenti AI più numerosi. Saranno quelli che costruiscono un ritmo operativo ripetibile in cui la verità del cliente, l’intelligenza predittiva e la creatività umana lavorano insieme — dal concetto alla conversione.

Grazie per l’intervista dettagliata, i lettori che desiderano saperne di più possono visitare First Insight.