Amanpal Dhupar、Tredence 小売部門責任者 – インタビューシリーズ

Amanpal Dhuparは、Tredenceの小売部門責任者であり、10年以上の経験を持つ小売アナリティクスおよびAIリーダーです。企業の意思決定者に実用的なインサイトを提供するデータ駆動型ソリューションの設計と開発に精通しています。彼のキャリアを通じて、主要小売企業の上級管理職向けに戦略的アナリティクス変革を主導し、測定可能なビジネスKPIを推進するAI製品ロードマップを構築し、アナリティクスチームを立ち上げから大規模な運用へと拡大してきました。これは、技術的な深さとリーダーシップの多様性の両方を示しています。

Tredenceは、高度なアナリティクス、機械学習、AIを活用した意思決定を通じて企業がビジネス価値を引き出すのを支援することに焦点を当てたデータサイエンスおよびAIソリューション企業です。同社は、特に小売および消費財分野のグローバルブランドと提携し、商品販売、サプライチェーン、価格設定、顧客体験、市場投入戦略にわたる複雑な課題を解決し、インサイトを現実世界でのインパクトに変換することで、クライアントのアナリティクスおよびインテリジェンス能力の近代化を支援しています。

小売企業は多くの場合、数十ものAIパイロットを実施しますが、本格的な導入に移行するものはごくわずかです。AIが測定可能なビジネス成果に結びつくのを妨げる、最も一般的な組織的な失敗は何ですか？

最近のMIT Solanの調査によると、AIパイロットの95%が本格的な導入を達成できていません。現実は？パイロットは簡単ですが、本番運用は難しいのです。Tredenceでは、このギャップを生み出す4つの具体的な組織的理由を特定しています。

第一に、エンドユーザーのワークフローを理解できていないことです。小売企業は、AIを中心にワークフロー自体をどのように再構築すべきかを問うのではなく、既存の壊れたプロセスにAIを挿入することがよくあります。

第二に、エージェントAIに対するプラットフォームアプローチの欠如です。エージェントを単発の実験として扱うのではなく、組織はエージェントの設計、開発から導入、監視、ガバナンスに至るまでの全ライフサイクルを企業全体で合理化する必要があります。

第三に、脆弱なデータ基盤です。きれいなフラットファイルでパイロットを構築するのは簡単ですが、スケールするには、正確なデータがAIモデルに継続的にアクセス可能な、堅牢でリアルタイムな基盤が必要です。

最後に、IT主導の押し付けとビジネス主導の引き出しの間の摩擦が見られます。成功は、ビジネスリーダーがAIをITによって押し付けられる邪魔者ではなく、測定可能なインパクトに結びついた付加価値と見なすときにのみ起こります。Tredenceでは、私たちは常に「ラストマイル」に焦点を当て、インサイトの生成と価値の実現の間のこのギャップを埋めることに注力しています。

Tredenceは、世界の多くの大規模小売企業と協力し、数兆円の売上を支えています。業界全体でご覧になっていることに基づいて、AIのスケールに成功している小売企業と、実験段階に留まっている小売企業を分けるものは何ですか？

Tredenceでは、数兆円の小売売上を支える中で、明確な業界の分断を目の当たりにしています。それは、AIを一連の個別の実験として扱う小売企業と、工業化された「AIファクトリー」を構築する小売企業との違いです。主な違いは、エージェントAIプラットフォーム基盤へのコミットメントにあります。最も成功している組織は、ゼロから構築するのをやめ、代わりに、再利用可能なコンポーネントライブラリ、標準的な設計テンプレート、特定の小売ユースケースに合わせた事前構築済みのエージェントパターンによって特徴付けられる堅牢なエコシステムに投資します。この基盤の上に成熟したLLMOps、フルスタックのオブザーバビリティ、組み込みの責任あるAI（RAI）ガードレールを重ねると、その影響は変革的です。新しいユースケースの価値実現までのスピードが通常80%向上します。なぜなら、重いアーキテクチャ作業は既に完了しているからです。

しかし、プラットフォームはそれが消費するコンテキスト次第です。これはデータ基盤につながります。スケーリングには、単なるデータへの生のアクセス以上のものが必要です。強力なメタデータと統一されたデータモデルを持つ豊かなセマンティックレイヤーが必要であり、これによりAIは単に入力を処理するだけでなく、ビジネスについて実際に「推論」できるようになります。最後に、真のリーダーは、これが単なる技術的な刷新ではなく、文化的な刷新であることを認識しています。彼らは、単純な自動化を超えて人間とエージェントのチームワークに移行し、従業員や商人がデジタル対応者を信頼して協力するようにワークフローを再設計することで「ラストマイル」を埋め、アルゴリズムの可能性を測定可能なビジネスの現実に変えます。

小売プロモーションの70%以上がまだ採算ラインを達成できていません。AIは、プロモーション計画、測定、リアルタイム最適化をどのように意味のある形で改善できますか？

70%の失敗率が続いているのは、小売企業がしばしば「バックミラー」アナリティクスに依存し、総売上と増分リフトを混同しているからです。本質的に、プロモーションがなくても購入したであろう忠実な買い物客に補助金を出していることになります。このサイクルを断ち切るには、記述的なレポートからより予測的なアプローチへと移行する必要があります。計画段階では、因果関係AIを使用して結果をシミュレーションし、「真のベースライン」を確立し、プロモーションがなければ何が売れていたかを正確に特定します。これにより、小売企業は自然発生する需要に対して支払うのをやめ、純粋な新規ボリュームのみをターゲットにすることができます。

測定に関しては、AIは「ポートフォリオパズル」を解決し、ハロー効果と共食い効果を定量化します。人間の商人はしばしばサイロ化して計画を立てますが、AIはカテゴリー全体の視点を提供し、あるSKUのプロモーションが単に別のSKUからマージンを奪っているだけではないことを保証します。この包括的な測定は、小売企業がカテゴリーパイを拡大しているのか、それとも単に異なる方法で分割しているのかを理解するのに役立ちます。

最後に、リアルタイム最適化については、業界はキャンペーンを「進行中」に監視するAIエージェントに向かっています。イベントの数週間後に事後分析を待つのではなく、これらのエージェントは自律的に、デジタル広告費の調整やオファーの交換などの軌道修正を推奨し、プロモーションが終了する前にP&Lを救済します。このアプローチは、単に在庫を処分することから、収益性の高い成長を設計することへと焦点を移します。

予測誤差と品切れは、引き続き主要な収益損失の原因となっています。AI駆動の商品販売およびサプライチェーンシステムが、従来の予測アプローチよりも効果的である理由は何ですか？

最初の変化は予測にあります。AIは、内部の履歴のみに依存する状態から、地域の天気、社会的イベント、経済指標などの外部データを取り込むように私たちを移行させます。予測がこの外部コンテキストを捉えると、精度の向上は単に売上数字を改善するだけでなく、真の需要に合わせて在庫管理、キャパシティ計画、労働スケジュール、倉庫作業を最適化するために下流に連鎖します。

第二の変化は品切れ（OOS）にあります。これは、ほとんどの小売企業がまだ正確に測定できていません。AIは、販売パターンの異常を検出することでこれを修正します。システムは在庫があると思っているが、販売が停止している「ファントム在庫」を特定し、自動的に循環棚卸をトリガーして記録を修正します。データを超えて、コンピュータビジョンがリアルタイムで棚の隙間を物理的にフラグ付けし、裏部屋の在庫を追跡することで、製品が単に「建物内にある」だけでなく、顧客が購入できる状態にあることを保証する動きが高まっています。

エージェント型コマースは、小売イノベーションの主要なテーマになりつつあります。推論ベースのAIエージェントは、今日の検索主導の買い物体験と比較して、製品発見とコンバージョンをどのように意味のある形で変えますか？

今日の検索主導の買い物では、消費者はまだほとんどの重労働を担っています。彼らは何を探すべきかを知り、選択肢を比較し、無限の結果を理解する必要があります。推論ベースのエージェントは、特定の意図に基づいて複数カテゴリーの製品を集約したカスタムコレクションである「合成された通路」を動的に生成することで、これを破壊します。例えば、5つのアイテムを別々に検索する代わりに、「健康的な朝」というミッションを持つ買い物客には、高タンパクシリアルからブレンダーまで全てを含む、一貫性のある一時的な通路が提示され、発見のファネルを数分から数秒に瞬時に圧縮します。

コンバージョン面では、これらのエージェントは検索エンジンというより、「買い物コンシェルジュ」のように振る舞います。彼らは単に選択肢をリストするのではなく、オープンエンドのニーズに基づいて積極的にバスケットを構築します。もし顧客が「4人分の夕食プラン、50ドル以下」を求めた場合、エージェントは在庫、価格、食事制限の制約を推論して、完全なバンドルを提案します。この推論能力は「信頼ギャップ」を埋めます。特定の製品がユーザーのライフスタイルや目標にどのように合致するかを説明することで、エージェントは決断の麻痺を減らし、無言の製品サムネイルグリッドと比較してより高いコンバージョン率を促進します。

最後に、これは超パーソナライズされたコンテンツにまで拡大しているのを見ています。全員に同じホームページバナーを表示するのではなく、エージェントAIは、顧客の現在の買い物ミッションを反映した動的なランディングページとビジュアルを生成できます。しかし、これをスケールさせるためには、小売企業は、これらのエージェントを厳格なブランドおよび安全性ガバナンスを備えた統一データモデルに基づかせる必要があることに気づいています。これにより、AIの「創造性」が製品を幻覚させたり、ブランドの声に違反したりすることがないようにします。

多くの小売企業は、時代遅れのデータアーキテクチャに苦しんでいます。企業は、AIモデルが信頼でき説明可能な推奨を提供できるように、データ基盤をどのように近代化すべきですか？

AIの成功に対する最大の障壁は、モデル自体ではなく、その下にある「データの沼」です。近代化するために、小売企業は単にデータを収集するのをやめ、統一されたセマンティックレイヤーを構築しなければなりません。これは、ビジネスロジック（例えば「純利益」や「解約」がどのように正確に計算されるか）が一度定義され、組織全体の断片化されたSQLスクリプトに隠されるのではなく、普遍的にアクセス可能である標準的な「データモデル」を実装することを意味します。

第二に、企業は「データプロダクト」の考え方に移行する必要があります。データをITの副産物として扱うのではなく、成功している小売企業は、定義された所有権、SLA、厳格な品質監視（データオブザーバビリティ）を備えたプロダクトとして扱います。このクリーンで統制された「ゴールデンレコード」を豊富なメタデータと組み合わせると、説明可能性が解き放たれます。AIはブラックボックスの推奨を単に吐き出すのではなく、その論理をセマンティックレイヤーを通じて遡ることができます。

小売企業とCPG企業間の協力は、歴史的に断片化されたデータと一貫性のない指標に依存してきました。統一データモデルと共有AIプラットフォームは、両側にとってより強いカテゴリーパフォーマンスをどのように解き放ちますか？

これまで、小売企業とCPG企業は、それぞれ独自のデータとインセンティブを使用して、同じ顧客を異なるレンズで見てきました。統一データモデルは、棚のパフォーマンスであれ買い物客の行動であれ、バリューチェーン全体で単一の真実のバージョンを作成することでこれを変えます。

両者が同じAIプラットフォームで作業するとき、彼らは共同で、カテゴリーレベルで何が成長や漏出を促進しているかを特定できます。それは、価格設定、プロモーション、品揃え、在庫ギャップなど、何でもあり得ます。これは、「私のデータ vs あなたのデータ」から「私たちの共有の機会」へと会話をシフトさせます。

その結果は、より賢い意思決定、より速い実験、そして最終的には、小売企業とブランドの両方に利益をもたらすより高いカテゴリー成長です。

小売メディアネットワークが成熟するにつれて、AIは、消費者信頼を維持しながら、ターゲティング、測定、クローズドループアトリビューションの改善においてどのような役割を果たしますか？

AIは、小売メディアネットワークが成熟するにつれて、4つの主要な領域を変革します。

第一に、ターゲティングにおいて、業界は静的なオーディエンスセグメントから予測的な意図へと進化しています。閲覧速度やバスケット構成などのリアルタイムシグナルを分析して、買い物客のニーズの正確な瞬間を特定することで、AIは、広範な人口統計学的ラベルをターゲットにするだけでなく、最も重要なときに適切な広告を表示することを保証します。

第二に、測定において、ゴールドスタンダードは単純な広告費用対効果（ROAS）から増分ROAS（iROAS）へと移行しています。因果関係AIを活用することで、広告によってのみコンバージョンした買い物客と、自然にコンバージョンしたであろう買い物客を特定することにより、メディア支出の真のインパクトを測定できます。

第三に、運用効率が重要になってきており、特にクリエイティブオペレーションにおいてそうです。超パーソナライゼーションをサポートするために、小売企業は、アイデア出しだけでなく、生産をスケールするために生成AIを使用しています。これにより、チームは数週間ではなく数分で、数千の動的でチャネル固有のアセットバリエーションを自動生成でき、「コンテンツ速度」のボトルネックを解決します。

最後に、信頼を維持することは、データクリーンルームの広範な採用に依存しています。これらの環境により、小売企業とブランドは、機密性の高い個人識別情報（PII）がそれぞれのファイアウォールを離れることなく、クローズドループアトリビューションのためにデータセットを安全に照合できます。

今後を見据えて、次世代のAIを活用した小売企業を定義する能力は