インタビュー
アマンパル・ドゥパール、Tredence の小売担当ディレクター – インタビュー・シリーズ
アマンパル・ドゥパール、Tredence の小売担当ディレクターは、10 年以上の経験を持つ小売分析と AI リーダーであり、企業の意思決定者にとって実行可能な洞察を提供するデータ駆動型のソリューションを設計および開発してきました。彼のキャリアの中で、彼は主要な小売業者に対する戦略的な分析変革をリードし、計測可能なビジネス KPI を推進するための AI 製品ロードマップを構築し、分析チームを拡大して大規模な運用を行ってきました。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、企業が高度な分析、機械学習、AI ドリブンの意思決定を通じてビジネス価値を解放することに重点を置いたデータサイエンスと AI ソリューションの会社です。同社は、特に小売と消費財の分野でグローバルブランドと提携し、商品管理、サプライチェーン、価格設定、顧客体験、市場参入運用などの複雑な課題を解決し、洞察を現実の影響に変え、顧客が分析と知能の機能を近代化するのに役立ちます。
小売業者はしばしば数十の AI パイロットを実行しますが、ほとんどが本格的な展開には移行しません。AI が測定可能なビジネス結果になることを妨げる最も一般的な組織的なミスは何ですか？
最近の MIT Solan の研究によると、95% の AI パイロットは本格的な展開に到達しません。現実は、パイロットは簡単ですが、生産は難しいです。Tredence では、4 つの特定の組織的な理由がこのギャップを生み出していることを特定しました。
第一に、エンドユーザーのワークフローを理解することに失敗しています。小売業者は、AI を既存の壊れたプロセスに挿入するのではなく、ワークフロー自体を AI を中心に再構想する方法を尋ねることがよくあります。
第二に、Agentic AI に対するプラットフォームアプローチが不足しています。組織は、エージェントを一時的な実験として扱うのではなく、エージェントの設計、開発、展開、監視、ガバナンスの全ライフサイクルを企業全体でストリームライン化する必要があります。
第三に、データ基盤が弱いです。パイロットを構築するのは簡単ですが、拡大するには、AI モデルに正確なデータが継続的にアクセス可能な、堅牢でリアルタイムの基盤が必要です。
最後に、IT プッシュとビジネスプルの間の摩擦があります。成功は、ビジネスリーダーが AI を測定可能な影響に結び付けた価値として見る場合にのみ発生します。Tredence では、常に「最後の 1 マイル」に焦点を当ててきました。ここで、洞察の生成と価値の実現の間のギャップを埋めてきました。
Tredence は、多くの世界的大手小売業者と協力しており、収益のトリルをサポートしています。業界全体で見てきたことから、小売業者が AI を成功的に拡大することを何が決定づけているのでしょうか？
Tredence では、収益のトリルをサポートすることで、業界の明確な分裂を目にしました。小売業者は、AI を一連の断片的な実験として扱うのではなく、工業化された「AI ファクトリー」を構築することです。主な違いは、Agentic AI プラットフォームの基盤への取り組みにあります。最も成功した組織は、スクラッチから構築するのではなく、再利用可能なコンポーネント ライブラリ、標準のデザイン テンプレート、特定の小売用途に合わせて構築された事前構築されたエージェント パターンで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、フルスタックの観察可能性、組み込みの責任ある AI (RAI) ガードレールを重ねると、影響は変革的です。通常、用途の速度対価値が 80% 改善します。なぜなら、重いアーキテクチャの作業はすでに完了しているからです。
しかし、プラットフォームは、消費するコンテキストの良いものである限り、優れています。これは、データ基盤に来ます。拡大するには、生のデータへのアクセスだけでなく、AI がビジネスについて推論することができる、豊富なセマンティック レイヤーが必要です。最後に、真のリーダーは、これが単なるテクノロジーのオーバーホールではなく、文化的なものであることを認識しています。彼らは、「最後の 1 マイル」を超えて、単純な自動化を超えて、人間とエージェントのチーム作業に移行し、ワークフローを再構成して、従業員と商人がデジタル カウンターパートと信頼して協力できるようにし、アルゴリズムの潜在力を測定可能なビジネス現実に変えます。
70%以上の小売プロモーションはまだ損益分岐点を達成できません。AI はどのようにしてプロモーション計画、測定、リアルタイム最適化を改善できますか？
70% の失敗率は、後ろ向きの分析に頼る小売業者が原因です。総売上高と増加額を混同し、有機的な需要を支払い、既に購入するであろう忠実な顧客をサブシディしています。サイクルを破るには、記述的なレポートから予測的なアプローチに移行する必要があります。計画段階では、結果をシミュレートし、「真のベースライン」を確立するために、因果 AI を使用します。どれがプロモーションなしで売れるかを特定します。これにより、小売業者は有機的な需要に支払うのを停止し、ネット新規量のみをターゲットにできます。
測定の場合、AI は「ポートフォリオ パズル」を解決します。人間の商人はシロに計画しますが、AI はカテゴリ全体のビューを提供し、1 つの SKU のプロモーションが別の SKU からマージンを盗んでいないことを保証します。この包括的な測定により、小売業者はカテゴリのパイを成長させているか、異なる方法でスライスしているかを理解できます。
最後に、リアルタイムの最適化について、業界はキャンペーンを「飛行中」に監視する AI エージェントに向かっています。イベント後数週間待つ代わりに、これらのエージェントは、デジタル広告支出の調整やオファーの交換などのコース修正を自律的に推奨します。P&L をプロモーションの終了前に救うために。これにより、在庫のクリアから利益のエンジニアリングへの焦点が移ります。
予測エラーと在庫切れはまだ大きな収益損失を引き起こしています。AI ドリブンの商品管理とサプライチェーン システムは、従来の予測アプローチよりもどのようにして効果的です？
最初のシフトは予測です。ここで、AI は内部の歴史だけに頼るのではなく、外部データを取り込みます。天候、社会的イベント、経済指標などのローカル データです。予測がこの外部のコンテキストを捉えると、精度の改善は売上高の数字だけに影響を及ぼすのではなく、在庫管理、能力計画、労働スケジュール、倉庫運用を実際の需要に合わせて最適化することで、下流にカスケードします。
第二のシフトは在庫切れ (OOS) です。ほとんどの小売業者はまだこれを正確に測定できません。AI は、販売パターンの異常を検出して「ファントム在庫」を特定し、システムが在庫があると考えているアイテムの販売が停止したときに、サイクル カウントを自動的にトリガーしてレコードを修正します。データの範囲を超えて、リアルタイムで棚のギャップを物理的にフラグし、バックルームの在庫を追跡するためにコンピュータ ビジョンを使用することが増えています。製品が「建物の中」にあっても、顧客が購入できるようにします。
Agentic コマースは小売業界のイノベーションの重要なテーマになっています。推論ベースの AI エージェントは、今日の検索ベースのショッピング体験と比較して、製品の発見と変換をどのようにして意味fully 変更しますか？
今日の検索ベースのショッピングでは、消費者が最も重労働を行います。彼らは何を探すか、オプションを比較し、無数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、これを動的に生成する「合成の通路」によって混乱します。多カテゴリ製品を特定の意図に基づいて集めたカスタム コレクションです。たとえば、5 つのアイテムを個別に検索するのではなく、「健康的な朝」の使命を持つショッパーは、高タンパク質シリアルからブレンダーまで、すべてを含む一貫性のある一時的な通路を提示されます。発見の漏斗を数分から数秒に圧縮します。
変換の側面では、これらのエージェントは検索エンジンのようにではなく、「ショッピング コンシエージュ」のように機能します。彼らはオプション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バスケットを積み込みます。顧客が「4 人分の夕食プランを 50 ドル以内で」と尋ねた場合、エージェントは在庫、価格、食事制限を推論して、完全なバンドルを提案します。これにより、「信頼のギャップ」を閉じ、静的な製品サムネイルのグリッドよりも高い変換率をもたらします。
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ます。すべての人が同じホームページ バナーを見ているのではなく、Agentic AI は、顧客の現在のショッピング ミッションを反映するダイナミック 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、これを拡大するには、小売業者は、厳格なブランドと安全性のガバナンスを備えた統一データ モデルにこれらのエージェントを根付かせる必要があります。AI の「創造性」が製品やブランドの声を妄想したり違反したりしないことを保証するためです。
多くの小売業者は古いデータ アーキテクチャに苦労しています。企業は AI モデルが信頼性の高い推奨事項を提供できるように、データ基盤をどのようにして近代化する必要がありますか？
AI の成功を妨げる最大の障壁はモデルではなく、モデル下にある「データの沼」です。近代化するには、小売業者は単にデータを収集するのではなく、統一されたセマンティック レイヤーを構築する必要があります。これは、ビジネス ロジック (「ネット マージン」または「流失」が計算される方法など) が 1 回定義され、組織全体で普遍的にアクセス可能な「データ モデル」の実装を意味します。
第二に、企業は「データ製品」の心構え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、所有権、SLA、厳格な品質モニタリング (データ観察可能性) が定義された製品として扱う必要があります。クリーンで管理された「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、説明可能性が解放されます。AI は単にブラックボックスの推奨事項を出力するのではなく、そのロジックをセマンティック レイヤーを通じて追跡できます。
小売業者と CPG 社間のコラボレーションは、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。統一されたデータ モデルと共有 AI プラットフォームは、双方のカテゴリ パフォーマンスをどのように強化しますか？
これまで、小売業者と CPG 社は、同じ顧客を別のレンズで見てきました。各自が独自のデータとインセンティブを使用してきました。統一されたデータ モデルは、これを変えます。価値チェーン全体にわたって単一の真実のバージョンを作成します。双方が同じ AI プラットフォーム上で共同して、カテゴリ レベルの成長や漏れを推進するものを特定できます。価格、プロモーション、商品の組み合わせ、在庫のギャップなどです。この会話は、「私のデータ vs. あなたのデータ」から「私たちの共有の機会」に移行します。
結果は、より賢明な決定、より迅速な実験、そして最終的に、双方に利益をもたらすカテゴリの成長率の向上です。
小売メディア ネットワークが成熟するにつれて、AI はターゲティング、測定、クローズド ループの属性についてどのように役割を果たすでしょうか？そして、消費者の信頼を維持するにはどうすればよいですか？
AI は、4 つの重要な分野で小売メディア ネットワークが成熟するにつれて変換されます。
第一に、ターゲティングでは、業界は静的なオーディエンス セグメントから予測される意図へと進化しています。リアルタイムのシグナル (ブラウジングの速度やバスケットの構成など) を分析して、ショッパーのニーズの正確な瞬間を特定することで、AI は、最も重要なときに右の広告を表示します。広い人口統計的ラベルをターゲットにするのではなく。
第二に、測定については、金標準は単純な広告支出収益率 (ROAS) から増分 ROAS (iROAS) へ移行しています。因果 AI を使用して、広告支出の実際の影響を測定します。広告によってのみ変換したショッパーと、自然に発生したショッパーを特定します。
第三に、運用的効率が特に重要になります。特にクリエイティブ運用においてです。ハイパー パーソナライゼーションをサポートするために、小売業者はジェネレーティブ AI を使用しています。アイデア出しのためにだけではなく、動的、チャネル固有のアセット バリエーションを数千個自動的に生成するために使用しています。これにより、チームは数分でこれらのバリエーションを生成できます。週ではなく。
最後に、信頼を維持するには、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、小売業者とブランドは、クローズド ループの属性を保証するために、安全にデータセットをマッチングできます。機密の個人情報 (PII) がそれぞれのファイアウォールを離れることはありません。
先を見て、次の世代の AI パワード リテーラーを定義する機能とは何ですか？そして、次の 5 年間で競争力を維持するために、リーダーは今日から何を構築し始めるべきですか？
次の小売の時代は、「デジタル トランスフォーメーション」から「Agentic トランスフォーメーション」への移行によって定義されます。自律的なオーケストレーションの未来に向かっています。ここで、AI エージェントのネットワークが複雑なプロセス (出荷が遅れた場合、サプライ チェーン エージェントがマーケティング エージェントにプロモーションを一時停止するように伝えるなど) を実行するために協力します。
これに備えるには、リーダーは今日から 3 つのことを構築し始める必要があります。
第一に、統一されたデータ モデルです。エージェントは同じ言語を話さなければ協力できないため、データ基盤を単なるストレージ リポジトリからセマンティック「神経系」に進化させる必要があります。
第二に、エージェントのガバナンス フレームワークです。規模を拡大する前に、エージェントが自律的に行うことができることと、人間の承認が必要なことを定義する必要があります。
最後に、静的なダッシュボードが「後ろ向き」の分析を提供することは数え切れません。会話型の分析に移行しています。インスタント、パーソナライズされた洞察を提供し、これらは単に「何が起こったか」を報告するのではなく、複雑な「なぜ」の質問を推論し、「次に何をしなければならないか」という具体的な推奨事項を提供することで、洞察と行動の間のギャップを効果的に埋めます。
素晴らしいインタビュー、ありがとうございます。詳細を知りたい読者は、Tredence を訪問してください。
