์ธํฐ๋ทฐ
Amanpal Dhupar, Tredence์ ์๋งค ๋ด๋น์ – ์ธํฐ๋ทฐ ์๋ฆฌ์ฆ
Amanpal Dhupar, Tredence의 소매 담당자는 10년 이상의 경험을 가진 소매 분석 및 AI 리더로서 데이터 기반 솔루션을 설계하고 개발하여 기업의 의사결정자에게 행동할 수 있는 통찰력을 제공하는 전문가입니다. 그의 경력 동안, 그는 주요 소매업체의 고위幹部을 위한 전략적 분석 변화를 이끌었으며, 측정 가능한 비즈니스 KPI를 구동하기 위한 AI 제품 로드맵을 구축하고, 분석 팀을 초기 단계에서 대규모 운영으로 확장하였습니다. 이는 기술적인 깊이와 리더십의 다변화 모두를 보여줍니다.
Tredence는 기업들이 고급 분석, 기계 학습, AI 기반 의사결정을 통해 비즈니스 가치를 해방시키는 데 도움을 주는 데이터 과학 및 AI 솔루션 회사입니다. 이 회사는 글로벌 브랜드, 특히 소매 및 소비재 업체와 협력하여 상품 관리, 공급망, 가격, 고객 경험, 및 시장 진출 운영을 포함한 복잡한 문제를 해결하고, 통찰력을 실제적인 영향을 미치도록 변환하며, 고객이 분석 및 지능 능력을 현대화하도록 지원합니다.
소매업체는 종종 수십 개의 AI 파일럿을 실행하지만, 매우少数만이 전체 배포로 이동한다. AI가 측정 가능한 비즈니스 결과를 도출하지 못하게 하는 가장 일반적인 조직적 실수는 무엇인가?
MIT Solan 연구에 따르면, 95%의 AI 파일럿이 전체 배포에 이를 수 없습니다. 현실은, 파일럿은 쉽지만, 생산은 어렵습니다. Tredence에서, 우리는 이 격차를 일으키는 네 가지 특정한 조직적 이유를 확인했습니다.
첫 번째는 최종 사용자 워크플로우를 이해하지 못하는 것입니다. 소매업체는 종종 기존의 고장난 프로세스에 AI를 삽입하는 대신, 워크플로우 자체가 AI를 중심으로 재구성되어야 하는지 묻지 않습니다.
두 번째는 Agentic AI에 대한 플랫폼 접근 방식의 부족입니다. 조직은 에이전트를 일회성 실험으로 다루는 대신, 에이전트의 설계, 개발, 배포, 모니터링, 거버넌스 등 전체 라이프사이클을 전사적으로 스트림라인해야 합니다.
세 번째는 약한 데이터 기반입니다. 파일럿을 깨끗한 플랫 파일에서 구축하는 것은 쉽지만, 확장은 정확한 데이터가 AI 모델에 지속적으로 접근할 수 있는 강력한 실시간 기반을 필요로 합니다.
마지막으로, 우리는 IT 푸시 대 비즈니스 풀 사이의 마찰을 보게 됩니다. 성공은 비즈니스 리더가 AI를 측정 가능한 영향을 가진 가치 추가로 보는 경우에만 발생하며, IT에 의해 밀어붙여지는 방해물이 아닙니다. Tredence에서, 우리의 초점은 항상 ‘마지막 마일’에서 발생하며, 여기서 우리는 통찰력 생성과 가치 실현 사이의 간격을 연결합니다.
Tredence는 세계에서 가장 큰 소매업체 중 많은 곳과 협력하여 수조 달러의 매출을 지원합니다. 업계 전반에서 보이는 바에 따르면, AI를 성공적으로 확장하는 소매업체와 실험에 머무르는 소매업체를 구분하는 것은 무엇인가?
Tredence에서, 수조 달러의 소매 매출을 지원하는 것은 업계의 명확한 분할을 제공합니다. 즉, 소매업체는 AI를 일련의 별개의 실험으로 다루는 경우와 AI 팩토리를 구축하는 경우입니다. 주요 차별점은 Agentic AI 플랫폼 기반에 대한 헌신에 있습니다. 가장 성공적인 조직은_scratch에서 구축하는 것을 중단하고, 재사용 가능한 구성 요소 라이브러리, 표준 디자인 템플릿, 및 특정 소매 사용 사례에 맞춘 사전 구축 에이전트 패턴으로 특징지어지는 강력한 생태계에 투자합니다. 이 기초 위에 성숙한 LLMOps, 풀스택 관찰 가능성, 및 내장된 책임 있는 AI(RAI) 가드레일을 계층화하면, 영향은 변혁적입니다. 우리는 일반적으로 80%의 속도-가치 향상을 보게 됩니다. 새로운 사용 사례에 대한 이유는 이미 완료되었습니다.
그러나 플랫폼은 소비하는 컨텍스트만큼 좋은 것입니다. 이는 확장에 필요한 것이 단순히 데이터에 대한 원시적인 접근이 아니라, AI가 비즈니스에 대해 ‘이유’를 부여할 수 있는 강력한 시맨틱 레이어를 필요로 함을 의미합니다. 여기서 강한 메타데이터와 통일된 데이터 모델이 있습니다. 마지막으로, 진정한 리더는 이것이 기술적 개선만이 아니라 문화적 개선이라는 것을認識합니다. 그들은 ‘마지막 마일’을 가교함으로써, 단순한 자동화 너머로 인간-에이전트 팀을 구축하고, 에이전트와 협력하여 디지털 대응자를 신뢰하고 협력하도록 워크플로우를 재설계함으로써, 알고리즘적 잠재력을 측정 가능한 비즈니스 현실로 전환합니다.
70% 이상의 소매 프로모션은 여전히 손익분기점을 돌파하지 못한다. 프로모션 계획, 측정, 및 실시간 최적화를 의미 있게 개선하기 위해 AI는 어떻게 도움이 될 수 있는가?
70%의 실패율은 소매업체가 종종 ‘후방 미러’ 분석에 의존하기 때문입니다. 즉, 총 판매와 증분 리프트를 혼동하는 것입니다. 즉, 이미 구매할 것이라고 믿는 충성도 높은 고객에게 보조금을 지불하는 것입니다. 이 사이클을 깨기 위해, 우리는 설명적 보고서에서 예측적 접근 방식으로 전환해야 합니다. 계획 단계에서, 우리는 결과를 시뮬레이션하고 ‘진짜 기준점’을 설정하기 위해 인과적 AI를 사용합니다. 즉, 프로모션이 없이 무엇이 판매되었을지 식별합니다. 이것은 소매업체가 유기적인 수요에 대한 보조금을 중단하고, 순수하게 새로운 볼륨만을 타겟으로 하는 것을 가능하게 합니다.
측정의 경우, AI는 ‘포트폴리오 퍼즐’을 해결하여 홀로 효과와 식품을 양립시킵니다. 인간 상인들은 종종 실로에서 계획하지만, AI는 범주 전체의 관점을 제공하여, 하나의 SKU에 대한 프로모션이 다른 SKU의 마진을 빼앗지 않는지 확인합니다. 이러한 전체적인 측정은 소매업체가 범주를 성장시키고 있는지, 아니면 단순히 파이를 다르게 자르고 있는지 이해하는 데 도움이 됩니다.
마지막으로, 실시간 최적화를 위해, 업계는 캠페인을 ‘비행 중’으로 모니터링하는 AI 에이전트로 이동하고 있습니다. 이벤트 종료 후 수주가 지나기 전에, 에이전트는 자동으로 교정 사항을 추천합니다. 즉, 디지털 광고 지출을 조정하거나 제안을 교체하여 수익을 회복하는 것입니다. 이 접근 방식은 단순히 재고를 청소하는 것에서 수익성 있는 성장을 설계하는 것으로焦点을 전환합니다.
예측 오류와 재고 부족은 여전히 주요 매출 손실을引き起こ고 있습니다. 전통적인 예측 접근 방식보다 AI 기반의 상품 관리 및 공급망 시스템이 더 효과적인 이유는 무엇인가?
첫 번째 전환은 예측에서 발생합니다. 여기서 AI는 내부 기록에만 의존하는 것에서 외부 데이터(예: 지역 날씨, 사회적 이벤트, 경제 지표)를 섭취하는 방식으로 이동합니다. 예측이 외부 컨텍스트를 캡처할 때, 정확도 향상은 판매 수치만을 개선하는 것이 아니라, 재고 관리, 용량 계획, 노동 스케줄, 및 창고 운영을 실제 수요와 일치시키는 데 도움이 됩니다.
두 번째 전환은 재고 부족(OOS)에서 발생합니다. 대부분의 소매업체는 여전히 재고 부족을 정확하게 측정하지 못합니다. AI는 판매 패턴의 이상을 감지하여 ‘팬텀 재고’를 식별하고, 자동으로 사이클 카운트를 트리거하여 기록을 수정합니다. 데이터 너머, 우리는 실시간으로 선반 간격을 물리적으로 플래그하고, 백룸에서 재고를 추적하여, 제품이 건물 안에 있는지 여부와는 상관없이 고객이 구매할 수 있도록 보장하는 컴퓨터 비전의 부상에 대해 보게 됩니다.
에이전트 커머스는 소매 혁신에서 주요 테마가되고 있습니다. 이유 기반 AI 에이전트는 오늘날의 검색 기반 쇼핑 경험과 비교하여 제품 발견 및 전환을 어떻게 의미 있게 변경하는가?
오늘날의 검색 기반 쇼핑에서, 소비자는 여전히 대부분의 힘든 작업을 수행해야 합니다. 그들은 무엇을 찾을지 알아야 하며, 옵션을 비교하고, 끝없는 결과를 이해해야 합니다. 이유 기반 에이전트는 동적으로 ‘합성 통로’를 생성하여, 다중 범주 제품을 특정 의도에 따라 집계하여, 이 방해를 해결합니다. 예를 들어, 5개의 항목을 별도로 검색하는 대신, 건강한 아침을 원하는 쇼퍼에게, 고단백 시리얼에서 믹서기까지 일시적인 통로를 즉시 제공하여, 발견 펀넬을 분 단위에서 초 단위로 축소합니다.
전환면에서, 이러한 에이전트는 검색 엔진보다 쇼핑 컨시어지처럼 작동합니다. 그들은 단순히 옵션을 나열하는 대신, 열린 nhu cầu에 따라 바구니를 구축합니다. 고객이 ‘$50 이하의 4명용 저녁 식사 계획’을 요청하면, 에이전트는 재고, 가격, 및 식이 제한을 고려하여 완전한 번들을 제안합니다. 이 이유 능력은 의사결정 마비를 줄이고, 단순한 제품 썸네일 그리드보다 높은 전환율을 구동합니다.
마지막으로, 우리는 이것이 초 개인화된 콘텐츠로 확장하고 있음을 보게 됩니다. 모든 사람이 동일한 홈페이지 배너를 보는 대신, 에이전트는 고객의 현재 쇼핑 임무를 반영하는 동적 랜딩 페이지 및 시각적 요소를 생성할 수 있습니다. 그러나 이것이 확장되기 위해서는, 소매업체는 엄격한 브랜드 및 안전성 거버넌스를 갖춘 통일된 데이터 모델에 이러한 에이전트를 기반으로 해야 합니다. 이는 AI의 ‘창의력’이 제품이나 브랜드 음성을 위반하지 않는다는 것을 보장합니다.
많은 소매업체가 구식 데이터 아키텍처에 어려움을 겪고 있습니다. AI 모델이 신뢰할 수 있는 및 설명 가능한 추천을 제공할 수 있도록 기업이 데이터 기반을 어떻게 현대화해야 하는가?
AI 성공의 가장 큰 장벽은 모델이 아니라 ‘데이터 스왑’입니다. 현대화하기 위해, 소매업체는 단순히 데이터를 수집하는 것에서 통일된 시맨틱 레이어를 구축하는 것으로 전환해야 합니다. 이는 표준 ‘데이터 모델’을 구현하는 것을 의미합니다. 여기서 비즈니스 논리(예: ‘순 마진’ 또는 ‘이탈’이 정확히 어떻게 계산되는지)는 한 번 정의되고, 전사적으로 普遍적으로 접근할 수 있습니다. 그 아니라, 조각난 SQL 스크립트에 숨겨져 있는 것입니다.
두 번째로, 기업은 ‘데이터 제품’ 마인드로 전환해야 합니다. 데이터를 IT의 부생산물로 다루는 대신, 성공적인 소매업체는 데이터를 제품으로 다루며, 소유권, SLA, 및 엄격한 품질 모니터링(데이터 관찰 가능성)이 정의되어 있습니다. 깨끗한, 거버넌스된 ‘골든 레코드’를 풍부한 메타데이터와 결합하면, 설명 가능성을 잠금 해제합니다. AI는 단순히 블랙박스 추천을 내보내지 않습니다. 그것은 논리를 시맨틱 레이어를 통해 추적할 수 있습니다.
소매업체와 CPG 회사 간의 협력은 역사적으로 단편화된 데이터와 일관되지 않은 지표에 의존했습니다. 통일된 데이터 모델과 공유 AI 플랫폼은 양쪽 모두에게 더 강한 카테고리 성과를 어떻게 잠금 해제하는가?
지금까지, 소매업체와 CPG 회사는 동일한 고객을 서로 다른 렌즈를 통해 보았습니다. 각자 자신의 데이터와 인센티브를 사용했습니다. 통일된 데이터 모델은 가치 사슬을 통해 단일한 진실 버전을 생성하여 이를 변경합니다. 양쪽 모두가 동일한 AI 플랫폼에서 일할 때, 범주 수준에서 성장 또는 누수를 구동하는 것을 공동으로 식별할 수 있습니다. 이것은 가격, 프로모션, 어셈블리, 또는 재고 간격일 수 있습니다. 이것은 ‘나의 데이터 대 너의 데이터’에서 ‘우리의 공유 기회’로 대화를 전환합니다.
결과는 더智能한 결정, 더 빠른 실험, 및 궁극적으로, 양쪽 모두에게ประโยชน을주는 더 높은 카테고리 성장입니다.
소매 미디어 네트워크가 성숙함에 따라, AI는 타겟팅, 측정, 및 폐쇄 루프 속성의 향상과 소비자 신뢰를 유지하면서 어떤 역할을 할 것인가?
AI는 소매 미디어 네트워크가 성숙함에 따라, 네 가지 주요 영역에서 변혁을 일으킬 것입니다.
첫 번째는 타겟팅입니다. 업계는 정적 오디언스 세그먼트에서 예측적 의도로 발전하고 있습니다. 실제로 쇼퍼의 nhu cầu의 정확한 순간을 식별하기 위해, 브라우징 속도 또는 바구니 구성과 같은 실시간 신호를 분석하여, 에이전트는 가장 중요한 때에 올바른 광고를 표시합니다. 이는 단순히 광범위한 인구통계학적 레이블을 타겟으로 하는 것보다 더 효율적입니다.
두 번째는 측정입니다. 기준은 단순한 광고 비용에 대한 수익(ROAS)에서 증분 ROAS(iROAS)로 이동하고 있습니다. 인과적 AI를 활용하여, 우리는 실제 미디어 비용의 영향을 측정할 수 있습니다. 즉, 광고로 인해 전환한 쇼퍼와 유기적으로 발생했을 쇼퍼를 식별합니다.
세 번째는 운영 효율성이 중요해집니다. 특히, 크리에이티브 운영에서입니다. 초 개인화를 지원하기 위해, 소매업체는 제너레이티브 AI를 사용하여, 자동으로 채널별 동적 자산 변형을 수분에서 수주로 생산할 수 있습니다. 이는 ‘콘텐츠 속도’의 병목 현상을 해결합니다.
마지막으로, 신뢰를 유지하는 것은 데이터 클린 룸의 광범위한 채택에 달려 있습니다. 이러한 환경은 소매업체와 브랜드가 데이터셋을 일치시키기 위해 안전하게 폐쇄 루프 속성을 보장하며, 개인 식별 정보(PII)가 कभ이 그들의 방화벽을 떠나지 않습니다.
앞으로, AI 기반 소매업체의 다음 세대는 어떤 능력이 정의할 것인가? 그리고, 다음 5년 동안 경쟁력을 유지하기 위해 리더들은 오늘부터 무엇을 구축해야 하는가?
다음 세대의 소매업체는 ‘디지털 변환’에서 ‘에이전트 변환’으로의 이동으로 정의될 것입니다. 우리는 ‘자율 오케스트레이션’의 미래로 이동하고 있습니다. 여기서 AI 에이전트 네트워크는 복잡한 프로세스를 실행하는 데 협력합니다. 즉, 공급망 에이전트가 자동으로 마케팅 에이전트에게 배송이 지연되었으므로 프로모션을 일시 중지하도록 알립니다.
이것에 대비하기 위해, 리더들은 오늘부터 세 가지 것을 구축해야 합니다.
첫 번째는 통일된 데이터 모델입니다. 에이전트는 동일한 언어를 사용하지 않는다면 협력할 수 없습니다. 데이터 기반은 저장소에서 시맨틱 ‘신경계’로 발전해야 합니다.
두 번째는 에이전트를 위한 거버넌스 프레임워크입니다. 규칙을 정의해야 합니다. 즉, AI가 자동으로 무엇을 할 수 있으며, 무엇이 인간의 승인을 필요로 하는지 정의해야 합니다. 그리고 나서 확장합니다.
마지막으로, 정적 대시보드가 제공하는 ‘후방’ 분석의 날들은 숫자로 표시됩니다. 우리는 인스턴트, 개인화된 통찰력을 제공하는 대화형 분석으로 이동하고 있습니다. 이러한 인터페이스는 단순히 ‘무엇이 발생했는지’를 보고하는 것을 넘어, 복잡한 ‘왜’ 질문을 이유로하고, 정확히 ‘무엇을 해야 하는지’에 대한 처방적 추천을 제공하여, 통찰력과 행동 사이의 간격을 닫습니다.
