Amanpal Dhupar, hoofd Retail bij Tredence – Interviewserie

Amanpal DhuparDe heer [Naam], Hoofd Retail bij Tredence, is een ervaren leider op het gebied van retailanalyse en AI met meer dan tien jaar expertise in het ontwerpen en ontwikkelen van datagedreven oplossingen die bruikbare inzichten leveren voor besluitvormers binnen grote bedrijven. Gedurende zijn carrière heeft hij strategische transformaties op het gebied van analytics geleid voor senior executives bij grote retailers, AI-productroadmaps ontwikkeld om meetbare bedrijfs-KPI's te realiseren en analytics-teams opgeschaald van de beginfase tot grootschalige operaties – waarmee hij zowel technische diepgang als veelzijdig leiderschap heeft aangetoond.

Tredens is een data science- en AI-oplossingenbedrijf dat zich richt op het helpen van bedrijven bij het ontsluiten van zakelijke waarde door middel van geavanceerde analyses, machine learning en AI-gestuurde besluitvorming. Het bedrijf werkt samen met wereldwijde merken – met name in de retail en consumentengoederen – om complexe uitdagingen op te lossen op het gebied van merchandising, supply chain, prijsstelling, klantbeleving en go-to-market-activiteiten. Daarbij worden inzichten vertaald naar concrete resultaten en worden klanten geholpen hun analyse- en intelligentiecapaciteiten te moderniseren.

Retailers voeren vaak tientallen AI-pilots uit, maar slechts weinig gaan over tot volledige implementatie. Wat zijn de meest voorkomende organisatorische fouten die ervoor zorgen dat AI geen meetbare bedrijfsresultaten oplevert?

Een recente studie van MIT Solan toonde aan dat 95% van de AI-pilots niet tot een volledige implementatie leidt. De realiteit? Pilots zijn makkelijk, maar productie is moeilijk. Bij Tredence hebben we vier specifieke organisatorische redenen voor dit probleem geïdentificeerd.

Ten eerste is er het gebrek aan begrip voor de workflow van de eindgebruiker. Retailers voegen vaak AI toe aan bestaande, gebrekkige processen in plaats van zich af te vragen hoe de workflow zelf opnieuw vormgegeven zou moeten worden met AI in het centrum.

Ten tweede ontbreekt een platformbenadering voor agentische AI. In plaats van agents te behandelen als eenmalige experimenten, moeten organisaties de gehele levenscyclus stroomlijnen – van het ontwerp en de ontwikkeling van agents tot de implementatie, monitoring en governance – binnen de hele onderneming.

Ten derde is er een zwakke datafundament. Het is gemakkelijk om een ​​pilot te bouwen met een schoon, plat bestand, maar opschalen vereist een robuust, realtime fundament waar nauwkeurige data continu toegankelijk is voor AI-modellen.

Tot slot zien we wrijving tussen de druk van IT en de vraag vanuit de business. Succes wordt alleen bereikt wanneer bedrijfsleiders AI zien als een toegevoegde waarde met meetbare impact, in plaats van een afleiding die door IT wordt gepusht. Bij Tredence ligt onze focus altijd op de 'laatste stap', waar we deze kloof overbruggen tussen het genereren van inzichten en het realiseren van waarde.

Tredence werkt samen met veel van 's werelds grootste retailers en ondersteunt een omzet van triljoenen euro's. Wat onderscheidt, gezien de ontwikkelingen in de branche, retailers die AI succesvol opschalen van retailers die in de experimentele fase blijven steken?

Bij Tredence, waar we miljarden aan retailomzet ondersteunen, hebben we een uniek inzicht in een duidelijke tweedeling binnen de sector: retailers die AI beschouwen als een reeks losse experimenten versus retailers die een geïndustrialiseerde 'AI-fabriek' bouwen. Het belangrijkste verschil zit hem in de toewijding aan een Agentic AI Platform. De meest succesvolle organisaties stoppen met bouwen vanaf nul en investeren in plaats daarvan in een robuust ecosysteem dat wordt gekenmerkt door herbruikbare componentbibliotheken, standaard ontwerpsjablonen en vooraf gebouwde agentpatronen die zijn afgestemd op specifieke retailtoepassingen. Wanneer je daar bovenop een volwaardig LLMOps-platform, full-stack observability en ingebouwde, verantwoordelijke AI (RAI)-beveiligingsmechanismen plaatst, is de impact transformatief: we zien doorgaans dat de snelheid waarmee waarde wordt gegenereerd voor nieuwe toepassingen met 80% verbetert, omdat het zware architectonische werk al is gedaan.

Een platform is echter slechts zo goed als de context die het gebruikt, en dat brengt ons bij de datafundamenten. Schaalvergroting vereist meer dan alleen toegang tot data; het vraagt ​​om een ​​rijke semantische laag waar sterke metadata en uniforme datamodellen de AI in staat stellen om daadwerkelijk over de business te 'redeneren' in plaats van alleen input te verwerken. Tot slot erkennen de echte leiders dat dit niet alleen een technologische, maar ook een culturele omwenteling is. Ze overbruggen de 'laatste stap' door verder te gaan dan simpele automatisering en over te stappen op samenwerking tussen mens en agent, waarbij workflows opnieuw worden ontworpen zodat medewerkers en verkopers hun digitale tegenhangers vertrouwen en met hen samenwerken, en zo het potentieel van algoritmes omzetten in meetbare zakelijke realiteit.

Meer dan 70 procent van de promoties in de detailhandel is nog steeds niet rendabel. Hoe kan AI de planning, meting en realtime optimalisatie van promoties aanzienlijk verbeteren?

Het hoge faalpercentage van 70% blijft bestaan ​​omdat retailers vaak vertrouwen op analyses achteraf, waarbij de totale omzet wordt verward met de incrementele omzetstijging. Dit is in feite een subsidie ​​voor trouwe klanten die sowieso al zouden hebben gekocht. Om deze cyclus te doorbreken, moeten we overstappen van beschrijvende rapportage naar een meer voorspellende aanpak. In de planningsfase gebruiken we Causal AI om resultaten te simuleren en 'echte basiswaarden' vast te stellen. Zo identificeren we precies wat er zonder de promotie zou zijn verkocht. Hierdoor hoeven retailers niet langer te betalen voor organische vraag en kunnen ze zich volledig richten op het genereren van nieuwe omzet.

Voor metingen lost AI de 'portfoliopuzzel' op door halo-effecten en kannibalisatie te kwantificeren. Menselijke inkopers plannen vaak in afzonderlijke afdelingen, maar AI biedt een categoriebreed overzicht, waardoor wordt gegarandeerd dat een promotie op één product niet simpelweg de marge van een ander product wegneemt. Deze holistische meting helpt retailers te begrijpen of ze de categoriemarkt laten groeien of deze simpelweg anders indelen.

Tot slot, voor realtime optimalisatie, evolueert de sector naar AI-agents die campagnes 'tijdens de uitvoering' monitoren. In plaats van weken na afloop te wachten op een analyse achteraf, bevelen deze agents autonoom koerscorrecties aan – zoals het aanpassen van de digitale advertentie-uitgaven of het wijzigen van aanbiedingen – om de winst- en verliesrekening te redden voordat de promotie eindigt. Deze aanpak verschuift de focus van het simpelweg opruimen van advertentieruimte naar het creëren van winstgevende groei.

Foutieve voorspellingen en voorraadtekorten blijven leiden tot aanzienlijke omzetverliezen. Wat maakt AI-gestuurde systemen voor merchandising en supply chain management effectiever dan traditionele voorspellingsmethoden?

De eerste verandering vindt plaats in de voorspellingen, waarbij AI ons in staat stelt niet langer uitsluitend te vertrouwen op interne historische gegevens, maar ook externe data te gebruiken, zoals lokaal weer, maatschappelijke gebeurtenissen en economische indicatoren. Wanneer de voorspelling deze externe context meeneemt, leidt de toename in nauwkeurigheid niet alleen tot hogere verkoopcijfers; het heeft ook een domino-effect op andere processen, zoals voorraadbeheer, capaciteitsplanning, personeelsroosters en magazijnactiviteiten, zodat deze beter aansluiten op de werkelijke vraag.

De tweede verschuiving betreft voorraadtekorten (Out-of-Stocks, OOS), die de meeste retailers nog steeds niet nauwkeurig meten. AI lost dit op door afwijkingen in verkooppatronen te detecteren – 'fantoomvoorraad' te identificeren, waarbij het systeem denkt dat een artikel op voorraad is, maar de verkoop is gestopt – en automatisch voorraadcontroles te activeren om de gegevens te corrigeren. Naast de data zien we de opkomst van computervisie om fysiek lege schappen in realtime te signaleren en de voorraad in magazijnen te volgen, zodat het product niet alleen 'in het gebouw' is, maar ook beschikbaar is voor de klant.

Agentgestuurde handel wordt een belangrijk thema in retailinnovatie. Hoe veranderen op redenering gebaseerde AI-agenten de productontdekking en conversie wezenlijk in vergelijking met de huidige zoekmachinegestuurde winkelervaring?

In de huidige, op zoekopdrachten gebaseerde online winkelwereld, doen consumenten nog steeds het meeste werk zelf. Ze moeten weten waar ze naar moeten zoeken, opties vergelijken en de eindeloze hoeveelheid resultaten interpreteren. Op redenering gebaseerde systemen doorbreken dit door dynamisch 'synthetische schappen' te genereren – op maat gemaakte collecties die producten uit verschillende categorieën samenvoegen op basis van een specifieke intentie. In plaats van bijvoorbeeld afzonderlijk naar vijf artikelen te zoeken, krijgt een shopper met de missie 'gezonde ochtend' een samenhangend, tijdelijk schap te zien met alles van eiwitrijke ontbijtgranen tot blenders, waardoor het zoekproces direct van minuten naar seconden wordt verkort.

Wat conversies betreft, gedragen deze agents zich minder als zoekmachines en meer als 'shopping concierges'. Ze tonen niet alleen opties, maar stellen actief winkelmandjes samen op basis van open behoeften. Als een klant bijvoorbeeld vraagt ​​om een ​​'dinerarrangement voor vier personen onder de $50', analyseert de agent de voorraad, de prijs en eventuele dieetwensen om een ​​compleet arrangement voor te stellen. Dit vermogen om te redeneren overbrugt de 'vertrouwenskloof': door uit te leggen waarom een ​​specifiek product aansluit bij de levensstijl of het doel van de gebruiker, vermindert de agent besluiteloosheid en zorgt voor hogere conversiepercentages in vergelijking met een statische weergave van productafbeeldingen.

Tot slot zien we dit zich uitbreiden naar hypergepersonaliseerde content. In plaats van iedereen dezelfde homepagebanner te tonen, kan Agentic AI dynamische landingspagina's en visuals genereren die aansluiten bij de huidige winkelbehoeften van de klant. Om dit op grote schaal te kunnen toepassen, merken retailers echter dat ze deze agents moeten verankeren in een uniform datamodel met strikte merk- en veiligheidsrichtlijnen. Zo wordt ervoor gezorgd dat de 'creativiteit' van de AI nooit producten hallucineert of de merkidentiteit schendt.

Veel retailers kampen met verouderde data-architecturen. Hoe kunnen bedrijven hun data-infrastructuur moderniseren, zodat AI-modellen betrouwbare en verklaarbare aanbevelingen kunnen leveren?

De grootste belemmering voor het succes van AI zijn niet de modellen zelf, maar het 'datamoeras' dat eronder schuilgaat. Om te moderniseren, moeten retailers stoppen met het simpelweg verzamelen van data en overgaan op het bouwen van een uniforme semantische laag. Dit betekent het implementeren van een standaard 'datamodel' waarin de bedrijfslogica (zoals de exacte berekening van 'nettomarge' of 'klantverloop') eenmaal is gedefinieerd en universeel toegankelijk is, in plaats van verborgen te zijn in gefragmenteerde SQL-scripts verspreid over de hele organisatie.

Ten tweede moeten bedrijven overstappen op een 'dataproduct'-mentaliteit. In plaats van data te beschouwen als een IT-bijproduct, behandelen succesvolle retailers het als een product met een duidelijke eigendomsstructuur, SLA's en strenge kwaliteitscontrole (data-observabiliteit). Wanneer je dit schone, beheerde 'gouden record' combineert met rijke metadata, ontsluit je de mogelijkheid tot uitleg. De AI geeft niet zomaar een black-box-aanbeveling; de logica erachter kan worden herleid tot de semantische laag.

De samenwerking tussen retailers en FMCG-bedrijven is van oudsher gebaseerd op gefragmenteerde data en inconsistente meetmethoden. Hoe kunnen uniforme datamodellen en gedeelde AI-platformen leiden tot betere prestaties binnen de productcategorie voor beide partijen?

Tot nu toe hebben retailers en fabrikanten van consumentengoederen dezelfde klant vanuit verschillende perspectieven bekeken, elk met hun eigen data en incentives. Uniforme datamodellen veranderen dit door één betrouwbare bron van informatie te creëren voor de gehele waardeketen, of het nu gaat om schapprestaties of koopgedrag.

Wanneer beide partijen hetzelfde AI-platform gebruiken, kunnen ze gezamenlijk vaststellen wat de groei of het verlies op categorieniveau stimuleert. Dit kan van alles zijn: prijsstelling, promoties, assortiment of voorraadtekorten. Hierdoor verschuift het gesprek van "mijn data versus die van jou" naar "onze gezamenlijke kans".

Het resultaat is slimmere beslissingen, snellere experimenten en uiteindelijk een hogere groei in de categorie, wat zowel retailers als merken ten goede komt.

Naarmate retailmedianetwerken volwassener worden, welke rol zal AI spelen bij het verbeteren van targeting, meting en gesloten-lusattributie, terwijl het consumentenvertrouwen behouden blijft?

Naarmate retailmedianetwerken volwassen worden, zal AI vier belangrijke gebieden transformeren.

Ten eerste evolueert de branche op het gebied van targeting van statische doelgroepsegmenten naar voorspellende intentie. Door realtime signalen te analyseren – zoals browsesnelheid of de samenstelling van het winkelmandje – om het precieze moment te bepalen waarop een shopper een behoefte heeft, zorgt AI ervoor dat we de juiste advertenties tonen wanneer dat het meest relevant is, in plaats van ons te richten op een brede demografische groep.

Ten tweede verschuift de gouden standaard voor meting van het eenvoudige rendement op advertentie-uitgaven (ROAS) naar incrementele ROAS (iROAS). Door gebruik te maken van causale AI kunnen we de werkelijke impact van de mediabestedingen meten door shoppers te identificeren die alleen dankzij de advertentie tot een conversie zijn overgegaan, in tegenstelling tot shoppers die dat ook organisch zouden hebben gedaan.

Ten derde wordt operationele efficiëntie steeds belangrijker, met name in creatieve processen. Om hyperpersonalisatie te ondersteunen, gebruiken retailers generatieve AI niet alleen voor ideeënontwikkeling, maar ook om de productie op te schalen. Hierdoor kunnen teams automatisch duizenden dynamische, kanaalspecifieke varianten van content genereren in minuten in plaats van weken, waardoor het knelpunt van 'content velocity' wordt opgelost.

Ten slotte is het behoud van vertrouwen afhankelijk van de wijdverspreide toepassing van data clean rooms. Deze omgevingen stellen retailers en merken in staat hun datasets veilig te matchen voor gesloten attributie, waardoor wordt gegarandeerd dat gevoelige persoonsgegevens (PII) hun respectievelijke firewalls nooit verlaten.

Welke mogelijkheden zullen de volgende generatie AI-gestuurde retailers kenmerken, en waaraan moeten leiders nu al beginnen te werken om de komende vijf jaar concurrerend te blijven?

Het volgende tijdperk in de detailhandel zal worden gekenmerkt door de verschuiving van 'digitale transformatie' naar 'agentische transformatie'. We bewegen ons naar een toekomst van 'autonome orkestratie', waarin netwerken van AI-agenten samenwerken om complexe processen uit te voeren – zoals een supply chain-agent die automatisch een marketingagent opdracht geeft een promotie te pauzeren omdat een levering vertraagd is.

Om zich hierop voor te bereiden, moeten leiders vandaag nog beginnen met het opbouwen van drie dingen.

Ten eerste is een uniform datamodel essentieel. Agenten kunnen niet samenwerken als ze niet dezelfde taal spreken; uw datafundament moet evolueren van een opslagplaats naar een semantisch 'zenuwstelsel'.

Ten tweede is er een governancekader voor agentschappen. Je moet de 'spelregels' definiëren – wat een AI autonoom mag doen en wat menselijke goedkeuring vereist – voordat je opschaalt.

De tijd van statische dashboards die alleen achteraf analyses bieden, is voorbij. We bewegen ons richting conversationele analyses die direct gepersonaliseerde inzichten verschaffen. Deze interfaces gaan veel verder dan alleen rapporteren 'wat er is gebeurd'; ze maken gebruik van AI om complexe 'waarom'-vragen te beantwoorden en concrete aanbevelingen te doen over 'wat er vervolgens moet gebeuren'. Zo wordt de kloof tussen inzicht en actie effectief gedicht.

Bedankt voor het geweldige interview, lezers die meer willen weten, zouden moeten bezoeken Tredens.