Amanpal Dhupar, Hoofd van Retail bij Tredence – Interviewreeks

Amanpal Dhupar, Hoofd van Retail bij Tredence is een ervaren leider in retail analytics en AI met meer dan een decennium aan ervaring in het ontwerpen en ontwikkelen van data-gedreven oplossingen die actiegerichte inzichten bieden voor beslissers in ondernemingen. Gedurende zijn carrière heeft hij strategische analytics-transformaties geleid voor senioren executives bij grote retailers, AI-productroadmaps gebouwd om meetbare business-KPI’s te stimuleren en analytics-teams geschaald vanaf de kinderschoenen tot grote operaties—waarmee hij zowel technische diepgang als leiderschapsversatiliteit heeft aangetoond.

Tredence is een data science- en AI-oplossingenbedrijf dat zich richt op het helpen van ondernemingen om bedrijfswaarde te ontgrendelen via geavanceerde analytics, machine learning en AI-gedreven besluitvorming. Het bedrijf werkt samen met wereldwijde merken—vooral in retail en consumentengoederen—om complexe uitdagingen op te lossen op het gebied van merchandising, supply chain, prijzen, klantervaring en go-to-market-operaties, waardoor inzichten worden omgezet in echte impact en klanten helpen om hun analytics- en intelligentiecapaciteiten te moderniseren.

Retailers voeren vaak tientallen AI-pilots uit, maar slechts weinigen gaan over tot volledige implementatie. Wat zijn de meest voorkomende organisatorische fouten die voorkomen dat AI leidt tot meetbare businessresultaten?

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

Ten eerste is het falen om de eindgebruikerworkflow te begrijpen. Retailers voegen AI vaak toe aan bestaande gebrekkige processen in plaats van te vragen hoe de workflow zelf moet worden herontworpen met AI in het centrum.

Ten tweede is het ontbreken van een platformaanpak voor Agentic AI. In plaats van agents te behandelen als eenmalige experimenten, moeten organisaties het hele levenscyclusproces van agentontwerp en -ontwikkeling tot implementatie, monitoring en governance stroomlijnen—over de hele onderneming.

Ten derde is een zwakke data-fundament. Het is gemakkelijk om een pilot te bouwen op een schone platte bestand, maar schaalbaarheid vereist een robuust, real-time fundament waarbij nauwkeurige data continu toegankelijk is voor AI-modellen.

Ten slotte zien we een wrijving tussen IT-duw en business-trek. Succes komt alleen tot stand wanneer businessleiders AI zien als een waarde-add die is gekoppeld aan meetbare impact, in plaats van een afleiding die wordt opgedrongen door IT. Bij Tredence hebben we ons altijd gericht op de ‘laatste mijl’, waar we de kloof tussen inzichtgeneratie en waarde-realiseren overbruggen.

Tredence werkt met veel van ‘s werelds grootste retailers, ondersteunt triljoenen aan omzet. Op basis van wat u ziet in de industrie, wat onderscheidt retailers die AI succesvol schalen van diegenen die vastzitten in experimenten?

Bij Tredence heeft het ondersteunen van triljoenen aan retailomzet ons een front-row seat gegeven voor een duidelijke industrie-scheiding: retailers die AI behandelen als een reeks afzonderlijke experimenten versus diegenen die een geïndustrialiseerde ‘AI-fabriek’ bouwen. Het primaire onderscheid ligt in een toewijding aan Agentic AI-platformfundamenten. De meest succesvolle organisaties stoppen met het bouwen van scratch en investeren in een robuust ecosysteem gekenmerkt door herbruikbare componentbibliotheken, standaardontwerpsjablonen en vooraf gebouwde agentpatronen die zijn afgestemd op specifieke retailuse-cases. Wanneer u volwassen LLMOps, full-stack observability en ingebouwde verantwoorde AI (RAI)-wachters op deze fundamenten laagt, is de impact transformatief—wij zien typisch een verbetering van 80% in de snelheid naar waarde voor nieuwe use-cases omdat het zware architectonische tillen al is gedaan.

Hoewel een platform alleen zo goed is als de context die het consumeert, brengt dit ons bij de data-fundamenten. Schaalbaarheid vereist meer dan alleen ruwe toegang tot data; het vereist een rijke semantische laag waarin sterke metadata en unified data-modellen AI in staat stellen om echt ‘over het bedrijf te redeneren’ in plaats van alleen inputs te verwerken. Ten slotte erkennen de echte leiders dat dit niet alleen een technologische overhaul is, maar ook een culturele. Zij overbruggen de ‘laatste mijl’ door verder te gaan dan eenvoudige automatisering naar menselijke agent-samenwerking, door workflows opnieuw te ontwerpen zodat medewerkers en merchants vertrouwen en samenwerken met hun digitale tegenhangers, waardoor algoritmirische potentieel wordt omgezet in meetbare businessrealiteit.

Meer dan 70% van de retailpromoties faalt nog steeds om break-even te bereiken. Hoe kan AI promotionplanning, meting en real-time-optimalisatie zinvol verbeteren?

De 70%-falenratio houdt aan omdat retailers vaak vertrouwen op ‘achteruitkijkende’ analytics die totale verkoop verwarren met incrementele lift—feitelijk subsidiëren zij trouwe klanten die toch al zouden hebben gekocht. Om deze cyclus te doorbreken, moeten we overschakelen van beschrijvende rapportage naar een meer voorspellende aanpak. In de planningsfase gebruiken wij Causale AI om resultaten te simuleren en ‘echte baselines’ vast te stellen, waarmee wij exact kunnen identificeren wat zou zijn verkocht zonder de promotie. Dit stelt retailers in staat om te stoppen met het betalen voor organische vraag en alleen netto-nieuwe volume te targeten.

Voor meting lost AI het ‘portfolio-puzzel’ op door halo-effecten en kannibalisme te kwantificeren. Menselijke merchants plannen vaak in silo’s, maar AI biedt een categoriebrede visie, waardoor retailers kunnen begrijpen of zij de categorie-pie groeien of deze alleen anders snijden.

Ten slotte, voor real-time-optimalisatie, beweegt de industrie zich in de richting van AI-agents die campagnes ‘in de lucht’ monitoren. In plaats van te wachten op een post-mortem-analyse weken na het evenement, bevelen deze agents autonomously koerscorrecties aan—zoals het aanpassen van digitale advertentie-uitgaven of het wisselen van aanbiedingen—om de P&L te redden voordat de promotie eindigt. Deze aanpak verschuift de focus van het simpelweg opruimen van voorraad naar het engineeren van winstgevende groei.

Voorspelfouten en uitverkochte voorraad blijven grote omzetverliezen veroorzaken. Wat maakt AI-gedreven merchandising- en supply chain-systemen effectiever dan traditionele voorspellingsbenaderingen?

De eerste verschuiving is in voorspelling, waar AI ons verplaatst van het vertrouwen op interne geschiedenis naar het consumeren van externe data—zoals lokale weersomstandigheden, sociale evenementen en economische indicatoren. Wanneer de voorspelling deze externe context vastlegt, verbeteren de nauwkeurigheidswinsten niet alleen de verkoopcijfers; ze optimaliseren ook voorraadbeheer, capaciteitsplanning, arbeidsroosters en magazijnoperaties om deze af te stemmen op de werkelijke vraag.

De tweede verschuiving is in uitverkochte voorraad, die de meeste retailers nog steeds niet nauwkeurig meten. AI lost dit op door afwijkingen in verkooppatronen te detecteren—het identificeren van ‘fantoomvoorraden’ waar het systeem denkt dat een artikel op voorraad is, maar de verkoop is gestopt—en automatisch cyclustellingen te activeren om het record te corrigeren. Bovenop de data zien wij de opkomst van computerzicht om fysieke gaten in de schappen in real-time te markeren en voorraad in magazijnen te volgen, waardoor wordt gegarandeerd dat het product niet alleen ‘in het gebouw’ is, maar beschikbaar is voor de klant om te kopen.

Agentic commerce wordt een belangrijk thema in retailinnovatie. Hoe veranderen redenerende AI-agents productontdekking en conversie in vergelijking met de huidige zoekgedreven winkelervaring?

In de huidige zoekgedreven winkel doen consumenten nog steeds de meeste zware tillen. Zij moeten weten waar ze naar zoeken, opties vergelijken en zin maken van eindeloze resultaten. Redenerende agents doorbreken dit door dynamisch ‘synthetische gangen’ te genereren—gecustomiseerde collecties die multi-categorale producten aggregaten op basis van een specifiek doel. Bijvoorbeeld, in plaats van afzonderlijk te zoeken naar vijf artikelen, wordt een shopper met een ‘gezonde ochtend’-missie gepresenteerd met een samenhangende, tijdelijke gang die alles omvat van hoge-eiwitgranen tot blenders, waardoor de ontdekkingsfunnel in enkele seconden ineenstort.

Aan de conversiezijde gedragen deze agents zich minder als zoekmachines en meer als ‘winkelpersoonlijke assistenten’. Zij geven niet alleen opties weer; zij bouwen actief winkelwagens op basis van open-eindige behoeften. Als een klant vraagt om een ‘dinerplan voor vier onder de $50’, redeneren de agents door voorraad, prijs en dieetbeperkingen om een complete bundel voor te stellen. Deze redeneringscapaciteit sluit de ‘vertrouwenskloof’—door uit te leggen waarom een specifiek product past bij de levensstijl of doel van de gebruiker, reduceert de agent besluitparalyse en stimuleert hogere conversieratio’s in vergelijking met een stille grid van productminiatuurafbeeldingen.

Ten slotte zien wij dit uitbreiden naar hypergepersonaliseerde inhoud. In plaats van iedereen dezelfde startpagina-banner te tonen, kan Agentic AI dynamische landingspagina’s en visuals genereren die de huidige winkelmissie van de klant weerspiegelen. Echter, om dit te schalen, ontdekken retailers dat zij deze agents moeten baseren op een Unified Data Model met strikte merk- en veiligheidsbeheer, waardoor wordt gegarandeerd dat de ‘creativiteit’ van de AI nooit producten hallucineert of de merkstem schendt.

Veel retailers worstelen met verouderde data-architecturen. Hoe moeten ondernemingen hun data-fundamenten moderniseren zodat AI-modellen betrouwbare en uitlegbare aanbevelingen kunnen leveren?

De grootste barrière voor AI-succes is niet de modellen, maar de ‘data-sloot’ eronder. Om te moderniseren, moeten retailers stoppen met het verzamelen van data en in plaats daarvan een unified semantische laag opbouwen. Dit betekent het implementeren van een standaard ‘Data Model’ waarin bedrijfslogica (zoals exact hoe ‘Netto Marge’ of ‘churn’ wordt berekend) eenmaal wordt gedefinieerd en universeel toegankelijk is, in plaats van verborgen te zijn in gefragmenteerde SQL-scripts over de hele onderneming.

Ten tweede moeten ondernemingen overstappen naar een ‘data-product’-mentaliteit. In plaats van data te behandelen als een IT-bijproduct, behandelen succesvolle retailers data als een product met gedefinieerde eigendom, SLA’s en rigoureuze kwaliteitsmonitoring (data-observabiliteit). Wanneer u deze schone, beheerde ‘gouden record’ combineert met rijke metadata, ontgrendelt u uitlegbaarheid. De AI spuwt niet alleen een black-box-aanbeveling uit; het kan zijn logica terug traceren door de semantische laag.

Samenwerking tussen retailers en CPG-bedrijven is historisch afhankelijk van gefragmenteerde data en inconsistentie in metingen. Hoe ontgrendelen unified data-modellen en gedeelde AI-platforms sterker categorieprestaties voor beide partijen?

Tot nu toe hebben retailers en CPG’s naar dezelfde klant gekeken door verschillende lenzen, waarbij elk zijn eigen data en incentives gebruikte. Unified data-modellen veranderen dit door een enkele versie van de waarheid over de hele waardeketen te creëren, of het nu gaat om schap-prestaties of klantgedrag.

Wanneer beide partijen werken vanaf hetzelfde AI-platform, kunnen zij gezamenlijk identificeren wat groei of lekken op categorie-niveau drijft. Het kan van alles zijn—prijzen, promotie, assortiment of voorraadgaten. Dit verschuift de conversatie van ‘mijn data versus uw data’ naar ‘onze gedeelde kans’. Het resultaat zijn slimmere beslissingen, snellere experimenten en uiteindelijk hogere categorie-groei die zowel retailers als merken ten goede komt.

Naarmate retailmedia-netwerken volwassen worden, wat zal de rol van AI zijn in het verbeteren van targeting, meting en gesloten-lus-attributie, terwijl consumentenvertrouwen wordt behouden?

AI zal vier sleutelgebieden transformeren naarmate retailmedia-netwerken volwassen worden.

Ten eerste, in targeting, evolueert de industrie van statische publiekssegmenten naar voorspellende intentie. Door real-time signalen te analyseren—zoals browsingsnelheid of winkelwagen-samenstelling—om het precieze moment van een shoppers’ behoefte te identificeren, zorgt AI ervoor dat wij de juiste advertenties laten zien wanneer het het meest telt, in plaats van alleen een brede demografische label te targeten.

Ten tweede, voor meting, verschuift de gouden standaard van eenvoudige Return on Ad Spend (ROAS) naar incrementele ROAS (iROAS). Door Causale AI te gebruiken, kunnen wij de werkelijke impact van de media-uitgaven meten door shoppers te identificeren die alleen zijn geconverteerd vanwege de advertentie versus diegenen die dat organisch zouden zijn gebeurd.

Ten derde wordt operationele efficiëntie kritiek, vooral in creatieve operaties. Om hyperpersonalisatie te ondersteunen, gebruiken retailers Generatieve AI niet alleen voor ideatie, maar ook om productie te schalen. Dit stelt teams in staat om duizenden dynamische, kanaalspecifieke asset-varianten in minuten te genereren in plaats van weken, waardoor het flessenhalsprobleem van ‘content-snelheid’ wordt opgelost.

Ten slotte hangt het behoud van vertrouwen af van de brede adoptie van data-clean rooms. Deze omgevingen stellen retailers en merken in staat om hun datasets veilig te koppelen voor gesloten-lus-attributie, waardoor wordt gegarandeerd dat gevoelige Persoonlijk Identificeerbare Informatie (PII) nooit de respectieve firewalls verlaat.

Als we vooruitkijken, welke capaciteiten zullen de volgende generatie AI-gepowered retailers definiëren, en wat moeten leiders vandaag beginnen te bouwen om concurrerend te blijven over de komende vijf jaar?

De volgende fase van retail zal worden gedefinieerd door de verschuiving van ‘digitale transformatie’ naar ‘agentic transformatie’. Wij gaan naar een toekomst van ‘autonome orchestratie’, waarin netwerken van AI-agents samenwerken om complexe processen uit te voeren—zoals een supply chain-agent die automatisch tegen een marketing-agent zegt om een promotie te pauzeren omdat een zending vertraagd is.

Om hierop voorbereid te zijn, moeten leiders vandaag drie dingen beginnen te bouwen.

Ten eerste is een unified data model nodig. Agents kunnen niet samenwerken als zij niet dezelfde taal spreken; uw data-fundament moet evolueren van een opslagrepository naar een semantische ‘zenuwstelsel’.

Ten tweede is een governance-framework voor agents nodig. U moet de ‘regels van engagement’ definiëren—wat een AI autonomously mag doen versus wat menselijke goedkeuring vereist—voordat u schaalt.

Ten slotte zijn de dagen van statische dashboards die ‘achteruitkijkende’ analytics bieden geteld. Wij gaan naar conversational analytics die instant, gepersonaliseerde inzichten bieden. Deze interfaces gaan verder dan het rapporteren van ‘wat er is gebeurd’; zij gebruiken agentic AI om complexe ‘waarom’-vragen te doorgronden en prescriptieve aanbevelingen te leveren over precies ‘wat te doen volgende’, waardoor effectief de kloof tussen inzicht en actie wordt gesloten.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten bezoeken Tredence.