Amanpal Dhupar, sjef for detaljhandel i Tredence – Intervju-serie

Amanpal Dhupar, sjef for detaljhandel i Tredence, er en erfaren leder innen detaljhandelsanalyse og AI med over ett tiår med erfaring i å designe og utvikle data-drevne løsninger som leverer innsikt som kan omsettes i handling for bedriftsbeslutningstakere. Gjennom sin karriere har han ledet strategiske analytiske transformasjoner for toppledere i større detaljhandelsbedrifter, bygget veikart for AI-produkter for å drive målbare forretnings-KPI-er og skalert analyseteam fra oppstart til drift i stor skala – og demonstrert både teknisk dybde og allsidighet som leder.

Tredence er et data-vitenskaps- og AI-løsningsselskap som fokuserer på å hjelpe bedrifter å låse opp forretningsverdi gjennom avansert analyse, maskinlæring og AI-drevet beslutningstaking. Selskapet samarbeider med globale merkevarer – spesielt i detaljhandel og forbrukervarer – for å løse komplekse utfordringer innen vareutvalg, forsyningskjede, prising, kundeopplevelse og markedslansering, og omgjør innsikter til virkelig innvirkning og hjelper kundene å modernisere sine analytiske og intelligente evner.

Detaljhandlere kjører ofte dusinvis av AI-piloter, men svært få går over til full-skala utrullering. Hva er de vanligste organisatoriske feilene som forhindrer AI fra å bli til målbare forretningsresultater?

En nylig MIT Solan-studie fant at 95% av AI-piloter ikke klarer å nå full-skala utrullering. Virkeligheten? Piloter er enkle, men produksjon er hard. Hos Tredence har vi identifisert fire spesifikke organisatoriske årsaker som driver dette gapet.

Først er det svikt i å forstå sluttbrukerens arbeidsflyt. Detaljhandlere setter ofte AI inn i eksisterende feilaktige prosesser i stedet for å spørre hvordan arbeidsflyten selv bør bli omtenkt med AI i sentrum.

Andre er mangelen på en plattform-tilnærming til Agentic AI. I stedet for å behandle agenter som enkelt-eksperimenter, må organisasjonene strømlinjeforme hele livssyklusen – fra agentdesign og utvikling til utrullering, overvåking og styring – på tvers av bedriften.

Tredje er et svakt datagrunnlag. Det er enkelt å bygge en pilot på en ren flat fil, men skaleringsbehov krever et robust datagrunnlag i sanntid hvor nøyaktig data er kontinuerlig tilgjengelig for AI-modeller.

Til slutt ser vi en friksjon mellom IT-påtrykk og forretnings-trekk. Suksess skjer bare når forretningsledere ser AI som en verdi-tillegg knyttet til målbare innvirkning, i stedet for en distraksjon drevet av IT. Hos Tredence har vårt fokus alltid vært på den “siste mile”, der vi bygger bro over gapet mellom innsiktsgenerering og verdi-realiseringsmulighet.

Tredence samarbeider med mange av verdens største detaljhandlere, og støtter billioner i omsetning. Basert på hva du ser over hele industrien, hva skiller detaljhandlere som skalerer AI-suksessfullt fra de som blir stående i eksperimentering?

Hos Tredence har støtten til billioner i detaljhandelsomsetning gitt oss innsyn fra første rad i et tydelig skille i bransjen: detaljhandlere som behandler AI som en serie separate eksperimenter versus de som bygger en industrialisert “AI-fabrikk”. Den primære differensiatoren ligger i et engasjement for Agentic AI-plattform-grunnlag. De mest suksessfulle organisasjonene stopper å bygge fra scratch og investerer i stedet i en robust økosystem karakterisert av gjenbrukbare komponentbiblioteker, standard design-maler og forhåndsbygde agent-mønster tilpasset bestemte detaljhandelsbrukstilfeller. Når du legger på moden LLMOps, full-stakk-observasjon og innbygde ansvarlige AI (RAI)-sikkerhetsmekanismer på toppen av denne grunnlaget, er innvirkningen transformasjonell – vi ser vanligvis en 80% forbedring i hastighet til verdi for nye brukstilfeller fordi den tunge arkitektoniske løftingen allerede er gjort.

Men en plattform er bare like god som konteksten den forbruker, hvilket bringer oss til data-grunnlaget. Skalering krever mer enn bare rå tilgang til data; det krever en rik semantisk lag hvor sterk metadata og forente data-modeller tillater AI å “grunne” om bedriften i stedet for bare å prosessere inndata. Til slutt anerkjenner de sanne lederne at dette ikke bare er en teknologisk ombygging, men en kulturell. De broer den “siste mile” ved å gå utenfor enkel automatisering til menneske-agent-samarbeid, omdefinere arbeidsflyter så at medarbeidere og kjøpmenn kan stole på og samarbeide med sine digitale motparter, og omdanne algoritme-potensiale til målbare forretningsrealiteter.

Mer enn 70 prosent av detaljhandelskampanjer klarer fortsatt ikke å dekke kostnadene sine. Hvordan kan AI meningsfullt forbedre kampanjeplanlegging, måling og sanntids-optimering?

70-prosent-feilraten består fordi detaljhandlere ofte avhenger av “bakvendt” analyser som forveksler totalt salg med inkrementell løft – i praksis subsidierer de lojale kunder som uansett ville ha kjøpt. For å bryte denne syklusen, må vi skifte fra beskrivende rapportering til en mer prediktiv tilnærming. I planleggingsfasen bruker vi Causal AI til å simulere resultater og etablere “reelle grunnlinjer”, og identifisere nøyaktig hva som ville ha solgt uten kampanjen. Dette tillater detaljhandlere å slutte å betale for organisk etterspørsel og målrette bare reelt nytt salgsvolum.

Til måling løser AI “portefølje-puslen” ved å kvantifisere halo- og kannibaliseringseffekter. Menneskelige kjøpmenn planlegger ofte i siloer, men AI gir en kategori-vid perspektiv, og sikrer at en kampanje på ett SKU ikke bare stjeler margin fra et annet. Denne helhetlige målingen hjelper detaljhandlere å forstå om de øker det samlede salget i kategorien eller bare omfordeler det.

Til slutt, for sanntids-optimering, beveger industrien seg mot AI-agenter som overvåker kampanjer “i flyt”. I stedet for å vente på en post-mortem-analyse uker etter arrangementet, anbefaler disse agentene autonomt kurskorreksjoner – som å justere digital annonsering eller bytte tilbud – for å redde P&L før kampanjen slutter. Denne tilnærmingen skifter fokus fra å bare rydde lager til å konstruere lønnsom vekst.

Prognosefeil og utsolgte varer fører fortsatt til store inntektstap. Hva gjør AI-drevne systemer for vareutvalg og forsyningskjede mer effektive enn tradisjonelle prognose-tilnærminger?

Første skiftet er i prognoser, hvor AI flytter oss fra å avhenge bare av intern historikk til å innta ekstern data – som lokal vær, sosiale hendelser og økonomiske indikatorer. Når prognosen fanger denne ytre konteksten, forbedrer nøyaktigheten ikke bare salgstall, men også optimaliserer lagerstyring, kapasitetsplanlegging, arbeidsplaner og lageroperasjoner for å tilpasse seg reell etterspørsel.

Andre skiftet er i utsolgte varer (OOS), som de fleste detaljhandlere fortsatt ikke måler nøyaktig. AI fikser dette ved å detektere anomalier i salgs-mønster – og identifisere “Fantom-inventar” hvor systemet tror et element er på lager, men salget har stoppet – og automatisk utløse sykliske tellinger for å korrigere lagerregistreringen. Ut over data ser vi også oppsvinget i datavisjon for å fysisk flagge hyllergap i sanntid og spore lager i bakrommet, og sikre at produktet ikke bare er “i bygningen” men tilgjengelig for kunden å kjøpe.

Agens-handel blir en stor tema i detaljhandels-innovasjon. Hvordan endrer resonneringsbaserte AI-agenter meningsfullt produkt-oppdagelse og konvertering sammenlignet med i dagens søke-drevne handle-erfaring?

I dagens søke-drevne handel må konsumentene fortsatt gjøre mye av det tunge arbeidet. De må vite hva de skal søke etter, sammenligne alternativer og gi mening til endeløse resultater. Resonneringsbaserte agenter bryter med dette ved å dynamisk generere “syntetiske ganger” – kohesive samlinger som aggregere multi-kategoriske produkter basert på en bestemt intensjon. For eksempel, i stedet for å søke separat etter fem elementer, presenteres en shopper med en “sunnt morgen”-oppdrag med en kohesiv, midlertidig gang som viser alt fra proteinrike frokostblandinger til blendere, og kollapser oppdagelses-røret fra minutter til sekunder.

På konverteringssiden handler disse agentene mindre som søke-motorer og mer som “handle-konsulenter”. De listar ikke bare alternativer; de bygger aktivt kurver basert på åpne behov. Hvis en kunde ber om en “middagsplan for fire til under 50 dollar”, resonnerer agenten ut fra lager, pris og diett-begrensninger for å foreslå en fullstendig pakke. Denne evnen til å resonnere lukker “tillits-gapet” – ved å artikulere hvorfor et bestemt produkt passer brukerens livsstil eller mål, reduserer agenten beslutnings-paralyse og driver høyere konverterings-rater sammenlignet med en stille grid av produkt-miniatyrer.

Til slutt ser vi dette utvide seg til hyper-personlig innhold. I stedet for å vise alle samme hjemmeside-bannere, kan Agens AI generere dynamiske landing-sider og visuelle elementer som speiler kundens nåværende handle-oppdrag. Men for at dette skal skaleres, finner detaljhandlere at de trenger å grunnlegge disse agentene i en forent data-modell med strengt merke- og sikkerhets-styring, og sikre at AI-en “kreativitet” aldri hallucinerer produkter eller krenker merke-stemmen.

Mange detaljhandlere sliter med foreldede data-arkitekturer. Hvordan bør bedrifter modernisere sine data-grunnlag så AI-modeller kan levere troverdige og forklarbare anbefalinger?

Den største barrieren for AI-suksess er ikke modellene, men “data-myret” under dem. For å modernisere, må detaljhandlere stoppe å bare samle data og bygge en forent semantisk lag. Dette betyr å implementere en standard “Data-modell” hvor forretnings-logikk (som nøyaktig hvordan “Nett-margin” eller “frafall” beregnes) defineres en gang og er universelt tilgjengelig, i stedet for å være skjult i fragmenterte SQL-skript over hele organisasjonen.

Andre trenger bedrifter å gå over til en “data-produkt”-tankegang. I stedet for å behandle data som en IT-biprodukt, behandler suksessfulle detaljhandlere data som et produkt med definert eierskap, SLA-er og rigorøs kvalitets-overvåking (data-observasjon). Når du kombinerer denne rene, styrede “gylne rekorden” med rik metadata, låser du opp forklarbarhet. AI-en ikke bare spytter ut en svart-boks-anbefaling; den kan spore sin logikk tilbake gjennom den semantiske lag.

Samarbeidet mellom detaljhandlere og CPG-selskaper har historisk sett avhengt av fragmentert data og inkonsistente målinger. Hvordan låser forente data-modeller og felles AI-plattformer opp for sterkere kategori-prestasjoner for begge parter?

Hittil har detaljhandlere og CPG-selskaper sett på samme kunde gjennom ulike linser, hver med sine egne data og incitamenter. Forente data-modeller endrer dette ved å skape en enkelt versjon av sannheten over hele verdikjeden, enten det er hyll-prestasjon eller kunde-atferd. Når begge parter arbeider fra samme AI-plattform, kan de felles identifisere hva som driver vekst eller lekkasje på kategorinivå. Dette kan være noe – pris, kampanje, utvalg eller lager-gap. Dette skifter samtaler fra “min data vs. din” til “vår felles mulighet”.

Resultatet er smartere beslutninger, raskere eksperimentering og til slutt høyere kategori-vekst som gagner både detaljhandlere og merkevarer.

Ettersom detaljhandels-medie-nettverk modenner, hva rolle vil AI spille i å forbedre målretting, måling og attribusjon i en lukket sløyfe samtidig som forbruker-tillit opprettholdes?

AI vil transformere fire nøkkel-områder mens detaljhandels-medie-nettverk modenner.

For det første, innen målretting, utvikler industrien seg fra statiske målgrupper til prediktivt formål. Ved å analysere sanntids-signaler – som nettlesnings-hastighet eller handlekurv-sammensetning – for å identifisere det nøyaktige øyeblikket for en shoppers behov, sikrer AI at vi viser riktige annonser når det betyr mest, i stedet for å målrette en bred demografisk etikett.

Andre, for måling, skifter gull-standard fra enkel Return on Ad Spend (ROAS) til inkrementell ROAS (iROAS). Ved å utnytte Causal AI, kan vi måle den virkelige innvirkningen av medie-utgiftene ved å identifisere kunder som bare konverterte på grunn av annonsen, i stedet for å skje organisk.

Tredje, operasjonell effisiens blir kritisk, spesielt i kreative operasjoner. For å støtte hyper-personalisering, bruker detaljhandlere Generative AI ikke bare for ide-generering, men også for å skalerer produksjon. Dette tillater team å automatisk generere tusenvis av dynamiske, kanal-spesifikke asset-variasjoner på minutter i stedet for uker, og løser flaskehalsen innen “innholdshastighet”.

Til slutt avhenger opprettholdelse av tillit av utbredt bruk av sikre datarom (data clean rooms). Disse miljøene tillater detaljhandlere og merkevarer å sammenstille på en sikker måte sine datasett for lukket-løkke-attribuering, og garanterer at følsomme personlige identifikatorer (PII) aldri forlater deres respektive brannmurer.

Ettersom vi ser fremover, hva kapasiteter vil definere den neste generasjonen av AI-drevne detaljhandlere, og hva bør ledere bygge i dag for å forbli konkurranse-egnet over de neste fem årene?

Den neste æraen i detaljhandel vil bli definert av skiftet fra “digital transformasjon” til “agens-transformasjon”. Vi går mot en fremtid med “autonom orkestrering”, hvor nettverk av AI-agenter samarbeider for å kjøre komplekse prosesser – som en forsyningskjede-agent som automatisk forteller en markedsførings-agent å pause en kampanje fordi en sending er forsinket.

For å forberede seg på dette, må ledere bygge tre ting i dag.

Først er en forent data-modell. Agenter kan ikke samarbeide hvis de ikke snakker samme språk; deres data-grunnlag må utvikle seg fra et lagrings-repositorium til en semantisk “nervesystem”.

Andre er en styrings-ramme for agenter. De må definere “regler for engasjement” – hva en AI er tillatt å gjøre autonomt versus hva som krever menneskelig godkjenning – før de skalerer.

Til slutt er dagene talte for statiske dashbord som bare gir bakoverskuende analyser. Vi går mot konversasjonelle analyser som gir øyeblikkelige, personlige innsikter. Disse grensesnittene går langt utenfor å bare rapportere “hva skjedde”; de utnytter agens AI til å grunne gjennom komplekse “hvorfor”-spørsmål og levere preskriptive anbefalinger om nøyaktig “hva å gjøre neste”, og effektivt lukker gapet mellom innsikt og handling.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Tredence.