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 handlebare innsikter for bedriftsbeslutningstakere. Gjennom sin karriere har han ledet strategiske analytiske transformasjoner for senioredgere i større detaljhandelsbedrifter, bygget AI-produktveier for å drive målbare forretnings-KPI-er og skalert analyseteam fra barndommen til stor-skala operasjoner – og demonstrert både teknisk dybde og ledermulighet.

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 over hele verdtikken, fra vareutvalg til kundeopplevelse og markedsføringsoperasjoner, og omgjør innsikter til virkelig innvirkning og hjelper kundene å modernisere sine analytiske og intelligente evner.

Detaljhandlere kjører ofte flere 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 denne gapen.

Først er det svikt i å forstå sluttbegrensningene. 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 en svak data-grunnlag. Det er enkelt å bygge en pilot på en ren flat fil, men skaleringsbehov krever en robust, sanntids-grunnlag 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”, hvor vi broer 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 en førerestol til en tydelig industriell skille: 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)-vaktler 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 slår fortsatt ikke til å bryte gjennomsnittet. 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 realiteten subsidiær trofaste 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 “sanntid-baselinjer”, og identifisere nøyaktig hva som ville ha solgt uten kampanjen. Dette tillater detaljhandlere å slutte å betale for organisk etterspørsel og målrette bare nett-ny volum.

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 vokser kategoripie eller bare skjærer den annerledes.

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.

Feil i prognoser og utsolgte varer fortsatt årsaker større inntekts-tap. Hva gjør AI-drevne vare- og forsyningskjedehandler 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 sanntid-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 rekorden. 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 grunnings-baserte 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. Grunnings-baserte 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 høy-protein-cereal til blenders, 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 “middag-plan for fire under 50”, grunner agenten gjennom lager, pris og diett-begrensninger for å foreslå en fullstendig pakke. Denne grunnings-evnen 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?

Langt så lenge 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 fordeler både detaljhandlere og merkevarer.

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

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

Først, i måling, 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 flasken i “innholdshastighet”.

Til slutt avhenger opprettholdelse av tillit av den vidstrakte tilpasningen av data-rene rom. Disse miljøene tillater detaljhandlere og merkevarer å sikret matche 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 med statiske dashboards som gir “bakvendt” analyser talløse. 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.