Amanpal Dhupar, sjef for detaljhandel i Tredence – Intervjuserie

Amanpal Dhupar, leder for detaljhandel hos Tredence, er en erfaren leder innen detaljhandelsanalyse og AI med over ti års ekspertise innen design og utvikling av datadrevne løsninger som gir handlingsrettet innsikt for beslutningstakere i bedrifter. Gjennom karrieren har han ledet strategiske analysetransformasjoner for toppledere i store detaljhandlere, bygget AI-produktveikart for å drive målbare forretnings-KPI-er og skalert analyseteam fra spedbarnsalder til storskala drift – og demonstrert både teknisk dybde og allsidighet i lederskapet.

Tredens er et datavitenskaps- og AI-løsningsfirma som fokuserer på å hjelpe bedrifter med å frigjøre forretningsverdi gjennom avansert analyse, maskinlæring og AI-drevet beslutningstaking. Selskapet samarbeider med globale merkevarer – spesielt innen detaljhandel og forbruksvarer – for å løse komplekse utfordringer på tvers av varehandel, forsyningskjede, prising, kundeopplevelse og markedsoperasjoner, og oversetter innsikt til reell effekt og hjelper kunder med å modernisere sine analyse- og intelligensfunksjoner.

Detaljister kjører ofte dusinvis av AI-pilotprosjekter, men svært få går videre til fullskala distribusjon. Hva er de vanligste organisatoriske feilene som hindrer AI i å bli til målbare forretningsresultater?

En fersk Solan-studie fra MIT fant at 95 % av AI-piloter ikke klarer å oppnå fullskala utrulling. Realiteten? Pilotprosjekter er enkle, men produksjon er vanskelig. Hos Tredence har vi identifisert fire spesifikke organisatoriske årsaker til dette gapet.

For det første er det manglende forståelse av sluttbrukerens arbeidsflyt. Forhandlere integrerer ofte kunstig intelligens i eksisterende, ødelagte prosesser i stedet for å spørre hvordan selve arbeidsflyten bør tenkes om på nytt med kunstig intelligens i sentrum.

For det andre er mangelen på en plattformtilnærming til Agentic AI. I stedet for å behandle agenter som engangseksperimenter, må organisasjoner effektivisere hele livssyklusen – fra agentdesign og -utvikling til utrulling, overvåking og styring – på tvers av bedriften.

For det tredje er det et svakt datagrunnlag. Det er enkelt å bygge en pilot på en ren, flat fil, men skalering krever et robust sanntidsfundament der nøyaktige data kontinuerlig er tilgjengelige for AI-modeller.

Til slutt ser vi en friksjon mellom IT-push og forretningspull. Suksess skjer bare når bedriftsledere ser på AI som en verdiøkning knyttet til målbar effekt, snarere enn en distraksjon drevet av IT. Hos Tredence har fokuset vårt alltid vært på den «siste milen», der vi bygger bro mellom innsiktsgenerering og verdiskaping.

Tredence samarbeider med mange av verdens største detaljhandlere, og støtter billioner i omsetning. Basert på det dere ser på tvers av bransjen, hva skiller detaljhandlerne som skalerer AI med hell fra de som forblir fastlåst i eksperimentering?

Hos Tredence har det å støtte billioner i detaljhandelsinntekter gitt oss en plass på første rad i et tydelig bransjeskille: detaljister som behandler AI som en serie ulike eksperimenter kontra de som bygger en industrialisert «AI-fabrikk». Den primære differensiatoren ligger i en forpliktelse til Agentic AI Platform-fundamentet. De mest vellykkede organisasjonene slutter å bygge fra bunnen av og investerer i stedet i et robust økosystem preget av gjenbrukbare komponentbiblioteker, standard designmaler og forhåndsbygde agentmønstre justert til spesifikke brukstilfeller for detaljhandel. Når du legger modne LLMOps, fullstack-observabilitet og innebygde ansvarlige AI (RAI)-rekkverk oppå dette fundamentet, er effekten transformativ – vi ser vanligvis at hastigheten til verdi for nye brukstilfeller forbedres med 80 % fordi det tunge arkitekturløftet allerede er gjort.

En plattform er imidlertid bare så god som konteksten den bruker, noe som bringer oss til datagrunnlaget. Skalering krever mer enn bare rå tilgang til data; det krever et rikt semantisk lag der sterke metadata og enhetlige datamodeller lar AI-en faktisk «resonnere» om virksomheten i stedet for bare prosessinndata. Til slutt erkjenner de sanne lederne at dette ikke bare er en teknologisk overhaling, men en kulturell. De bygger bro over den «siste milen» ved å gå utover enkel automatisering til teamarbeid mellom mennesker og agenter, og omstrukturere arbeidsflyter slik at medarbeidere og selgere stoler på og samarbeider med sine digitale motparter, og gjør algoritmisk potensial til målbar forretningsvirkelighet.

Mer enn 70 prosent av detaljhandelskampanjer går fortsatt ikke i null. Hvordan kan AI forbedre kampanjeplanlegging, måling og sanntidsoptimalisering på en meningsfull måte?

Feilraten på 70 % vedvarer fordi forhandlere ofte er avhengige av «bakspeilet»-analyser som forveksler totalt salg med trinnvis økning – i hovedsak subsidierer trofaste kunder som ville ha kjøpt uansett. For å bryte denne sirkelen må vi gå over fra beskrivende rapportering til en mer prediktiv tilnærming. I planleggingsfasen bruker vi kausal AI for å simulere resultater og etablere «sanne grunnlinjer», som identifiserer nøyaktig hva som ville ha blitt solgt uten kampanjen. Dette lar forhandlere slutte å betale for organisk etterspørsel og kun sikte seg inn på netto nytt volum.

For måling løser AI «porteføljegåten» ved å kvantifisere haloeffekter og kannibalisering. Menneskelige selgere planlegger ofte i siloer, men AI gir et kategoriomfattende overblikk, og sikrer at en kampanje på én SKU ikke bare stjeler margin fra en annen. Denne helhetlige målingen hjelper forhandlere med å forstå om de øker kategorikaken eller bare deler den annerledes.

Til slutt, for optimalisering i sanntid, beveger bransjen seg mot AI-agenter som overvåker kampanjer «underveis». I stedet for å vente på en post mortem-analyse uker etter hendelsen, anbefaler disse agentene autonomt kurskorrigeringer – som å justere digitale annonseutgifter eller bytte tilbud – for å redde resultatet før kampanjen avsluttes. Denne tilnærmingen flytter fokuset fra å bare rydde lagerbeholdningen til å konstruere lønnsom vekst.

Prognosefeil og utsolgte varer fortsetter å forårsake store inntektstap. Hva gjør AI-drevne varehandels- og forsyningskjedesystemer mer effektive enn tradisjonelle prognosemetoder?

Det første skiftet er i prognoser, der AI flytter oss fra å utelukkende stole på intern historikk til å innhente eksterne data – som lokalt vær, sosiale hendelser og økonomiske indikatorer. Når prognosen fanger opp denne eksterne konteksten, forbedrer ikke nøyaktighetsøkningen bare salgstallene; den kaskaderer nedstrøms, og optimaliserer lagerstyring, kapasitetsplanlegging, arbeidsplaner og lagerdrift for å samsvare med reell etterspørsel.

Det andre skiftet er i utsolgt vare (OOS), som de fleste forhandlere fortsatt ikke klarer å måle nøyaktig. AI fikser dette ved å oppdage avvik i salgsmønstre – identifisere «fantomlager» der systemet tror en vare er på lager, men salget har stoppet – og automatisk utløse syklustellinger for å korrigere posten. Utover dataene ser vi fremveksten av datasyn for fysisk å flagge hyllehull i sanntid og spore lagerbeholdning i bakrom, slik at produktet ikke bare er «i bygningen», men tilgjengelig for kunden å kjøpe.

Agenthandel er i ferd med å bli et viktig tema innen innovasjon i detaljhandelen. Hvordan kan resonnementbaserte AI-agenter endre produktoppdagelse og konvertering på en meningsfull måte sammenlignet med dagens søkedrevne handleopplevelse?

I dagens søkedrevne shopping gjør forbrukerne fortsatt det meste av det tunge arbeidet. De må vite hva de skal se etter, sammenligne alternativer og finne mening i endeløse resultater. Resonnementbaserte agenter forstyrrer dette ved å dynamisk generere «syntetiske ganger» – tilpassede kolleksjoner som samler produkter i flere kategorier basert på en spesifikk intensjon. For eksempel, i stedet for å søke separat etter fem varer, blir en kunde med et «sunn morgen»-oppdrag presentert for en sammenhengende, midlertidig gang med alt fra proteinrik frokostblanding til blendere, noe som umiddelbart kollapser oppdagelsestrakten fra minutter til sekunder.

På konverteringssiden opptrer disse agentene mindre som søkemotorer og mer som «handlekonsulenter». De lister ikke bare opp alternativer; de bygger aktivt handlekurver basert på åpne behov. Hvis en kunde ber om en «middagsplan for fire under $50», resonnerer agenten ut fra lagerbeholdning, pris og kostholdsbegrensninger for å foreslå en komplett pakke. Denne resonneringsevnen lukker «tillitsgapet» – ved å formulere hvorfor et bestemt produkt passer brukerens livsstil eller mål, reduserer agenten beslutningslammelse og driver høyere konverteringsrater sammenlignet med et stille rutenett av produktminiatyrbilder.

Til slutt ser vi at dette utvides til hyperpersonalisert innhold. I stedet for å vise alle det samme banneret på hjemmesiden, kan Agentic AI generere dynamiske landingssider og visuelle elementer som speiler kundens nåværende handleoppdrag. For at dette skal skaleres, finner imidlertid forhandlere at de må forankre disse agentene i en enhetlig datamodell med streng merkevare- og sikkerhetsstyring, som sikrer at AI-ens «kreativitet» aldri hallusinerer produkter eller bryter med merkevarens stemme.

Mange forhandlere sliter med utdaterte dataarkitekturer. Hvordan bør bedrifter modernisere datagrunnlaget sitt slik at AI-modeller kan levere pålitelige og forklarbare anbefalinger?

Den største hindringen for suksess med AI er ikke modellene, men «datasumpen» under dem. For å modernisere må detaljhandlere slutte å bare samle inn data og bygge et enhetlig semantisk lag. Dette betyr å implementere en standard «datamodell» der forretningslogikk (som nøyaktig hvordan «nettomargin» eller «churn» beregnes) er definert én gang og er universelt tilgjengelig, i stedet for å være skjult i fragmenterte SQL-skript på tvers av organisasjonen.

For det andre må bedrifter gå over til en «dataprodukt»-tankegang. I stedet for å behandle data som et IT-biprodukt, behandler vellykkede detaljister det som et produkt med definert eierskap, tjenestenivåavtaler og streng kvalitetsovervåking (dataobserverbarhet). Når du kombinerer denne rene, styrte «gulllisten» med rike metadata, låser du opp forklaringsmuligheter. AI-en spytter ikke bare ut en svartboks-anbefaling; den kan spore logikken tilbake gjennom det semantiske laget.

Samarbeid mellom detaljister og forbruksvareselskaper har historisk sett vært avhengig av fragmenterte data og inkonsistente målinger. Hvordan kan enhetlige datamodeller og delte AI-plattformer sikre bedre kategoriytelse for begge sider?

Så langt har detaljister og dagligvareleverandører sett på den samme kunden gjennom forskjellige perspektiver, hver med sine egne data og insentiver. Enhetlige datamodeller endrer dette ved å skape én versjon av sannheten på tvers av verdikjeden, enten det er hylleytelse eller kundeatferd.

Når begge sider jobber med den samme AI-plattformen, kan de i fellesskap identifisere hva som driver vekst eller lekkasje på kategorinivå. Det kan være hva som helst – prising, kampanjer, sortiment eller lagerhull. Dette flytter samtaler fra «mine data vs. dine» til «vår felles mulighet».

Resultatet er smartere beslutninger, raskere eksperimentering og til syvende og sist høyere kategorivekst som gagner både forhandlere og merkevarer.

Etter hvert som detaljhandelsmedienettverk modnes, hvilken rolle vil AI spille i å forbedre målretting, måling og lukket sløyfe-attribusjon, samtidig som forbrukertilliten opprettholdes?

AI vil transformere fire nøkkelområder etter hvert som detaljhandelens medienettverk modnes.

For det første, innen målretting, utvikler bransjen seg fra statiske målgruppesegmenter til prediktiv intensjon. Ved å analysere sanntidssignaler – som nettleserhastighet eller handlekurvsammensetning – for å identifisere det nøyaktige øyeblikket en kunde trenger det, sørger AIe for at vi viser de riktige annonsene når det betyr mest, i stedet for bare å målrette mot en bred demografisk etikett.

For det andre, for måling, er gullstandarden i ferd med å endre seg fra enkel avkastning på annonseutgifter (ROAS) til inkrementell ROAS (iROAS). Ved å utnytte kausal AI kan vi måle den reelle effekten av medieutgiftene ved å identifisere kunder som kun konverterte på grunn av annonsen kontra de som ville ha opplevd at det skjedde organisk.

For det tredje blir driftseffektivitet kritisk, spesielt i kreative operasjoner. For å støtte hyperpersonalisering bruker detaljister generativ AI ikke bare til idéutvikling, men også for å skalere produksjonen. Dette lar team automatisk generere tusenvis av dynamiske, kanalspesifikke variasjoner av ressurser på minutter i stedet for uker, noe som løser flaskehalsen med «innholdshastighet».

Til slutt er det viktig å opprettholde tillit med utbredt bruk av data-clean rooms. Disse miljøene lar forhandlere og merkevarer sikkert matche datasettene sine for lukket attribusjon, noe som garanterer at sensitiv personlig identifiserbar informasjon (PII) noen gang forlater deres respektive brannmurer.

Hvilke funksjoner vil definere neste generasjon av AI-drevne detaljister fremover, og hva bør ledere begynne å bygge i dag for å holde seg konkurransedyktige de neste fem årene?

Den neste æraen innen detaljhandel vil bli definert av skiftet fra «digital transformasjon» til «agentisk transformasjon». Vi beveger oss mot en fremtid med «autonom orkestrering», der nettverk av AI-agenter samarbeider for å kjøre komplekse prosesser – som en agent i forsyningskjeden som automatisk ber en markedsføringsagent om å sette en kampanje på pause fordi en forsendelse er forsinket.

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

For det første er det en enhetlig datamodell. Agenter kan ikke samarbeide hvis de ikke snakker samme språk; datagrunnlaget ditt må utvikle seg fra et lagringsarkiv til et semantisk «nervesystem».

For det andre er det et styringsrammeverk for agenter. Du må definere «engasjementsreglene» – hva en AI har lov til å gjøre autonomt kontra hva som krever menneskelig godkjenning – før du skalerer.

Endelig er dagene med statiske dashbord som gir analyser med «bakoverblikk» talte. Vi beveger oss mot konversasjonsanalyse som gir umiddelbar, personlig innsikt. Disse grensesnittene går langt utover å rapportere «hva som skjedde»; de bruker agentisk AI til å resonnere gjennom komplekse «hvorfor»-spørsmål og levere forskrivende anbefalinger om nøyaktig «hva man skal gjøre videre», og dermed effektivt lukke gapet mellom innsikt og handling.

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