Amanpal Dhupar，Tredence 零售业务负责人 – 专访系列
Amanpal Dhupar，Tredence 的零售业务负责人，是一位经验丰富的零售分析和人工智能领导者，拥有超过十年的专业经验，专注于设计和开发数据驱动解决方案，为企业决策者提供可操作的见解。在他的职业生涯中，他曾为各大零售商的高管领导战略分析转型，制定人工智能产品路线图以推动可衡量的业务关键绩效指标，并将分析团队从初创阶段扩展到大规模运营——展现了深厚的技术功底和多元化的领导能力。Tredence 是一家数据科学和人工智能解决方案公司，专注于通过高级分析、机器学习和人工智能驱动的决策，帮助企业释放商业价值。该公司与全球品牌（尤其是零售和消费品领域的品牌）合作，解决商品销售、供应链、定价、客户体验和市场进入运营等方面的复杂挑战，将洞察转化为现实世界的影响力，并帮助客户实现分析和智能能力的现代化。零售商通常会运行数十个人工智能试点项目，但很少有能进入全面部署的。阻碍人工智能转化为可衡量业务成果的最常见组织性错误有哪些？麻省理工学院索兰最近的一项研究发现，95% 的人工智能试点项目未能实现全面部署。现实情况是？试点容易，但投入生产很难。在 Tredence，我们发现了导致这一差距的四个具体组织原因。首先是未能理解最终用户的工作流程。零售商通常将人工智能插入到现有但已失效的流程中，而不是思考如何以人工智能为核心重新构想工作流程本身。其次是缺乏对智能体人工智能的平台化方法。组织不应将智能体视为一次性实验，而需要在整个企业范围内，从智能体设计、开发到部署、监控和治理，简化整个生命周期。第三是薄弱的数据基础。在干净的平面文件上构建试点很容易，但要扩展规模则需要一个强大、实时的基础，使人工智能模型能够持续访问准确的数据。最后，我们看到 IT 推动与业务拉动之间存在摩擦。只有当业务领导者将人工智能视为与可衡量影响相关的增值项，而不是 IT 强推的干扰项时，成功才会发生。在 Tredence，我们的重点始终放在“最后一英里”，即弥合洞察生成与价值实现之间的差距。Tredence 与许多全球最大的零售商合作，支持着数万亿美元的收入。根据您在行业内观察到的情况，那些成功规模化应用人工智能的零售商与那些仍停留在实验阶段的零售商之间有何区别？在 Tredence，支持数万亿美元的零售收入让我们得以近距离观察到一个清晰的行业分水岭：将人工智能视为一系列分散实验的零售商，与构建工业化“人工智能工厂”的零售商。主要的区别在于对智能体人工智能平台基础的承诺。最成功的组织不再从零开始构建，而是投资于一个强大的生态系统，其特点是可重用的组件库、标准设计模板以及与特定零售用例对齐的预构建智能体模式。当您在这个基础上叠加成熟的 LLMOps、全栈可观测性和嵌入式负责任人工智能护栏时，其影响是变革性的——我们通常看到新用例的价值实现速度提高了 80%，因为繁重的架构工作已经完成。然而，平台的好坏取决于它所消耗的上下文，这就引出了数据基础。规模化需要的不仅仅是原始数据的访问；它需要一个丰富的语义层，其中强大的元数据和统一的数据模型使人工智能能够真正对业务进行“推理”，而不仅仅是处理输入。最后，真正的领导者认识到这不仅是一次技术革新，更是一次文化革新。他们通过超越简单的自动化，实现人机协作，重新设计工作流程，使员工和商家信任并与他们的数字伙伴协作，从而弥合“最后一英里”，将算法潜力转化为可衡量的商业现实。超过 70% 的零售促销活动仍然无法实现收支平衡。人工智能如何能切实改进促销规划、衡量和实时优化？70% 的失败率之所以持续存在，是因为零售商通常依赖“后视镜”分析，将总销售额与增量提升混为一谈——本质上是在补贴那些无论如何都会购买的忠实顾客。要打破这个循环，我们需要从描述性报告转向更具预测性的方法。在规划阶段，我们使用因果人工智能来模拟结果并建立“真实基线”，精确识别在没有促销的情况下会售出什么。这使得零售商能够停止为自然需求付费，而只针对净新增销量。在衡量方面，人工智能通过量化光环效应和蚕食效应来解决“组合难题”。人类商家通常在孤岛中规划，但人工智能提供全品类视角，确保一个 SKU 的促销不会仅仅是从另一个 SKU 那里窃取利润。这种整体衡量有助于零售商了解他们是在做大品类蛋糕，还是仅仅以不同的方式切分它。最后，对于实时优化，行业正朝着由人工智能智能体“实时”监控活动的方向发展。这些智能体不是等到活动结束后几周才进行事后分析，而是自主推荐调整方案——比如调整数字广告支出或更换优惠——以便在促销结束前挽救损益表。这种方法将重点从单纯清理库存转向设计盈利增长。预测误差和缺货继续造成重大收入损失。是什么让人工智能驱动的商品销售和供应链系统比传统的预测方法更有效？第一个转变在于预测，人工智能使我们从仅仅依赖内部历史数据转向吸收外部数据——如当地天气、社会活动和经济指标。当预测捕捉到这些外部背景时，准确性的提升不仅改善了销售数字；它还会向下游传导，优化库存管理、产能规划、劳动力排班和仓库运营，以与真实需求保持一致。第二个转变在于缺货问题，大多数零售商仍然无法准确衡量。人工智能通过检测销售模式中的异常情况来解决这个问题——识别“幽灵库存”（即系统认为有库存但销售已停止的情况）——并自动触发循环盘点以纠正记录。除了数据之外，我们看到计算机视觉的兴起，可以实时物理标记货架空缺并跟踪后仓库存，确保产品不仅仅是“在仓库里”，而是可供顾客购买。智能体商务正成为零售创新的一个主要主题。与当今搜索驱动的购物体验相比，基于推理的人工智能智能体如何有意义地改变产品发现和转化？在当今搜索驱动的购物中，消费者仍然承担着大部分繁重工作。他们必须知道要寻找什么，比较选项，并从无尽的结果中理出头绪。基于推理的智能体通过动态生成“合成货架”来颠覆这一点——这些是根据特定意图聚合多品类产品的定制集合。例如，一位以“健康早晨”为目标的购物者，无需分别搜索五件商品，而是会看到一个从高蛋白麦片到搅拌机的、具有凝聚力且临时的货架，瞬间将发现漏斗从几分钟压缩到几秒钟。在转化方面，这些智能体更像“购物礼宾”，而非搜索引擎。它们不仅仅是列出选项；它们会根据开放式的需求主动构建购物篮。如果顾客询问“四人份、50美元以下的晚餐计划”，智能体会通过库存、价格和饮食限制进行推理，以建议一个完整的套餐。这种推理能力弥合了“信心差距”——通过阐明为什么特定产品适合用户的生活方式或目标，智能体减少了决策瘫痪，与沉默的产品缩略图网格相比，推动了更高的转化率。最后，我们看到这延伸到了超个性化内容领域。与其向所有人展示相同的主页横幅，智能体人工智能可以生成动态着陆页和视觉内容，反映顾客当前的购物任务。然而，要实现规模化，零售商发现他们需要将这些智能体建立在具有严格品牌和安全治理的统一数据模型中，确保人工智能的“创造力”不会产生幻觉产品或违反品牌声音。许多零售商受困于过时的数据架构。企业应如何现代化其数据基础，以便人工智能模型能够提供可信且可解释的推荐？人工智能成功的最大障碍不是模型，而是其下的“数据沼泽”。要实现现代化，零售商必须停止仅仅收集数据，转而构建统一的语义层。这意味着实施标准的“数据模型”，其中业务逻辑（例如“净利润率”或“流失率”的确切计算方式）被定义一次，并且可以普遍访问，而不是隐藏在组织内零散的 SQL 脚本中。其次，企业需要转向“数据产品”思维。成功的零售商不是将数据视为 IT 的副产品，而是将其视为具有明确所有权、服务等级协议和严格质量监控（数据可观测性）的产品。当您将这种干净、受治理的“黄金记录”与丰富的元数据相结合时，您就解锁了可解释性。人工智能不仅仅是输出一个黑盒推荐；它可以通过语义层追溯其逻辑。零售商与...
