Amanpal Dhupar, Dyrektor ds. Detalu w Tredence – Seria Wywiadów

Amanpal Dhupar, Dyrektor ds. Detalu w Tredence jest doświadczonym liderem w dziedzinie analityki detalicznej i sztucznej inteligencji, z ponad dekadą doświadczenia w projektowaniu i tworzeniu rozwiązań opartych na danych, które dostarczają działaniom decyzyjnym przedsiębiorstw. W trakcie swojej kariery kierował strategicznymi transformacjami analitycznymi dla wyższych kierowników w dużych detalistach, tworzył mapy drogowe produktów AI w celu napędzania mierzalnych wskaźników biznesowych oraz skalował zespoły analityczne od początku do dużych operacji, demonstrując zarówno głębię techniczną, jak i elastyczność przywództwa.

Tredence to firma specjalizująca się w rozwiązaniach z dziedziny nauki o danych i sztucznej inteligencji, która pomaga przedsiębiorstwom odblokować wartość biznesową za pomocą zaawansowanej analityki, uczenia maszynowego i podejmowania decyzji wspomaganego przez sztuczną inteligencję. Firma współpracuje z globalnymi markami, szczególnie w detalu i artykułach spożywczych, aby rozwiązać złożone wyzwania w obszarach takich jak merchandising, łańcuch dostaw, ceny, doświadczenia klienta i operacje marketingowe, tłumacząc spostrzeżenia w realny wpływ i pomagając klientom zmodernizować ich możliwości analityczne i wywiadowcze.

Detaliści często prowadzą dziesiątki pilotów AI, ale tylko nieliczne przechodzą do pełnej implementacji. Jakie są najczęstsze błędy organizacyjne, które uniemożliwiają AI przekształcenie się w mierzalne wyniki biznesowe?

Niedawne badanie MIT Solan wykazało, że 95% pilotów AI nie osiąga pełnej implementacji. Rzeczywistość jest taka, że pilotaż jest łatwy, ale produkcja jest trudna. W Tredence zidentyfikowaliśmy cztery konkretnych powodów organizacyjnych, które powodują tę lukę.

Po pierwsze, jest to brak zrozumienia przepływu pracy końcowego użytkownika. Detaliści często wstawiają AI do istniejących złych procesów, zamiast zapytać, jak sam przepływ pracy powinien być przebudowany z AI w centrum.

Po drugie, jest to brak platformowego podejścia do Agentic AI. Zamiast traktować agenci jako jednorazowe eksperymenty, organizacje muszą uporządkować cały cykl życia – od projektowania i rozwoju do wdrożenia, monitorowania i zarządzania – w całej firmie.

Po trzecie, jest to słaba baza danych. Łatwo jest zbudować pilot na czystym pliku, ale skalowanie wymaga solidnej, rzeczywistej bazy, w której dokładne dane są stale dostępne dla modeli AI.

Po czwarte, widzimy tarcie między pchaniem IT a pociągiem biznesu. Sukces występuje tylko wtedy, gdy liderzy biznesu postrzegają AI jako wartość dodaną związaną z mierzalnym wpływem, a nie jako rozpraszającego, który jest pchany przez IT. W Tredence naszym celem zawsze było “ostatni mil”, gdzie mostujemy tę lukę między generowaniem spostrzeżeń a realizacją wartości.

Tredence współpracuje z wieloma z największych detalistów na świecie, wspierając biliony przychodu. Na podstawie tego, co widzisz w całej branży, co odróżnia detalistów, którzy skalują AI z powodzeniem od tych, którzy pozostają w fazie eksperymentowania?

W Tredence wspieranie bilionów przychodu detalicznego dało nam pierwszorzędne miejsce w jasnym podziale branży: detalistów, którzy traktują AI jako serię rozproszonych eksperymentów, a tych, którzy budują zindustrializowaną “fabrykę AI”. Głównym różnicującym jest zobowiązanie do podstaw Agentic AI. Najbardziej udane organizacje przestają budować od podstaw i zamiast tego inwestują w solidny ekosystem charakteryzujący się ponownie wykorzystywanymi bibliotekami komponentów, standardowymi szablonami projektowania i prebudowanymi wzorcami agentów dopasowanymi do konkretnych przypadków użycia detalicznego. Kiedy warstwą dojrzałego LLMOps, pełnej obserwowalności sterty i osadzonych barier RAI na tej podstawie, wpływ jest przełomowy – zwykle widzimy poprawę szybkości wartości nowych przypadków użycia o 80%, ponieważ ciężkie architektoniczne podnoszenie jest już zrobione.

Jednak platforma jest tylko tak dobra, jak kontekst, który konsumuje, co prowadzi nas do bazy danych. Skalowanie wymaga więcej niż tylko surowy dostęp do danych; wymaga bogatej warstwy semantycznej, w której silne metadane i ujednolicone modele danych pozwalają AI “rozumieć” biznes, a nie tylko przetwarzać dane wejściowe. Wreszcie, prawdziwi liderzy rozpoznają, że to nie jest tylko przebudowa technologiczna, ale także kulturowa. Mostują “ostatni mil” przechodząc poza proste automatyzację do zespołów ludzi i agentów, przebudowując przepływy pracy, aby koledzy i kupcy ufali i współpracowali ze swoimi cyfrowymi odpowiednikami, zmieniając potencjał algorytmiczny w mierzalną rzeczywistość biznesową.

Ponad 70 procent promocji detalicznych nadal nie przynosi zysku. Jak AI może znacząco poprawić planowanie promocji, pomiar i optymalizację w czasie rzeczywistym?

Wynik 70 procent jest spowodowany tym, że detaliści często polegają na “analityce tylnego lusterka”, która myli całkowite sprzedaż z przyrostem – podstawowo subsydiując wiernych klientów, którzy i tak by kupili. Aby przełamać ten cykl, musimy przesunąć się od opisowej raportowania do bardziej predykcyjnego podejścia. W fazie planowania używamy Causal AI, aby symulować wyniki i ustalić “prawdziwe podstawy”, identyfikując dokładnie to, co by się sprzedało bez promocji. To pozwala detalistom przestać płacić za popyt organiczny i ukierunkować się tylko na nowy wolumen.

Do pomiaru AI rozwiązuje “puzzle portfela”, ilościując efekty halo i kanibalizacji. Ludzcy kupcy często planują w silo, ale AI dostarcza widok kategorii, zapewniając, że promocja na jednym SKU nie po prostu kradnie marżę z innego. To holistyczne pomiarowanie pomaga detalistom zrozumieć, czy zwiększają wielkość kategorii, czy tylko ją inaczej dzielą.

Wreszcie, do optymalizacji w czasie rzeczywistym, branża przechodzi w stronę agentów AI, które monitorują kampanie “w locie”. Zamiast czekać na post-mortem analizę tygodnie po zdarzeniu, agenci te autonomicznie rekomendują korekty kursu – takie jak dostosowanie wydatków na reklamę cyfrową lub zamianę ofert – aby uratować P&L przed zakończeniem promocji. To podejście przenosi focus z prostego wyprzedania zapasów na inżynierię zyskowego wzrostu.

Błędy prognozowania i braki towarów nadal powodują znaczne straty przychodu. Co sprawia, że systemy merchandisingu i łańcucha dostaw napędzane przez AI są bardziej skuteczne niż tradycyjne podejścia prognostyczne?

Pierwsza zmiana dotyczy prognozowania, gdzie AI przenosi nas z polegania wyłącznie na wewnętrznej historii do konsumpcji zewnętrznych danych – takich jak lokalna pogoda, wydarzenia społeczne i wskaźniki ekonomiczne. Kiedy prognoza ujmuje ten zewnętrzny kontekst, zyski poprawy nie poprawiają tylko liczby sprzedaży; kaskadowo optymalizują zarządzanie zapasami, planowanie pojemności, harmonogramy pracy i operacje magazynowe, aby dopasować się do prawdziwego popytu.

Druga zmiana dotyczy braków towarów (OOS), których większość detalistów nadal nie mierzy dokładnie. AI naprawia to, wykrywając anomalie w wzorcach sprzedaży – identyfikując “widmowe zapasy”, gdzie system myśli, że przedmiot jest na stanie, ale sprzedaż przestała – i automatycznie wyzwalając cycle counts, aby poprawić rekord. Poza danymi widzimy wzrost wykorzystania widzenia komputerowego do fizycznego oznaczania luk na półkach w czasie rzeczywistym i śledzenia zapasów w pomieszczeniach magazynowych, zapewniając, że produkt nie jest tylko “w budynku”, ale dostępny dla klienta do kupienia.

Agentic commerce staje się głównym tematem innowacji w handlu detalicznym. Jak agenci AI oparte na rozumowaniu znacząco zmieniają odkrywanie produktów i konwersję w porównaniu z dzisiejszym doświadczeniem zakupowym opartym na wyszukiwaniu?

W dzisiejszym doświadczeniu zakupowym opartym na wyszukiwaniu konsumenci nadal wykonują większość ciężkiej pracy. Muszą wiedzieć, czego szukać, porównywać opcje i rozumieć niekończące się wyniki. Agenci oparte na rozumowaniu zmieniają to, dynamicznie generując “syntetyczne aleje” – spersonalizowane kolekcje, które agregują produkty z wielu kategorii na podstawie konkretnego zamiaru. Na przykład, zamiast szukać oddzielnie pięciu przedmiotów, klient z misją “zdrowego poranka” jest przedstawiany spójną, tymczasową aleją, zawierającą wszystko od płatków śniadaniowych wysokobiałkowych po blender, natychmiast skracając lejek odkrywania z minut do sekund.

Po stronie konwersji agenci te działają mniej jak silniki wyszukiwania, a bardziej jak “konserjerzy zakupowi”. Nie tylko wyświetlają opcje; aktywnie budują koszyki na podstawie otwartych potrzeb. Jeśli klient poprosi o “plan kolacji dla czterech osób za mniej niż 50 dolarów”, agent rozumie przez zapasy, ceny i ograniczenia dietetyczne, aby zasugerować kompletny pakiet. Ta zdolność rozumowania zamyka “lukę pewności” – poprzez artykulację, dlaczego konkretny produkt pasuje do stylu życia lub celu użytkownika, agent redukuje paraliż decyzyjny i napędza wyższe wskaźniki konwersji w porównaniu z cichą siatką miniaturek produktów.

Wreszcie, widzimy to rozciągać się na hiperpersonalizowany content. Zamiast pokazywać wszystkim tę samą stronę główną, Agentic AI może generować dynamiczne strony docelowe i wizualizacje, które odbijają bieżącą misję zakupową klienta. Jednak aby to skalować, detaliści znajdują, że muszą zakotwiczyć tych agentów w ujednoliconym modelu danych z surowymi ramami i zabezpieczeniami marki, zapewniając, że “kreatywność” AI nigdy nie hallucynuje produktów ani nie narusza głosu marki.

Wielu detalistów boryka się z przestarzałymi architekturami danych. Jak przedsiębiorstwa powinny zmodernizować swoje podstawy danych, aby modele AI mogły dostarczać godne zaufania i wyjaśnialne rekomendacje?

Największą barierą dla sukcesu AI nie są modele, ale “bagno danych” pod nimi. Aby zmodernizować, detaliści muszą przestać po prostu gromadzić dane i zacząć budować ujednoliconą warstwę semantyczną. To oznacza wdrożenie standardowego “modelu danych”, w którym logika biznesowa (jak dokładnie “marża netto” lub “odsetek” jest obliczany) jest zdefiniowana raz i jest powszechnie dostępna, a nie ukryta w fragmentowanych skryptach SQL w całej organizacji.

Po drugie, przedsiębiorstwa muszą przerzucić się na “produkt danych”. Zamiast traktować dane jako produkt IT, udane detaliści traktują je jako produkt z zdefiniowanym właścicielem, umowami SLA i rygorystycznym monitorowaniem jakości (obserwowalność danych). Kiedy łączysz ten czysty, zarządzany “złoty rekord” z bogatymi metadanymi, odblokowujesz wyjaśnialność. AI nie tylko wypluwa czarną skrzynkę rekomendacji; może śledzić swoją logikę wstecz przez warstwę semantyczną.

Współpraca między detalistami a firmami CPG tradycyjnie opierała się na fragmentowanych danych i niekonsekwentnych metrykach. Jak ujednolicone modele danych i współdzielone platformy AI odblokowują lepsze wyniki kategorii dla obu stron?

Dotąd detaliści i CPG patrzyli na tego samego klienta przez różne soczewki, każdy używając własnych danych i zachęt. Ujednolicone modele danych zmieniają to, tworząc jedną wersję prawdy w całej łańcuchu wartości, czy to wydajność półki, czy zachowanie kupującego.

Kiedy obie strony pracują na tej samej platformie AI, mogą wspólnie identyfikować, co napędza wzrost lub straty na poziomie kategorii. Mogą to być ceny, promocje, asortyment lub luki w zapasach. To zmienia rozmowy z “moje dane vs. twoje” na “nasza wspólna okazja”.

Wynikiem są mądrzejsze decyzje, szybsze eksperymenty i ostatecznie wyższy wzrost kategorii, który korzysta zarówno detalistom, jak i markom.

Ponieważ sieci mediów detalicznych dojrzewają, jaka rolę odegra AI w poprawie ukierunkowania, pomiaru i atrybucji zamkniętej pętli, utrzymując zaufanie konsumenta?

AI przekształci cztery kluczowe obszary, gdy sieci mediów detalicznych dojrzewają.

Po pierwsze, w ukierunkowaniu, branża ewoluuje od statycznych segmentów publiczności do predykcyjnego zamiaru. Analizując sygnały w czasie rzeczywistym – takie jak prędkość przeglądania lub skład koszyka – aby zidentyfikować dokładny moment potrzeby kupującego, AI zapewnia, że pokazujemy odpowiednie reklamy, kiedy to ma znaczenie, a nie tylko ukierunkowujemy szeroką etykietę demograficzną.

Po drugie, do pomiaru, standard złota przenosi się z prostego zwrotu z wydatków na reklamę (ROAS) do przyrostowego ROAS (iROAS). Wykorzystując Causal AI, możemy zmierzyć rzeczywisty wpływ wydatków medialnych, identyfikując kupujących, którzy przekonwertowali tylko dzięki reklamie, a nie organicznie.

Po trzecie, efektywność operacyjna staje się coraz bardziej krytyczna, szczególnie w operacjach kreatywnych. Aby wspierać hiperpersonalizację, detaliści używają Generative AI nie tylko do pomysłów, ale także do skalowania produkcji. To pozwala zespołom automatycznie generować tysiące dynamicznych, kanałowo-specyficznych wariacji aktywów w minutach, a nie tygodniach, rozwiązując wąskie gardło “szybkości treści”.

Wreszcie, utrzymanie zaufania opiera się na powszechnym przyjęciu “clean roomów danych”. Te środowiska pozwalają detalistom i markom na bezpieczne dopasowanie ich zestawów danych do atrybucji zamkniętej pętli, gwarantując, że wrażliwe informacje osobowe (PII) nigdy nie opuszczą ich odpowiednich zapór ogniowych.

Spójrzając w przyszłość, jakie możliwości zdefiniują następną generację detalistów napędzanych przez AI, i co liderzy powinni zacząć budować dzisiaj, aby pozostać konkurencyjnymi w ciągu najbliższych pięciu lat?

Następna era handlu detalicznego będzie zdefiniowana przez przesunięcie od “transformacji cyfrowej” do “transformacji agenticznej”. Przechodzimy do przyszłości “autonomicznej orkiestracji”, gdzie sieci agentów AI współpracują, aby prowadzić złożone procesy – takie jak agent łańcucha dostaw, który automatycznie mówi agentowi marketingowemu, aby wstrzymać promocję, ponieważ przesyłka jest opóźniona.

Aby się przygotować, liderzy muszą zacząć budować trzy rzeczy dzisiaj.

Po pierwsze, jest to ujednolicony model danych. Agenci nie mogą współpracować, jeśli nie mówią tym samym językiem; Twoja baza danych musi ewoluować z repozytorium magazynu do semantycznego “układu nerwowego”.

Po drugie, jest to ramy zarządzania agentami. Musisz zdefiniować “reguły zaangażowania” – co AI jest upoważnione do zrobienia autonomicznie, a co wymaga zatwierdzenia przez człowieka – zanim skalujesz.

Wreszcie, dni statycznych dashboardów dostarczających “tylne lusterko” analityki są liczne. Przechodzimy w stronę analityki konwersacyjnej, która dostarcza natychmiastowe, spersonalizowane spostrzeżenia. Te interfejsy idą daleko poza raportowanie “co się wydarzyło”; wykorzystują agentic AI, aby rozumuć przez złożone “dlaczego” pytania i dostarczyć receptywnie rekomendacje na temat dokładnie “co robić dalej”, skutecznie zamykając lukę między spostrzeżeniem a działaniem.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Tredence.