Amanpal Dhupar, dyrektor ds. sprzedaży detalicznej w Tredence – seria wywiadów

Amanpal DhuparDyrektor ds. Handlu Detalicznego w Tredence to doświadczony lider w dziedzinie analityki detalicznej i sztucznej inteligencji (AI), z ponad dziesięcioletnim doświadczeniem w projektowaniu i rozwijaniu rozwiązań opartych na danych, które dostarczają praktycznych wniosków decydentom w przedsiębiorstwach. W trakcie swojej kariery kierował strategicznymi transformacjami analityki dla kadry kierowniczej wyższego szczebla w dużych sieciach handlowych, tworzył plany rozwoju produktów AI, aby generować mierzalne wskaźniki KPI, a także skalował zespoły analityczne od początków do operacji na dużą skalę – wykazując się zarówno dogłębną wiedzą techniczną, jak i wszechstronnością przywódczą.

Trend to firma oferująca rozwiązania z zakresu analizy danych i sztucznej inteligencji (AI), która pomaga przedsiębiorstwom w generowaniu wartości biznesowej poprzez zaawansowaną analitykę, uczenie maszynowe i podejmowanie decyzji z wykorzystaniem sztucznej inteligencji. Firma współpracuje z globalnymi markami – zwłaszcza z branży handlu detalicznego i dóbr konsumpcyjnych – aby rozwiązywać złożone problemy związane z merchandisingiem, łańcuchem dostaw, cenami, obsługą klienta i działaniami marketingowymi, przekładając wnioski na realne skutki i pomagając klientom w modernizacji ich możliwości analitycznych i analitycznych.

Sprzedawcy detaliczni często przeprowadzają dziesiątki pilotaży AI, ale bardzo niewielu decyduje się na wdrożenie na pełną skalę. Jakie są najczęstsze błędy organizacyjne, które uniemożliwiają AI osiągnięcie mierzalnych rezultatów biznesowych?

Niedawne badanie MIT Solan wykazało, że 95% pilotów AI nie osiąga etapu pełnego wdrożenia. Rzeczywistość? Pilotaż jest łatwy, ale produkcja jest trudna. W Tredence zidentyfikowaliśmy cztery konkretne przyczyny organizacyjne stojące za tą luką.

Pierwszym z nich jest brak zrozumienia przepływu pracy użytkownika końcowego. Sprzedawcy detaliczni często wprowadzają sztuczną inteligencję do istniejących, wadliwych procesów, zamiast zastanawiać się, jak przeprojektować sam przepływ pracy, mając sztuczną inteligencję w centrum.

Drugim problemem jest brak podejścia platformowego do sztucznej inteligencji agentowej. Zamiast traktować agentów jako jednorazowe eksperymenty, organizacje muszą usprawnić cały cykl życia – od projektowania i rozwoju agentów, przez wdrożenie, monitorowanie, po zarządzanie – w całym przedsiębiorstwie.

Po trzecie, słaby fundament danych. Łatwo jest zbudować pilotaż na czystym, płaskim pliku, ale skalowanie wymaga solidnego fundamentu w czasie rzeczywistym, gdzie dokładne dane są stale dostępne dla modeli AI.

Wreszcie, dostrzegamy tarcie między impulsami IT a impulsami biznesowymi. Sukces pojawia się tylko wtedy, gdy liderzy biznesu postrzegają sztuczną inteligencję jako wartość dodaną powiązaną z mierzalnym wpływem, a nie jako rozpraszacz napędzany przez IT. W Tredence zawsze koncentrowaliśmy się na „ostatniej mili”, gdzie łączymy generowanie wniosków z realizacją wartości.

Tredence współpracuje z wieloma największymi sprzedawcami detalicznymi na świecie, generując biliony dolarów przychodu. Biorąc pod uwagę to, co obserwujesz w branży, co odróżnia sprzedawców detalicznych, którzy z powodzeniem skalują sztuczną inteligencję, od tych, którzy tkwią w eksperymentach?

W Tredence, dzięki bilionom dolarów przychodów z handlu detalicznego, jesteśmy świadkami wyraźnego podziału w branży: detaliści traktujący sztuczną inteligencję jako serię rozproszonych eksperymentów, a ci, którzy budują zindustrializowaną „fabrykę sztucznej inteligencji”. Głównym czynnikiem różnicującym jest zaangażowanie w fundamenty platformy agentowej AI. Organizacje odnoszące największe sukcesy przestają budować rozwiązania od podstaw i zamiast tego inwestują w solidny ekosystem charakteryzujący się bibliotekami komponentów wielokrotnego użytku, standardowymi szablonami projektowymi i gotowymi wzorcami agentów dostosowanymi do konkretnych przypadków użycia w handlu detalicznym. Nałożenie na ten fundament dojrzałego LLMOps, pełnej obserwowalności stosu i wbudowanych zabezpieczeń odpowiedzialnej sztucznej inteligencji (RAI) przynosi transformacyjne efekty – zazwyczaj obserwujemy 80% wzrost szybkości uzyskiwania wartości dla nowych przypadków użycia, ponieważ żmudny proces podnoszenia architektury został już wykonany.

Jednak platforma jest tak dobra, jak kontekst, który wykorzystuje, co prowadzi nas do fundamentu danych. Skalowanie wymaga czegoś więcej niż tylko surowego dostępu do danych; wymaga bogatej warstwy semantycznej, gdzie silne metadane i ujednolicone modele danych pozwalają sztucznej inteligencji na rzeczywiste „rozumowanie” biznesu, a nie tylko przetwarzanie danych wejściowych. Wreszcie, prawdziwi liderzy zdają sobie sprawę, że to nie tylko modernizacja technologiczna, ale i kulturowa. Przechodzą przez „ostatnią milę”, wychodząc poza prostą automatyzację i przechodząc do współpracy człowiek-agent, przeprojektowując przepływy pracy tak, aby współpracownicy i sprzedawcy ufali swoim cyfrowym odpowiednikom i współpracowali z nimi, przekształcając potencjał algorytmiczny w mierzalną rzeczywistość biznesową.

Ponad 70% promocji w handlu detalicznym nadal nie osiąga progu rentowności. W jaki sposób sztuczna inteligencja może znacząco usprawnić planowanie promocji, pomiary i optymalizację w czasie rzeczywistym?

70-procentowy wskaźnik niepowodzeń utrzymuje się, ponieważ sprzedawcy detaliczni często opierają się na analizach „wstecznych”, które mylą całkowitą sprzedaż z przyrostowym wzrostem – w istocie dotując wiernych klientów, którzy i tak by dokonali zakupu. Aby przerwać ten cykl, musimy przejść od raportowania opisowego do podejścia bardziej predykcyjnego. W fazie planowania wykorzystujemy sztuczną inteligencję przyczynową (CAUSAL AI) do symulacji wyników i ustalania „prawdziwych punktów odniesienia”, dokładnie identyfikując, co sprzedałoby się bez promocji. Dzięki temu sprzedawcy detaliczni mogą przestać płacić za popyt organiczny i skupić się wyłącznie na wolumenie sprzedaży netto.

W zakresie pomiaru, sztuczna inteligencja rozwiązuje „zagadkę portfolio”, mierząc efekty halo i kanibalizację. Sprzedawcy często planują w silosach, ale sztuczna inteligencja zapewnia wgląd w całą kategorię, gwarantując, że promocja na jeden SKU nie oznacza po prostu zawyżenia marży na innym. Ten holistyczny pomiar pomaga sprzedawcom detalicznym zrozumieć, czy powiększają tort w danej kategorii, czy po prostu go inaczej dzielą.

Wreszcie, w celu optymalizacji w czasie rzeczywistym, branża przechodzi na agentów AI, którzy monitorują kampanie „w trakcie”. Zamiast czekać na analizę post mortem tygodnie po zakończeniu promocji, agenci ci autonomicznie rekomendują korekty kursu – takie jak dostosowanie wydatków na reklamę cyfrową lub zamiana ofert – aby uratować rachunek zysków i strat przed zakończeniem promocji. Takie podejście przesuwa punkt ciężkości z prostej likwidacji zapasów na projektowanie rentownego wzrostu.

Błędy w prognozowaniu i braki magazynowe nadal powodują znaczne straty w przychodach. Co sprawia, że ​​systemy merchandisingu i łańcucha dostaw oparte na sztucznej inteligencji są skuteczniejsze niż tradycyjne metody prognozowania?

Pierwsza zmiana dotyczy prognozowania, gdzie sztuczna inteligencja pozwala nam odejść od polegania wyłącznie na historii wewnętrznej i korzystać z danych zewnętrznych – takich jak lokalna pogoda, wydarzenia społeczne i wskaźniki ekonomiczne. Gdy prognoza uwzględnia ten zewnętrzny kontekst, wzrost dokładności nie tylko poprawia sprzedaż, ale także wpływa na dalsze procesy, optymalizując zarządzanie zapasami, planowanie mocy produkcyjnych, harmonogramy pracy i operacje magazynowe, aby dostosować je do rzeczywistego popytu.

Drugą zmianą jest brak towaru (OOS), którego większość sprzedawców detalicznych wciąż nie potrafi dokładnie zmierzyć. Sztuczna inteligencja rozwiązuje ten problem, wykrywając anomalie w schematach sprzedaży – identyfikując „zapasy pozorne”, w których system zakłada, że ​​produkt jest dostępny, ale sprzedaż została wstrzymana – i automatycznie uruchamiając cykle inwentaryzacji w celu skorygowania danych. Poza danymi obserwujemy rozwój wizji komputerowej, która fizycznie sygnalizuje braki na półkach w czasie rzeczywistym i śledzi stany magazynowe na zapleczu, zapewniając, że produkt nie jest tylko „w magazynie”, ale dostępny dla klienta.

Handel agentowy staje się ważnym tematem innowacji w handlu detalicznym. W jaki sposób agenci AI bazujący na rozumowaniu znacząco zmieniają proces wyszukiwania i konwersji produktów w porównaniu z dzisiejszym doświadczeniem zakupowym opartym na wyszukiwaniu?

W dzisiejszych zakupach opartych na wyszukiwaniu, konsumenci nadal wykonują większość pracy. Muszą wiedzieć, czego szukać, porównywać opcje i interpretować niezliczone wyniki. Agenci wnioskowania zmieniają ten schemat, dynamicznie generując „syntetyczne alejki” – niestandardowe kolekcje, które agregują produkty z wielu kategorii w oparciu o konkretną intencję. Na przykład, zamiast wyszukiwać oddzielnie pięć produktów, klient z misją „zdrowy poranek” otrzymuje spójny, tymczasowy zestaw produktów, od płatków śniadaniowych wysokobiałkowych po blendery, co natychmiast skraca czas odkrywania produktów z minut do sekund.

Z punktu widzenia konwersji, agenci ci działają mniej jak wyszukiwarki, a bardziej jak „konsjerże zakupowi”. Nie ograniczają się do listowania opcji; aktywnie budują koszyki w oparciu o otwarte potrzeby. Jeśli klient prosi o „plan obiadowy dla czterech osób poniżej 50 dolarów”, agent, analizując stan zapasów, cenę i ograniczenia dietetyczne, proponuje kompletny pakiet. Ta zdolność rozumowania niweluje „lukę zaufania” – argumentując, dlaczego konkretny produkt pasuje do stylu życia lub celu użytkownika, agent zmniejsza paraliż decyzyjny i generuje wyższe wskaźniki konwersji w porównaniu z milczącą siatką miniatur produktów.

Wreszcie, obserwujemy, jak ta technologia rozszerza się na hiperpersonalizowane treści. Zamiast wyświetlać wszystkim ten sam baner na stronie głównej, sztuczna inteligencja Agentic AI może generować dynamiczne landing page'e i wizualizacje, które odzwierciedlają aktualną misję zakupową klienta. Jednak aby to rozwiązanie działało na większą skalę, sprzedawcy detaliczni odkrywają, że muszą osadzić agentów w Ujednoliconym Modelu Danych (Unified Data Model) ze ścisłym zarządzaniem marką i bezpieczeństwem, gwarantując, że „kreatywność” sztucznej inteligencji nigdy nie będzie halucynować produktów ani naruszać przekazu marki.

Wielu sprzedawców detalicznych zmaga się z przestarzałą architekturą danych. W jaki sposób przedsiębiorstwa powinny zmodernizować swoje bazy danych, aby modele AI mogły generować wiarygodne i zrozumiałe rekomendacje?

Największą przeszkodą dla sukcesu sztucznej inteligencji nie są modele, ale „bagno danych” pod nimi. Aby się unowocześnić, sprzedawcy detaliczni muszą odejść od prostego gromadzenia danych i zbudować ujednoliconą warstwę semantyczną. Oznacza to wdrożenie standardowego „modelu danych”, w którym logika biznesowa (na przykład sposób obliczania „marży netto” lub „odejścia klientów”) jest zdefiniowana raz i jest powszechnie dostępna, a nie ukryta w rozproszonych skryptach SQL w całej organizacji.

Po drugie, przedsiębiorstwa muszą przejść na myślenie oparte na „produkcie danych”. Zamiast traktować dane jako produkt uboczny IT, odnoszący sukcesy sprzedawcy detaliczni traktują je jako produkt z określoną własnością, umowami SLA i rygorystycznym monitorowaniem jakości (obserwowalność danych). Połączenie tego przejrzystego, uporządkowanego „złotego rejestru” z bogatymi metadanymi otwiera drogę do wyjaśnialności. Sztuczna inteligencja nie tylko wypluwa rekomendacje z czarnej skrzynki; potrafi prześledzić swoją logikę aż do warstwy semantycznej.

Współpraca między sprzedawcami detalicznymi a firmami z branży dóbr konsumpcyjnych (CPG) historycznie opierała się na fragmentarycznych danych i niespójnych metrykach. W jaki sposób ujednolicone modele danych i współdzielone platformy AI zapewniają lepszą wydajność w danej kategorii dla obu stron?

Do tej pory detaliści i producenci dóbr konsumpcyjnych patrzyli na tego samego klienta z innej perspektywy, wykorzystując własne dane i zachęty. Zunifikowane modele danych zmieniają to, tworząc jedną wersję prawdy w całym łańcuchu wartości, niezależnie od tego, czy chodzi o wyniki na półce, czy o zachowania kupujących.

Gdy obie strony korzystają z tej samej platformy AI, mogą wspólnie identyfikować czynniki napędzające wzrost lub ubytek na poziomie kategorii. Może to być cokolwiek – ceny, promocje, asortyment czy luki w zapasach. To zmienia temat rozmowy z „moje dane kontra twoje” na „nasza wspólna szansa”.

Efektem są mądrzejsze decyzje, szybsze eksperymentowanie i ostatecznie większy wzrost kategorii, na czym korzystają zarówno sprzedawcy detaliczni, jak i marki.

Wraz z dojrzewaniem sieci mediów detalicznych, jaką rolę odegra sztuczna inteligencja w ulepszaniu targetowania, pomiarów i atrybucji pętli zamkniętej przy jednoczesnym zachowaniu zaufania konsumentów?

Wraz z dojrzewaniem sieci sprzedaży detalicznej sztuczna inteligencja zmieni cztery kluczowe obszary.

Po pierwsze, w obszarze targetowania, branża ewoluuje od statycznych segmentów odbiorców do predyktywnego podejścia do intencji. Analizując sygnały w czasie rzeczywistym – takie jak szybkość przeglądania czy skład koszyka – w celu precyzyjnego określenia momentu, w którym klient potrzebuje konkretnej rzeczy, AIe zapewnia wyświetlanie odpowiednich reklam w najbardziej odpowiednim momencie, zamiast kierować je tylko do szerokiej grupy demograficznej.

Po drugie, złotym standardem pomiaru jest odejście od prostego zwrotu z wydatków na reklamę (ROAS) na rzecz przyrostowego ROAS (iROAS). Wykorzystując sztuczną inteligencję przyczynową (Causal AI), możemy zmierzyć rzeczywisty wpływ wydatków na media, identyfikując kupujących, którzy dokonali konwersji tylko dzięki reklamie, w porównaniu z tymi, którzy dokonaliby konwersji organicznie.

Po trzecie, efektywność operacyjna staje się kluczowa, szczególnie w obszarze działań kreatywnych. Aby wspierać hiperpersonalizację, sprzedawcy detaliczni wykorzystują generatywną sztuczną inteligencję nie tylko do tworzenia pomysłów, ale także do skalowania produkcji. Pozwala to zespołom automatycznie generować tysiące dynamicznych, specyficznych dla danego kanału wariantów zasobów w ciągu kilku minut, a nie tygodni, rozwiązując problem wąskiego gardła, jakim jest „prędkość treści”.

Wreszcie, utrzymanie zaufania opiera się na powszechnym stosowaniu tzw. „czystych pomieszczeń” (ang. „clean room”) do przechowywania danych. Środowiska te pozwalają sprzedawcom detalicznym i markom bezpiecznie dopasowywać swoje zbiory danych do zamkniętej pętli atrybucji, gwarantując, że poufne dane osobowe (PII) nigdy nie opuszczą ich zapór sieciowych.

Patrząc w przyszłość, jakie możliwości zdefiniują nową generację sprzedawców detalicznych korzystających ze sztucznej inteligencji i co liderzy powinni zacząć budować już dziś, aby utrzymać konkurencyjność w ciągu najbliższych pięciu lat?

Następna era handlu detalicznego będzie definiowana przez przejście od „transformacji cyfrowej” do „transformacji agentowej”. Zmierzamy ku przyszłości „autonomicznej orkiestracji”, w której sieci agentów AI współpracują ze sobą, aby realizować złożone procesy – na przykład agent łańcucha dostaw automatycznie nakazuje agentowi marketingowemu wstrzymanie promocji z powodu opóźnienia dostawy.

Aby się do tego przygotować, liderzy muszą już dziś zacząć budować trzy rzeczy.

Po pierwsze, ujednolicony model danych. Agenci nie mogą współpracować, jeśli nie posługują się tym samym językiem; Twoja baza danych musi ewoluować od repozytorium danych do semantycznego „układu nerwowego”.

Drugim elementem są ramy zarządzania dla agentów. Przed skalowaniem należy zdefiniować „zasady zaangażowania” – co sztuczna inteligencja może robić autonomicznie, a co wymaga zgody człowieka.

Wreszcie, dni statycznych pulpitów nawigacyjnych oferujących analitykę „z perspektywy przeszłości” są policzone. Zmierzamy w kierunku analityki konwersacyjnej, która dostarcza natychmiastowych, spersonalizowanych spostrzeżeń. Te interfejsy wykraczają daleko poza raportowanie „co się stało”; wykorzystują one sztuczną inteligencję agentową do wnioskowania poprzez złożone pytania „dlaczego” i dostarczania rekomendacji dotyczących tego, „co zrobić dalej”, skutecznie niwelując lukę między spostrzeżeniem a działaniem.

Dziękuję za wspaniały wywiad. Czytelnicy chcący dowiedzieć się więcej powinni odwiedzić nas Trend.