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

Amanpal Dhupar, Dyrektor ds. Detalu w Tredence, to doświadczony lider w dziedzinie analityki detalicznej i sztucznej inteligencji, z ponad dekadą doświadczenia w projektowaniu i tworzeniu rozwiązań opartych na danych, które dostarczają decydentom przedsiębiorstw działających w sektorze detalicznym wglądy umożliwiające podejmowanie decyzji. Przez całą swoją karierę kierował strategicznymi transformacjami analitycznymi dla wyższych kierowników w dużych sieciach detalicznych, tworzył mapy produktów AI, aby napędzać mierzone wskaźniki biznesowe, oraz skalował zespoły analityczne od początku do dużych operacji, demonstrując zarówno głębię techniczną, jak i elastyczność przywódczą.

Tredence to firma specjalizująca się w rozwiązaniach z dziedziny nauki o danych i sztucznej inteligencji, która pomaga przedsiębiorstwom odblokować wartość biznesową poprzez zaawansowaną analitykę, uczenie maszynowe i podejmowanie decyzji wspomagane przez sztuczną inteligencję. Firma współpracuje z globalnymi markami, szczególnie w sektorze detalicznym i artykułów konsumpcyjnych, aby rozwiązać złożone wyzwania w obszarach takich jak merchandising, łańcuch dostaw, ceny, doświadczenia klienta i operacje wyjściowe, przekształcając wglądy w realny wpływ i pomagając klientom zmodernizować swoje możliwości analityczne i wywiadowcze.

Często detaliści prowadzą dziesiątki pilotów AI, ale tylko nieliczne przechodzą do pełnej implementacji. Jakie są najczęstsze błędy organizacyjne, które uniemożliwiają AI przynoszenie mierzalnych wyników biznesowych?

Nedawno opublikowane 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 powody organizacyjne, które powodują tę lukę.

Pierwszym z nich jest brak zrozumienia procesu pracy użytkownika końcowego. Detaliści często wstawiają AI do istniejących złych procesów, zamiast pytać, jak sam proces powinien być przebudowany z AI w centrum.

Drugim powodem jest brak platformowego podejścia do Agentic AI. Zamiast traktować agenci jako jednorazowe eksperymenty, organizacje muszą uproszczyć cały cykl życia – od projektowania i tworzenia agentów po wdrożenie, monitorowanie i zarządzanie – w całej firmie.

Trzecim powodem jest słaba baza danych. Łatwo jest zbudować pilot na czystym pliku płaskim, ale skalowanie wymaga solidnej, rzeczywistej bazy, w której dokładne dane są ciągle dostępne dla modeli AI.

Wreszcie, widzimy tarcie między popytem IT a popytem biznesowym. Sukces następuje tylko wtedy, gdy liderzy biznesu widzą AI jako wartość dodaną związaną z mierzalnym wpływem, a nie jako rozpraszający element narzucany przez IT. W Tredence naszym celem zawsze było „ostatnie mile”, gdzie mostkujemy tę lukę między generowaniem wglądów a realizacją wartości.

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

W Tredence wspieranie bilionów dolarów przychodu detalicznego dało nam pierwszorzędne miejsce obserwacji wyraźnej granicy w branży: detalistów, którzy traktują AI jako serię rozproszonych eksperymentów, oraz tych, którzy budują zindustrializowaną „fabrykę AI”. Głównym różnicującym jest zaangażowanie w podstawy platformy Agentic AI. Najbardziej udane organizacje przestają budować od podstaw i zamiast tego inwestują w solidną ekosystem, charakteryzującą się ponownie wykorzystywanymi bibliotekami komponentów, standardowymi szablonami projektowania i predefiniowanymi wzorcami agentów dostosowanymi do konkretnych przypadków użycia w detalicznych. Kiedy warstwujesz dojrzałe LLMOps, pełną obserwację i osadzone strażniki AI (RAI) na tej podstawie, wpływ jest przełomowy – zwykle widzimy 80% poprawę szybkości osiągania wartości dla nowych przypadków użycia, ponieważ ciężka architektoniczna praca jest już wykonana.

Jednak platforma jest tylko tak dobra, jak kontekst, który zużywa, 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 uznają, że jest to nie tylko przebudowa technologiczna, ale także kulturowa. Mostkują „ostatnie mile”, przechodząc od prostej automatyzacji do zespołów ludzkich i agentów, przebudowując procesy pracy, aby współpracownicy 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?

Stawka niepowodzenia wynosi 70%, ponieważ detaliści często polegają na „analityce tylnego lusterka”, która myli sprzedaż ogólną z przyrostem – podstawowo dotując wiernych klientów, którzy i tak by kupili. Aby złamać 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 organiczny popyt i celować tylko w nowy wolumen.

Dla pomiaru AI rozwiązuje „puzzle portfela”, ilościowo określając efekty halo i kanibalizacji. Ludzcy kupcy często planują w izolacji, ale AI zapewnia widok kategorii, zapewniając, że promocja na jednym SKU nie po prostu kradnie marżę innemu. Ten holistyczny pomiar pomaga detalistom zrozumieć, czy zwiększają „kategorie ciasta”, czy po prostu je inaczej kroją.

Wreszcie, w celu optymalizacji w czasie rzeczywistym, branża przechodzi w kierunku agentów AI, które monitorują kampanie „w locie”. Zamiast czekać na analizę post-mortem tygodnie po zdarzeniu, agenci te samodzielnie rekomendują korekty – takie jak dostosowanie wydatków na reklamy cyfrowe lub zamianę ofert – aby uratować P&L przed zakończeniem promocji. To podejście przenosi uwagę z prostego wyprzedania zapasów na inżynierię zysku.

Błędy w prognozowaniu i braki w zapasach nadal powodują znaczne straty przychodu. Co sprawia, że systemy handlu detalicznego i łańcucha dostaw napędzane przez AI są bardziej skuteczne niż tradycyjne podejścia do prognozowania?

Pierwsza zmiana dotyczy prognozowania, gdzie AI przechodzi od polegania wyłącznie na wewnętrznej historii do spożycia zewnętrznych danych – takich jak lokalna pogoda, wydarzenia społeczne i wskaźniki ekonomiczne. Kiedy prognoza ujmuje ten zewnętrzny kontekst, zyski dokładności 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 w zapasach (OOS), które większość detalistów nadal nie mierzy dokładnie. AI naprawia to, wykrywając anomalie w wzorcach sprzedaży – identyfikując „Phantom Inventory”, gdzie system uważa, że przedmiot jest na stanie, ale sprzedaż się zatrzymała – i automatycznie wyzwala liczenie cyklu, aby poprawić rekord. Poza danymi widzimy wzrost komputerowego widzenia, aby fizycznie oznaczyć luki na półkach w czasie rzeczywistym i śledzić zapasy w pomieszczeniach magazynowych, zapewniając, że produkt nie jest tylko „w budynku”, ale dostępny dla klienta do kupienia.

Agentic commerce staje się głównym motywem w innowacjach detalicznych. Jak agenci opierający się na rozumowaniu zmieniają odkrywanie produktów i konwersję w porównaniu z dzisiejszym doświadczeniem zakupowym opartym na wyszukiwaniu?

W dzisiejszym wyszukiwaniu zakupowym konsumenci nadal wykonują największą część ciężkiej pracy. Muszą wiedzieć, czego szukać, porównywać opcje i rozumieć niekończące się wyniki. Agenci opierający się na rozumowaniu zakłócają to, dynamicznie generując „syntetyczne aleje” – zestawy wielokategorialne, które agregują produkty na podstawie konkretnego zamiaru. Na przykład zamiast wyszukiwać oddzielnie pięciu przedmiotów, klient z misją „zdrowego poranka” jest przedstawiany spójną, tymczasową aleją, zawierającą wszystko, od płatków śniadaniowych wysokobiałkowych po blendery, natychmiast zapadając lejek odkrywania z minut na sekundy.

Na stronie konwersji agenci te działają mniej jak silniki wyszukiwania, a bardziej jak „koncierge zakupowe”. Nie tylko wyświetlają opcje; aktywnie budują koszyki na podstawie otwartych potrzeb. Jeśli klient pyta 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 zaufania” – poprzez artykułowanie, 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, jak to sięga hiperpersonalizowanego treści. 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 się skalowało, detaliści odkrywają, że muszą zakotwiczyć te agenci w ujednoliconej Strukturze Danych z surową i bezpieczną governance, zapewniając, że „kreatywność” AI nigdy nie hallucynuje produktów ani nie narusza głosu marki.

Wielu detalistów boryka się ze starzejącymi się 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 zbierać dane i zacząć budować ujednoloną 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 fragmentarycznych skryptach SQL w całej organizacji.

Drugim jest przejście do „produktu danych”. Zamiast traktować dane jako produkt uboczny IT, udane detaliści traktują je jako produkt z określoną własnością, umowami SLA i rygorystycznym monitorowaniem jakości (obserwowalność danych). Kiedy łączysz ten czysty, zarządzany „złoty rekord” z bogatymi metadanymi, odblokowujesz wyjaśnialność. AI nie tylko wypluwa rekomendację black-box; może śledzić swoją logikę przez warstwę semantyczną.

Współpraca między detalistami a firmami CPG opierała się historycznie na fragmentarycznych danych i niekonsekwentnych metrykach. Jak ujednolicone modele danych i współdzielone platformy AI zamykają silniejszą wydajność kategorii dla obu stron?

Do tej pory 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.

Gdy obie strony pracują na tej samej platformie AI, mogą wspólnie identyfikować, co napędza wzrost lub wyciek 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 celowania, pomiaru i atrybucji zamkniętej pętli, utrzymując zaufanie konsumentów?

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

Pierwszym z nich jest celowanie. Branż przechodzi 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 się liczy, a nie tylko celujemy w szeroką etykietę demograficzną.

Drugim jest pomiar. Złoty standard przechodzi od prostego zwrotu z wydatków na reklamy (ROAS) do przyrostowego ROAS (iROAS). Wykorzystując Causal AI, możemy zmierzyć rzeczywisty wpływ wydatków na media, identyfikując kupujących, którzy przekonwertowali tylko dzięki reklamie, a nie organicznie.

Trzecim jest wydajność operacyjna, szczególnie w operacjach kreatywnych. Aby wesprzeć hiperpersonalizację, detaliści używają Generative AI nie tylko do idei, ale także do skalowania produkcji. To pozwala zespołom automatycznie generować tysiące dynamicznych, kanałowo-specyficznych wariacji aktywów w minutach, a nie tygodniach, rozwiązując wąskie gardło „prędkości treści”.

Wreszcie, utrzymanie zaufania opiera się na powszechnym przyjęciu „czystych pokoi danych”. Te środowiska pozwalają detalistom i markom na bezpieczne dopasowanie ich zestawów danych do atrybucji zamkniętej pętli, gwarantując, że wrażliwe informacje osobiste (PII) nigdy nie opuszczają ich odpowiednich firewalli.

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 detaliczna będzie definiowana przez przesunięcie od „transformacji cyfrowej” do „transformacji agenckiej”. Przechodzimy do przyszłości „autonomicznej orkiestracji”, gdzie sieci agentów AI współpracują, aby uruchomić złożone procesy – takie jak agent łańcucha dostaw, który automatycznie mówi agentowi marketingowemu, aby wstrzymać promocję, ponieważ dostawa jest opóźniona.

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

Pierwszym jest ujednolicony model danych. Agenci nie mogą współpracować, jeśli nie mówią tego samego języka; Twoja baza danych musi ewoluować z repozytorium magazynowego do semantycznego „układu nerwowego”.

Drugim jest ramy zarządzania agentami. Musisz zdefiniować „zasady zaangażowania” – co AI jest uprawnione do zrobienia samodzielnie, a co wymaga zatwierdzenia przez człowieka – zanim zaczniesz skalować.

Wreszcie, dni statycznych pulpitów dostarczających „analitykę tylnego lusterka” są zahlamowane. Przechodzimy w kierunku analityki konwersacyjnej, która dostarcza natychmiastowe, personalizowane wglądy. Te interfejsy idą daleko poza raportowanie „co się stało”; wykorzystują agencką AI, aby rozumuć złożone „dlaczego” i dostarczyć rekomendacje preskrypcyjne na temat „co robić dalej”, skutecznie zamykając lukę między wglądami a działaniem.

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