Amanpal Dhupar, chefe de varejo da Tredence – série de entrevistas

Amanpal Dhupar[Nome do executivo], Head de Varejo na Tredence, é um líder experiente em análise de dados e IA para o varejo, com mais de uma década de experiência em projetar e desenvolver soluções orientadas a dados que fornecem insights acionáveis ​​para tomadores de decisão em grandes empresas. Ao longo de sua carreira, ele liderou transformações estratégicas de análise de dados para executivos seniores em grandes varejistas, construiu roteiros de produtos de IA para impulsionar KPIs de negócios mensuráveis ​​e escalou equipes de análise de dados desde o início até operações em larga escala — demonstrando tanto conhecimento técnico quanto versatilidade de liderança.

Tendência é uma empresa de soluções em ciência de dados e IA focada em ajudar empresas a desbloquear valor comercial por meio de análises avançadas, aprendizado de máquina e tomada de decisões baseada em IA. A empresa faz parcerias com marcas globais — especialmente nos setores de varejo e bens de consumo — para resolver desafios complexos em merchandising, cadeia de suprimentos, precificação, experiência do cliente e operações de entrada no mercado, traduzindo insights em impacto no mundo real e ajudando os clientes a modernizar suas capacidades de análise e inteligência.

Os varejistas costumam realizar dezenas de projetos-piloto de IA, mas muito poucos chegam à implementação em larga escala. Quais são os erros organizacionais mais comuns que impedem a IA de gerar resultados comerciais mensuráveis?

Um estudo recente do MIT Solan revelou que 95% dos projetos-piloto de IA não conseguem ser implementados em larga escala. A realidade? Os projetos-piloto são fáceis, mas a produção é difícil. Na Tredence, identificamos quatro razões organizacionais específicas que contribuem para essa discrepância.

Em primeiro lugar, há a falha em compreender o fluxo de trabalho do usuário final. Os varejistas frequentemente inserem IA em processos falhos já existentes, em vez de questionar como o próprio fluxo de trabalho deveria ser repensado com a IA como elemento central.

Em segundo lugar, destaca-se a falta de uma abordagem de plataforma para IA Agética. Em vez de tratar os agentes como experimentos isolados, as organizações precisam otimizar todo o ciclo de vida — desde o design e desenvolvimento do agente até a implantação, o monitoramento e a governança — em toda a empresa.

Em terceiro lugar, temos uma base de dados frágil. É fácil construir um projeto piloto com um arquivo simples e limpo, mas a escalabilidade exige uma base robusta e em tempo real, onde dados precisos estejam continuamente acessíveis aos modelos de IA.

Por fim, observamos um atrito entre a pressão da TI e a demanda dos negócios. O sucesso só acontece quando os líderes empresariais enxergam a IA como um diferencial competitivo, atrelado a um impacto mensurável, e não como uma distração imposta pela TI. Na Tredence, nosso foco sempre foi a "última milha", onde preenchemos essa lacuna entre a geração de insights e a concretização do valor.

A Tredence trabalha com muitas das maiores varejistas do mundo, que movimentam trilhões em receita. Com base no que você observa no setor, o que diferencia as varejistas que escalam a IA com sucesso daquelas que permanecem estagnadas na fase de experimentação?

Na Tredence, dar suporte a trilhões em receita no varejo nos proporcionou uma visão privilegiada de uma clara divisão no setor: varejistas que tratam a IA como uma série de experimentos isolados versus aqueles que constroem uma "fábrica de IA" industrializada. O principal diferencial reside no compromisso com os fundamentos de uma Plataforma de IA Agente. As organizações mais bem-sucedidas param de construir do zero e, em vez disso, investem em um ecossistema robusto caracterizado por bibliotecas de componentes reutilizáveis, modelos de design padrão e padrões de agentes pré-construídos alinhados a casos de uso específicos do varejo. Quando você adiciona LLMOps maduro, observabilidade completa e diretrizes de IA responsável (RAI) incorporadas a essa base, o impacto é transformador — normalmente vemos a velocidade de retorno do investimento para novos casos de uso melhorar em 80%, porque o trabalho arquitetônico mais complexo já foi feito.

No entanto, uma plataforma só é tão boa quanto o contexto que utiliza, o que nos leva à base de dados. A escalabilidade exige mais do que apenas acesso bruto aos dados; exige uma camada semântica rica, onde metadados robustos e modelos de dados unificados permitam que a IA realmente "raciocine" sobre o negócio, em vez de apenas processar entradas. Por fim, os verdadeiros líderes reconhecem que esta não é apenas uma reformulação tecnológica, mas também cultural. Eles superam a "última milha" indo além da simples automação, promovendo a colaboração entre humanos e agentes, reestruturando fluxos de trabalho para que colaboradores e comerciantes confiem e colaborem com seus pares digitais, transformando o potencial algorítmico em realidade comercial mensurável.

Mais de 70% das promoções no varejo ainda não atingem o ponto de equilíbrio. Como a IA pode melhorar significativamente o planejamento, a mensuração e a otimização em tempo real das promoções?

A taxa de insucesso de 70% persiste porque os varejistas frequentemente se baseiam em análises retrospectivas que confundem o total de vendas com o aumento incremental — essencialmente subsidiando clientes fiéis que comprariam de qualquer forma. Para quebrar esse ciclo, precisamos mudar de relatórios descritivos para uma abordagem mais preditiva. Na fase de planejamento, usamos IA Causal para simular resultados e estabelecer "linhas de base reais", identificando exatamente o que teria sido vendido sem a promoção. Isso permite que os varejistas parem de pagar por demanda orgânica e se concentrem apenas no volume líquido de novas vendas.

Para fins de mensuração, a IA resolve o "quebra-cabeça do portfólio" ao quantificar os efeitos halo e a canibalização. Os profissionais de compras geralmente planejam de forma isolada, mas a IA oferece uma visão abrangente da categoria, garantindo que uma promoção em um SKU não esteja simplesmente reduzindo a margem de outro. Essa mensuração holística ajuda os varejistas a entender se estão expandindo o bolo da categoria ou apenas segmentando-o de forma diferente.

Por fim, para otimização em tempo real, o setor está migrando para agentes de IA que monitoram campanhas "em andamento". Em vez de esperar por uma análise pós-campanha semanas depois do evento, esses agentes recomendam correções de rumo de forma autônoma — como ajustar o investimento em anúncios digitais ou trocar ofertas — para salvar o balanço financeiro antes do término da promoção. Essa abordagem muda o foco da simples liquidação de inventário para a geração de crescimento lucrativo.

Erros de previsão e rupturas de estoque continuam causando grandes perdas de receita. O que torna os sistemas de merchandising e cadeia de suprimentos baseados em IA mais eficazes do que as abordagens de previsão tradicionais?

A primeira mudança ocorre na previsão, onde a IA nos permite deixar de depender exclusivamente do histórico interno e passar a incorporar dados externos — como clima local, eventos sociais e indicadores econômicos. Quando a previsão captura esse contexto externo, os ganhos de precisão não apenas melhoram os números de vendas; eles se propagam por toda a cadeia, otimizando a gestão de estoque, o planejamento de capacidade, os horários de trabalho e as operações de armazém para se alinharem à demanda real.

A segunda mudança está relacionada à falta de estoque (OOS, na sigla em inglês), que a maioria dos varejistas ainda não consegue mensurar com precisão. A IA resolve esse problema detectando anomalias nos padrões de vendas — identificando o "estoque fantasma", em que o sistema considera que um item está em estoque, mas as vendas cessaram — e acionando automaticamente contagens cíclicas para corrigir o registro. Além dos dados, estamos presenciando o avanço da visão computacional para sinalizar fisicamente as lacunas nas prateleiras em tempo real e rastrear o estoque nos depósitos, garantindo que o produto não esteja apenas "no prédio", mas disponível para o cliente comprar.

O comércio assistido por agentes está se tornando um tema importante na inovação do varejo. Como os agentes de IA baseados em raciocínio podem mudar significativamente a descoberta e a conversão de produtos em comparação com a experiência de compra atual, orientada por buscas?

Nas compras atuais, impulsionadas por buscas, os consumidores ainda realizam a maior parte do trabalho pesado. Eles precisam saber o que procurar, comparar opções e interpretar uma infinidade de resultados. Agentes baseados em raciocínio revolucionam esse processo, gerando dinamicamente "corredores sintéticos" — coleções personalizadas que agregam produtos de diversas categorias com base em uma intenção específica. Por exemplo, em vez de pesquisar cinco itens separadamente, um comprador com o objetivo de ter uma "manhã saudável" se depara com um corredor temporário e coeso que apresenta de tudo, desde cereais ricos em proteínas até liquidificadores, reduzindo instantaneamente o tempo de busca de minutos para segundos.

Em termos de conversão, esses agentes atuam menos como mecanismos de busca e mais como "consultores de compras". Eles não apenas listam opções; eles criam ativamente cestas de compras com base em necessidades específicas. Se um cliente pede um "plano de jantar para quatro pessoas por menos de US$ 50", o agente analisa o estoque, o preço e as restrições alimentares para sugerir um pacote completo. Essa capacidade de raciocínio reduz a "lacuna de confiança" — ao explicar por que um produto específico se encaixa no estilo de vida ou objetivo do usuário, o agente diminui a indecisão e gera taxas de conversão mais altas em comparação com uma exibição estática de miniaturas de produtos.

Finalmente, estamos vendo isso se estender ao conteúdo hiperpersonalizado. Em vez de mostrar a todos o mesmo banner na página inicial, a IA Agética pode gerar páginas de destino e recursos visuais dinâmicos que refletem a jornada de compra atual do cliente. No entanto, para que isso seja escalável, os varejistas estão descobrindo que precisam fundamentar esses agentes em um Modelo de Dados Unificado com governança rigorosa de marca e segurança, garantindo que a "criatividade" da IA ​​nunca crie alucinações sobre produtos ou viole a identidade da marca.

Muitos varejistas enfrentam dificuldades com arquiteturas de dados desatualizadas. Como as empresas devem modernizar suas bases de dados para que os modelos de IA possam fornecer recomendações confiáveis ​​e explicáveis?

O maior obstáculo para o sucesso da IA ​​não são os modelos em si, mas o "pântano de dados" que os sustenta. Para se modernizarem, os varejistas precisam parar de simplesmente coletar dados e começar a construir uma camada semântica unificada. Isso significa implementar um "Modelo de Dados" padrão, onde a lógica de negócios (como exatamente a "Margem Líquida" ou a "Taxa de Cancelamento" são calculadas) seja definida uma única vez e seja universalmente acessível, em vez de estar oculta em scripts SQL fragmentados por toda a organização.

Em segundo lugar, as empresas precisam adotar uma mentalidade de "produto de dados". Em vez de tratar os dados como um subproduto de TI, os varejistas de sucesso os tratam como um produto com propriedade definida, SLAs e monitoramento rigoroso de qualidade (observabilidade de dados). Ao combinar esse "registro mestre" limpo e governado com metadados ricos, você desbloqueia a explicabilidade. A IA não apenas gera uma recomendação genérica; ela consegue rastrear sua lógica até a camada semântica.

Historicamente, a colaboração entre varejistas e empresas de bens de consumo embalados (CPG) tem se baseado em dados fragmentados e métricas inconsistentes. Como modelos de dados unificados e plataformas de IA compartilhadas podem impulsionar um desempenho mais robusto da categoria para ambos os lados?

Até agora, varejistas e empresas de bens de consumo têm analisado o mesmo cliente sob perspectivas diferentes, cada uma utilizando seus próprios dados e incentivos. Modelos de dados unificados mudam esse cenário, criando uma única versão da verdade em toda a cadeia de valor, seja em relação ao desempenho nas prateleiras ou ao comportamento do consumidor.

Quando ambos os lados trabalham com a mesma plataforma de IA, podem identificar em conjunto o que está impulsionando o crescimento ou as perdas em nível de categoria. Pode ser qualquer coisa: preço, promoção, sortimento ou lacunas de estoque. Isso muda o foco da conversa de "meus dados versus seus" para "nossa oportunidade compartilhada".

O resultado são decisões mais inteligentes, experimentação mais rápida e, em última análise, maior crescimento da categoria, o que beneficia tanto os varejistas quanto as marcas.

À medida que as redes de mídia de varejo amadurecem, qual será o papel da IA ​​na melhoria da segmentação, da mensuração e da atribuição em circuito fechado, mantendo a confiança do consumidor?

A inteligência artificial transformará quatro áreas-chave à medida que as redes de mídia de varejo amadurecerem.

Em primeiro lugar, no que diz respeito à segmentação, o setor está evoluindo de segmentos de público estáticos para a intenção preditiva. Ao analisar sinais em tempo real — como a velocidade de navegação ou a composição do carrinho de compras — para identificar o momento exato da necessidade de um comprador, a IA garante que mostremos os anúncios certos quando for mais importante, em vez de apenas segmentar um rótulo demográfico amplo.

Em segundo lugar, para fins de mensuração, o padrão ouro está mudando do simples Retorno sobre o Investimento em Publicidade (ROAS) para o ROAS incremental (iROAS). Ao aproveitar a IA Causal, podemos mensurar o impacto real do investimento em mídia, identificando os compradores que só converteram por causa do anúncio, em comparação com aqueles que teriam convertido organicamente.

Em terceiro lugar, a eficiência operacional está se tornando crucial, principalmente nas operações criativas. Para dar suporte à hiperpersonalização, os varejistas estão usando IA generativa não apenas para a geração de ideias, mas também para escalar a produção. Isso permite que as equipes gerem automaticamente milhares de variações dinâmicas de ativos específicos para cada canal em minutos, em vez de semanas, resolvendo o gargalo da "velocidade do conteúdo".

Por fim, a manutenção da confiança depende da adoção generalizada de ambientes de dados seguros. Esses ambientes permitem que varejistas e marcas combinem seus conjuntos de dados com segurança para atribuição em circuito fechado, garantindo que informações pessoais identificáveis ​​(PII) sensíveis nunca saiam de seus respectivos firewalls.

Olhando para o futuro, quais capacidades definirão a próxima geração de varejistas impulsionados por IA e o que os líderes devem começar a desenvolver hoje para se manterem competitivos nos próximos cinco anos?

A próxima era do varejo será definida pela transição da "transformação digital" para a "transformação agencial". Estamos caminhando para um futuro de "orquestração autônoma", onde redes de agentes de IA colaboram para executar processos complexos — como um agente da cadeia de suprimentos instruindo automaticamente um agente de marketing a pausar uma promoção devido a um atraso na entrega.

Para se prepararem para isso, os líderes precisam começar a construir três coisas hoje.

Primeiro, é necessário um modelo de dados unificado. Os agentes não podem colaborar se não falarem a mesma língua; sua base de dados deve evoluir de um repositório de armazenamento para um "sistema nervoso" semântico.

Em segundo lugar, é necessário um arcabouço de governança para as agências. É preciso definir as "regras de engajamento" — o que uma IA pode fazer de forma autônoma e o que requer aprovação humana — antes de expandir.

Finalmente, os dias dos painéis estáticos que fornecem análises retrospectivas estão contados. Estamos caminhando para análises conversacionais que oferecem insights instantâneos e personalizados. Essas interfaces vão muito além de simplesmente relatar "o que aconteceu"; elas utilizam IA ativa para raciocinar sobre questões complexas de "porquê" e fornecer recomendações prescritivas sobre exatamente "o que fazer a seguir", reduzindo efetivamente a lacuna entre o insight e a ação.

Obrigado pela ótima entrevista, os leitores que desejam saber mais devem visitar Tendência.