Amanpal Dhupar, Diretor de Varejo da Tredence – Série de Entrevistas

Amanpal Dhupar, Diretor de Varejo da Tredence, é um líder experiente em análise de varejo e inteligência artificial, com mais de uma década de experiência em design e desenvolvimento de soluções baseadas em dados que fornecem insights ações para tomadores de decisão empresariais. Ao longo de sua carreira, ele liderou transformações estratégicas de análise para executivos seniores em grandes varejistas, construiu planos de produtos de IA para impulsionar KPIs de negócios mensuráveis e escalou equipes de análise de infancy para operações em larga escala – demonstrando profundidade técnica e versatilidade de liderança.

Tredence é uma empresa de soluções de ciência de dados e inteligência artificial focada em ajudar as empresas a desbloquear o valor dos negócios por meio de análise avançada, aprendizado de máquina e tomada de decisão impulsionada por IA. A empresa se associa a marcas globais – especialmente no varejo e bens de consumo – para resolver desafios complexos em merchandising, cadeia de suprimentos, preços, experiência do cliente e operações de lançamento no mercado, traduzindo insights em impacto real e ajudando os clientes a modernizar suas capacidades de análise e inteligência.

Os varejistas frequentemente executam dezenas de pilotos de IA, mas muito poucos se tornam implantações em larga escala. Quais são os erros organizacionais mais comuns que impedem a IA de se tornar resultados de negócios mensuráveis?

Um estudo recente da MIT Solan descobriu que 95% dos pilotos de IA não conseguem alcançar a implantação em larga escala. A realidade? Os pilotos são fáceis, mas a produção é difícil. Na Tredence, identificamos quatro razões organizacionais específicas que impulsionam essa lacuna.

Primeiro é a falha em entender o fluxo de trabalho do usuário final. Os varejistas frequentemente inserem a IA em processos existentes quebrados, em vez de perguntar como o próprio fluxo de trabalho deve ser reimaginado com a IA no centro.

Segundo é a falta de uma abordagem de plataforma para a IA Agente. Em vez de tratar os agentes como experimentos isolados, as organizações precisam simplificar todo o ciclo de vida – desde o design e desenvolvimento do agente até a implantação, monitoramento e governança – em toda a empresa.

Terceiro é uma base de dados fraca. É fácil construir um piloto em um arquivo plano limpo, mas a escala requer uma base de dados robusta e em tempo real, onde os dados precisos estejam continuamente acessíveis aos modelos de IA.

Finalmente, vemos uma fricção entre a pressão da TI versus a pressão dos negócios. O sucesso só acontece quando os líderes dos negócios veem a IA como um valor agregado ligado a um impacto mensurável, em vez de uma distração impulsionada pela TI. Na Tredence, nosso foco sempre foi no “último quilômetro”, onde pontamos a lacuna entre a geração de insights e a realização de valor.

A Tredence trabalha com muitos dos maiores varejistas do mundo, apoiando trilhões em receita. Com base no que você está vendo em toda a indústria, o que separa os varejistas que escalonam a IA com sucesso daqueles que permanecem presos na experimentação?

Na Tredence, apoiar trilhões em receita de varejo nos deu um assento na primeira fila para uma clara divisão da indústria: varejistas que tratam a IA como uma série de experimentos isolados versus aqueles que constroem uma “fábrica de IA” industrializada. O principal diferenciador está no compromisso com as fundações da 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 de varejo específicos. Quando você adiciona LLMOps maduros, observabilidade de pilha completa e guardiões de IA responsável (RAI) incorporados a essa base, o impacto é transformador – normalmente vemos uma melhoria de 80% na velocidade para obter valor para novos casos de uso, pois o levantamento arquitetônico pesado já foi feito.

No entanto, uma plataforma é apenas tão boa quanto o contexto que consome, o que nos leva à base de dados. A escala requer mais do que apenas acesso bruto aos dados; exige uma camada semântica rica, onde metadados fortes e modelos de dados unificados permitem que a IA “raciocine” sobre os negócios, em vez de apenas processar entradas. Finalmente, os verdadeiros líderes reconhecem que isso não é apenas uma reforma tecnológica, mas também cultural. Eles pontam o “último quilômetro” ao ir além da automação simples para a equipe de humanos e agentes, reengenhando os fluxos de trabalho para que os associados e os comerciantes confiem e colaborem com seus contrapartes digitais, transformando o potencial algorítmico em realidade de negócios mensurável.

Mais de 70% das promoções de varejo ainda não conseguem alcançar o ponto de equilíbrio. Como a IA pode melhorar significativamente a planejamento de promoções, medição e otimização em tempo real?

A taxa de falha de 70% persiste porque os varejistas frequentemente confiam em análises “retroativas” que confundem vendas totais com aumento incremental – essencialmente subsidiando fiéis compradores que teriam comprado de qualquer forma. Para quebrar esse ciclo, precisamos mudar de relatórios descritivos para uma abordagem mais previsível. Na fase de planejamento, usamos IA Causal para simular resultados e estabelecer “linhas de base verdadeiras”, identificando exatamente o que teria sido vendido sem a promoção. Isso permite que os varejistas parem de pagar por demanda orgânica e visem apenas o volume novo líquido.

Para a medição, a IA resolve o “quebra-cabeça da carteira” quantificando efeitos de halo e canibalização. Os comerciantes humanos frequentemente planejam em silos, mas a IA fornece uma visão de categoria ampla, garantindo que uma promoção em um SKU não esteja apenas roubando margem de outro. Essa medição holística ajuda os varejistas a entender se estão crescendo a fatia da categoria ou apenas a fatiando de forma diferente.

Finalmente, para a otimização em tempo real, a indústria está se movendo em direção a Agentes de IA que monitoram campanhas “em voo”. Em vez de esperar por uma análise pós-morte semanas após o evento, esses agentes recomendam autonomamente correções de curso – como ajustar o gasto de anúncios digitais ou trocar ofertas – para resgatar o P&L antes que a promoção termine. Essa abordagem muda o foco de apenas limpar o inventário para engenharia de crescimento lucrativo.

Erros de previsão e falta de estoque continuam a causar perdas de receita significativas. O que torna os sistemas de merchandising e cadeia de suprimentos impulsionados por IA mais eficazes do que as abordagens de previsão tradicionais?

A primeira mudança é na previsão, onde a IA nos move de confiar apenas na história interna para ingerir 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 otimizam a gestão de inventário, planejamento de capacidade, escalas de trabalho e operações de armazém para alinhar com a demanda real.

A segunda mudança está em Estoques Fora (OOS), que a maioria dos varejistas ainda não consegue medir com precisão. A IA resolve isso detectando anomalias em padrões de vendas – identificando “Inventário Fantasma” onde o sistema acha que um item está em estoque, mas as vendas pararam – e acionando automaticamente contagens cíclicas para corrigir o registro. Além dos dados, estamos vendo o surgimento da visão computacional para sinalizar fisicamente lacunas de prateleira em tempo real e rastrear o inventário em salas de estoque, garantindo que o produto não esteja apenas “no prédio”, mas disponível para o cliente comprar.

O comércio agente está se tornando um tema importante na inovação do varejo. Como os agentes de IA baseados em raciocínio mudam significativamente a descoberta de produtos e a conversão em comparação com a experiência de compras orientada por busca de hoje?

Na compra orientada por busca de hoje, os consumidores ainda fazem a maior parte do trabalho pesado. Eles precisam saber o que procurar, comparar opções e dar sentido a resultados intermináveis. Os agentes baseados em raciocínio interrompem isso gerando dinamicamente “corredores sintéticos” – coleções personalizadas que agregam produtos multi-categoria com base em uma intenção específica. Por exemplo, em vez de procurar separadamente por cinco itens, um comprador com uma “missão de manhã saudável” é apresentado a um corredor coeso e temporário que apresenta tudo, desde cereais de alto teor de proteínas até liquidificadores, instantaneamente colapsando o funil de descoberta de minutos para segundos.

No lado da conversão, esses agentes agem menos como mecanismos de busca e mais como “conceitos de compras”. Eles não apenas listam opções; eles constroem ativamente cestas com base em necessidades abertas. Se um cliente pede um “plano de jantar para quatro pessoas por menos de $50”, o agente raciocina sobre o inventário, preço e restrições dietéticas para sugerir um pacote completo. Essa capacidade de raciocínio fecha a “lacuna de confiança” – articulando por que um produto específico se ajusta ao estilo de vida ou objetivo do usuário, o agente reduz a paralisia da decisão e impulsiona taxas de conversão mais altas em comparação com uma grade silenciosa de miniaturas de produtos.

Finalmente, estamos vendo isso se estender para conteúdo hiperpersonalizado. Em vez de mostrar a todos o mesmo banner de página inicial, a IA Agente pode gerar páginas de destino dinâmicas e visuais que espelham a missão de compras 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 de marca e segurança estrita, garantindo que a “criatividade” da IA nunca hallucine produtos ou viole a voz da marca.

Muitos varejistas lutam 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, mas o “pântano de dados” abaixo deles. Para modernizar, os varejistas devem 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 “Margem Líquida” ou “rotatividade” é calculada) é definida uma vez e é universalmente acessível, em vez de estar escondida em scripts SQL fragmentados em toda a organização.

Em segundo lugar, as empresas precisam mudar para uma mentalidade de “produto de dados”. Em vez de tratar os dados como um subproduto da TI, os varejistas bem-sucedidos tratam-nos como um produto com propriedade definida, SLAs e monitoramento de qualidade rigoroso (observabilidade de dados). Quando você combina esse registro “dourado” limpo e governado com metadados ricos, você desbloqueia a explicabilidade. A IA não apenas produz uma recomendação de caixa preta; ela pode rastrear sua lógica por meio da camada semântica.

A colaboração entre varejistas e empresas de bens de consumo historicamente dependeu de dados fragmentados e métricas inconsistentes. Como os modelos de dados unificados e as plataformas de IA compartilhadas desbloqueiam um desempenho de categoria mais forte para ambos os lados?

Até agora, os varejistas e as empresas de bens de consumo olharam para o mesmo cliente por meio de lentes diferentes, cada um usando seus próprios dados e incentivos. Os modelos de dados unificados mudam isso criando uma única versão da verdade ao longo da cadeia de valor, seja desempenho de prateleira ou comportamento do comprador.

Quando ambos os lados trabalham na mesma plataforma de IA, eles podem identificar conjuntamente o que está impulsionando o crescimento ou a perda em um nível de categoria. Pode ser qualquer coisa – preços, promoções, sortimento ou lacunas de inventário. Isso muda as conversas de “meus dados versus os seus” para “nossa oportunidade compartilhada”.

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

À medida que as redes de mídia de varejo amadurecem, qual papel a IA desempenhará na melhoria da segmentação, medição e atribuição de fechamento de loop, mantendo a confiança do consumidor?

A IA transformará quatro áreas principais à medida que as redes de mídia de varejo amadurecem.

Primeiro, na segmentação, a indústria está evoluindo de segmentos de público estáticos para intenção previsível. Analisando sinais em tempo real – como velocidade de navegação ou composição de carrinho – para identificar o momento exato da necessidade do comprador, a IA garante que mostremos os anúncios certos quando importa, em vez de apenas direcionar um rótulo demográfico amplo.

Em segundo lugar, para a medição, o padrão ouro está mudando de simples Retorno sobre o Gasto com Anúncios (ROAS) para ROAS incremental (iROAS). Usando IA Causal, podemos medir o impacto real do gasto com mídia, identificando compradores que apenas se converteram devido ao anúncio versus aqueles que teriam acontecido organicamente.

Terceiro, a eficiência operacional está se tornando crítica, particularmente nas operações criativas. Para apoiar a hiperpersonalização, os varejistas estão usando IA Geradora não apenas para ideias, mas para escalar a produção. Isso permite que as equipes gerem automaticamente milhares de variações de ativos dinâmicos e específicos de canal em minutos, em vez de semanas, resolvendo o gargalo de “velocidade de conteúdo”.

Finalmente, manter a confiança depende da adoção generalizada de “salas de dados limpas”. Esses ambientes permitem que os varejistas e as marcas combinem seus conjuntos de dados para atribuição de fechamento de loop, garantindo que as Informações Pessoais Identificáveis (PII) sensíveis nunca deixem seus respectivos firewalls.

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

A próxima era do varejo será definida pela mudança de “transformação digital” para “transformação agente”. Estamos nos movendo em direção a um futuro de “orquestração autônoma”, onde redes de agentes de IA colaboram para executar processos complexos – como um agente de cadeia de suprimentos que automaticamente diz a um agente de marketing para pausar uma promoção porque um envio está atrasado.

Para se preparar para isso, os líderes devem começar a construir três coisas hoje.

Primeiro é 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 uma estrutura de governança para os agentes. Você precisa definir as “regras de engajamento” – o que a IA é autorizada a fazer autonomamente versus o que requer aprovação humana – antes de escalar.

Finalmente, os dias de painéis estáticos que fornecem análises “retroativas” estão contados. Estamos nos movendo em direção a análises conversacionais que fornecem insights instantâneos e personalizados. Essas interfaces vão muito além de relatar “o que aconteceu”; elas aproveitam a IA agente para raciocinar sobre perguntas complexas de “por quê” e fornecer recomendações prescritivas sobre exatamente “o que fazer em seguida”, fechando efetivamente a lacuna entre insight e ação.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Tredence.