Amanpal Dhupar, Șef de retail la Tredence – Seria de interviuri

Amanpal Dhupar, Șef de retail la Tredence, este un expert în analiza retail și lider în domeniul inteligenței artificiale, cu peste un deceniu de experiență în proiectarea și dezvoltarea de soluții bazate pe date care oferă informații valoroase pentru factorii de decizie din cadrul întreprinderilor. Pe parcursul carierei sale, el a condus transformări strategice în domeniul analizei pentru directori executivi ai unor retaileri importanți, a creat planuri de produse bazate pe inteligență artificială pentru a stimula indicatori de performanță comercială măsurabili și a extins echipele de analize de la stadiul de început la operațiuni la scară largă, demonstrând atât profunzime tehnică, cât și versatilitate în leadership.

Tredence este o firmă specializată în soluții de știință a datelor și inteligență artificială, axată pe ajutarea întreprinderilor să deblocheze valoarea comercială prin analize avansate, învățare automată și luare de decizii bazate pe inteligență artificială. Compania colaborează cu branduri globale, în special în retail și bunuri de consum, pentru a rezolva provocări complexe în domeniul merchandisingului, lanțului de aprovizionare, prețurilor, experienței clienților și operațiunilor de lansare pe piață, transformând insight-urile în impact real și ajutând clienții să modernizeze capacitățile lor de analiză și inteligență.

De multe ori, retailerii rulează zeci de proiecte-pilot de inteligență artificială, dar foarte puține ajung la implementarea pe scară largă. Care sunt cele mai comune greșeli organizaționale care împiedică inteligența artificială să devină rezultate comerciale măsurabile?

Un studiu recent al MIT Solan a arătat că 95% din proiectele-pilot de inteligență artificială nu reușesc să ajungă la implementarea pe scară largă. Realitatea este că proiectele-pilot sunt ușoare, dar producția este grea. La Tredence, am identificat patru motive organizaționale specifice care generează această lacună.

Primul motiv este lipsa de înțelegere a fluxului de lucru al utilizatorului final. Retailerii adesea introduc inteligența artificială în procese existente defectuoase, în loc să se întrebe cum ar trebui reimaginat fluxul de lucru însuși, cu inteligența artificială în centru.

Al doilea motiv este lipsa unei abordări platformă pentru inteligența artificială agențială. În loc de a trata agenții ca experimente ocazionale, organizațiile trebuie să simplifice întregul ciclu de viață – de la proiectarea și dezvoltarea agenților la implementarea, monitorizarea și guvernanța – la nivelul întregii întreprinderi.

Al treilea motiv este o bază de date slabă. Este ușor să construiești un proiect-pilot pe un fișier plat curat, dar pentru a scala, este necesară o bază de date robustă și în timp real, în care datele exacte să fie accesibile în mod continuu pentru modelele de inteligență artificială.

În final, vedem o fricțiune între “împingerea” IT și “tragerea” business. Succesul are loc doar atunci când liderii business văd inteligența artificială ca o valoare adăugată legată de impactul măsurabil, și nu ca o distragere impusă de IT. La Tredence, focusul nostru a fost întotdeauna pe “ultimul kilometru”, unde podim lacuna dintre generarea insight-urilor și realizarea valorii.

Tredence lucrează cu mulți dintre cei mai mari retaileri din lume, sprijinind trilioane de dolari în venituri. Pe baza a ceea ce observați în industrie, ce separă retailerii care scalează inteligența artificială cu succes de cei care rămân blocați în experimentare?

La Tredence, sprijinind trilioane de dolari în venituri din retail, am avut o poziție privilegiată pentru a observa o diviziune clară în industrie: retailerii care tratează inteligența artificială ca o serie de experimente disparate versus cei care construiesc o “fabrică de inteligență artificială” industrializată. Principalul diferențiator constă în angajamentul față de fundațiile platformei de inteligență artificială agențială. Cele mai de succes organizații încetează să construiască de la zero și, în schimb, investesc într-un ecosistem robust caracterizat prin biblioteci de componente reutilizabile, șabloane de proiectare standard și tipare de agenți preconstruiți aliniați cu cazuri de utilizare specifice retail. Când adăugați LLMOps mature, observabilitate full-stack și garduri de inteligență artificială responsabilă (RAI) încorporate pe această fundație, impactul este transformativ – de obicei, vedem o îmbunătățire a vitezei de valorificare pentru noi cazuri de utilizare cu 80%, deoarece ridicarea arhitecturală grea este deja făcută.

Însă, o platformă este la fel de bună ca și contextul pe care îl consumă, ceea ce ne aduce la baza de date. Scala necesită mai mult decât doar accesul brut la date; cere un strat semantic bogat în care metadatele puternice și modelele de date unificate permit inteligenței artificiale să “gândească” despre afaceri, și nu doar să proceseze intrări. În final, liderii adevărați recunosc că aceasta nu este doar o transformare tehnologică, ci și una culturală. Ei podim “ultimul kilometru” prin trecerea de la simpla automatizare la colaborarea între oameni și agenți, reinginerind fluxurile de lucru astfel încât asociații și comercianții să aibă încredere și să colaboreze cu contrapărțile lor digitale, transformând potențialul algoritmic în realitate comercială măsurabilă.

Mai mult de 70% din promovările retailului încă nu reușesc să se recupereze. Cum poate inteligența artificială să îmbunătățească în mod semnificativ planificarea, măsurarea și optimizarea în timp real a promovărilor?

Rata de eșec de 70% persistă pentru că retailerii adesea se bazează pe analize “în oglindă” care confundă vânzările totale cu creșterea incrementală – esențial, subvenționând cumpărătorii fideli care ar fi cumpărat oricum. Pentru a rupe acest ciclu, trebuie să trecem de la raportarea descriptivă la o abordare mai predictivă. În faza de planificare, folosim inteligența artificială cauzală pentru a simula rezultatele și a stabili “liniile de bază adevărate”, identificând exact ce ar fi vândut fără promovare. Acest lucru permite retailerilor să înceteze plata pentru cererea organică și să vizeze doar volumul net nou.

Pentru măsurare, inteligența artificială rezolvă “puzzle-ul portofoliului” prin cuantificarea efectelor de halou și a canibalizării. Comercianții umani adesea planifică în silozuri, dar inteligența artificială oferă o vedere la nivel de categorie, asigurând că o promovare pentru un SKU nu fură doar marja de la altul. Această măsurare holistică ajută retailerii să înțeleagă dacă cresc sau doar restructurează “torta” categoriei.

În final, pentru optimizarea în timp real, industria se îndreaptă spre agenți de inteligență artificială care monitorizează campaniile “în zbor”. În loc de a aștepta o analiză post-mortem săptămâni după eveniment, acești agenți recomandă în mod autonom corecții de curs – cum ar fi ajustarea cheltuielilor publicitare digitale sau schimbarea ofertelor – pentru a salva profitul și pierderea înainte de sfârșitul promovării. Această abordare schimbă accentul de la simpla curățare a stocului la ingineria creșterii profitabile.

Erourile de previziune și lipsa de stoc continuă să cauzeze pierderi majore de venituri. Ce face ca sistemele de merchandising și lanț de aprovizionare bazate pe inteligență artificială să fie mai eficiente decât abordările tradiționale de previziune?

Prima schimbare este în previziune, unde inteligența artificială ne mută de la a ne baza doar pe istoricul intern la ingestia de date externe – cum ar fi vremea locală, evenimente sociale și indicatori economici. Când previziunea captează acest context exterior, câștigurile de precizie nu îmbunătățesc doar numerele de vânzări; ele cascadează în aval, optimizând gestionarea stocului, planificarea capacității, programarea forței de muncă și operațiunile depozitului pentru a se alinia cu cererea reală.

Cea de-a doua schimbare este în lipsa de stoc (OOS), pe care majoritatea retailerilor încă nu o măsoară cu acuratețe. Inteligența artificială remediază acest lucru prin detectarea anomaliilor în modelele de vânzări – identificarea “inventarului fantomă” unde sistemul crede că un articol este în stoc, dar vânzările au încetat – și declanșează în mod automat numărători de ciclu pentru a corecta înregistrarea. Dincolo de date, vedem apariția viziunii calculate pentru a semnala în mod fizic golurile de raft în timp real și pentru a urmări stocul în încăperile din spate, asigurând că produsul nu este doar “în clădire”, ci și disponibil pentru cumpărare.

Comerțul agențial devine o temă majoră în inovația retailului. Cum schimbă agenții de inteligență artificială bazate pe raționament descoperirea produsului și conversia față de experiența de cumpărături bazată pe căutare de astăzi?

În căutarea bazată pe căutare de astăzi, consumatorii încă efectuează cea mai mare parte a efortului. Ei trebuie să știe ce să caute, să compare opțiuni și să înțeleagă rezultatele infinite. Agenții de inteligență artificială bazate pe raționament perturbă acest lucru prin generarea dinamică a “aleilor sintetice” – colecții personalizate care agregă produse multicanale pe baza unei intenții specifice. De exemplu, în loc de a căuta separat cinci articole, un cumpărător cu o misiune “dimineață sănătoasă” este prezentat cu o colecție coerentă și temporară care prezintă totul, de la cereale cu proteine înalte la mixere, comprimând instantaneu funelul de descoperire de la minute la secunde.

Pe partea de conversie, acești agenți acționează mai mult ca “concieri de cumpărături” decât ca motoare de căutare. Ei nu listează doar opțiuni; ei construiesc activ coșuri de cumpărături pe baza nevoilor deschise. Dacă un client solicită un “plan de cină pentru patru persoane sub 50 de dolari”, agentul raționează prin stoc, preț și constrângerile dietetice pentru a sugera un pachet complet. Această capacitate de raționament închide “golul de încredere” – prin articularea motivului pentru care un anumit produs se potrivește stilului de viață sau obiectivului utilizatorului, agentul reduce paralizia decizională și conduce la rate de conversie mai mari comparativ cu un grid tăcut de miniaturi de produse.

În final, vedem această extindere în conținut hiper-personalizat. În loc de a afișa tuturor același banner de pe pagina de start, inteligența artificială agențială poate genera pagini de aterizare dinamice și vizuale care reflectă misiunea curentă de cumpărături a clientului. Cu toate acestea, pentru a scala, retailerii descoperă că trebuie să înrădăcineze acești agenți într-un model de date unificat cu guvernanță strictă a brandului și siguranță, asigurându-se că “creativitatea” inteligenței artificiale nu hallucinează produse sau încalcă vocea brandului.

Mulți retaileri se luptă cu arhitecturi de date învechite. Cum ar trebui întreprinderile să modernizeze fundațiile de date pentru a permite modelului de inteligență artificială să ofere recomandări de încredere și explicabile?

Cel mai mare obstacol în calea succesului inteligenței artificiale nu este modelul în sine, ci “mlaștina de date” de dedesubt. Pentru a moderniza, retailerii trebuie să înceteze să colecteze date doar pentru a construi un strat semantic unificat. Acest lucru înseamnă implementarea unui “model de date” standard în care logica de afaceri (cum ar fi modul exact în care se calculează “Marja netă” sau “rata de părăsire”) este definită o singură dată și este universal accesibilă, și nu ascunsă în scripturi SQL fragmentate în întreaga organizație.

În al doilea rând, întreprinderile trebuie să treacă la o mentalitate de “produs de date”. În loc de a trata datele ca un produs secundar al IT, retailurile de succes tratează datele ca un produs cu proprietate definită, SLA-uri și monitorizare riguroasă a calității (observabilitate a datelor). Când combinați acest “înregistrare de aur” curat și guvernat cu metadate bogate, deblocați explicabilitatea. Inteligența artificială nu doar emite o recomandare în cutie neagră; ea poate urmări logica sa înapoi prin stratul semantic.

Colaborarea dintre retaileri și companiile de bunuri de consum a depins istoric de date fragmentate și metrice inconsistente. Cum pot modelele de date unificate și platformele de inteligență artificială partajate să deblocheze o performanță de categorie mai puternică pentru ambele părți?

Înainte, retailurile și CPG au privit același client prin lentile diferite, fiecare utilizând propriile date și stimulente. Modelele de date unificate schimbă acest lucru prin crearea unei singure versiuni a adevărului de-a lungul lanțului de valoare, fie că este vorba de performanța raftului sau de comportamentul cumpărătorului.

Când ambele părți lucrează pe aceeași platformă de inteligență artificială, ele pot identifica împreună ce stimulează creșterea sau scurgerea la nivel de categorie. Acest lucru ar putea fi orice – prețuri, promovare, asortiment sau lacune de stoc. Această schimbare mută conversațiile de la “datele mele versus ale tale” la “oportunitatea noastră comună”.

Rezultatul este luarea deciziilor mai inteligente, experimentarea mai rapidă și, în final, o creștere mai mare a categoriei care beneficiază atât retaileri, cât și branduri.

Pe măsură ce rețelele de media retail se maturizează, ce rol va juca inteligența artificială în îmbunătățirea țintirii, măsurării și atribuirii închise, menținând în același timp încrederea consumatorului?

Inteligența artificială va transforma patru domenii cheie pe măsură ce rețelele de media retail se maturizează.

În primul rând, în țintire, industria evoluează de la segmente de audiență statice la intenție predictivă. Prin analizarea semnalelor în timp real – cum ar fi viteza de navigare sau compoziția coșului de cumpărături – pentru a identifica momentul exact al nevoii cumpărătorului, inteligența artificială asigură că afișăm reclamele potrivite atunci când contează cel mai mult, și nu doar țintim o etichetă demografică largă.

În al doilea rând, pentru măsurare, standardul de aur se schimbă de la simpla Returnare a Cheltuielilor Publicitare (ROAS) la ROAS incremental (iROAS). Prin utilizarea inteligenței artificiale cauzale, putem măsura impactul real al cheltuielilor cu media prin identificarea cumpărătorilor care s-au convertit doar datorită reclamei, și nu ar fi făcut-o în mod natural.

În al treilea rând, eficiența operațională devine critică, în special în operațiunile creative. Pentru a susține hiper-personalizarea, retailerii utilizează inteligența artificială generativă nu doar pentru idei, ci și pentru a scala producția. Acest lucru permite echipelor să genereze mii de variații de active dinamice și specifice canalului în minute, și nu în săptămâni, rezolvând blocajul “vitezei de conținut”.

În final, menținerea încrederii se bazează pe adoptarea pe scară largă a “camerelor curate de date”. Aceste medii permit retailerilor și brandurilor să își asocieze în siguranță seturile de date pentru atribuirea închisă, garantând că informațiile personale sensibile (PII) nu părăsesc niciodată firewalls-ul respectiv.

Privind spre viitor, ce capacități vor defini următoarea generație de retaileri cu inteligență artificială puternică, și ce ar trebui liderii să construiască astăzi pentru a rămâne competitivi în următorii cinci ani?

Următoarea eră a retailului va fi definită de schimbarea de la “transformare digitală” la “transformare agențială”. Ne îndreptăm spre un viitor de “orchestrație autonomă”, în care rețele de agenți de inteligență artificială colaborează pentru a opera procese complexe – cum ar fi un agent de lanț de aprovizionare care spune în mod autonom unui agent de marketing să oprească o promovare pentru că o livrare este întârziată.

Pentru a se pregăti pentru acest lucru, liderii trebuie să înceapă să construiască trei lucruri astăzi.

În primul rând, o bază de date unificată. Agenții nu pot colabora dacă nu “vorbesc” aceeași limbă; fundația dvs. de date trebuie să evolueze de la un depozit de stocare la un “sistem nervos” semantic.

În al doilea rând, un cadru de guvernanță pentru agenți. Trebuie să definiți “regulile de angajare” – ce poate face inteligența artificială în mod autonom, și ce necesită aprobare umană – înainte de a scala.

În final, zilele tablourilor de bord statice care oferă analize “în oglindă” sunt numărate. Ne îndreptăm spre analize conversaționale care oferă insight-uri instantanee și personalizate. Aceste interfețe merg mult dincolo de raportarea a ceea ce s-a întâmplat; ele folosesc inteligența artificială agențială pentru a raționa prin întrebări complexe “de ce” și pentru a oferi recomandări prescriptive despre exact “ce să faci mai departe”, închizând eficient lacuna dintre insight și acțiune.

Mulțumim pentru acest interviu minunat; cititorii care doresc să afle mai multe despre Tredence ar trebui să viziteze Tredence.