Интервью
Аманпал Дхупар, руководитель розничного направления в Tredence – Серия интервью
Аманпал Дхупар, руководитель розничного направления в Tredence, является опытным лидером в области розничной аналитики и ИИ с более чем десятилетним опытом в проектировании и разработке данных, обеспечивающих принятие решений для руководителей предприятий. На протяжении своей карьеры он возглавлял стратегические аналитические трансформации для старших руководителей крупных розничных компаний, разрабатывал дорожные карты продуктов ИИ для достижения измеримых бизнес-метрик, и масштабировал аналитические команды от начального этапа до крупномасштабных операций, демонстрируя как техническую глубину, так и лидерскую универсальность.
Tredence – это фирма, специализирующаяся на решениях в области науки о данных и ИИ, которая помогает предприятиям освободить бизнес-ценность за счет продвинутой аналитики, машинного обучения и принятия решений на основе ИИ. Компания сотрудничает с глобальными брендами – особенно в рознице и потребительских товарах – для решения сложных задач в области мерчандайзинга, цепочки поставок, ценообразования, опыта клиентов и операций по выводу продукта на рынок, переводя идеи в реальный результат и помогая клиентам модернизировать свои аналитические и интеллектуальные возможности.
Розничные продавцы часто запускают десятки пилотных проектов по ИИ, но очень немногие переходят к полномасштабной реализации. Какие наиболее распространенные организационные ошибки препятствуют тому, чтобы ИИ превратился в измеримые бизнес-результаты?
Недавнее исследование MIT Solan показало, что 95% пилотных проектов по ИИ не достигают полномасштабной реализации. Реальность такова: пилотные проекты легко реализуемы, но производство сложно. В Tredence мы определили четыре конкретные организационные причины, которые вызывают этот разрыв.
Во-первых, это неудача в понимании рабочего процесса конечного пользователя. Розничные продавцы часто вставляют ИИ в существующие сломанные процессы, вместо того, чтобы задавать вопрос, как сам рабочий процесс должен быть переосмыслен с ИИ в центре.
Во-вторых, это отсутствие платформенного подхода к ИИ. Вместо того, чтобы рассматривать агентов как разовые эксперименты, организации должны упростить весь жизненный цикл – от проектирования и разработки агентов до их развертывания, мониторинга и управления – на протяжении всего предприятия.
В-третьих, это слабая основа данных. Легко построить пилотный проект на чистом плоском файле, но масштабирование требует прочной, реальной основы, где точные данные постоянно доступны моделям ИИ.
Наконец, мы видим трение между толчком ИТ и притяжением бизнеса. Успех происходит только тогда, когда руководители бизнеса видят ИИ как добавленную стоимость, связанную с измеримым влиянием, а не как отвлечение, навязанное ИТ. В Tredence наш фокус всегда был на “последней миле”, где мы мостим этот разрыв между генерацией идеи и реализацией ценности.
Tredence работает с многими из крупнейших розничных продавцов мира, поддерживая триллионы доходов. Основываясь на том, что вы видите в отрасли, что отличает розничных продавцов, которые успешно масштабируют ИИ, от тех, кто остается в экспериментальной фазе?
В Tredence поддержка триллионов розничных доходов дала нам место в первом ряду четкого деления отрасли: розничные продавцы, которые рассматривают ИИ как серию разрозненных экспериментов, и те, кто строит индустриализированную “фабрику ИИ”. Основной дифференциатор заключается в приверженности платформе ИИ. Наиболее успешные организации перестают строить все с нуля и вместо этого инвестируют в прочную экосистему, характеризующуюся многократно используемыми библиотеками компонентов, стандартными шаблонами проектирования и предварительно построенными шаблонами агентов, выровненных с конкретными розничными случаями. Когда вы добавляете на эту основу зрелые LLMOps, полную наблюдаемость стека и встроенные защитные барьеры ответственного ИИ (RAI), влияние становится трансформационным – мы обычно видим улучшение скорости получения ценности для новых случаев на 80%, потому что тяжелая архитектурная работа уже сделана.
Однако платформа только так хороша, как контекст, который она потребляет, что приводит нас к основе данных. Масштабирование требует больше, чем просто сырой доступ к данным; оно требует богатого семантического слоя, где сильные метаданные и унифицированные модели данных позволяют ИИ фактически “рассуждать” о бизнесе, а не просто обрабатывать входные данные. Наконец,真正 лидеры признают, что это не только технологическая модернизация, но и культурная. Они мостят “последнюю милю”, переходя от простой автоматизации к командной работе человека и агента, перепроектируя рабочие процессы так, чтобы ассоциаты и торговцы доверяли и сотрудничали со своими цифровыми аналогами, превращая алгоритмический потенциал в измеримую бизнес-реальность.
Более 70 процентов розничных промо-акций все еще не окупаются. Как ИИ может существенно улучшить планирование промо-акций, измерение и реальное оптимизационное управление?
70-процентная скорость неудач сохраняется, потому что розничные продавцы часто полагаются на “аналитику заднего вида”, которая путает общий объем продаж с инкрементным ростом – по сути, субсидируя верных покупателей, которые бы купили все равно. Чтобы разорвать этот цикл, нам нужно перейти от описательной отчетности к более прогностическому подходу. На этапе планирования мы используем причинно-следственный ИИ для симуляции результатов и установления “истинных базовых показателей”, определяя точно, что было бы продано без промо-акции. Это позволяет розничным продавцам перестать платить за органический спрос и нацеливаться только на чистый новый объем.
Для измерения ИИ решает “пазл портфеля”, количественно оценивая эффекты гало и каннибализации. Человеческие торговцы часто планируют в изоляции, но ИИ обеспечивает категориальный обзор, гарантируя, что промо-акция на одном SKU не просто крадет маржу у другого. Этот целостный подход к измерению помогает розничным продавцам понять, растут ли они категориальный пирог или просто нарезают его по-другому.
Наконец, для реального оптимизационного управления отрасль переходит к ИИ-агентам, которые отслеживают кампании “в полете”. Вместо того, чтобы ждать постмортального анализа недель после события, эти агенты автономно рекомендуют корректировки – такие как регулирование цифровых расходов на рекламу или замена предложений – чтобы спасти ПиЛ до окончания промо-акции. Этот подход смещает фокус от простого расчистки запасов к инженерному росту прибыли.
Ошибки прогнозирования и отсутствие запасов продолжают вызывать значительные потери доходов. Что делает системы мерчандайзинга и цепочки поставок, управляемые ИИ, более эффективными, чем традиционные подходы к прогнозированию?
Первый сдвиг происходит в прогнозировании, где ИИ перемещает нас от полагания только на внутреннюю историю к включению внешних данных – таких как местная погода, социальные события и экономические индикаторы. Когда прогноз учитывает этот внешний контекст, выигрыши точности не только улучшают продажи; они оптимизируют управление запасами, планирование мощностей, графики работы и операции складов, чтобы соответствовать истинному спросу.
Второй сдвиг происходит в отсутствии запасов (ОOS), которое большинство розничных продавцов все еще не могут точно измерить. ИИ исправляет это, обнаруживая аномалии в моделях продаж – выявляя “призрачный запас”, где система думает, что товар есть в наличии, но продажи прекратились – и автоматически запуская циклические подсчеты, чтобы исправить запись. Помимо данных, мы наблюдаем рост компьютерного зрения для физического флагирования пробелов на полках в реальном времени и отслеживания запасов в задних комнатах, гарантируя, что продукт не только “в здании”, но и доступен для покупателя.
Агентская коммерция становится значительной темой в розничной инновации. Как агенты, основанные на рассуждениях, существенно изменяют открытие продукта и конверсию по сравнению с сегодняшним поисковым шопингом?
В сегодняшнем поисковом шопинге потребители все еще выполняют большую часть тяжелой работы. Им необходимо знать, что искать, сравнивать варианты и понимать бесконечные результаты. Агенты, основанные на рассуждениях, нарушают это, динамически генерируя “синтетические проходы” – настраиваемые коллекции, которые агрегируют много категорий продуктов на основе конкретной цели. Например, вместо того, чтобы искать отдельно пять предметов, покупатель с миссией “здоровое утро” представлен временным проходом, в котором представлены все, от высокобелковых хлопьев до блендеров, мгновенно сжимая воронку открытия с минут до секунд.
На стороне конверсии эти агенты действуют не как поисковые системы, а как “шопинг-консьержи”. Они не просто перечисляют варианты; они активно строят корзины на основе открытых потребностей. Если клиент просит “план ужина на четырех человек за 50 долларов”, агент рассуждает через запас, цену и диетические ограничения, чтобы предложить полный комплект. Эта способность рассуждения закрывает “confidence gap” – артикулируя, почему конкретный продукт подходит стилю жизни или цели пользователя, агент снижает паралич решений и стимулирует более высокие показатели конверсии по сравнению с молчаливой сеткой миниатюр продукта.
Наконец, мы наблюдаем расширение этого до гиперперсонализированного контента. Вместо того, чтобы показывать всем один и тот же баннер на главной странице, агентский ИИ может генерировать динамические посадочные страницы и визуальные элементы, которые отражают текущую миссию шопинга клиента. Однако, чтобы это масштабировалось, розничные продавцы обнаруживают, что им необходимо основывать этих агентов на унифицированной модели данных с строгим брендовым и безопасным управлением, гарантируя, что “креативность” ИИ никогда не выдумывает продукты или нарушает голос бренда.
Многие розничные продавцы борются с устаревшими архитектурами данных. Как предприятия должны модернизировать свои основы данных, чтобы модели ИИ могли обеспечить достоверные и объяснимые рекомендации?
Самый большой барьер для успеха ИИ не является моделями, а “болотом данных” под ними. Чтобы модернизировать, розничные продавцы должны перестать просто собирать данные и начать строить унифицированный семантический слой. Это означает реализацию стандартной “модели данных”, где бизнес-логика (например, точное определение “чистой маржи” или “коэффициента оттока”) определяется один раз и является универсально доступным, а не скрытым во фрагментированных скриптах SQL по всей организации.
Во-вторых, предприятия должны перейти к “продуктовому мышлению” данных. Вместо того, чтобы рассматривать данные как побочный продукт ИТ, успешные розничные продавцы рассматривают их как продукт с определенным владением, SLA и тщательным мониторингом качества (наблюдаемость данных). Когда вы объединяете эту чистую, управляемую “золотую запись” с богатыми метаданными, вы разблокируете объяснимость. ИИ не просто выдает черный ящик рекомендаций; он может отслеживать свою логику обратно через семантический слой.
Сотрудничество между розничными продавцами и компаниями потребительских товаров исторически опиралось на фрагментированные данные и несоответствующие метрики. Как унифицированные модели данных и общие платформы ИИ открывают более сильную категориальную производительность для обеих сторон?
До сих пор розничные продавцы и компании потребительских товаров смотрели на одного и того же клиента через разные линзы, каждая используя свои собственные данные и стимулы. Унифицированные модели данных меняют это, создавая единую версию истины на протяжении всей цепочки создания ценности, будь то производительность полок или поведение покупателя.
Когда обе стороны работают на одной и той же платформе ИИ, они могут совместно определить, что стимулирует рост или утечку на категориальном уровне. Это может быть все – ценообразование, промо-акции, ассортимент или пробелы в запасах. Это смещает разговоры от “мои данные против ваших” к “нашей общей возможности”.
Результатом являются более умные решения, быстрое экспериментирование и, в конечном итоге, более высокий рост категории, который приносит пользу как розничным продавцам, так и брендам.
По мере того, как розничные медиа-сети созревают, какую роль будет играть ИИ в улучшении нацеливания, измерения и замкнутой атрибуции, сохраняя при этом доверие потребителей?
ИИ преобразует четыре ключевых области, когда розничные медиа-сети созревают.
Во-первых, в нацеливании отрасль эволюционирует от статических сегментов аудитории к прогностическому намерению. Анализируя сигналы реального времени – такие как скорость просмотра или состав корзины – для определения точного момента потребности покупателя, ИИ гарантирует, что мы показываем правильную рекламу, когда это имеет значение, а не просто нацеливаемся на широкую демографическую метку.
Во-вторых, для измерения золотой стандарт смещается от простого возврата на расходы на рекламу (ROAS) к инкрементному ROAS (iROAS). Используя причинно-следственный ИИ, мы можем измерить реальное влияние медиа-расходов, выявляя покупателей, которые обратились только благодаря рекламе, а не те, кто сделал это органически.
В-третьих, операционная эффективность становится критической, особенно в творческих операциях. Чтобы поддержать гиперперсонализацию, розничные продавцы используют генеративный ИИ не только для идеи, но и для масштабирования производства. Это позволяет командам автоматически генерировать тысячи динамических, канало-специфических вариантов активов за минуты, а не недели, решая проблему “скорости контента”.
Наконец, поддержание доверия опирается на широкое внедрение чистых комнат данных. Эти среды позволяют розничным продавцам и брендам безопасно сопоставлять свои наборы данных для замкнутой атрибуции, гарантируя, что конфиденциальная личная информация (PII) никогда не покидает их соответствующие брандмауэры.
Оглядываясь вперед, какие возможности определят следующее поколение розничных продавцов, управляемых ИИ, и что лидерам следует начать строить сегодня, чтобы остаться конкурентоспособными в течение следующих пяти лет?
Следующая эпоха розницы будет определена сдвигом от “цифровой трансформации” к “агентской трансформации”. Мы переходим к будущему “автономной оркестровки”, где сети ИИ-агентов сотрудничают для управления сложными процессами – такими как цепочка поставок, агент, который автоматически говорит агенту маркетинга прекратить промо-акцию, потому что отгрузка задерживается.
Чтобы подготовиться к этому, лидерам необходимо начать строить три вещи сегодня.
Во-первых, это унифицированная модель данных. Агенты не могут сотрудничать, если они не говорят на одном языке; ваша основа данных должна эволюционировать от хранилища к семантической “нервной системе”.
Во-вторых, это необходим框워크 управления для агентов. Вам необходимо определить “правила взаимодействия” – что ИИ может делать автономно, а что требует одобрения человека – прежде чем вы масштабируете.
Наконец, дни статических панелей, предоставляющих “задний вид” аналитики, сочтены. Мы переходим к разговорной аналитике, которая предоставляет мгновенные, персонализированные идеи. Эти интерфейсы выходят далеко за рамки отчетности о том, “что произошло”; они используют агентский ИИ для рассуждения через сложные “почему” вопросы и доставки прескриптивных рекомендаций о том, “что делать дальше”, эффективно закрывая разрыв между идеей и действием.
Спасибо за отличное интервью; читатели, которые хотят узнать больше, должны посетить Tredence.
