Аманпал Дхупар, руководитель розничного направления в Tredence – Интервью

Аманпал Дхупар, руководитель розничного направления в Tredence, является опытным лидером в области розничной аналитики и искусственного интеллекта с более чем десятилетним опытом в проектировании и разработке данных, которые обеспечивают действенные идеи для лиц, принимающих решения в крупных компаниях. На протяжении своей карьеры он возглавлял стратегические аналитические трансформации для старших руководителей крупных розничных компаний, разрабатывал дорожные карты продуктов ИИ для достижения измеримых бизнес-индикаторов 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 искусственного интеллекта, которая помогает компаниям открывать бизнес-ценность с помощью продвинутой аналитики, машинного обучения и принятия решений на основе ИИ. Компания сотрудничает с глобальными брендами, особенно в розничной торговле и потребительских товарах, для решения сложных задач в области мерчандайзинга, цепочки поставок, ценообразования, опыта потребителей 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 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 ИИ не достигают полномасштабной реализации. Реальность такова: пилотные проекты просты, но производство сложно. В Tredence мы выявили четыре конкретных организационных причины, которые приводят к этому разрыву.

Первая – 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.

Вторая – это отсутствие платформенного подхода к ИИ. Вместо того, чтобы рассматривать агентов как одноразовые эксперименты, организации должны упростить весь жизненный цикл – от проектирования и разработки агентов до развертывания, мониторинга и управления – на протяжении всей компании.

Третья – 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 ИТ-п推 и бизнес-пull. Успех происходит только тогда, когда лидеры бизнеса видят ИИ как добавленную стоимость, связанную с измеримым воздействием, а не как отвлечение, навязанное ИТ. В Tredence наш фокус всегда был на “последней миле”, где мы мостим этот разрыв между генерацией идей и реализацией ценности.

Tredence работает с многими из крупнейших розничных продавцов, поддерживая триллионы доходов. Основываясь на том, что вы видите в отрасли, что отличает розничных продавцов, которые успешно масштабируют ИИ, от тех, кто остается в экспериментировании?

В Tredence поддержка триллионов розничных доходов дала нам место в первом ряду четкого отраслевого разрыва: розничные продавцы, которые рассматривают ИИ как серию отдельных экспериментов, и те, кто строит индустриализированную “фабрику ИИ”. Основной дифференциатор заключается в приверженности платформенным основам ИИ. Наиболее успешные организации перестают строить 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 стек-обратную связь и встроенные защитные барьеры ИИ (RAI), воздействие становится трансформационным – мы обычно видим улучшение скорости получения ценности для новых случаев на 80%, потому что тяжелая архитектурная работа уже выполнена.

Однако платформа хороша только тогда, когда контекст, который она потребляет, хорош. Это 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 “рассуждать” о бизнесе, а не просто обрабатывать входные данные. Наконец,真正 лидеры признают, что это не только технологическая переделка, но и культурная. Они мостят “последнюю милю”, переходя от простой автоматизации к командной работе человека и агента, перестраивая 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 акций все еще не окупаются. Как ИИ может существенно улучшить планирование акций, измерение и оптимизацию в реальном времени?

Ставка неудачи сохраняется, потому что розничные продавцы часто полагаются на “задний вид” аналитики, которая путает общий объем продаж с инкрементным подъемом – по сути, субсидируя верных покупателей, которые бы купили в любом случае. Чтобы разорвать этот цикл, нам нужно перейти от описательного отчета к более прогностическому подходу. На этапе планирования мы используем ИИ для моделирования результатов и установления “истинных базовых показателей”, определяя точно, что бы продалось без 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 акция на одном SKU не просто отнимает 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 оптимизации в реальном времени отрасль переходит к ИИ-агентам, которые отслеживают кампании “в полете”. Вместо того, чтобы ждать постмортем-анализа неделями после события, эти агенты автономно рекомендуют корректировки курса – такие как корректировка цифровых расходов на рекламу или замена предложений – чтобы спасти П&Л до окончания акции. Этот подход смещает фокус от простого расчистки запасов к инженерному прибыльному росту.

Ошибки прогнозирования и отсутствие товаров на складе 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 захватывает этот внешний контекст, выигрыши в точности не только улучшают показатели продаж; они оптимизируют управление запасами, планирование мощностей, графики работы и складские операции, чтобы выровнять их с истинным спросом.

Второй сдвиг происходит в отсутствии товаров на складе (OOS), которое большинство розничных продавцов все еще не измеряют точно. ИИ исправляет это, обнаруживая аномалии в моделях продаж – выявляя “фантомный запас”, где система считает, 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 покупки клиентом.

Агентная коммерция становится значимой темой в розничной инновации. Как агенты, основанные на рассуждениях, ИИ существенно меняют открытие продукта и конверсию по сравнению с сегодняшним поиском, управляемым покупкой?

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 этот порядок, динамически генерируя “синтетические проходы” – коллекции, которые агрегируют много категорий продуктов на основе конкретной цели. Например, вместо того, чтобы искать отдельно пять предметов, покупатель с “здоровой утренней” миссией представлен сплоченной, временной проходкой, в которой 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 “шоппинг-консьержи”. Они не просто перечисляют варианты; они активно строят корзины на основе открытых потребностей. Если клиент запрашивает “ужин для 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, как это распространяется на гиперперсонализированный контент. Вместо показа всем одинакового баннера на главной странице агент ИИ может генерировать динамические посадочные страницы и визуальные элементы, которые отражают текущую миссию покупателя. Однако, чтобы это масштабировалось, розничные продавцы обнаруживают, что им необходимо основывать этих агентов на унифицированной модели данных с жестким брендовым и безопасным управлением, гарантируя, что “креативность” ИИ никогда не выдумывает продукты или нарушает брендовый голос.

Многие розничные продавцы борются с устаревшими архитектурами данных. Как компании 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 строить унифицированный семантический слой. Это означает реализацию стандартной “модели данных”, где бизнес-логика (например, как именно рассчитывается “чистая маржа” или “отток”) определяется один раз и является универсально доступной, а не скрытой во фрагментированных SQL-скриптах по всей компании.

Во-вторых, компании должны перейти к “продукту данных”. Вместо того, чтобы рассматривать данные как побочный продукт ИТ, успешные розничные продавцы рассматривают их как продукт с определенным владением, SLA и строгим качественным мониторингом (наблюдаемость данных). Когда вы объединяете этот чистый, управляемый “золотой запись” с богатыми метаданными, вы разблокируете объяснимость. ИИ не просто выдает черный ящик рекомендаций; он может отслеживать свою логику 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 покупателей.

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, акции, ассортимент или пробелы в запасах. Это смещает разговоры от “мои данные против ваших” к “нашим общим возможностям”.

Результатом являются более умные решения, более быстрое экспериментирование и, в конечном итоге, более высокий рост категорий, который выигрывает как розничным продавцам, так и брендам.

Когда розничные медиа-сети созревают, какую роль будет играть ИИ в улучшении нацеливания, измерения и закрытой 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 в реальном времени – такие как скорость просмотра или состав корзины – для определения точного момента потребности покупателя, ИИ гарантирует, что мы показываем правильные рекламные объявления, когда это имеет значение, а не просто нацеливаемся на широкий демографический ярлык.

Во-вторых, для измерения золотым стандартом становится не просто возврат на расходы на рекламу (ROAS), а инкрементный ROAS (iROAS). Используя ИИ, мы можем измерить реальное воздействие медиа-расходов, выявляя покупателей, которые конвертировали только благодаря рекламе, а не тем, кто бы это сделал органически.

Третьим является операционная эффективность, которая 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, сохранение доверия опирается на широкое внедрение “чистых комнат” данных. Эти среды позволяют розничным продавцам и брендам безопасно сопоставлять свои наборы данных для закрытой атрибуции, гарантируя, что чувствительная личная идентифицирующая информация (PII) никогда не покидает их соответствующих брандмауэров.

Взглянув 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 розничной торговли будет определяться сдвигом от “цифровой трансформации” к “агентной трансформации”. Мы переходим к будущему “автономной оркестровки”, где сети ИИ-агентов сотрудничают для управления сложными процессами – такими как цепочка поставок, которая автоматически говорит агенту маркетинга остановить 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 управление агентами. Вам необходимо определить “правила взаимодействия” – что ИИ может делать автономно, а что требует одобрения человека – до того, как вы масштабируете.

Наконец, дни статических панелей, предоставляющих “задний вид” аналитики, сочтены. Мы переходим к разговорной аналитике, которая обеспечивает мгновенные, персонализированные идеи. Эти интерфейсы выходят далеко за рамки отчета о том, что произошло; они используют агентный ИИ для рассуждения через сложные “почему” вопросы и доставки предписывающих рекомендаций о том, что делать дальше, эффективно закрывая разрыв между идеей и действием.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Tredence.