Аманпал Дхупар, руководитель отдела розничной торговли Tredence – серия интервью

Аманпал ДхупарРуководитель отдела розничной торговли в Tredence — опытный лидер в области розничной аналитики и искусственного интеллекта с более чем десятилетним опытом проектирования и разработки решений на основе данных, предоставляющих практические рекомендации для лиц, принимающих решения в компаниях. На протяжении своей карьеры он руководил стратегическими преобразованиями в области аналитики для высшего руководства крупных розничных компаний, разрабатывал планы развития продуктов на основе ИИ для достижения измеримых бизнес-показателей и масштабировал аналитические команды от начального уровня до крупных операций, демонстрируя как глубокие технические знания, так и универсальность в лидерстве.

Трененс Это компания, специализирующаяся на решениях в области анализа данных и искусственного интеллекта, которая помогает предприятиям раскрывать бизнес-ценность с помощью передовой аналитики, машинного обучения и принятия решений на основе ИИ. Компания сотрудничает с мировыми брендами, особенно в сфере розничной торговли и потребительских товаров, для решения сложных задач в области мерчандайзинга, цепочки поставок, ценообразования, клиентского опыта и выхода на рынок, преобразуя полученные данные в реальные результаты и помогая клиентам модернизировать свои аналитические и интеллектуальные возможности.

Розничные продавцы часто запускают десятки пилотных проектов с использованием ИИ, но лишь немногие переходят к полномасштабному внедрению. Какие наиболее распространенные организационные ошибки мешают ИИ приносить измеримые бизнес-результаты?

Недавнее исследование MIT Solan показало, что 95% пилотных проектов в области ИИ не доходят до полномасштабного внедрения. Реальность такова: пилотные проекты — это легко, а вот внедрение — сложно. В Tredence мы выявили четыре конкретные организационные причины, обуславливающие этот разрыв.

Во-первых, это непонимание рабочего процесса конечного пользователя. Розничные продавцы часто внедряют ИИ в уже неэффективные процессы, вместо того чтобы задаться вопросом, как следует переосмыслить сам рабочий процесс, поставив ИИ в центр.

Во-вторых, отсутствует платформенный подход к агентному ИИ. Вместо того чтобы рассматривать агентов как разовые эксперименты, организациям необходимо оптимизировать весь жизненный цикл — от проектирования и разработки агентов до развертывания, мониторинга и управления — в масштабах всего предприятия.

Третий недостаток – слабая база данных. Легко создать пилотный проект на основе чистого текстового файла, но для масштабирования необходима надежная основа, работающая в режиме реального времени, где точные данные постоянно доступны моделям ИИ.

Наконец, мы видим противоречие между стремлением ИТ-специалистов к внедрению и интересом бизнеса. Успех возможен только тогда, когда руководители предприятий рассматривают ИИ как дополнительную ценность, имеющую измеримый эффект, а не как отвлекающий фактор, навязываемый ИТ-подразделениями. В Tredence мы всегда фокусировались на «последней миле», где мы преодолеваем разрыв между получением аналитических данных и реализацией ценности.

Компания Tredence сотрудничает со многими крупнейшими мировыми ритейлерами, обеспечивая им доход в триллионы долларов. Исходя из того, что вы наблюдаете в отрасли, чем отличаются ритейлеры, успешно масштабирующие ИИ, от тех, кто застрял на этапе экспериментов?

В Tredence поддержка триллионных доходов от розничной торговли позволила нам воочию убедиться в явном разрыве между отраслями: ритейлеры, рассматривающие ИИ как серию разрозненных экспериментов, и те, кто строит индустриализированную «фабрику ИИ». Главное отличие заключается в приверженности основам платформы Agentic AI. Наиболее успешные организации перестают создавать все с нуля и вместо этого инвестируют в надежную экосистему, характеризующуюся библиотеками многократно используемых компонентов, стандартными шаблонами проектирования и готовыми шаблонами агентов, адаптированными к конкретным сценариям использования в розничной торговле. Когда к этой основе добавляются зрелые LLMOps, полнофункциональная наблюдаемость и встроенные механизмы защиты от ответственного использования ИИ (RAI), эффект оказывается кардинальным — мы обычно видим, что скорость получения выгоды от новых сценариев использования увеличивается на 80%, поскольку основная архитектурная работа уже выполнена.

Однако эффективность платформы зависит от контекста, который она использует, что подводит нас к фундаменту данных. Масштабирование требует большего, чем просто доступ к данным; оно требует богатого семантического слоя, где надежные метаданные и унифицированные модели данных позволяют ИИ действительно «рассуждать» о бизнесе, а не просто обрабатывать входные данные. Наконец, настоящие лидеры понимают, что это не просто технологическая перестройка, а культурная. Они преодолевают «последнюю милю», переходя от простой автоматизации к сотрудничеству человека и агента, перестраивая рабочие процессы таким образом, чтобы сотрудники и продавцы доверяли своим цифровым коллегам и сотрудничали с ними, превращая алгоритмический потенциал в измеримую бизнес-реальность.

Более 70 процентов розничных рекламных акций по-прежнему не окупаются. Как искусственный интеллект может существенно улучшить планирование, оценку и оптимизацию рекламных кампаний в режиме реального времени?

70-процентный уровень неудач сохраняется, потому что ритейлеры часто полагаются на аналитику «заднего плана», которая путает общие продажи с приростом — по сути, субсидируя лояльных покупателей, которые и так бы совершили покупку. Чтобы разорвать этот порочный круг, нам нужно перейти от описательной отчетности к более прогнозному подходу. На этапе планирования мы используем причинно-следственный ИИ для моделирования результатов и установления «истинных базовых показателей», точно определяя, что бы продавалось без акции. Это позволяет ритейлерам перестать платить за органический спрос и ориентироваться только на новые объемы продаж.

Для измерения эффективности ИИ решает «головоломку портфеля», количественно оценивая эффекты ореола и каннибализацию. Продавцы-люди часто планируют свою деятельность изолированно, но ИИ обеспечивает обзор всей категории, гарантируя, что акция на один товар не просто отнимает прибыль у другого. Это целостное измерение помогает ритейлерам понять, увеличивают ли они общий объем продаж в категории или просто делят его по-другому.

Наконец, для оптимизации в режиме реального времени отрасль переходит к использованию агентов искусственного интеллекта, которые отслеживают кампании «в процессе». Вместо того чтобы ждать анализа результатов через несколько недель после завершения акции, эти агенты автоматически рекомендуют корректировки курса — например, изменение бюджета на цифровую рекламу или замену предложений — чтобы спасти финансовые показатели до окончания акции. Такой подход смещает акцент с простой реализации рекламного пространства на обеспечение прибыльного роста.

Ошибки в прогнозировании и дефицит товаров продолжают приводить к значительным убыткам. Что делает системы управления товарами и цепочками поставок на основе ИИ более эффективными, чем традиционные подходы к прогнозированию?

Первый сдвиг происходит в прогнозировании, где ИИ позволяет нам отказаться от опоры исключительно на внутреннюю историю и начать использовать внешние данные — такие как местная погода, социальные события и экономические показатели. Когда прогноз учитывает этот внешний контекст, повышение точности не только улучшает показатели продаж, но и распространяется на последующие этапы, оптимизируя управление запасами, планирование мощностей, графики работы персонала и складские операции в соответствии с реальным спросом.

Вторая тенденция — это дефицит товаров (Out-of-Stocks, OOS), который большинство ритейлеров до сих пор не могут точно измерить. Искусственный интеллект решает эту проблему, выявляя аномалии в структуре продаж — определяя «фантомные запасы», когда система считает, что товар есть в наличии, но продажи прекратились, — и автоматически запуская инвентаризацию для исправления данных. Помимо данных, мы наблюдаем рост использования компьютерного зрения для физического обнаружения пустых полок в режиме реального времени и отслеживания запасов на складах, гарантируя, что товар не просто «находится в здании», но и доступен для покупки покупателем.

Агентная коммерция становится важной темой в инновациях в розничной торговле. Каким образом агенты искусственного интеллекта, основанные на логическом мышлении, существенно меняют процесс поиска товаров и конверсии по сравнению с современным опытом покупок, ориентированным на поиск?

В современном мире, где покупки основаны на поиске, потребители по-прежнему выполняют большую часть работы сами. Им нужно знать, что искать, сравнивать варианты и разбираться в бесконечном количестве результатов. Агенты, использующие логическое мышление, меняют этот процесс, динамически генерируя «синтетические ряды» — пользовательские коллекции, объединяющие товары из разных категорий на основе конкретного намерения. Например, вместо того, чтобы искать по отдельности пять товаров, покупателю, у которого цель — «здоровое утро», предлагается единый, временный ряд, включающий все, от высокобелковых хлопьев до блендеров, что мгновенно сокращает процесс поиска с минут до секунд.

С точки зрения конверсии, эти агенты действуют не столько как поисковые системы, сколько как «консьержи по покупкам». Они не просто перечисляют варианты; они активно формируют корзины, исходя из нечетко сформулированных потребностей. Если клиент спрашивает о «плане ужина на четверых менее чем за 50 долларов», агент, анализируя наличие товаров, цену и диетические ограничения, предлагает полный комплект. Эта способность к логическому мышлению устраняет «пробелье в уверенности» — объясняя, почему конкретный продукт соответствует образу жизни или цели пользователя, агент уменьшает паралич принятия решений и обеспечивает более высокие коэффициенты конверсии по сравнению с молчаливой сеткой миниатюр товаров.

Наконец, мы видим, как это распространяется на гиперперсонализированный контент. Вместо того чтобы показывать всем один и тот же баннер на главной странице, Agentic AI может генерировать динамические целевые страницы и визуальные элементы, отражающие текущую цель покупателя. Однако для масштабирования ритейлеры обнаруживают, что им необходимо внедрить этих агентов в единую модель данных со строгим контролем бренда и безопасности, гарантируя, что «креативность» ИИ никогда не будет создавать иллюзии продуктов или нарушать фирменный стиль.

Многие ритейлеры сталкиваются с проблемой устаревшей архитектуры данных. Как предприятиям следует модернизировать свои базы данных, чтобы модели искусственного интеллекта могли предоставлять достоверные и объяснимые рекомендации?

Самым большим препятствием на пути к успеху ИИ являются не сами модели, а «болото данных», скрывающееся под ними. Для модернизации ритейлерам необходимо перестать просто собирать данные и начать создавать единый семантический слой. Это означает внедрение стандартной «модели данных», в которой бизнес-логика (например, как именно рассчитывается «чистая прибыль» или «отток клиентов») определяется один раз и является общедоступной, а не скрыта в разрозненных SQL-скриптах по всей организации.

Во-вторых, предприятиям необходимо перейти к мышлению, ориентированному на «продукт данных». Вместо того чтобы рассматривать данные как побочный продукт ИТ-инфраструктуры, успешные ритейлеры рассматривают их как продукт с четко определенными правами собственности, соглашениями об уровне обслуживания (SLA) и строгим контролем качества (наблюдаемость данных). Сочетание этой чистой, управляемой «золотой записи» с богатыми метаданными открывает возможности для объяснения. Искусственный интеллект не просто выдает рекомендации в виде «черного ящика»; он может проследить свою логику до семантического уровня.

Сотрудничество между розничными торговцами и компаниями, производящими товары народного потребления, исторически основывалось на разрозненных данных и непоследовательных показателях. Как унифицированные модели данных и общие платформы искусственного интеллекта могут обеспечить более высокую эффективность в рамках одной категории товаров для обеих сторон?

До сих пор розничные продавцы и производители товаров повседневного спроса рассматривали одного и того же покупателя с разных точек зрения, используя собственные данные и стимулы. Единые модели данных меняют это, создавая единую версию истины по всей цепочке создания стоимости, будь то показатели размещения товаров на полках или поведение покупателей.

Когда обе стороны работают на одной и той же платформе искусственного интеллекта, они могут совместно определять, что способствует росту или оттоку товаров на уровне категории. Это может быть что угодно — ценообразование, рекламные акции, ассортимент или нехватка запасов. Это переводит обсуждение с темы «мои данные против ваших» на тему «наши общие возможности».

В результате принимаются более взвешенные решения, ускоряется процесс экспериментирования, и в конечном итоге, увеличивается рост категории, что выгодно как розничным продавцам, так и брендам.

По мере развития розничных медиасетей, какую роль будет играть ИИ в улучшении таргетинга, измерения эффективности и замкнутой системы атрибуции при сохранении доверия потребителей?

По мере развития розничных медиасетей искусственный интеллект преобразует четыре ключевые области.

Во-первых, в сфере таргетинга отрасль переходит от статичных сегментов аудитории к прогнозированию намерений. Анализируя сигналы в реальном времени — такие как скорость просмотра или состав корзины — для определения точного момента возникновения потребности у покупателя, AIe гарантирует показ правильных объявлений тогда, когда это наиболее важно, а не просто таргетирует на широкую демографическую группу.

Во-вторых, в плане измерения золотой стандарт смещается от простой рентабельности рекламных расходов (ROAS) к ​​инкрементальной рентабельности рекламных расходов (iROAS). Используя причинно-следственный искусственный интеллект, мы можем измерить реальное влияние рекламных расходов, выявляя покупателей, которые совершили покупку только благодаря рекламе, в отличие от тех, для кого это произошло бы органически.

В-третьих, операционная эффективность становится критически важной, особенно в сфере креативных процессов. Для поддержки гиперперсонализации ритейлеры используют генеративный ИИ не только для генерации идей, но и для масштабирования производства. Это позволяет командам автоматически создавать тысячи динамических, специфичных для каждого канала вариантов контента за считанные минуты, а не недели, решая проблему «скорости создания контента».

Наконец, поддержание доверия зависит от широкого распространения «чистых комнат» для данных. Эти среды позволяют розничным продавцам и брендам безопасно сопоставлять свои наборы данных для замкнутой системы атрибуции, гарантируя, что конфиденциальная персональная информация (PII) никогда не покинет их соответствующие брандмауэры.

Заглядывая в будущее, какие возможности определят следующее поколение ритейлеров, использующих искусственный интеллект, и что руководителям следует начать разрабатывать уже сегодня, чтобы оставаться конкурентоспособными в течение следующих пяти лет?

Следующая эра розничной торговли будет определяться переходом от «цифровой трансформации» к «агентной трансформации». Мы движемся к будущему «автономной оркестровки», где сети агентов искусственного интеллекта взаимодействуют для выполнения сложных процессов — например, агент цепочки поставок автоматически дает указание агенту маркетинга приостановить рекламную акцию из-за задержки поставки.

Чтобы подготовиться к этому, лидерам необходимо уже сегодня начать создавать три вещи.

Во-первых, это единая модель данных. Агенты не могут сотрудничать, если они не говорят на одном языке; ваша база данных должна эволюционировать от хранилища данных к семантической «нервной системе».

Во-вторых, это система управления для агентов. Необходимо определить «правила взаимодействия» — что ИИ может делать автономно, а что требует одобрения человека, — прежде чем масштабировать систему.

Наконец, дни статических панелей мониторинга, предоставляющих аналитику «задним числом», сочтены. Мы движемся к диалоговой аналитике, которая обеспечивает мгновенные, персонализированные выводы. Эти интерфейсы выходят далеко за рамки простого сообщения «что произошло»; они используют агентный ИИ для анализа сложных вопросов «почему» и предоставления конкретных рекомендаций о том, «что делать дальше», эффективно сокращая разрыв между выводами и действиями.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Трененс.