Amanpal Dhupar, chef för detaljhandel på Tredence – Intervjuer

Amanpal Dhupar, chef för detaljhandel på Tredence är en erfaren ledare inom detaljhandelsanalys och AI med över ett decennium av expertis i att utforma och utveckla data-drivna lösningar som levererar handlingsbara insikter för företagsbeslutsfattare. Under sin karriär har han lett strategiska analytiska transformationer för seniora chefer inom stora detaljhandelsföretag, byggt AI-produktvägar för att driva mätbara affärs-KPI:er och skalat analytiska team från barndomen till storskaliga operationer – vilket visar både teknisk djup och ledarskapsvariation.

Tredence är ett företag som erbjuder data-vetenskapliga och AI-lösningar som fokuserar på att hjälpa företag att låsa upp affärs-värde genom avancerad analys, maskin-inlärning och AI-styrd beslutsfattning. Företaget samarbetar med globala varumärken – särskilt inom detaljhandel och konsumentvaror – för att lösa komplexa utmaningar inom sortiment, leverantörskedja, prissättning, kundupplevelse och marknadsföringsoperationer, och översätter insikter till verklig påverkan och hjälper kunder att modernisera sin analys- och intelligensförmåga.

Detaljhandlare kör ofta dussintals AI-piloter, men mycket få går över till fullskalig distribution. Vilka är de vanligaste organisatoriska misstagen som förhindrar att AI blir till mätbara affärsresultat?

En nylig studie från MIT Sloan fann att 95% av AI-piloter misslyckas med att uppnå fullskalig distribution. Verkligheten? Piloter är lätta, men produktion är svår. På Tredence har vi identifierat fyra specifika organisatoriska skäl som driver denna klyfta.

För det första är det bristen på förståelse för slutanvändarens arbetsflöde. Detaljhandlare infogar ofta AI i befintliga trasiga processer istället för att fråga hur arbetsflödet i sig borde omformas med AI i centrum.

För det andra är det bristen på en plattformsapproach till Agentic AI. Istället för att behandla agenter som enstaka experiment behöver organisationer strömlinjeforma hela livscykeln – från agentdesign och utveckling till distribution, övervakning och styrning – över hela företaget.

För det tredje är det en svag data-grund. Det är lätt att bygga en pilot på en ren, platt fil, men skala kräver en robust, realtidsbaserad grund där korrekt data kontinuerligt är tillgängligt för AI-modeller.

Slutligen ser vi en friktion mellan IT-tryck och affärsdrag. Framgång inträffar bara när affärsledare ser AI som ett värde-tillägg kopplat till mätbara effekter, snarare än en distraktion som drivs av IT. På Tredence har vårt fokus alltid varit på “sista milen”, där vi brottar gapet mellan insiktsgenerering och värdering.

Tredence samarbetar med många av världens största detaljhandlare, som stöder biljoner i omsättning. Baserat på vad du ser över branschen, vad skiljer detaljhandlare som skalar AI framgångsrikt från de som förblir fast i experiment?

På Tredence har stödet till biljoner i detaljhandelsomsättning gett oss en första rad till en tydlig branschdelning: detaljhandlare som behandlar AI som en serie separata experiment versus de som bygger en industrialiserad “AI-fabrik”. Den primära differentieraren ligger i en åtagande till Agentic AI-plattformsgrunder. De mest framgångsrika organisationerna slutar bygga från scratch och investerar istället i en robust ekosystem som kännetecknas av återanvändbara komponentbibliotek, standarddesignmallar och förbyggda agentmönster som är anpassade till specifika detaljhandelsanvändningsfall. När du lägger till mogna LLMOps, fullstack-övervakning och inbäddade ansvarsfulla AI (RAI)-räcken på denna grund, är effekten transformerande – vi ser vanligtvis en 80% förbättring av hastighet till värde för nya användningsfall eftersom den tunga arkitektoniska lyftningen redan är gjord.

Men en plattform är bara så bra som den kontext den konsumerar, vilket leder oss till data-grunden. Skala kräver mer än bara rå tillgång till data; det kräver en rik semantisk lager där starka metadata och enhetliga data-modeller tillåter AI att “resonera” om affären snarare än att bara bearbeta indata. Slutligen erkänner de sanna ledarna att detta inte bara är en teknisk ombyggnad utan en kulturell. De brottar “sista milen” genom att gå utöver enkel automatisering till mänsklig-agent-samarbete, omformar arbetsflöden så att medarbetare och köpmän litar på och samarbetar med sina digitala motparter, och omvandlar algoritmisk potential till mätbara affärsresultat.

Mer än 70% av detaljhandelskampanjer misslyckas fortfarande med att gå med vinst. Hur kan AI meningsfullt förbättra kampanjplanering, mätning och realtids-optimering?

Den 70% misslyckandefrekvensen består eftersom detaljhandlare ofta förlitar sig på “bakre spegel”-analys som förväxlar total försäljning med inkrementell lyft – i princip subventionerar de trogna kunder som ändå skulle ha köpt. För att bryta denna cykel behöver vi skifta från beskrivande rapportering till en mer prediktiv approach. I planeringsfasen använder vi Causal AI för att simulera resultat och etablera “sanna baslinjer”, identifiera exakt vad som skulle ha sålt utan kampanjen. Detta tillåter detaljhandlare att sluta betala för organisk efterfrågan och rikta sig mot netto-ny volym.

För mätning löser AI “portfölj-pusslet” genom att kvantifiera halo-effekter och kannibalisering. Mänskliga köpmän planerar ofta i silos, men AI ger en kategori-omfattande vy, som säkerställer att en kampanj för en SKU inte bara stjäl marginal från en annan. Denna holistiska mätning hjälper detaljhandlare att förstå om de växer kategoripajen eller bara skär den annorlunda.

Slutligen, för realtids-optimering, rör sig branschen mot AI-agenter som övervakar kampanjer “på flyg”. Istället för att vänta på en post-mortem-analys veckor efter evenemanget, rekommenderar dessa agenter autonomt kurskorrigeringar – som att justera digital annonsutgifter eller byta erbjudanden – för att rädda P&L innan kampanjen slutar. Denna approach skiftar fokus från att bara rensa lager till att konstruera lönsam tillväxt.

Prognosfel och lagerbrist fortsätter att orsaka stora förluster. Vad gör AI-drivna inköps- och leverantörskedje-system mer effektiva än traditionella prognosmetoder?

Den första skiftningen är i prognos, där AI flyttar oss från att förlita sig enbart på intern historia till att konsumera extern data – som lokal väder, sociala evenemang och ekonomiska indikatorer. När prognosen fångar denna yttre kontext, förbättras noggrannheten inte bara försäljningssiffror; den optimerar också lagerhantering, kapacitetsplanering, arbetscheman och lageroperationer för att anpassa sig till verklig efterfrågan.

Den andra skiftningen är i lagerbrist, som de flesta detaljhandlare fortfarande misslyckas med att mäta korrekt. AI löser detta genom att upptäcka avvikelser i försäljningsmönster – identifiera “spök-lager” där systemet tror att en artikel är i lager, men försäljningen har upphört – och automatiskt utlösa cykliska räkningar för att korrigera posten. Utöver data ser vi uppkomsten av datorseende för att fysiskt flagga hyllglapp i realtid och spåra lager i bakrum, och säkerställa att produkten inte bara är “i byggnaden” utan tillgänglig för kunden att köpa.

Agentic handel blir en stor tema inom detaljhandelsinnovation. Hur förändrar resonemangs-baserade AI-agenter meningsfullt produktupptäckt och omvandling jämfört med dagens sökdrivna shopping-upplevelse?

I dagens sökdrivna shopping gör konsumenterna fortfarande det mesta av det tunga arbetet. De måste veta vad de ska leta efter, jämföra alternativ och förstå ändlösa resultat. Resonemangs-baserade agenter stör detta genom att dynamiskt generera “syntetiska gångar” – anpassade samlingar som aggreggerar flera kategori-produkter baserat på ett specifikt syfte. Till exempel, istället för att söka separat efter fem artiklar, presenteras en shopper med en “hälsosam morgon”-uppdrag med en sammanhållen, tillfällig gång som visar allt från hög-protein-gröt till blenders, och kollapsar upptäckts-röret från minuter till sekunder.

På omvandlingssidan agerar dessa agenter mindre som sökmotorer och mer som “shopping-koncierger”. De listar inte bara alternativ; de bygger aktivt korgar baserat på öppna behov. Om en kund ber om en “middagsplan för fyra under $50” resonerar agenten genom lager, pris och dietrestriktioner för att föreslå en komplett paket. Denna resonemangs-förmåga stänger “förtroende-gapet” – genom att artikulera varför en specifik produkt passar användarens livsstil eller mål, reducerar agenten besluts-paralys och driver högre omvandlingsfrekvenser jämfört med en tyst ruta av produkt-miniatyrer.

Slutligen ser vi att detta utvidgas till hyper-personaliserat innehåll. Istället för att visa alla samma startsida-bannér kan Agentic AI generera dynamiska landningssidor och visuella element som speglar kundens aktuella shopping-mission. Men för att detta ska skalas behöver detaljhandlare grunda dessa agenter i en enhetlig data-modell med strikt varumärkes- och säkerhetsstyrning, och säkerställa att AI:s “kreativitet” aldrig hallucinerar produkter eller bryter mot varumärkes-röst.

Många detaljhandlare kämpar med föråldrade data-arkitekturer. Hur bör företag modernisera sina data-grundval så att AI-modeller kan leverera trovärdiga och förklarliga rekommendationer?

Den största barriären för AI-lyckande är inte modellerna utan “data-sjön” under dem. För att modernisera måste detaljhandlare sluta samla data och bygga en enhetlig semantisk lager. Detta innebär att implementera en standard “Data-modell” där affärslogik (som exakt hur “Netto-marginal” eller “avhopp” beräknas) definieras en gång och är universellt tillgänglig, snarare än att vara dold i fragmenterade SQL-skript över hela organisationen.

Andra behöver företag gå till en “data-produkt”-mentalitet. Istället för att behandla data som en IT-biprodukt, behandlar framgångsrika detaljhandlare data som en produkt med definierad ägare, SLA och rigorös kvalitetsövervakning (data-övervakning). När du kombinerar denna rena, styrda “guldkopia” med rik metadata, låser du upp förklarbarhet. AI:n ger inte bara en svart-låda-rekommendation; den kan spåra sin logik tillbaka genom den semantiska lagern.

Samarbete mellan detaljhandlare och CPG-företag har historiskt sett förlitat sig på fragmenterad data och inkonsekventa mått. Hur låser enhetliga data-modeller och delade AI-plattformar upp starkare kategori-prestationer för båda sidor?

Hittills har detaljhandlare och CPG:t sett på samma kund genom olika linser, var och en med sin egen data och incitament. Enhetliga data-modeller förändrar detta genom att skapa en enda version av sanningen över hela värdekedjan, antingen det gäller hyllprestation eller kundbeteende.

När båda sidor arbetar från samma AI-plattform kan de gemensamt identifiera vad som driver tillväxt eller läckage på en kategori-nivå. Det kan vara vad som helst – prissättning, kampanj, sortiment eller lagerluckor. Detta skiftar samtal från “min data vs. din” till “vår gemensamma möjlighet”.

Resultatet är smartare beslut, snabbare experiment och slutligen högre kategori-tillväxt som gynnar både detaljhandlare och varumärken.

När detaljhandelsmedie-nätverk mognar, vilken roll kommer AI att spela för att förbättra målinriktning, mätning och stängd sling-attribuering samtidigt som konsumentförtroendet upprätthålls?

AI kommer att transformera fyra nyckelområden när detaljhandelsmedie-nätverk mognar.

För det första, i målinriktning, utvecklas branschen från statiska målgruppssegment till prediktiv avsikt. Genom att analysera realtids-signalerna – som bläddringshastighet eller korg-sammansättning – för att identifiera den exakta ögonblicket av en shoppers behov, säkerställer AI att vi visar rätt annonser när det betyder mest snarare än att bara rikta sig till en bred demografisk etikett.

För det andra, för mätning, skiftar guldstandarden från enkel Return on Ad Spend (ROAS) till inkrementell ROAS (iROAS). Genom att utnyttja Causal AI kan vi mäta den verkliga påverkan av media-utgifterna genom att identifiera kunder som endast konverterade på grund av annonsen, snarare än de som skulle ha hänt organiskt.

För det tredje är operativ effektivitet avgörande, särskilt i kreativa operationer. För att stödja hyper-personalisering använder detaljhandlare Generative AI inte bara för idéer utan för att skala produktion. Detta tillåter team att automatiskt generera tusentals dynamiska, kanal-specifika tillgångsvarianter på minuter snarare än veckor, och löser flaskhalsen av “innehålls-hastighet”.

Slutligen beror upprätthållande av förtroende på den breda antagandet av data-reningssalar. Dessa miljöer tillåter detaljhandlare och varumärken att säkert matcha sina datamängder för stängd sling-attribuering, och garanterar att känslig personlig identifierbar information (PII) aldrig lämnar deras respektive brandväggar.

Om vi ser framåt, vilka funktioner kommer att definiera nästa generation av AI-drivna detaljhandlare, och vad bör ledare börja bygga idag för att stanna konkurrenskraftiga under de kommande fem åren?

Nästa era av detaljhandel kommer att definieras av skiftet från “digital transformation” till “agentic transformation”. Vi flyttar mot en framtid av “autonom orchestration”, där nätverk av AI-agenter samarbetar för att köra komplexa processer – som en leverantörskedje-agent som automatiskt berättar för en marknadsförings-agent att pausa en kampanj eftersom en leverans är försenad.

För att förbereda sig för detta måste ledare börja bygga tre saker idag.

För det första är en enhetlig data-modell. Agenter kan inte samarbeta om de inte talar samma språk; er data-grund måste utvecklas från ett lagrings-repository till en semantisk “nervsystem”.

För det andra är en styrningsram för agenter. Du behöver definiera “reglerna för engagemang” – vad en AI är tillåten att göra autonomt versus vad som kräver mänskligt godkännande – innan du skalar.

Slutligen är dagarna för statiska instrumentpaneler som ger “bakre spegel”-analys räknade. Vi flyttar mot konversations-analys som ger omedelbara, personliga insikter. Dessa gränssnitt går långt utöver rapportering om “vad hände”; de utnyttjar agentic AI för att resonera genom komplexa “varför”-frågor och leverera prescriptiva rekommendationer om exakt “vad man ska göra härnäst”, och effektivt stänger gapet mellan insikt och handling.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Tredence.