Amanpal Dhupar, chef för detaljhandeln på Tredence – Intervjuserie

Amanpal Dhupar, chef för detaljhandel på Tredence, är en erfaren ledare inom detaljhandelsanalys och AI med över ett decennium av expertis inom att designa och utveckla datadrivna lösningar som ger handlingsbara insikter för beslutsfattare inom företag. Under hela sin karriär har han lett strategiska analystransformationer för högre chefer inom stora detaljhandelsföretag, byggt AI-produktfärdplaner för att driva mätbara affärsnyckeltal och skalat analysteam från tidig start till storskalig verksamhet – vilket visar både teknisk djup och ledarskapsmångsidighet.

Tredens är ett företag inom data science och AI-lösningar som fokuserar på att hjälpa företag att frigöra affärsvärde genom avancerad analys, maskininlärning och AI-drivet beslutsfattande. Företaget samarbetar med globala varumärken – särskilt inom detaljhandel och konsumentvaror – för att lösa komplexa utmaningar inom varuhandel, leveranskedjor, prissättning, kundupplevelse och marknadsintroduktion. De omsätter insikter till verkliga effekter och hjälper kunder att modernisera sina analys- och informationsfunktioner.

Återförsäljare kör ofta dussintals AI-pilotprojekt, men väldigt få går vidare till fullskalig implementering. Vilka är de vanligaste organisatoriska misstagen som hindrar AI från att omvandlas till mätbara affärsresultat?

En nyligen genomförd studie från MIT Solan visade att 95 % av AI-piloter misslyckas med att uppnå fullskalig implementering. Verkligheten? Pilotprojekt är enkla, men produktion är svårt. På Tredence har vi identifierat fyra specifika organisatoriska orsaker till denna skillnad.

För det första handlar det om bristen på förståelse för slutanvändarens arbetsflöde. Återförsäljare integrerar ofta AI i befintliga trasiga processer snarare än att fråga sig hur själva arbetsflödet ska omformas med AI i centrum.

För det andra avsaknaden av en plattformsbaserad metod för Agentic AI. Istället för att behandla agenter som engångsexperiment måste organisationer effektivisera hela livscykeln – från agentdesign och utveckling till driftsättning, övervakning och styrning – i hela företaget.

För det tredje finns det en svag databas. Det är enkelt att bygga en pilot på en ren platt fil, men skalning kräver en robust realtidsbas där korrekta data kontinuerligt är tillgängliga för AI-modeller.

Slutligen ser vi en friktion mellan IT-push och affärspull. Framgång sker bara när företagsledare ser AI som ett mervärde kopplat till mätbar effekt, snarare än en distraktion som drivs av IT. På Tredence har vårt fokus alltid legat på den "sista milen", där vi överbryggar denna klyfta mellan insiktsgenerering och värderealisering.

Tredence samarbetar med många av världens största återförsäljare och har en omsättning på biljoner dollar. Baserat på vad ni ser i branschen, vad skiljer de återförsäljare som framgångsrikt skalar upp AI från de som har fastnat i experimenterandet?

På Tredence har vi genom att stödja biljontals intäkter från detaljhandeln fått en plats i första raden i en tydlig branschklyfta: återförsäljare som behandlar AI som en serie olika experiment kontra de som bygger en industrialiserad "AI-fabrik". Den primära skillnaden ligger i ett engagemang för Agentic AI Platform-grunden. De mest framgångsrika organisationerna slutar bygga från grunden och investerar istället i ett robust ekosystem som kännetecknas av återanvändbara komponentbibliotek, standarddesignmallar och förbyggda agentmönster anpassade till specifika användningsfall inom detaljhandeln. När man lägger mogna LLMOps, fullstack-observabilitet och inbäddade skyddsräcken för ansvarsfull AI (RAI) ovanpå denna grund, är effekten transformerande – vi ser vanligtvis att hastigheten till värde för nya användningsfall förbättras med 80 % eftersom det tunga arkitekturarbetet redan är gjort.

En plattform är dock bara så bra som det sammanhang den använder, vilket leder oss till datagrunden. Skalning kräver mer än bara rå tillgång till data; det kräver ett rikt semantiskt lager där starka metadata och enhetliga datamodeller gör det möjligt för AI:n att faktiskt "resonera" om verksamheten snarare än bara processindata. Slutligen inser de sanna ledarna att detta inte bara är en teknisk översyn utan en kulturell. De överbryggar den "sista milen" genom att gå bortom enkel automatisering till teaming mellan människor och agenter, omkonstruera arbetsflöden så att medarbetare och handlare litar på och samarbetar med sina digitala motsvarigheter, och förvandlar algoritmisk potential till mätbar affärsverklighet.

Mer än 70 procent av detaljhandelskampanjer misslyckas fortfarande med att gå med break-even. Hur kan AI på ett meningsfullt sätt förbättra kampanjplanering, mätning och realtidsoptimering?

Misslyckandefrekvensen på 70 % kvarstår eftersom återförsäljare ofta förlitar sig på backspegelanalyser som förväxlar total försäljning med stegvis ökning – vilket i huvudsak subventionerar trogna kunder som ändå skulle ha köpt. För att bryta denna cykel måste vi gå från beskrivande rapportering till en mer prediktiv metod. I planeringsfasen använder vi kausal AI för att simulera resultat och etablera "sanna baslinjer", vilket identifierar exakt vad som skulle ha sålts utan kampanjen. Detta gör det möjligt för återförsäljare att sluta betala för organisk efterfrågan och endast rikta in sig på nettony volym.

För mätning löser AI "portföljpusslet" genom att kvantifiera haloeffekter och kannibalisering. Mänskliga handlare planerar ofta i silos, men AI ger en kategoriövergripande bild och säkerställer att en kampanj på en SKU inte bara stjäl marginaler från en annan. Denna holistiska mätning hjälper återförsäljare att förstå om de ökar kategorikakan eller bara skär upp den på olika sätt.

Slutligen, för realtidsoptimering, går branschen mot AI-agenter som övervakar kampanjer "under drift". Istället för att vänta på en obduktionsanalys veckor efter händelsen, rekommenderar dessa agenter autonomt kurskorrigeringar – som att justera utgifter för digital annonsverksamhet eller byta erbjudanden – för att rädda vinsten och förlusten innan kampanjen avslutas. Denna metod flyttar fokus från att bara rensa lager till att skapa lönsam tillväxt.

Prognosfel och slut i lager fortsätter att orsaka stora intäktsförluster. Vad gör AI-drivna varuhanterings- och leveranskedjesystem mer effektiva än traditionella prognosmetoder?

Det första skiftet sker inom prognoser, där AI flyttar oss från att enbart förlita oss på intern historik till att inhämta extern data – som lokalt väder, sociala händelser och ekonomiska indikatorer. När prognosen fångar detta externa sammanhang förbättrar inte noggrannhetsökningarna bara försäljningssiffrorna; de sprider sig även nedströms och optimerar lagerhantering, kapacitetsplanering, arbetsscheman och lagerdrift för att anpassa oss till den verkliga efterfrågan.

Det andra skiftet gäller slut i lager (OOS), vilket de flesta återförsäljare fortfarande misslyckas med att mäta korrekt. AI åtgärdar detta genom att upptäcka avvikelser i försäljningsmönster – identifiera "fantomlager" där systemet tror att en vara finns i lager, men försäljningen har upphört – och automatiskt utlösa cykelräkningar för att korrigera posten. Utöver data ser vi en ökning av datorseende för att fysiskt flagga hyllluckor i realtid och spåra lagret i bakrum, vilket säkerställer att produkten inte bara finns "i byggnaden" utan tillgänglig för kunden att köpa.

Agenthandel blir ett allt viktigare tema inom innovation i detaljhandeln. Hur kan resonemangsbaserade AI-agenter på ett meningsfullt sätt förändra produktupptäckt och konvertering jämfört med dagens sökdrivna shoppingupplevelse?

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 oändliga resultat. Resonemangsbaserade agenter stör detta genom att dynamiskt generera "syntetiska gångar" – anpassade kollektioner som aggregerar produkter i flera kategorier baserat på en specifik avsikt. Till exempel, istället för att söka separat efter fem artiklar, presenteras en shoppare med ett "hälsosamt morgon"-uppdrag med en sammanhängande, tillfällig gång med allt från proteinrika flingor till mixers, vilket omedelbart kollapsar upptäcktstratten från minuter till sekunder.

På konverteringssidan agerar dessa agenter mindre som sökmotorer och mer som "shoppingconcierger". De listar inte bara alternativ; de bygger aktivt varukorgar baserade på öppna behov. Om en kund frågar efter en "middagsplan för fyra under 50 dollar" resonerar agenten utifrån lager, pris och kostbegränsningar för att föreslå ett komplett paket. Denna resonemangsförmåga stänger "förtroendegapet" – genom att formulera varför en specifik produkt passar användarens livsstil eller mål, minskar agenten beslutsstörningen och driver högre konverteringsfrekvenser jämfört med ett tyst rutnät av produktminiatyrer.

Slutligen ser vi att detta utvidgas till hyperpersonligt innehåll. Istället för att visa alla samma startsida kan Agentic AI generera dynamiska landningssidor och visuella element som speglar kundens nuvarande shoppinguppdrag. För att detta ska kunna skalas upp inser dock återförsäljare att de behöver förankra dessa agenter i en enhetlig datamodell med strikt varumärkes- och säkerhetsstyrning, vilket säkerställer att AI:ns "kreativitet" aldrig hallucinerar produkter eller bryter mot varumärkets röst.

Många återförsäljare kämpar med föråldrade dataarkitekturer. Hur bör företag modernisera sina databaser så att AI-modeller kan leverera pålitliga och förklarbara rekommendationer?

Det största hindret för AI:s framgång är inte modellerna utan "dataträsket" under dem. För att modernisera måste återförsäljare sluta samla in data och bygga ett enhetligt semantiskt lager. Detta innebär att implementera en standardiserad "datamodell" där affärslogik (som exakt hur "nettomarginal" eller "churn" beräknas) definieras en gång och är universellt tillgänglig, snarare än att vara dold i fragmenterade SQL-skript i hela organisationen.

För det andra måste företag gå över till ett "dataprodukt"-tänkesätt. Istället för att behandla data som en IT-biprodukt, behandlar framgångsrika återförsäljare det som en produkt med definierat ägarskap, SLA:er och rigorös kvalitetsövervakning (dataobserverbarhet). När man kombinerar denna rena, styrda "gyllene dokumentation" med rika metadata, låser man upp förklarbarheten. AI:n spottar inte bara ur sig en svart låda-rekommendation; den kan spåra dess logik tillbaka genom det semantiska lagret.

Samarbete mellan återförsäljare och konsumentvaruföretag har historiskt sett förlitat sig på fragmenterad data och inkonsekventa mätvärden. Hur kan enhetliga datamodeller och delade AI-plattformar skapa starkare kategoriprestanda för båda sidor?

Hittills har återförsäljare och konsumentvaruföretag tittat på samma kund genom olika perspektiv, var och en med sina egna data och incitament. Enhetliga datamodeller förändrar detta genom att skapa en enda version av sanningen genom hela värdekedjan, vare sig det gäller hyllprestanda eller kundbeteende.

När båda sidor arbetar utifrån samma AI-plattform kan de gemensamt identifiera vad som driver tillväxt eller läckage på kategorinivå. Det kan vara vad som helst – prissättning, kampanj, sortiment eller lagerbrister. Detta flyttar samtal från "min data kontra din" till "vår gemensamma möjlighet".

Resultatet är smartare beslut, snabbare experiment och i slutändan högre kategoritillväxt som gynnar både återförsäljare och varumärken.

I takt med att detaljhandelsmedienätverk mognar, vilken roll kommer AI att spela för att förbättra målgruppsinriktning, mätning och sluten attribution samtidigt som konsumenternas förtroende bibehålls?

AI kommer att förändra fyra nyckelområden i takt med att detaljhandelns medienätverk mognar.

För det första, inom målgruppsinriktning, utvecklas branschen från statiska målgruppssegment till prediktiv avsikt. Genom att analysera realtidssignaler – som surfhastighet eller varukorgssammansättning – för att identifiera det exakta ögonblicket för en shoppares behov, säkerställer AIe att vi visar rätt annonser när det spelar som mest roll snarare än att bara rikta in oss på en bred demografisk etikett.

För det andra, för mätning, övergår guldstandarden från enkel avkastning på annonsutgifter (ROAS) till inkrementell ROAS (iROAS). Genom att utnyttja kausal AI kan vi mäta den verkliga effekten av medieutgifterna genom att identifiera kunder som bara konverterade på grund av annonsen kontra de som skulle ha fått det att hända organiskt.

För det tredje blir operativ effektivitet alltmer avgörande, särskilt inom kreativa verksamheter. För att stödja hyperpersonalisering använder återförsäljare generativ AI, inte bara för idégenerering utan för att skala upp produktionen. Detta gör det möjligt för team att automatiskt generera tusentals dynamiska, kanalspecifika tillgångsvariationer på minuter snarare än veckor, vilket löser flaskhalsen med "innehållshastighet".

Slutligen är upprätthållandet av förtroende beroende av den utbredda användningen av data-clean rooms. Dessa miljöer gör det möjligt för återförsäljare och varumärken att säkert matcha sina datamängder för sluten attribution, vilket garanterar att känslig personligt identifierbar information (PII) aldrig lämnar deras respektive brandväggar.

Vilka funktioner kommer att definiera nästa generations AI-drivna återförsäljare framöver, och vad bör ledare börja bygga idag för att förbli konkurrenskraftiga under de kommande fem åren?

Nästa era inom detaljhandeln kommer att definieras av skiftet från "digital transformation" till "agenttransformation". Vi går mot en framtid av "autonom orkestrering", där nätverk av AI-agenter samarbetar för att köra komplexa processer – som en agent i leveranskedjan som automatiskt säger till en marknadsföringsagent att pausa en kampanj eftersom en leverans är försenad.

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

Först finns en enhetlig datamodell. Agenter kan inte samarbeta om de inte talar samma språk; din databas måste utvecklas från ett lagringsarkiv till ett semantiskt "nervsystem".

För det andra är det ett styrningsramverk för agenter. Du måste definiera "reglerna för engagemang" – vad en AI får göra autonomt kontra vad som kräver mänskligt godkännande – innan du skalar upp.

Slutligen är dagarna för statiska dashboards som tillhandahåller analyser med "bakåtblick" räknade. Vi går mot konversationsanalyser som ger omedelbara, personliga insikter. Dessa gränssnitt går långt utöver att rapportera "vad som hände"; de använder agentbaserad AI för att resonera igenom komplexa "varför"-frågor och leverera föreskrivande rekommendationer om exakt "vad man ska göra härnäst", vilket effektivt minskar klyftan mellan insikt och handling.

Tack för den fina intervjun, läsare som vill veta mer bör besöka Tredens.