Viki Zabala, Chief Growth & Strategy Officer på First Insight – Intervju-serie

Viki Zabala, Chief Growth & Strategy Officer på First Insight, har mer än 22 års ledarerfarenhet inom högt tillväxt SaaS, AI och teknikföretag, verksamma vid skärningspunkten mellan strategi, produkt och innovation. I sin roll leder hon First Insights enhetliga tillväxtmotor över strategi, marknadsföring, produkt, AI, kundframgång och partnerskap, och formar visionen bakom företagets Retail Decision Intelligence-plattform. Känd för att omvandla osäkerhet till tydlighet, har Zabala drivit hyper-tillväxt, ny marknadsutvidgning och AI-ledd transformation genom att koppla kundinsikt, beslutsintelligens och skalbara driftsmodeller för att leverera mätbara affärsresultat för globala företag.

First Insight är en AI-driven beslutsintelligensplattform byggd för återförsäljare och varumärken som söker förutsäga efterfrågan, optimera priser och sortiment, och minska risker över hela produktlivscykeln. Genom att kombinera realtidskundfeedback med prediktiv, generativ och agensbaserad AI, hjälper plattformen organisationer att fatta snabbare och mer självsäkra beslut över design, inköp, planering och säsongslösning. Används av ledande globala återförsäljare och konsumentvarumärken, fokuserar First Insight på att omvandla kundinsikt till agerbar intelligens som förbättrar marginaler, accelererar marknadstillgänglighet och stärker långsiktig tillväxt.

Din karriär har konsekvent suttit vid skärningspunkten mellan data, marknadsstrategi och genomförande. Vilka ögonblick tidigare i din karriär har mest format hur du tänker om att omvandla insikt till verkliga operativa beslut idag?

Jag har alltid fokuserat på en grundläggande utmaning: hur man påverkar och förändrar beteende i stor skala.

Tidigt i min karriär visade sig detta i mobilappar och annons-teknik, där feedback-loopar är omedelbara. Du lär dig snabbt att data bara är viktigt om det förändrar vad någon gör härnäst – installerar, engagerar, konverterar. Senare, i IoT och upplevelse-plattformar, spelade samma sanning ut i fysiska miljöer: hur kontext, tid och upplevelse formar mänskligt beteende i realtid.

Över alla dessa branscher förblev en läxa konstant: insikt är bara värdefull om den är agerbar i ögonblicket ett beslut fattas. Om den inte överlever trycket i genomförandet – prissättning, marknadsstrategi, lager, meddelande – är det bara information.

Den här tankesättet är vad som förde mig till First Insight. Detaljhandel är en av de mest beteendestyrd branscherna som finns, men besluten har historiskt sett förlitat sig på eftersläpande indikatorer och magkänsla. Mitt arbete har handlat om att stänga den luckan – att föra kundens röst framåt tidigt nog, och kontinuerligt nog, för att konstruera bättre resultat i stället för att reagera på misslyckanden.

Mitt fokus nu är att hjälpa organisationer fatta bättre beslut tidigt nog för att det ska spela roll – så att de växer intäkter, tjänar kundlojalitet och konsekvent överträffar marknaden.

Som Chief Growth & Strategy Officer på First Insight, har du en enhetlig vy över produkt, AI-vägkarta, GTM och kundframgång. Hur förändrar det sätt AI bör utformas och distribueras inom detaljhandelsorganisationer?

När du ser hela systemet, slutar du tänka på AI som ett verktyg och börjar tänka på det som en driftsmodell.

Produkten visar dig vad som är tekniskt möjligt. Marknadsstrategi visar dig vad som faktiskt kommer att förstås och antas. Kundframgång visar dig vad som håller i realtid – tidspress, tvärfunktionell spänning, datakvalitet och ansvar. När dessa perspektiv är enhetliga, utformas AI kring hur beslut faktiskt sker, inte hur imponerande tekniken ser ut i isolering.

Det är därför AI i detaljhandeln måste fungera som ett system av beslut och handlingar, inte bara ett system av intelligens. Det måste koppla kundsignaler till prissättning, sortiment, marknadsföring och planering på ett sätt som sammanför team och accelererar beslut. När AI minskar friktionen mellan team och förkortar avståndet mellan insikt och handling, börjar den leverera verkligt värde.

Detaljhandlare har länge förlitat sig på säsongsmässiga planeringscykler och historiska data. Utifrån vad du ser på marknaden, varför är dessa modeller alltmer feljusterade med hur konsumenter beter sig idag?

Eftersom dessa modeller byggdes för en värld där detaljhandeln främst handlade om att optimera vad som redan fanns – inte att uppfinna vad som kommer härnäst.

Historiska försäljnings- och säsongscykler kan hjälpa till att förklara prestationer i etablerade kategorier, men de är svaga när det gäller de två saker detaljhandlare behöver mest idag: att svara på snabbt förändrade kundbeteenden och skapa ny efterfrågan genom produktinnovation och utvidgning av vita fläckar.

Efterfrågan skiftar nu i realtid – drivet av priskänslighet, kulturella ögonblick, social påverkan, ekonomisk press och kanal-dynamik. En trend kan uppstå över natten. En prissignal kan förändra beteende omedelbart. Historiska data förklarar vad som redan har hänt, men det förklarar inte tillförlitligt hur kunder kommer att svara härnäst – även för produkter som redan finns på hyllan – när kontext och sentiment kan förändras när som helst.

First Insights AI-assistent, Ellis, möjliggör naturliga språkfrågor kring prissättning, sortiment och efterfrågan. Hur viktigt är gränssnittsdesign och tillgänglighet för att driva verklig AI-antagande jämfört med bara teknisk förmåga?

Gränssnittet är skillnaden mellan “AI existerar” och “AI används”.

Detaljhandelsbeslut fattas inte bara i ett ögonblick – konceptforskning, design, sortimentsbyggnad, prissättning, marginalmodellering, inköpsdjup, allokeringsjusteringar, säsongsmässiga justeringar, marknadsföring och försäljning. Utmaningen är inte att detaljhandlare inte har frågor; det är att svaren är instängda i instrumentpaneler, presentationer, exporter och specialiserade team – och att de levereras för sent.

Ellis är viktigt eftersom det tar bort friktionen mellan insikt och handling. I stället för att navigera i rapporter eller vänta på ny analys, kan team ställa strategiska och taktiska frågor på vanligt språk – om koncept, prissättning, sortiment, segment, marknader, konkurrenter – och få tydliga, prediktiva svar på några minuter. Det är inte bara användbarhet; det är beslutsfart.

Du har arbetat nära detaljhandlare som navigerar marginaltryck, lager-risk och volatil efterfrågan. Var levererar AI den snabbaste, mest mätbara effekten idag – och var är hypen fortfarande före verkligheten?

Den snabbaste effekten syns där besluten är frekventa, dyra och tidskänsliga: prissättning, sortimentsval, efterfrågevalidering och lager-risk. När AI hjälper team undvika överinköp, hålla priser med tillförsikt eller lämna förlorande produkter tidigare, är den finansiella effekten omedelbar och mätbar.

Där hypen ligger före verkligheten är i idén om fullt autonom detaljhandel – eller AI som ersätter verklig kundförståelse med syntetiska genvägar. Konsumenter är mycket tydliga: de värdesätter äkthet, transparens och att bli hörda. AI som avlägsnar varumärken från kunden skapar inte effektivitet – det skapar risk.

Den vinnande modellen idag är mänsklig bedömning förstärkt med prediktiv insikt, inte automatisering för automatiseringens skull.

Många AI-verktyg lovar prediktiva förmågor. Vad ser meningsfull prediktion ut som i detaljhandeln, och hur bör ledare utvärdera om förutsägelserna faktiskt är beslutsfärdiga?

Meningsfull prediktion i detaljhandeln är inte en prognos – det är förmågan att stänga loopen från kundens sanning till finansiellt resultat.

Många AI-utdata låter prediktiva, men de förändrar inte affären eftersom de aldrig kommer in i den operativa kadensen. Kvartalet missas, lagret hopar sig, och rabattbudgetar spenderas – och alla kan peka på data någonstans som kunde ha hjälpt. Det verkliga misslyckandet är att besluten inte var samordnade, åtgärder togs inte, och arbetsflödet förändrades inte.

Beslutsfärdig prediktion gör tre saker samtidigt:

1. Det är grundat i hur kunder faktiskt uppfattar värde – inte bara försäljningshistorik – så att det kan vägleda beslut från koncept till säsong.
2. Det binder direkt till ekonomin: efterfrågeelasticitet, villighet att betala, AUR/ASP över produktlivscykeln, och marginalimplikationerna av att hålla mot att rabattera.
3. Det är operativt – inbäddat i en återkommande process som team faktiskt följer, inte instängd över dussintals verktyg och siloade instrumentpaneler.

En återkommande tema vi ser är kostnaden för den “långa svansen” av artiklar. Över-sortering är en tyst mördare: överflödig djup, låg hastighet, begravd risk. En av de största hävarmarna som prediktiv AI låser upp är förmågan att skära av svansen – ta bort underpresterande produkter tidigt och återinvestera lagervärden i top-presterande produkter där kundefterfrågan och sentiment är högst.

När team tillämpar denna disciplin ser vi dramatiska resultat:

• lagervärden frigörs för innovation och högpoäng-möjligheter,
• rabatt-takt stabiliseras och minskar,
• promotions-trycket lindras, och
• varumärkesförtroende ökar eftersom kunder inte tränas att förvänta sig 50-60% rabatt innan de köper.

Ledare bör utvärdera prediktiv AI med en fråga: Ändrar det var vi investerar? Den högsta avkastningen är inte mer data – det är bättre beslut i hur man allokerar kapital, tid och lager mot verklig kundefterfrågan – tidigt nog för att det ska spela roll.

Ansvarsfull AI diskuteras ofta på en hög nivå. I detaljhandeln specifikt, vad ser praktisk, ansvarsfull AI-antagande ut när besluten direkt påverkar prissättning, konsumenter och varumärkesförtroende?

Ansvarsfull AI i detaljhandeln börjar med en enkel princip: använd AI för att fördjupa kundrelationen, inte utnyttja den.

Detta handlar inte om hyper-spårning av individer, övervakning eller datainsamling för dess egen skull. Ansvarsfull AI handlar om att föra kundens röst in i varje beslut i stor skala – så att produkter, prissättning, meddelanden och upplevelser återspeglar vad människor faktiskt värdesätter. På många sätt är det en form av samutveckling: kunder guidar vad som skapas, hur det positioneras och vad som känns rättvist.

Praktiskt sett ser ansvarsfull AI ut som:

• Grundande beslut i verklig kundinput – både kvantitativ och kvalitativ (“vad hon/han/de sa”).
• Byggande av transparens och skydd för hög-impaktbeslut som prissättning, kampanjer och segmentering.
• Säkerställande av rättvisa över segment och marknader, så att AI inte oavsiktligt gynnar en grupp medan den missgynnar en annan.
• Hållande av människor i loopen för bedömning, ansvar och den kreativa nyansen som AI inte kan generera själv.

Använd på detta sätt stärker AI kundrelationen i stället för att urholka den. Kunder känner sig hörda i stor skala. Team fattar bättre beslut snabbare. Och varumärken bygger förtroende – eftersom de inte längre reagerar mot marknaden; de agerar med den.

Du har lett både marknadsberättelser och produktstrategi. Hur bör detaljhandlare omforma intern berättande kring AI så att det ses som en beslutspartner snarare än ett hot eller en svart låda?

Detaljhandlare bör sluta berätta historien att AI är “smartare analys” och börja berätta historien att AI är kundcentricitet i stor skala.

Den interna friktionen i detaljhandeln är inte bara silos – det är silos som fattar högriskbeslut med olika sanningar: marknadsföring har engagemangssignaler, inköp har försäljningshistorik, prissättning har marginaltryck, planering har lagerbegränsningar. Där sker striderna.

AI blir en beslutspartner när det skapar ett gemensamt språk över funktioner: kundens röst, översatt till prediktiv vägledning som informerar produkt, pris, sortiment och hur man säljer – från koncept till konvertering.

Och det är viktigt att vara ärlig om människors roll. AI uppfinnar inte den nästa genombrottsidén – det lär sig mönster. Människor bringar kreativitet, smak, varumärkesavsikt och kulturell intuition. AI gör den kreativiteten skarpare genom att förkorta feedback-loopar och trycka beslut innan marknaden gör det.

När AI blir mer inbäddat i planering och säsongsmässig beslutsfattning, hur ser du att den mänskliga bedömningens roll utvecklas snarare än försvinner?

Mänsklig bedömning blir viktigare – och mer utnyttjad – eftersom säsongen är där detaljhandelsvinsten vinner eller förlorar.

Rabatter är en av de största kostnaderna i detaljhandeln. Detaljhandlare budgeterar ofta för dem eftersom de tvingas rensa osålda lager. Anledningen till att rabatter är så smärtsamma är timingen: rabatter för tidigt och du förstör marginalen; rabatter för sent och du missar fönstret att konvertera efterfrågan.

Med prediktiv AI och människor i loopen kan team modellera elastiska efterfrågekurvor och förstå hur ASP/AUR bör utvecklas över produktlivscykeln – baserat på säljgenomströmning, kunduppfattning och marknadssignaler. Det möjliggör smartare drag: när man ska hålla priset, när man ska rabattera och hur mycket – utan att överkorrigera.

Säsongsmässiga beslut är inte bara prissättning. AI kan informera kampanjer och marknadsföring under säsongen genom att ta med kulturella ögonblick, influenser, trendacceleration och skift i kundpersonas – tillsammans med produktuppfattning och priskänslighet. Människor tillämpar då bedömning: varumärkesavsikt, risktolerans och de kreativa val som AI inte kan generera själv.

Framtiden är inte automatisering. Det är snabbare, mer kund-informerade beslut – där AI skalar lyssnandet, och människor leder meningen.

Utseende, hur förväntar du dig att agensbaserad och generativ AI kommer att omforma detaljhandelsarbetsflöden under de närmaste två till tre åren – inte teoretiskt, utan operativt?

Vi flyttar från system av intelligens till system av handling.

Operativt kommer generativ AI att göra insikt tillgänglig över roller och nivåer – summera, jämföra, förklara och svara på frågor omedelbart. Agensbaserad AI kommer alltmer att ta på sig det repetitiva arbetet som sakta ner organisationer: förbereda scenarier, sammanställa chefsklara sammanfattningar, övervaka signaler, flagga risk och koordinera nästa bästa åtgärder.

Men den mest meningsfulla förändringen kommer inte att vara att AI “kör detaljhandeln”. Det kommer att vara att detaljhandlare slutligen täpper till luckan mellan kunden och företaget. Team kommer att flytta snabbare, skära igenom intern friktion och fatta bättre beslut tidigare – innan trender kulminerar, innan rabatter kaskader och innan missade möjligheter blir kvartalsmissar.

Detaljhandlare som vinner kommer inte att vara de med de flesta AI-experimenten. De kommer att vara de som bygger en återkommande operativ kadens där kundens sanning, prediktiv intelligens och mänsklig kreativitet arbetar tillsammans – från koncept till konvertering.

Tack för den detaljerade intervjun, läsare som vill lära sig mer bör besöka First Insight.