Amanpal Dhupar, Tredence Perakende Müdürü – Röportaj Serisi

Amanpal DhuparTredence'ın Perakende Bölümü Başkanı, işletme karar vericileri için eyleme geçirilebilir içgörüler sunan veri odaklı çözümler tasarlama ve geliştirme konusunda on yılı aşkın deneyime sahip, tecrübeli bir perakende analitiği ve yapay zeka lideridir. Kariyeri boyunca, büyük perakendecilerdeki üst düzey yöneticiler için stratejik analitik dönüşümlerine liderlik etmiş, ölçülebilir iş KPI'larını yönlendirmek için yapay zeka ürün yol haritaları oluşturmuş ve analitik ekiplerini başlangıç ​​aşamasından büyük ölçekli operasyonlara kadar büyütmüştür; bu da hem teknik derinliği hem de liderlik çok yönlülüğünü göstermektedir.

eğilim Veri bilimi ve yapay zeka çözümleri alanında faaliyet gösteren şirket, işletmelerin gelişmiş analitik, makine öğrenimi ve yapay zeka destekli karar verme yoluyla iş değerini ortaya çıkarmalarına yardımcı olmaya odaklanmıştır. Şirket, özellikle perakende ve tüketim malları sektörlerindeki küresel markalarla ortaklık kurarak, ürün yönetimi, tedarik zinciri, fiyatlandırma, müşteri deneyimi ve pazarlama operasyonları genelindeki karmaşık sorunları çözmekte, içgörüleri gerçek dünyada etkiye dönüştürmekte ve müşterilerinin analitik ve zeka yeteneklerini modernize etmelerine yardımcı olmaktadır.

Perakendeciler genellikle düzinelerce yapay zeka pilot projesi yürütür, ancak çok azı tam ölçekli uygulamaya geçer. Yapay zekanın ölçülebilir iş sonuçlarına dönüşmesini engelleyen en yaygın kurumsal hatalar nelerdir?

MIT Solan'ın yakın tarihli bir araştırması, yapay zeka pilot projelerinin %95'inin tam ölçekli uygulamaya geçemediğini ortaya koydu. Gerçek şu ki, pilot projeler kolaydır, ancak üretim zordur. Tredence'da, bu açığı tetikleyen dört spesifik kurumsal neden belirledik.

İlk sorun, son kullanıcı iş akışını anlamadaki başarısızlıktır. Perakendeciler genellikle yapay zekayı mevcut, bozuk süreçlere entegre ederler; oysa iş akışının kendisinin yapay zeka merkezli olarak nasıl yeniden tasarlanması gerektiği sorusunu sormazlar.

İkinci olarak, ajan tabanlı yapay zekâya yönelik platform yaklaşımının eksikliği söz konusudur. Kuruluşlar, ajanları tek seferlik deneyler olarak ele almak yerine, ajan tasarımı ve geliştirilmesinden dağıtım, izleme ve yönetişime kadar tüm yaşam döngüsünü kurumsal çapta düzene sokmalıdır.

Üçüncüsü, zayıf bir veri altyapısıdır. Temiz, düz bir dosya üzerinde pilot bir proje oluşturmak kolaydır, ancak ölçeklendirme, yapay zeka modellerinin sürekli olarak doğru verilere erişebildiği sağlam, gerçek zamanlı bir altyapı gerektirir.

Son olarak, BT'nin dayatması ile iş dünyasının talebi arasında bir sürtüşme görüyoruz. Başarı ancak iş liderleri yapay zekayı BT'nin dayattığı bir dikkat dağıtıcı unsur olarak değil, ölçülebilir etkiye bağlı bir katma değer olarak gördüklerinde gerçekleşir. Tredence'da odak noktamız her zaman "son aşama" olmuştur; burada içgörü üretimi ile değer gerçekleştirme arasındaki bu boşluğu kapatıyoruz.

Tredence, dünyanın en büyük perakendecilerinin birçoğuyla çalışarak trilyonlarca dolarlık geliri destekliyor. Sektör genelinde gözlemlerinize dayanarak, yapay zekayı başarıyla ölçeklendiren perakendecileri, deneme aşamasında kalanlardan ayıran nedir?

Tredence'te, trilyonlarca dolarlık perakende gelirini desteklemek, bize sektördeki net bir ayrımı yakından görme fırsatı verdi: Yapay zekayı birbirinden bağımsız deneyler dizisi olarak ele alan perakendeciler ve endüstriyel bir 'yapay zeka fabrikası' kuranlar. Temel fark, Agentic AI Platform temellerine olan bağlılıkta yatmaktadır. En başarılı kuruluşlar sıfırdan inşa etmeyi bırakıp, yeniden kullanılabilir bileşen kütüphaneleri, standart tasarım şablonları ve belirli perakende kullanım durumlarına uygun önceden oluşturulmuş ajan kalıplarıyla karakterize edilen sağlam bir ekosisteme yatırım yaparlar. Bu temelin üzerine olgun LLMOps, tam yığın gözlemlenebilirlik ve gömülü sorumlu yapay zeka (RAI) güvenlik önlemlerini eklediğinizde, etki dönüştürücü olur; genellikle yeni kullanım durumları için değer yaratma hızında %80'lik bir iyileşme görüyoruz çünkü ağır mimari işler zaten yapılmış oluyor.

Ancak, bir platformun başarısı, tükettiği bağlamla doğru orantılıdır; bu da bizi veri temeline getiriyor. Ölçeklendirme, yalnızca ham veri erişiminden daha fazlasını gerektirir; güçlü meta verilerin ve birleşik veri modellerinin, yapay zekanın girdileri işlemek yerine işletme hakkında gerçekten "akıl yürütmesine" olanak tanıyan zengin bir anlamsal katman gerektirir. Son olarak, gerçek liderler bunun sadece bir teknoloji revizyonu değil, aynı zamanda kültürel bir revizyon olduğunu fark ederler. Basit otomasyonun ötesine geçerek insan-temsilci iş birliğine, iş akışlarını yeniden tasarlayarak, çalışanların ve satıcıların dijital muhataplarıyla güven ve iş birliği içinde çalışmasını sağlayarak "son aşamayı" tamamlarlar ve algoritmik potansiyeli ölçülebilir iş gerçekliğine dönüştürürler.

Perakende promosyonlarının %70'inden fazlası hâlâ kâr elde edemiyor. Yapay zeka, promosyon planlamasını, ölçümünü ve gerçek zamanlı optimizasyonunu nasıl anlamlı bir şekilde iyileştirebilir?

Perakendecilerin %70'lik başarısızlık oranı devam ediyor çünkü genellikle toplam satışları artan satışlarla karıştıran ve esasen zaten satın alacak olan sadık müşterileri sübvanse eden 'geriye dönük' analizlere güveniyorlar. Bu döngüyü kırmak için, tanımlayıcı raporlamadan daha tahmine dayalı bir yaklaşıma geçmemiz gerekiyor. Planlama aşamasında, sonuçları simüle etmek ve promosyon olmadan tam olarak ne satılacağını belirleyerek 'gerçek temel çizgiler' oluşturmak için Nedensel Yapay Zeka kullanıyoruz. Bu, perakendecilerin organik talebe ödeme yapmayı bırakmalarını ve yalnızca net yeni hacmi hedeflemelerini sağlar.

Ölçümleme açısından, yapay zeka, halo etkilerini ve pazar payı kaybını nicelleştirerek 'portföy bulmacasını' çözüyor. İnsan perakendeciler genellikle kendi içlerinde planlama yaparken, yapay zeka kategori genelinde bir bakış açısı sağlayarak, bir üründeki promosyonun diğerinden sadece kar marjı çalmadığından emin oluyor. Bu bütünsel ölçümleme, perakendecilerin kategori pastasını büyütüp büyütmediklerini veya sadece farklı şekilde dilimleyip dilimlemediklerini anlamalarına yardımcı oluyor.

Son olarak, gerçek zamanlı optimizasyon için sektör, kampanyaları "devam ederken" izleyen yapay zeka ajanlarına doğru ilerliyor. Etkinlikten haftalar sonra yapılacak bir analiz beklemek yerine, bu ajanlar promosyon sona ermeden önce kâr ve zarar tablosunu kurtarmak için dijital reklam harcamalarını ayarlamak veya teklifleri değiştirmek gibi otomatik olarak düzeltici önlemler öneriyor. Bu yaklaşım, odağı sadece envanteri temizlemekten karlı büyümeyi tasarlamaya kaydırıyor.

Tahmin hataları ve stok eksiklikleri büyük gelir kayıplarına yol açmaya devam ediyor. Yapay zekâ destekli ürün yönetimi ve tedarik zinciri sistemlerini geleneksel tahmin yaklaşımlarından daha etkili kılan nedir?

İlk değişim, yapay zekanın bizi yalnızca iç geçmişe dayanmaktan, yerel hava durumu, sosyal etkinlikler ve ekonomik göstergeler gibi dış verileri kullanmaya yönlendirdiği tahminleme alanında gerçekleşiyor. Tahminleme bu dış bağlamı yakaladığında, doğruluk kazanımları sadece satış rakamlarını iyileştirmekle kalmıyor; envanter yönetimini, kapasite planlamasını, işgücü programlarını ve depo operasyonlarını gerçek talebe uygun hale getirmek için aşağı doğru bir zincirleme reaksiyon yaratıyor.

İkinci değişim, çoğu perakendecinin hala doğru bir şekilde ölçemediği Stok Dışı Ürünler (OOS) alanında gerçekleşiyor. Yapay zeka, satış modellerindeki anormallikleri tespit ederek (sistemin bir ürünün stokta olduğunu düşündüğü ancak satışların durduğu 'Hayalet Stok'u belirleyerek) ve kaydı düzeltmek için otomatik olarak döngü sayımlarını tetikleyerek bu sorunu çözüyor. Verilerin ötesinde, raflardaki boşlukları gerçek zamanlı olarak fiziksel olarak işaretlemek ve depolardaki envanteri takip etmek için bilgisayar görüşünün yükselişini görüyoruz; bu da ürünün sadece 'binada' değil, müşterinin satın alabileceği şekilde mevcut olmasını sağlıyor.

Yapay zekâ destekli ticaret, perakende inovasyonunda önemli bir tema haline geliyor. Akıl yürütmeye dayalı yapay zekâ ajanları, günümüzün arama odaklı alışveriş deneyimine kıyasla ürün keşfi ve dönüşümünü nasıl anlamlı bir şekilde değiştiriyor?

Günümüzün arama odaklı alışverişinde, tüketiciler hala işin büyük kısmını kendileri yapıyor. Ne arayacaklarını bilmeleri, seçenekleri karşılaştırmaları ve sonsuz sonuçlar arasında anlam çıkarmaları gerekiyor. Akıl yürütmeye dayalı aracı sistemler, belirli bir amaca göre çok kategorili ürünleri bir araya getiren özel koleksiyonlar olan 'sentetik koridorlar'ı dinamik olarak oluşturarak bunu değiştiriyor. Örneğin, 'sağlıklı bir sabah' görevi olan bir alışverişçi, beş ürünü ayrı ayrı aramak yerine, yüksek proteinli kahvaltılık gevreklerden blenderlara kadar her şeyi içeren tutarlı, geçici bir koridorla karşılaşıyor ve böylece keşif süreci dakikalardan saniyelere iniyor.

Dönüşüm tarafında, bu aracılar arama motorlarından ziyade 'alışveriş danışmanları' gibi davranırlar. Sadece seçenekleri listelemekle kalmazlar; açık uçlu ihtiyaçlara dayalı olarak aktif bir şekilde sepetler oluştururlar. Bir müşteri '50 doların altında dört kişilik akşam yemeği paketi' isterse, aracı envanteri, fiyatı ve diyet kısıtlamalarını göz önünde bulundurarak eksiksiz bir paket önerir. Bu akıl yürütme yeteneği, 'güven açığını' kapatır; belirli bir ürünün kullanıcının yaşam tarzına veya hedefine neden uyduğunu açıklayarak, karar verme felcini azaltır ve sessiz bir ürün küçük resim tablosuna kıyasla daha yüksek dönüşüm oranları sağlar.

Son olarak, bunun hiper kişiselleştirilmiş içeriğe doğru genişlediğini görüyoruz. Herkese aynı ana sayfa banner'ını göstermek yerine, Agentic AI, müşterinin mevcut alışveriş görevini yansıtan dinamik açılış sayfaları ve görseller oluşturabiliyor. Ancak bunun ölçeklenebilmesi için perakendecilerin, yapay zekanın 'yaratıcılığının' asla hayali ürünler üretmemesini veya marka sesini ihlal etmemesini sağlamak amacıyla, bu ajanları sıkı marka ve güvenlik yönetimine sahip Birleşik Veri Modeline entegre etmeleri gerektiğini fark ediyorlar.

Birçok perakendeci, güncelliğini yitirmiş veri mimarileriyle mücadele ediyor. İşletmeler, yapay zeka modellerinin güvenilir ve açıklanabilir öneriler sunabilmesi için veri altyapılarını nasıl modernize etmelidir?

Yapay zekâ başarısının önündeki en büyük engel modeller değil, onların altındaki 'veri bataklığı'dır. Modernleşmek için perakendecilerin sadece veri toplamaktan vazgeçip, birleşik bir anlamsal katman oluşturmaları gerekir. Bu, iş mantığının (örneğin 'Net Kar Marjı' veya 'müşteri kaybı'nın tam olarak nasıl hesaplandığı gibi) bir kez tanımlandığı ve kuruluş genelinde parçalanmış SQL komut dosyalarında gizlenmek yerine evrensel olarak erişilebilir olduğu standart bir 'Veri Modeli' uygulamak anlamına gelir.

İkinci olarak, işletmelerin 'veri ürünü' zihniyetine geçmeleri gerekiyor. Başarılı perakendeciler, veriyi bir BT yan ürünü olarak ele almak yerine, tanımlanmış sahipliği, SLA'ları ve titiz kalite izlemesi (veri gözlemlenebilirliği) olan bir ürün olarak ele alıyorlar. Bu temiz, yönetilen 'altın kayıt'ı zengin meta verilerle birleştirdiğinizde, açıklanabilirliği ortaya çıkarıyorsunuz. Yapay zeka sadece kapalı kutu bir öneri sunmakla kalmıyor; mantığını anlamsal katmana kadar geri izleyebiliyor.

Perakendeciler ve tüketim malları şirketleri arasındaki iş birliği, tarihsel olarak parçalı verilere ve tutarsız ölçütlere dayanmıştır. Birleşik veri modelleri ve paylaşımlı yapay zeka platformları, her iki taraf için de daha güçlü kategori performansının önünü nasıl açabilir?

Bugüne kadar perakendeciler ve tüketim malları şirketleri aynı müşteriye farklı açılardan, her biri kendi verilerini ve teşviklerini kullanarak baktılar. Birleşik veri modelleri, raf performansı veya müşteri davranışı olsun, değer zinciri boyunca tek bir doğru veri kaynağı oluşturarak bunu değiştiriyor.

İki taraf da aynı yapay zeka platformunu kullandığında, kategori düzeyinde büyümeyi veya kayıpları tetikleyen faktörleri birlikte belirleyebilirler. Bu, fiyatlandırma, promosyon, ürün çeşitliliği veya stok açıkları gibi her şey olabilir. Bu durum, tartışmaları "benim verilerim vs. senin verilerin"den "ortak fırsatımız"a dönüştürür.

Sonuç olarak daha akıllı kararlar alınır, daha hızlı denemeler yapılır ve nihayetinde hem perakendecilere hem de markalara fayda sağlayan daha yüksek kategori büyümesi elde edilir.

Perakende medya ağları olgunlaştıkça, yapay zeka, tüketici güvenini korurken hedefleme, ölçüm ve kapalı döngü ilişkilendirme süreçlerini iyileştirmede ne gibi bir rol oynayacak?

Perakende medya ağları olgunlaştıkça yapay zeka dört temel alanı dönüştürecek.

İlk olarak, hedefleme konusunda sektör, statik hedef kitle segmentlerinden tahmine dayalı niyet belirlemeye doğru evriliyor. AIe, alışveriş yapanın ihtiyacının tam anını belirlemek için gerçek zamanlı sinyalleri (örneğin, gezinme hızı veya sepet içeriği) analiz ederek, geniş bir demografik etiketi hedeflemek yerine, en çok ihtiyaç duyulduğu anda doğru reklamları göstermemizi sağlıyor.

İkinci olarak, ölçüm için altın standart, basit Reklam Harcaması Getirisi (ROAS)'ndan artımlı ROAS'a (iROAS) doğru kaymaktadır. Nedensel Yapay Zeka'dan yararlanarak, yalnızca reklam sayesinde dönüşüm gerçekleştiren alışverişçileri, organik olarak dönüşüm gerçekleştirecek olanlardan ayırarak medya harcamasının gerçek etkisini ölçebiliriz.

Üçüncüsü, özellikle yaratıcı operasyonlarda operasyonel verimlilik kritik hale geliyor. Hiper kişiselleştirmeyi desteklemek için perakendeciler, yalnızca fikir üretmek için değil, üretimi ölçeklendirmek için de Üretken Yapay Zeka kullanıyorlar. Bu, ekiplerin haftalar yerine dakikalar içinde binlerce dinamik, kanala özgü varlık varyasyonunu otomatik olarak oluşturmasına olanak tanıyarak 'içerik hızı' darboğazını çözüyor.

Son olarak, güvenin korunması, veri temizleme odalarının yaygın olarak benimsenmesine bağlıdır. Bu ortamlar, perakendecilerin ve markaların, hassas Kişisel Tanımlanabilir Bilgilerin (PII) ilgili güvenlik duvarlarından asla çıkmamasını garanti eden kapalı döngü ilişkilendirme için veri kümelerini güvenli bir şekilde eşleştirmelerine olanak tanır.

İleriye baktığımızda, yapay zekâ destekli perakendecilerin yeni neslini hangi yetenekler tanımlayacak ve liderler önümüzdeki beş yıl içinde rekabetçi kalabilmek için bugünden neye odaklanmaya başlamalı?

Perakendeciliğin bir sonraki dönemi, 'dijital dönüşümden' 'ajanssal dönüşüme' geçişle tanımlanacak. Yapay zekâ ajan ağlarının karmaşık süreçleri yürütmek için iş birliği yaptığı bir 'otonom orkestrasyon' geleceğine doğru ilerliyoruz; örneğin, bir tedarik zinciri ajanı, bir sevkiyat geciktiği için pazarlama ajanına otomatik olarak bir promosyonu durdurmasını söyleyecek.

Buna hazırlanmak için liderlerin bugün üç şeye odaklanmaları gerekiyor.

İlk olarak, birleşik bir veri modeli gereklidir. Ajanlar aynı dili konuşmadıkları sürece işbirliği yapamazlar; veri altyapınız bir depolama deposundan anlamsal bir 'sinir sistemine' doğru evrilmelidir.

İkincisi, ajanslar için bir yönetim çerçevesidir. Ölçeklendirmeye başlamadan önce, bir yapay zekanın özerk olarak yapmasına izin verilenler ile insan onayı gerektirenler arasındaki 'etkileşim kurallarını' tanımlamanız gerekir.

Son olarak, statik gösterge panellerinin "geçmişe dönük" analizler sağladığı günler sayılıdır. Anlık ve kişiselleştirilmiş içgörüler sağlayan diyalog tabanlı analizlere doğru ilerliyoruz. Bu arayüzler "ne oldu" raporlamasının çok ötesine geçiyor; karmaşık "neden" sorularını yanıtlamak ve tam olarak "sonra ne yapılmalı" konusunda yol gösterici öneriler sunmak için yapay zekayı kullanıyor ve böylece içgörü ile eylem arasındaki boşluğu etkili bir şekilde kapatıyor.

Harika röportaj için teşekkürler, daha fazla bilgi edinmek isteyen okuyucular ziyaret etmelidir. eğilim.