Tredence’in Perakende Başkanı Amanpal Dhupar – Röportaj Serisi

Amanpal Dhupar, Tredence’in Perakende Başkanı, perakende analitiği ve yapay zeka alanında 10 yılı aşkın deneyime sahip bir liderdir. Kariyeri boyunca, büyük perakendeciler için stratejik analitik dönüşümleri yönetmiş, ölçülebilir iş KPI’larına yönelik AI ürün yol haritaları oluşturmuş ve analitik ekipleri küçük ölçekli operasyonlardan büyük ölçekli operasyonlara ölçeklemiştir – hem teknik derinlik hem de liderlik esnekliği göstermiştir.

Tredence bir veri bilimi ve AI çözümleri firmasıdır ve işletmelerin advanced analitik, makine öğrenimi ve AI destekli karar vermeyi kullanarak iş değerini kilitlemesine yardımcı olur. Şirket, özellikle perakende ve tüketim malları sektöründeki küresel markalarla birlikte, ürün yönetimi, tedarik zinciri, fiyatlandırma, müşteri deneyimi ve pazara çıkış operasyonları gibi karmaşık zorlukları çözmek için ortaklık kurar, içgörüyü gerçek dünya etkisine çevirir ve müşterilerin analitik ve zeka yeteneklerini modernize etmelerine yardımcı olur.

Perakendeciler genellikle birçok AI pilotunu çalıştırır, ancak çok azı tam ölçekli dağıtıma geçer. AI’nın ölçülebilir iş sonuçlarına dönüşmesini engelleyen en yaygın organizasyonel hatalar nelerdir?

MIT Solan’ın bir çalışması, AI pilotlarının %95’inin tam ölçekli dağıtıma ulaşamadığını buldu. Gerçeklik, pilotların kolay olması ancak üretimin zor olmasıdır. Tredence’de, bu açığı oluşturan dört özel organizasyonel nedeni belirledik.

İlki, son kullanıcı iş akışını anlamadaki başarısızlıktır. Perakendeciler genellikle AI’ı mevcut bozuk süreçlere eklerler, ancak iş akışının kendisi nasıl yeniden tasarlanabileceğini sormazlar.

İkincisi, Agentic AI için platform yaklaşımının eksikliğidir. Organizasyonlar, ajanları tek seferlik deneyler olarak değil, tüm yaşam döngüsünü – ajan tasarımı ve geliştirmesinden dağıtıma, izlemeye ve yönetimine kadar – tüm şirket genelinde akıştırmalıdır.

Üçüncüsü, zayıf bir veri temeli vardır. Bir pilotu temiz bir düz dosya üzerinde oluşturmak kolaydır, ancak ölçeklemek için gerçek zamanlı bir temel gereklidir ve burada doğru veriler AI modellerine sürekli olarak erişilebilir olmalıdır.

Son olarak, IT’nin itmesi ile işin çekmesi arasında bir sürtüşme görüyoruz. Başarı, iş liderlerinin AI’ı ölçülebilir etkiye bağlı bir değer olarak gördükleri zaman gerçekleşir, yalnızca IT tarafından itilen bir sapma olarak değil. Tredence’de, odak noktamız her zaman ‘son mil’de olmuştur, burada içgörü üretimi ile değer realizasyonu arasındaki açığı kapatıyoruz.

Tredence, dünyanın birçok büyük perakendecisi ile çalışıyor ve trilyonlarca dolarlık geliri destekliyor. Endüstri genelinde gördüğünüz şeylere dayanarak, AI’ı başarılı bir şekilde ölçeklendiren perakendecileri, denenmelerde kalanlardan ayıran nedir?

Tredence’de, trilyonlarca dolarlık perakende gelirini desteklemek, bize endüstri içinde net bir bölünme sağladı: AI’ı bir dizi ayrı deney olarak gören perakendeciler ve ‘AI fabrikası’ oluşturanlar. Birincil farklılaştırıcı, Agentic AI Platform temellerine bağlılıktır. En başarılı organizasyonlar, her şeyden scratch yaparak inşa etmek yerine, yeniden kullanılabilir bileşen kütüphaneleri, standart tasarım şablonları ve perakende kullanım durumlarına özgü önceden oluşturulmuş ajan kalıpları ile karakterize edilen güçlü bir ekosisteme yatırım yaparlar. Bu temelin üzerine olgun LLMOps, full-stack observability ve gömülü sorumlu AI (RAI) korumalarını eklediğinizde, etki dönüştürücüdür – genellikle yeni kullanım durumları için hız-değere %80 iyileşmesini görürüz, çünkü ağır mimari kaldırma zaten yapılmıştır.

Ancak, bir platform, tüketilen bağlam kadar iyidir, bu da veri temeline getirir. Ölçeklemek, sadece ham veri erişimi değil, güçlü meta veri ve birleşik veri modelleri ile zengin bir anlamsal katmana ihtiyaç duyar, böylece AI, iş hakkında gerçekten ‘düşünmek’ yerine sadece girişleri işlemek yerine iş hakkında düşünür. Son olarak, gerçek liderler, bu sadece bir teknoloji yenilenmesi değil, aynı zamanda bir kültürel yenilenme olduğunu anlar. ‘Son mil’i, basit otomasyondan insan-ajan takımına geçerek, iş akışlarını yeniden mühendislik yaparak, asistanların ve tüccarların dijital karşılıkları ile güvenle işbirliği yapmalarını ve algoritmik potansiyeli ölçülebilir iş gerçekliğine dönüştürmelerini sağlar.

Perakende tanıtımlarının %70’den fazlası hala eşitliği sağlayamaz. AI, planlama, ölçüm ve gerçek zamanlı optimizasyonda nasıl anlamlı bir şekilde iyileşme sağlayabilir?

%70’lik başarısızlık oranı, perakendecilerin genellikle ‘geri görüşlü’ analitiklere güvenmelerinden kaynaklanmaktadır, bu da toplam satışları artan satışla karıştırır – esasen sadık müşterilere ödeme yapar, zaten satın alacakları ürünler için. Bu döngüyü kırmak için, betimleyici raporlamadan daha öngörülü bir yaklaşıma geçmemiz gerekir. Planlama aşamasında, sonuçları simüle etmek ve ‘gerçek baz çizgileri’ oluşturmak için Neden AI’ı kullanıyoruz, böylece perakendeciler, tanıtımlar olmadan neler satılacağını belirleyebilir ve yalnızca net yeni hacme odaklanabilir.

Ölçüm için, AI, ‘portföy puzzle’ını çözer, halo etkilerini ve kannibalizasyonu nicelendirir. İnsan tüccarlar genellikle silolarda planlar, ancak AI, kategori genelinde bir görünüm sağlar, böylece bir SKU için bir tanıtımdan başka bir SKU’nun marjını çalmadığını garantiler. Bu holistik ölçüm, perakendecilerin, kategoride büyümeye mi yoksa sadece pastayı farklı şekilde mi dilimlediğini anlamalarına yardımcı olur.

Son olarak, gerçek zamanlı optimizasyon için, endüstri, kampanyaları ‘havaalanında’ izleyen AI Ajanlarına doğru ilerlemektedir. Bir tanıtımdan sonra haftalarca beklemek yerine, bu ajanlar, dijital reklam harcamasını ayarlamak veya teklifleri değiştirmek gibi kurs düzeltmeleri önererek P&L’yi kurtarmak için otomatik olarak çalışır. Bu yaklaşım, sadece stok temizlemek yerine karlı büyümeyi mühendislik yapmaya odaklanır.

Tahmin hataları ve stok dışı kalmalar önemli gelir kayıplarına neden olmaya devam ediyor. AI destekli perakende ve tedarik zinciri sistemleri, geleneksel tahmin yaklaşımlarından daha etkili nelerdir?

İlki, tahmindir, burada AI, yalnızca dahili geçmişe güvenmek yerine, yerel hava durumu, sosyal etkinlikler ve ekonomik göstergeler gibi dış verileri yutar. Tahmin, bu dış bağlamı yakaladığında, satış rakamlarındaki kazanımlar sadece iyileştirilmez, ayrıca envanter yönetimi, kapasite planlaması, işgücü planlaması ve depo operasyonlarını gerçek talebe uyumlu hale getirmek için aşağı akışa doğru optimize edilir.

İkincisi, Stok Dışında Kalma (OOS) durumudur, ki çoğu perakendeci hala bunu doğru bir şekilde ölçemez. AI, satış modellerindeki anormallikleri – sistem bir öğenin stokta olduğunu düşünür, ancak satışlar durmuştur – tespit ederek ve otomatik olarak stok sayımını tetikleyerek bu soruna çözüm getirir. Verilerin ötesinde, gerçek zamanlı olarak raftaki boşlukları fiziksel olarak işaretleyen ve depolardaki envanteri izleyen bilgisayar vizyonunun yükselişini görüyoruz, böylece ürünün sadece ‘binada’ değil, müşterinin satın alabileceği şekilde mevcut olduğunu garantiler.

Agentic ticaret, perakende yeniliklerinin önemli bir teması haline geliyor. AI tabanlı ajanlar, bugünün arama odaklı alışveriş deneyimine kıyasla ürün keşfi ve dönüştürmeyi nasıl anlamlı bir şekilde değiştirir?

Bugünün arama odaklı alışverişinde, tüketiciler hala ağır kaldırma işini yaparlar. Ne aramak gerektiğini bilmeleri, seçenekleri karşılaştırmaları ve sonsuz sonuçları anlamlandırmaları gerekir. AI tabanlı ajanlar, bu durumu, dinamik olarak ‘sentetik koridorlar’ oluşturarak bozar – çok kategorili ürünleri belirli bir niyet temelinde birleştiren özel koleksiyonlar. Örneğin, beş öğeyi ayrı ayrı aramak yerine, ‘sağlıklı sabah’ misyonuna sahip bir alışverişçi, yüksek proteinli mısır gevreği ve blendırlardan oluşan birleşik, geçici bir koridor ile sunulur, böylece keşif hunisini dakika içinde saniyeye indirger.

Dönüştürme açısından, bu ajanlar, arama motorlarından daha çok ‘alışveriş danışmanları’ gibi davranırlar. Sadece seçenekler listelemekle kalmaz, açık uçlu ihtiyaçlara göre sepet oluşturur. Müşteri ‘dört kişi için 50 dolar altında akşam yemeği planı’ isterse, ajan envanter, fiyat ve diyet kısıtlamaları üzerinden düşünerek tam bir paket önerir. Bu akıl yürütme yeteneği, ‘güven açığını’ kapatır – belirli bir ürünün kullanıcıların yaşam tarzı veya amacına neden uygun olduğunu açıkladığı için, ajan karar felcinin azalmasına ve sessiz bir ürün resimlerinden daha yüksek dönüşüm oranlarına yol açar.

Son olarak, bu, kişiselleştirilmiş içeriğe doğru genişliyor. Herkese aynı ana sayfa bannerını göstermek yerine, Agentic AI, müşterinin当前 alışveriş misyonunu yansıtan dinamik giriş sayfaları ve görseller oluşturabilir. Ancak bu ölçeklenebilirlik için, perakendecilerin bu ajanları, katı marka ve güvenlik yönetimine sahip birleştirilmiş bir Veri Modeli ile temellendirmeleri gerekir, böylece AI’ın ‘yaratıcılığı’ asla ürünler hakkında hayal kurmaz veya marka sesini ihlal etmez.

Çok sayıda perakendeci, eski veri mimarileri ile mücadele etmektedir. AI modellerinin güvenilir ve açıklanabilir öneriler sunmasını sağlamak için işletmelerin veri temellerini modernleştirmeleri nasıl gerekir?

AI başarısızlığının en büyük engeli, modeller değil, altında yatan ‘veri bataklığı’dır. Modernleştirmek için, perakendeciler sadece veri toplamak yerine, birleştirilmiş bir anlamsal katman oluşturmalıdır. Bu, bir ‘Veri Modeli’ uygulamak anlamına gelir, burada iş mantığı (örneğin, ‘Net Marj’ veya ‘çürüme’ nasıl hesaplanır) bir kez tanımlanır ve evrensel olarak erişilebilir olur, organizasyon genelindeki parçalı SQL betiklerinde gizli değildir.

İkincisi, işletmelerin ‘veri ürünü’ zihniyetine geçmeleri gerekir. Veriyi, IT’nin bir yan ürünü olarak değil, tanımlı sahibi, SLA’ları ve katı kalite izleme (veri gözlemi) ile bir ürün olarak tedavi etmelidirler. Bu temiz, yönetilen ‘altın kaydı’ ile zengin meta verileri birleştirdiğinizde, açıklanabilirlik kilidini açarsınız. AI, sadece bir siyah kutu önerisi sunmakla kalmaz, mantığını anlamsal katman boyunca geri izleyebilir.

Perakendeciler ve CPG şirketleri arasındaki işbirliği, genellikle parçalı veriler ve tutarlı olmayan metriklere dayanmaktadır. Birleştirilmiş veri modelleri ve paylaşılan AI platformları, her iki taraf için daha güçlü kategori performansını nasıl kilitleyebilir?

Şimdiye kadar, perakendeciler ve CPG’ler, aynı müşteriye farklı lenslerle bakmışlardır, her biri kendi verilerini ve teşviklerini kullanmıştır. Birleştirilmiş veri modelleri, değer zinciri boyunca tek bir gerçeklik versiyonu oluşturur – raftaki performans veya alışverişçi davranışı. Her iki taraf da aynı AI platformunda çalıştığında, birlikte, kategoride büyümeye veya sızıntıya neyin neden olduğunu belirleyebilirler – bu, fiyatlandırma, tanıtımlar, ürün yelpazesi veya envanter boşlukları olabilir. Bu, ‘benim verilerim vs. senin veriler’ konuşmalarından ‘paylaştığımız fırsat’ konuşmalarına geçişi sağlar.

Sonuç, daha akıllı kararlar, daha hızlı deneyler ve sonunda her iki taraf için daha yüksek kategori büyümesidir.

Perakende medya ağları olgunlaştıkça, AI, hedeflemeyi, ölçümü ve kapalı döngü atribütüsünü geliştirirken tüketici güvenini nasıl koruyacak?

AI, perakende medya ağları olgunlaştıkça dört ana alanda dönüşüme uğrayacak.

İlki, hedeflemedir, endüstri statik audience segmentlerinden öngörülü niyete doğru evrimleşmektedir. Alışverişçilerin precisa ihtiyacının tam anını belirlemek için – örneğin, tarama hızı veya sepet bileşimi gibi gerçek zamanlı sinyalleri analiz ederek – AI, en önemli anda doğru reklamları gösterir, geniş bir demografik etikete hedeflemek yerine.

İkincisi, ölçüm için, altın standardı, basit Return on Ad Spend (ROAS)’den artımsal ROAS (iROAS)’e kaydırma. Neden AI’ı kullanarak, medya harcamasının gerçek etkisini ölçebiliriz, sadece reklamlar nedeniyle dönüştüren alışverişçileri, organik olarak gerçekleşenlerden ayırt edebiliriz.

Üçüncüsü, operasyonel verimlilik, özellikle yaratıcı operasyonlarda kritik hale gelmektedir. Hiper kişiselleştirme desteklemek için, perakendeciler, yalnızca fikir üretimi için değil, aynı zamanda binlerce dinamik, kanal özel varlık varyantlarını dakikalar içinde üretmek için Üretken AI kullanmaktadır, bu da ‘içerik hızı’ darboğazını çözer.

Son olarak, güveni korumak, veri temiz odağının yaygın benimsenmesine bağlıdır. Bu ortamlar, perakendecilerin ve markaların, kapalı döngü atribütüsünü garanti etmek için güvenli bir şekilde verilerini eşleştirmelerine olanak tanır, hassas Kişisel Tanımlama Bilgileri (PII) hiçbir zaman ilgili güvenlik duvarlarının ötesine geçmez.

İleriye bakıldığında, AI destekli perakendecilerin bir sonraki neslini tanımlayacak yetenekler nelerdir ve liderlerin rekabetçi kalmak için önümüzdeki beş yıl içinde neye odaklanmaları gerekir?

Perakende’nin bir sonraki dönemi, ‘dijital dönüşümden’ ‘ajant dönüşümüne’ geçişe tanıklık edecek. ‘Otonom orkestrasyon’ geleceğine doğru ilerliyoruz, burada AI ajanları kompleks süreçleri – bir tedarik zinciri ajanının, bir sevkiyat gecikmesi nedeniyle bir tanıtıma ara vermesi gibi – çalıştırmak için birlikte çalışır.

Bu için hazırlanmak için, liderlerin bugün üç şeyi inşa etmeye başlaması gerekir.

İlki, birleştirilmiş bir veri modelidir. Ajanlar aynı dili konuşmadıkça işbirliği yapamaz; veri temeliniz, bir depolama deposundan bir anlamsal ‘sinir sistemi’ne doğru evrimleşmelidir.

İkincisi, ajanlar için bir yönetim çerçevesidir. Ölçeklendirmeden önce, bir AI’ın otomatik olarak ne yapmasına izin verildiğini ve hangi insan onayını gerektirdiğini tanımlamanız gerekir.

Son olarak, statik panellerin ‘geri görüşlü’ analitik sağladığı günler sayılıdır. Anlık, kişiselleştirilmiş içgörüler sağlayan konuşma analitiklerine doğru ilerliyoruz. Bu arayüzler, sadece ‘ne oldu’nu raporlamakla kalmaz, karmaşık ‘neden’ sorularını çözmek için ajant AI’ı kullanır ve tam olarak ‘sonraki adımda ne yapmalı’ konusunda preskriptif öneriler sunar, böylece içgörü ile eylem arasındaki açığı kapatır.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Tredence‘i ziyaret edebilir.