Amanpal Dhupar, керівник роздрібного напрямку в Tredence – серія інтерв’ю

Amanpal Dhupar, керівник роздрібного напрямку в Tredence, є досвідченим лідером у галузі роздрібної аналітики та штучного інтелекту з понад десятирічним досвідом у проектуванні та розробці рішень на основі даних, які забезпечують практичну інформацію для прийняття рішень керівниками компаній. Протягом своєї кар’єри він очолював стратегічні аналітичні трансформації для топ-менеджерів великих роздрібних мереж, розробляв дорожні карти AI-продуктів для досягнення вимірюваних бізнес-показників KPI та масштабував аналітичні команди від зародження до великомасштабних операцій — демонструючи як технічну глибину, так і лідерську універсальність.

Tredence — це компанія з розв’язання задач у сфері data science та штучного інтелекту, яка спеціалізується на допомозі підприємствам розкривати бізнес-цінність за допомогою передової аналітики, машинного навчання та прийняття рішень на основі AI. Компанія співпрацює з глобальними брендами — особливо в роздрібній торгівлі та товарах народного споживання — для вирішення складних завдань у сферах мерчандайзингу, ланцюгів поставок, ціноутворення, клієнтського досвіду та операцій виходу на ринок, перетворюючи інсайти на реальний вплив і допомагаючи клієнтам модернізувати свої аналітичні та інтелектуальні можливості.

Роздрібні мережі часто запускають десятки пілотних проектів AI, але лише дуже небагато переходять до повномасштабного впровадження. Які найпоширеніші організаційні помилки перешкоджають перетворенню AI на вимірювані бізнес-результати?

Нещодавнє дослідження MIT Solan показало, що 95% пілотних проектів AI не досягають повномасштабного впровадження. Реальність така: пілотні проекти запустити легко, але промислова експлуатація — складно. У Tredence ми визначили чотири конкретні організаційні причини, що спричиняють цю прогалину.

По-перше, це невміння зрозуміти робочий процес кінцевого користувача. Роздрібні мережі часто вбудовують AI в існуючі непрацюючі процеси, замість того щоб запитати, як сам робочий процес слід переосмислити, поставивши AI в центр.

По-друге, це відсутність платформного підходу до агентного AI. Замість того щоб розглядати агенти як одноразові експерименти, організації повинні оптимізувати весь життєвий цикл — від проектування та розробки агентів до розгортання, моніторингу та управління — у масштабах всієї компанії.

По-третє, це слабка основа даних. Побудувати пілотний проект на чистому плоскому файлі легко, але масштабування вимагає надійної основи в реальному часі, де точні дані постійно доступні для AI-моделей.

Нарешті, ми бачимо тертя між “штовханням” з боку IT та “потягом” з боку бізнесу. Успіх досягається лише тоді, коли бізнес-лідери розглядають AI як додаткову цінність, пов’язану з вимірюваним впливом, а не як відволікаючий фактор, який просуває IT. У Tredence наша увага завжди була зосереджена на “останній милі”, де ми подолаємо цю прогалину між генерацією інсайтів та реалізацією цінності.

Tredence працює з багатьма найбільшими у світі роздрібними мережами, підтримуючи трильйони виручки. Виходячи з того, що ви бачите в галузі, що відрізняє роздрібних мереж, які успішно масштабують AI, від тих, хто залишається на етапі експериментів?

У Tredence, підтримуючи трильйони роздрібного доходу, ми отримали унікальну можливість спостерігати чіткий розподіл у галузі: роздрібні мережі, які розглядають AI як серію розрізнених експериментів, проти тих, що будують індустріалізовану “AI-фабрику”. Основна відмінність полягає в зобов’язанні щодо основ платформи агентного AI. Найуспішніші організації припиняють будувати з нуля і натомість інвестують у надійну екосистему, для якої характерні бібліотеки багаторазових компонентів, стандартні шаблони дизайну та попередньо створені шаблони агентів, адаптовані під конкретні роздрібні сценарії використання. Коли ви додаєте до цієї основи зрілий LLMOps, повноцінну спостережність (observability) та вбудовані захисні механізми відповідального AI (RAI), ефект стає трансформаційним — ми зазвичай бачимо, що час до отримання цінності для нових сценаріїв використання покращується на 80%, оскільки важка архітектурна робота вже виконана.

Однак платформа настільки ж хороша, наскільки хороший контекст, який вона споживає, що підводить нас до основи даних. Масштабування вимагає більшого, ніж просто сирий доступ до даних; воно вимагає багатого семантичного шару, де сильні метадані та уніфіковані моделі даних дозволяють AI фактично “міркувати” про бізнес, а не просто обробляти вхідні дані. Нарешті, справжні лідери розуміють, що це не лише технологічна модернізація, а й культурна. Вони подолають “останню милю”, переходячи від простої автоматизації до співпраці людини та агента, перепроектовуючи робочі процеси так, щоб співробітники та мерчандайзери довіряли та співпрацювали зі своїми цифровими колегами, перетворюючи алгоритмічний потенціал на вимірювану бізнес-реальність.

Понад 70 відсотків роздрібних акцій все ще не окупаються. Як AI може суттєво покращити планування, вимірювання та оптимізацію акцій в реальному часі?

Показник невдач у 70% зберігається, тому що роздрібні мережі часто покладаються на аналітику “заднього виду”, яка плутає загальний обсяг продажів з інкрементальним зростанням — по суті, субсидуючи вірних покупців, які все одно зробили б покупку. Щоб розірвати цей цикл, нам потрібно перейти від описової звітності до більш прогностичного підходу. На етапі планування ми використовуємо причинно-наслідковий AI (Causal AI) для моделювання результатів та встановлення “справжніх базових ліній”, точно визначаючи, що було б продано без акції. Це дозволяє роздрібним мережам припинити платити за органічний попит і націлюватися лише на чисто новий обсяг.

Щодо вимірювання, AI вирішує “головоломку портфеля”, кількісно оцінюючи ефект ореолу та канібалізацію. Люди-мерчандайзери часто планують в ізоляції, але AI забезпечує погляд на всю категорію, гарантуючи, що акція на один SKU не просто відбирає маржу в іншого. Таке цілісне вимірювання допомагає роздрібним мережам зрозуміти, чи вони збільшують “пиріг” категорії, чи просто ділять його по-іншому.

Нарешті, для оптимізації в реальному часі галузь переходить до AI-агентів, які моніторять кампанії “під час польоту”. Замість того щоб чекати на постфактумний аналіз через тижні після акції, ці агенти автономно рекомендують корективи курсу — наприклад, коригування витрат на цифрову рекламу або заміну пропозицій — щоб врятувати P&L до закінчення акції. Такий підхід зміщує фокус з простого очищення запасів на інженерію прибуткового зростання.

Помилки прогнозування та відсутність товару на складі продовжують спричиняти значні втрати доходу. Чому системи мерчандайзингу та ланцюгів поставок на основі AI ефективніші за традиційні підходи до прогнозування?

Перша зміна стосується прогнозування, де AI дозволяє нам перейти від покладання виключно на внутрішню історію до споживання зовнішніх даних — таких як місцева погода, соціальні події та економічні показники. Коли прогноз враховує цей зовнішній контекст, виграш у точності не просто покращує цифри продажів; він поширюється далі, оптимізуючи управління запасами, планування потужностей, графіки роботи персоналу та операції на складах для відповідності справжньому попиту.

Друга зміна стосується відсутності товару на складі (OOS), яку більшість роздрібних мереж все ще не вміють точно вимірювати. AI виправляє це, виявляючи аномалії в моделях продажів — ідентифікуючи “фантомні запаси”, коли система вважає, що товар є в наявності, але продажі припинилися — і автоматично ініціюючи циклічні підрахунки для виправлення запису. Окрім даних, ми спостерігаємо поширення комп’ютерного зору для фізичного позначення прогалин на полицях у реальному часі та відстеження запасів у підсобних приміщеннях, гарантуючи, що продукт не просто “у будівлі”, а доступний для покупки клієнтом.

Агентна комерція стає основним трендом у роздрібних інноваціях. Як AI-агенти на основі міркувань суттєво змінюють пошук товарів та конверсію порівняно з нинішнім досвідом покупок, орієнтованим на пошук?

У сучасних покупках, орієнтованих на пошук, споживачі все ще виконують більшу частину важкої роботи. Вони повинні знати, що шукати, порівнювати варіанти та розбиратися в нескінченних результатах. Агенти на основі міркувань руйнують цю модель, динамічно генеруючи “синтетичні проходи” — спеціальні підбірки, які агрегують продукти з різних категорій на основі конкретного наміру. Наприклад, замість того щоб окремо шукати п’ять товарів, покупцеві з місією “здоровий ранок” пропонується цілісний, тимчасовий прохід, на якому представлено все: від високобілкових пластівців до блендерів, миттєво скорочуючи воронку відкриття з хвилин до секунд.

З точки зору конверсії, ці агенти поводяться не так як пошукові системи, а більше як “консьєржі покупок”. Вони не просто перераховують варіанти; вони активно формують кошики на основі відкритих потреб. Якщо клієнт запитує “план вечері на четверых до $50”, агент міркує, враховуючи наявність, ціну та дієтичні обмеження, щоб запропонувати повний набір. Ця здатність до міркувань закриває “розрив упевненості” — пояснюючи, чому конкретний продукт підходить для способу життя або мети користувача, агент зменшує параліч прийняття рішення та забезпечує більш високі показники конверсії порівняно з безмовною сіткою мініатюр продуктів.

Нарешті, ми бачимо, як це поширюється на гіперперсоналізований контент. Замість того щоб показувати всім однаковий банер на головній сторінці, агентний AI може генерувати динамічні цільові сторінки та візуальні елементи, які відображають поточну місію покупок клієнта. Однак для масштабування цього роздрібні мережі виявляють, що їм потрібно ґрунтувати цих агентів на Уніфікованій моделі даних з суворим бренд-менеджментом та управлінням безпекою, гарантуючи, що “креативність” AI ніколи не вигадує продукти (не галюцинує) і не порушує голос бренду.

Багато роздрібних мереж стикаються з застарілими архітектурами даних. Як підприємства повинні модернізувати свої основи даних, щоб AI-моделі могли надавати надійні та пояснювані рекомендації?

Найбільшою перешкодою для успіху AI є не моделі, а “болото даних” під ними. Для модернізації роздрібні мережі повинні припинити просто збирати дані та почати будувати уніфікований семантичний шар. Це означає впровадження стандартної “Моделі даних”, де бізнес-логіка (наприклад, точний спосіб розрахунку “Чистої маржі” або “відтоку”) визначається один раз і є загальнодоступною, а не прихованою у фрагментованих SQL-скриптах по всій організації.

По-друге, підприємства повинні перейти до мислення “продукт даних”. Замість того щоб розглядати дані як побічний продукт IT, успішні роздрібні мережі ставляться до них як до продукту з визначеним власником, SLA та ретельним моніторингом якості (спостережність даних). Коли ви поєднуєте цей чистий, контрольований “золотий запис” з багатими метаданими, ви розблоковуєте пояснюваність. AI не просто видає рекомендацію “чорної скриньки”; він може простежити свою логіку назад через семантичний шар.

Співпраця між роздрібними мережами та виробниками товарів народного споживання (CPG) історично ґрунтувалася на фрагментованих даних та неузгоджених метриках. Як уніфіковані моделі даних та спільні AI-платформи розблоковують більш високу ефективність категорії для обох сторін?

Досі роздрібні мережі та виробники CPG дивилися на одного й того ж клієнта через різні лінзи, кожен використовуючи свої дані та стимули. Уніфіковані моделі даних змінюють це, створюючи єдину версію правди в масштабах всього ланцюжка створення цінності, будь то ефективність на полиці або поведінка покупця.

Коли обидві сторони працюють на одній AI-платформі, вони можуть спільно визначати, що сприяє зростанню або втратам на рівні категорії. Це може бути що завгодно — ціноутворення, акції, асортимент або прогалини в запасах. Це зміщує розмови з “мої дані проти твоїх” на “наша спільна можливість”.

Результатом є розумніші рішення, швидші експерименти та, зрештою, більш високе зростання категорії, що вигідно як роздрібним мережам, так і брендам.

У міру розвитку роздрібних медіамереж, яку роль відіграватиме AI в покращенні таргетингу, вимірювання та замкненої атрибуції, зберігаючи при цьому довіру споживачів?

AI трансформує чотири ключові області в міру дозрівання роздрібних медіамереж.

По-перше, у таргетингу галузь еволюціонує від статичних сегментів аудиторії до прогнозування намірів. Аналізуючи сигнали в реальному часі — такі як швидкість перегляду або склад кошика — для ідентифікації точного моменту потреби покупця, AI гарантує, що ми показуємо правильну рекламу в найважливіший момент, а не просто таргетуємо на широку демографічну мітку.

По-друге, що стосується вимірювання, золотий стандарт зміщується від простого повернення витрат на рекламу (ROAS) до інкрементального ROAS (iROAS). Використовуючи причинно-наслідковий AI (Causal AI), ми можемо виміряти реальний вплив медіавитрат, ідентифікуючи покупців, які конвертували лише через рекламу, проти тих, хто зробив би це органічно.

По-третє, операційна ефективність стає критично важливою, особливо в креативних операціях. Для підтримки гіперперсоналізації роздрібні мережі використовують генеративний AI не лише для ідеї, але й для масштабування виробництва. Це дозволяє командам автоматично генерувати тисячі динамічних варіацій активів для конкретних каналів за хвилини, а не тижні, вирішуючи проблему “швидкості контенту”.

Нарешті, підтримка довіри залежить від широкого впровадження чистих кімнат даних (data clean rooms). Ці середовища дозволяють роздрібним мережам та брендам безпечно зіставляти свої набори даних для замкненої атрибуції, гарантуючи, що конфіденційна особиста інформація (PII) ніколи не залишає відповідні брандмауери.

Поглядаючи вперед, які можливості визначатимуть наступне покоління роздрібних мереж на основі AI, і що лідери повинні почати будувати сьогодні, щоб залишатися конкурентоспроможними протягом наступних п’яти років?

Наступна ера роздрібної торгівлі визначатиметься переходом від “цифрової трансформації” до “агентної трансформації”. Ми рухаємося до майбутнього “автономної оркестрації”, де мережі AI-агентів співпрацюють для виконання складних процесів — наприклад, агент ланцюга поставок автоматично повідомляє маркетинговому агенту призупинити акцію, тому що поставка затримується.

Щоб підготуватися до цього, лідери повинні почати будувати три речі вже сьогодні.

Перше — це уніфікована модель даних. Агенти не можуть співпрацювати, якщо вони не розмовляють однією мовою; ваша основа даних повинна еволюціонувати від сховища даних до семантичної “нервової системи”.

Друге — це рамки управління для агентів. Вам потрібно визначити “правила взаємодії” — що AI дозволено робити автономно, а що потребує людського затвердження — до масштабування.

Нарешті, дні статичних панелей моніторингу, які надають аналітику “заднього виду”, злічені. Ми рухаємося до розмовної аналітики, яка надає миттєві, персоналізовані інсайти. Ці інтерфейси далеко виходять за рамки звітності про “що сталося”; вони використовують агентний AI для міркувань над складними питаннями “чому” та надання прескриптивних рекомендацій щодо того, “що робити далі”, ефективно закриваючи прогалину між інсайтом та дією.

Дякуємо за чудове інтерв’ю, читачам, які бажають дізнатися більше, варто відвідати Tredence.