Аманпал Дхупар, керівник роздрібної торгівлі в Tredence – Серія інтерв’ю

Аманпал Дхупар, керівник роздрібної торгівлі в Tredence, є досвідченим лідером у сфері роздрібної аналітики та штучного інтелекту з понад десятирічним досвідом у створенні та розробці даних, що забезпечують дієві знання для прийняття рішень керівниками підприємств. На протяжении своєї кар’єри він очолював стратегічні аналітичні трансформації для старших керівників великих роздрібних торговців, створював дорожні карти продуктів штучного інтелекту для вимірювання бізнесових показників ефективності, а також розширював аналітичні команди від початків до великомасштабних операцій, демонструючи як технічну глибину, так і лідерську гнучкість.

Tredence – це фірма, що спеціалізується на даних науки та рішеннях штучного інтелекту, яка допомагає підприємствам розблокувати бізнес-цінність за допомогою передових аналітичних даних, машинного навчання та процесів прийняття рішень, що підтримуються штучним інтелектом. Компанія співпрацює з глобальними брендами, особливо у сфері роздрібної торгівлі та споживчих товарів, для вирішення складних завдань у сфері мерчандайзингу, ланцюжків постачання, ціноутворення, досвіду клієнта та операцій виходу на ринок, перетворюючи знання на реальний вплив і допомагаючи клієнтам модернізувати свої аналітичні та інтелектуальні можливості.

Часто роздрібні торговці проводять десятки пілотних проектів штучного інтелекту, але дуже мало з них переходять до повномасштабного розгортання. Які найпоширеніші організаційні помилки, що заважають штучному інтелекту перетворюватися на вимірювані бізнес-результати?

Нещодавнє дослідження MIT Solan показало, що 95% пілотних проектів штучного інтелекту не досягають повномасштабного розгортання. Реальність така, що пілотні проекти легко проводяться, але виробництво є складним. У Tredence ми визначили чотири конкретні організаційні причини, що спричиняють цю прогалину.

Першою є невміння зрозуміти робочий процес кінцевого користувача. Роздрібні торговці часто вставляють штучний інтелект у існуючі пошкоджені процеси, а не запитують, як сам процес повинен бути переосмислений із штучним інтелектом у центрі.

Другою є відсутність підходу до платформи штучного інтелекту. Замість того, щоб розглядати агентів як окремі експерименти, організації повинні оптимізувати весь життєвий цикл – від дизайну та розробки агентів до розгортання, моніторингу та управління – на всьому підприємстві.

Третьою є слабка основа даних. Легко створити пілотний проект на чистому плоскому файлі, але масштабування вимагає міцної, реальної основи, де точні дані безперервно доступні моделям штучного інтелекту.

Нарешті, ми бачимо тертя між ІТ-поштовхом та бізнес-тягом. Успіх відбувається лише тоді, коли керівники бізнесу бачать штучний інтелект як додану вартість, пов’язану з вимірюваним впливом, а не як відволікання, спричинене ІТ. У Tredence наш фокус завжди був на “останній милі”, де ми мостимо цю прогалину між генерацією знань та реалізацією вартості.

Tredence співпрацює з багатьма з найбільших роздрібних торговців світу, підтримуючи тріліони доходу. На основі того, що ви бачите в галузі, що відрізняє роздрібних торговців, які успішно масштабують штучний інтелект, від тих, хто залишається в експериментальному режимі?

У Tredence підтримка тріліонів доходу роздрібної торгівлі дала нам перший ряд до ясної промислової розбіжності: роздрібні торговці, які розглядають штучний інтелект як серію окремих експериментів, проти тих, хто будує індустріалізовану “фабрику штучного інтелекту”. Основна відмінність лежить у зобов’язанні перед платформою штучного інтелекту. Найбільш успішні організації зупиняються від створення з нуля та інвестують у міцну екосистему, характеризовану повторно використовуваними бібліотеками компонентів, стандартними шаблонами дизайну та попередньо створеними моделями агентів, пов’язаними з конкретними випадками використання роздрібної торгівлі. Коли ви накладаєте зрілі LLMOps, повністю стекові спостереження та вбудовані захисні засоби штучного інтелекту (RAI) на цю основу, вплив є трансформаційним – ми зазвичай бачимо поліпшення швидкості реалізації нових випадків використання на 80%, оскільки важка архітектурна робота вже зроблена.

Однак платформа є лише такою ж хорошою, як контекст, який вона споживає, що приводить нас до основи даних. Масштабування вимагає більше, ніж просто сирій доступ до даних; воно вимагає багатого семантичного шару, де міцна метадані та уніфіковані моделі даних дозволяють штучному інтелекту “розуміти” бізнес, а не просто обробляти вхідні дані. Нарешті, справжні лідери визнають, що це не лише технологічна переробка, а й культурна. Вони мостять “останню милю”, рухаючись від простої автоматизації до співробітництва людини та агента, перепроектуючи робочі процеси так, щоб асоціати та торговці довіряли та співпрацювали зі своїми цифровими аналогами, перетворюючи алгоритмічний потенціал у вимірювані бізнес-результати.

Більше 70 відсотків промо-акцій роздрібної торгівлі все ще не дають прибутку. Як штучний інтелект може суттєво покращити планування промо-акцій, вимірювання та реальне оптимізацію?

70-відсоткова ставка невдач триває, оскільки роздрібні торговці часто покладаються на “задній дзеркало” аналітики, яке плутає загальні продажі з інкрементним підйомом – фактично субсидуючи вірних клієнтів, які б придбали все одно. Щоб порушити цей цикл, нам потрібно перейти від описової звітності до більш передбачувальної підходу. На етапі планування ми використовуємо Кавзальний штучний інтелект, щоб симулювати результати та встановити “істинні базові показники”, визначаючи точно, що б продавалося без промо-акції. Це дозволяє роздрібним торговцям припинити платити за органічний попит і націлюватися лише на чистий новий обсяг.

Для вимірювання штучний інтелект вирішує “пазл портфеля”, кількісно оцінюючи гало-ефекти та канібалізацію. Людські торговці часто планують у сілах, але штучний інтелект забезпечує вид на всю категорію, забезпечуючи те, що промо-акція на одному SKU не просто забирає маржу в іншого. Цей голістичний вимір допомагає роздрібним торговцям зрозуміти, чи вони збільшують категорію пирога, чи просто різнять його інакше.

Нарешті, для реальної оптимізації галузь рухається до агентів штучного інтелекту, які моніторять кампанії “у польоті”. Замість того, щоб чекати пост-морTEM-аналізу тижнів після події, ці агенти автономно рекомендують коригування курсу – наприклад, регулювання цифрових рекламних витрат або зміну пропозицій – для порятунку П&Л до закінчення промо-акції. Цій підхід зміщує фокус від простого очищення запасів до інженерії прибуткового зростання.

Помилки прогнозування та відсутність товарів на складі продовжують спричиняти великі збитки доходу. Що робить системи мерчандайзингу та ланцюжків постачання, що працюють на штучному інтелекті, більш ефективними, ніж традиційні підходи до прогнозування?

Перший зсув відбувається у прогнозуванні, де штучний інтелект рухається від залежності лише від внутрішньої історії до споживання зовнішніх даних – таких як місцевий погодні умови, соціальні події та економічні індикатори. Коли прогноз захоплює цей зовнішній контекст, виграші точності не лише покращують показники продажів; вони каскадно оптимізують управління запасами, планування потужності, графіки праці та операції складу, щоб відповідати справжньому попиту.

Другий зсув відбувається у сфері відсутності товарів на складі (OOS), яку більшість роздрібних торговців все ще не можуть точно виміряти. Штучний інтелект виправляє це, виявляючи аномалії у продажних моделях – ідентифікуючи “фантомні запаси”, де система вважає, що товар знаходиться на складі, але продажі зупинилися – і автоматично запускає циклічні підрахунки для виправлення запису. Поза даними ми бачимо зростання комп’ютерного зору для фізичної ідентифікації пробілів на полицях у реальному часі та відстежування запасів у задніх кімнатах, забезпечуючи те, що продукт не лише “в будівлі”, а й доступний для клієнта для покупки.

Агентна комерція стає великою темою інновацій у сфері роздрібної торгівлі. Як агенти, що базуються на розумових процесах, суттєво змінюють відкриття продукту та конверсію порівняно з сучасним пошуком, що керується покупками?

У сучасному пошуковому шопінгу споживачі все ще виконують більшу частину важкої роботи. їм потрібно знати, що шукати, порівнювати варіанти та давати зрозуміти нескінченні результати. Агенти, що базуються на розумових процесах, порушують це, динамічно генеруючи “синтетичні проходи” – агреговані колекції багатокатегорійних продуктів на основі конкретної мети. Наприклад, замість того, щоб окремо шукати п’ять товарів, клієнт із місією “здорового ранку” представлений цілісною, тимчасовою проходою, що містить все – від високо-білкових сніданків до блендерів, миттєво згортаючи відкриття з хвилин до секунд.

На стороні конверсії ці агенти діють менше як пошукові системи, а більше як “шопінг-консьєржі”. Вони не просто перелічують варіанти; вони активно будують корзини на основі відкритих потреб. Якщо клієнт просить “план вечері для чотирьох осіб менше 50 доларів”, агент розуміє через запас, ціну та дієтичні обмеження, щоб запропонувати повний пакет. Ця здатність розуміння закриває “прографічний розрив” – артикулюючи, чому конкретний продукт підходить до стилю життя клієнта чи мети, агент зменшує параліч рішення та підвищує рівень конверсії порівняно з тихим ґрідом продуктів.

Нарешті, ми бачимо, як це розширюється до гіпер-персоналізованого контенту. Замість того, щоб показувати всім одну й ту ж домашню сторінку, агенти штучного інтелекту можуть генерувати динамічні посадкові сторінки та візуальні ефекти, що відображають поточну місію клієнта під час шопінгу. Однак, щоб це масштабувалося, роздрібні торговці знаходять, що їм потрібно засновувати цих агентів на уніфікованій моделі даних із суворим брендовим та безпечним управлінням, забезпечуючи те, що “креативність” штучного інтелекту ніколи не галюцинує продукти чи порушує голос бренду.

Багато роздрібних торговців борються зі застарілими архітектурами даних. Як підприємства повинні модернізувати свої дані, щоб моделі штучного інтелекту могли забезпечити надійні та зрозумілі рекомендації?

Найбільша бар’єр до успіху штучного інтелекту не полягає в моделях, а у “даних-болоті” під ними. Щоб модернізувати, роздрібні торговці повинні зупинитися просто збирання даних та будувати уніфікований семантичний шар. Це означає реалізацію стандартної “моделі даних”, де бізнес-логіка (наприклад, як саме обчислюється “Чистий маржа” або “відчуження”) визначається один раз і є універсально доступним, а не прихований у фрагментованих SQL-скриптах по всьому підприємству.

Другою є те, що підприємства повинні рухатися до “даних-продукту” менталітету. Замість того, щоб розглядати дані як побічний продукт ІТ, успішні роздрібні торговці розглядати дані як продукт з визначеним володінням, SLA та суворим моніторингом якості (спостереження даних). Коли ви поєднуєте цю чисту, керовану “золоту запис” з багатими метаданими, ви розблокуєте зрозумілість. Штучний інтелект не просто випльовує чорний ящик рекомендацій; він може простежити свою логіку назад через семантичний шар.

Співпраця між роздрібними торговцями та виробниками споживчих товарів традиційно залежала від фрагментованих даних та несумісних метрик. Як уніфіковані моделі даних та спільні платформи штучного інтелекту розблоковують сильнішу категорійну продуктивність для обох сторін?

До цього часу роздрібні торговці та виробники споживчих товарів дивилися на одного й того ж клієнта через різні лінзи, кожен використовуючи свої дані та стимули. Уніфіковані моделі даних змінюють це, створюючи єдину версію істини по всьому ланцюжку цінності, будь то виконання полиць або поведінка клієнта.

Коли обидві сторони працюють на одному й тому ж платформі штучного інтелекту, вони можуть спільно визначити, що сприяє зростанню або витоку на рівні категорії. Це може бути будь-що – ціноутворення, промо-акції, асортимент чи пробіли в запасах. Це зсуває розмови від “моїх даних проти ваших” до “наших спільних можливостей”.

Результатом є більш розумні рішення, швидше експериментування та, врешті-решт, вищий категорійний зростання, який приносить користь як роздрібним торговцям, так і брендам.

Як роздрібні медіа-мережі дозрівають, яка роль штучного інтелекту буде відігравати у покращенні націлювання, вимірювання та закритої атрибуції, зберігаючи при цьому довіру клієнта?

Штучний інтелект трансформуватиме чотири ключові області, коли роздрібні медіа-мережі дозрівають.

По-перше, у націлюванні галузь еволюціонує від статичних сегментів аудиторії до передбачуваної наміру. Аналізуючи сигнали в реальному часі – наприклад, швидкість перегляду або склад корзини – для визначення точного моменту потреби клієнта, штучний інтелект забезпечує те, що ми показуємо правильні реклами, коли це найважливіше, а не просто націлюємо на широкий демографічний ярлик.

По-друге, для вимірювання золотим стандартом стає не просто повернення на рекламні витрати (ROAS), а інкрементальне ROAS (iROAS). Використовуючи Кавзальний штучний інтелект, ми можемо виміряти реальний вплив медіа-витрат, ідентифікуючи клієнтів, які перейшли лише через рекламу, а не тих, хто б це зробив органічно.

По-третє, операційна ефективність стає критичною, особливо у творчих операціях. Для підтримки гіпер-персоналізації роздрібні торговці використовують Генеративний штучний інтелект не лише для ідеї, а й для масштабування виробництва. Це дозволяє командам автоматично генерувати тисячі динамічних, канально-специфічних варіантів активів за хвилини, а не тижні, розв’язуючи проблему “швидкості контенту”.

По-четверте, підтримання довіри залежить від широкого впровадження “чистих кімнат даних”. Ці середовища дозволяють роздрібним торговцям та брендам безпечно匹цювати свої набори даних для закритої атрибуції, гарантуючи, що чутливі особисті дані клієнта (PII) ніколи не покидають їхніх відповідних брандмауерів.

Оглядаючи вперед, які можливості визначать наступне покоління роздрібних торговців, що працюють на штучному інтелекті, і що повинні лідери почати будувати сьогодні, щоб залишатися конкурентоспроможними протягом наступних п’яти років?

Наступна епоха роздрібної торгівлі буде визначена переходом від “цифрової трансформації” до “агентної трансформації”. Ми рухаємося до майбутнього “автономної оркестрації”, де мережі агентів штучного інтелекту співпрацюють для виконання складних процесів – наприклад, агент ланцюжка постачання автоматично повідомляє агенту маркетингу про зупинку промо-акції через затримку відправлення.

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

По-перше, уніфіковану модель даних. Агенти не можуть співпрацювати, якщо не говорять однією мовою; ваша основа даних повинна еволюціонувати від сховища до семантичного “нервового шару”.

По-друге, кадровий склад для агентів. Вам потрібно визначити “правила взаємодії” – що штучний інтелект дозволено робити автономно, а що вимагає людської згоди – до того, як ви масштабуватимете.

По-третє, дні статичних панелей, що забезпечують “заднє дзеркало” аналітики, відраховані. Ми рухаємося до розмовної аналітики, яка забезпечує миттєві, персоналізовані знання. Ці інтерфейси виходять далеко за рамки звітності про те, “що сталося”; вони використовують агентний штучний інтелект для розуміння складних “чому” питань та забезпечують рекомендації щодо того, “що робити далі”, ефективно закриваючи прогалину між знанням та діями.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, рекомендуємо відвідати Tredence.