Аманпал Дхупар, керівник відділу роздрібної торгівлі Tredence – серія інтерв’ю

Аманпал Дхупар, керівник відділу роздрібної торгівлі в Tredence, є досвідченим лідером у сфері роздрібної аналітики та штучного інтелекту з більш ніж десятирічним досвідом у розробці та розробці рішень на основі даних, які надають практичну інформацію особам, що приймають корпоративні рішення. Протягом своєї кар'єри він керував стратегічними трансформаціями аналітики для керівників вищої ланки великих роздрібних торговців, розробляв дорожні карти продуктів зі штучним інтелектом для досягнення вимірюваних ключових показників ефективності бізнесу та масштабував аналітичні команди від зародження до масштабних операцій, демонструючи як технічну глибину, так і універсальність лідерства.

Тренд – це компанія, що спеціалізується на науці про дані та рішеннях у сфері штучного інтелекту, яка допомагає підприємствам розкривати бізнес-цінність за допомогою передової аналітики, машинного навчання та прийняття рішень на основі штучного інтелекту. Компанія співпрацює зі світовими брендами, особливо в роздрібній торгівлі та споживчих товарах, для вирішення складних завдань у сфері мерчандайзингу, ланцюга поставок, ціноутворення, обслуговування клієнтів та виходу на ринок, перетворюючи аналітичні дані на реальний вплив та допомагаючи клієнтам модернізувати свої аналітичні та розвідувальні можливості.

Роздрібні торговці часто запускають десятки пілотних проектів зі штучним інтелектом, але дуже мало хто переходить до повномасштабного впровадження. Які найпоширеніші організаційні помилки заважають перетворенню штучного інтелекту на вимірювані бізнес-результати?

Нещодавнє дослідження Solan MIT показало, що 95% пілотних проектів зі штучним інтелектом не досягають повномасштабного впровадження. Реальність? Пілотні проекти прості, але впровадження складне. У Tredence ми визначили чотири конкретні організаційні причини, що спричиняють цей розрив.

По-перше, це нерозуміння робочого процесу кінцевого користувача. Роздрібні торговці часто впроваджують штучний інтелект у існуючі непрацюючі процеси, замість того, щоб запитати, як сам робочий процес слід переосмислити, враховуючи ШІ в центрі.

По-друге, це відсутність платформного підходу до агентного ШІ. Замість того, щоб розглядати агентів як одноразові експерименти, організаціям необхідно оптимізувати весь життєвий цикл — від проектування та розробки агентів до розгортання, моніторингу та управління — по всьому підприємству.

По-третє, це слабка основа даних. Легко побудувати пілотний проект на чистому плоскому файлі, але масштабування вимагає надійної основи в режимі реального часу, де точні дані постійно доступні для моделей ШІ.

Зрештою, ми бачимо тертя між тиском ІТ та тяжінням бізнесу. Успіх досягається лише тоді, коли бізнес-лідери розглядають ШІ як додаткову цінність, пов'язану з вимірюваним впливом, а не як відволікаючий фактор, що його підштовхують ІТ. У Tredence ми завжди зосереджуємося на «останній милі», де ми долаємо цей розрив між генеруванням аналітичних даних та реалізацією цінності.

Tredence співпрацює з багатьма найбільшими світовими роздрібними торговцями, підтримуючи трильйони доходів. Виходячи з того, що ви бачите в галузі, що відрізняє роздрібних торговців, які успішно масштабують штучний інтелект, від тих, хто залишається в експериментах?

У Tredence підтримка трильйонних доходів від роздрібної торгівлі дала нам місце на передовій чіткого розриву в галузі: роздрібні торговці, які розглядають ШІ як серію розрізнених експериментів, проти тих, хто будує індустріалізовану «фабрику ШІ». Основна відмінність полягає у відданості основам платформи агентного ШІ. Найуспішніші організації припиняють створювати з нуля та натомість інвестують у надійну екосистему, що характеризується бібліотеками компонентів багаторазового використання, стандартними шаблонами дизайну та попередньо створеними шаблонами агентів, узгодженими з конкретними варіантами використання в роздрібній торгівлі. Коли ви нашаровуєте зрілі LLMOps, повноцінну спостережуваність та вбудовані захисні бар'єри відповідального ШІ (RAI) на цю основу, вплив є трансформаційним — ми зазвичай бачимо, як співвідношення швидкості до цінності для нових варіантів використання покращується на 80%, оскільки важка архітектурна робота вже виконана.

Однак, платформа настільки хороша, наскільки хороший контекст, який вона споживає, що підводить нас до основи даних. Масштабування вимагає не лише необробленого доступу до даних; воно вимагає багатого семантичного шару, де сильні метадані та уніфіковані моделі даних дозволяють штучному інтелекту фактично «міркувати» про бізнес, а не просто обробляти вхідні дані. Зрештою, справжні лідери усвідомлюють, що це не просто технологічна, а й культурна перебудова. Вони долають «останню милю», виходячи від простої автоматизації до командної роботи людини та агента, реінжинірингу робочих процесів, щоб партнери та продавці довіряли своїм цифровим колегам та співпрацювали з ними, перетворюючи алгоритмічний потенціал на вимірювану бізнес-реальність.

Понад 70 відсотків роздрібних акцій досі не виходять на рівень беззбитковості. Як штучний інтелект може суттєво покращити планування, вимірювання та оптимізацію акцій у режимі реального часу?

70% показник невдач зберігається, оскільки роздрібні торговці часто покладаються на аналітику «дзеркала заднього виду», яка плутає загальний обсяг продажів із додатковим зростанням, по суті, субсидуючи вірних покупців, які б все одно купили. Щоб розірвати це коло, нам потрібно перейти від описової звітності до більш прогнозного підходу. На етапі планування ми використовуємо причинно-наслідковий штучний інтелект для моделювання результатів та встановлення «справжніх базових показників», визначаючи точно, що продавалося б без акції. Це дозволяє роздрібним торговцям припинити платити за органічний попит і орієнтуватися лише на чистий новий обсяг продажів.

Для вимірювання штучний інтелект вирішує «головоломку портфоліо», кількісно визначаючи ефект ореолу та канібалізацію. Продавці-люди часто планують ізольовано, але штучний інтелект забезпечує уявлення про всю категорію, гарантуючи, що акція на один товарний ряд не просто краде прибуток в іншого. Таке цілісне вимірювання допомагає роздрібним торговцям зрозуміти, чи збільшують вони пиріг категорії, чи просто по-різному його розподіляють.

Зрештою, для оптимізації в режимі реального часу галузь переходить до агентів зі штучним інтелектом, які відстежують кампанії «в процесі». Замість того, щоб чекати на аналіз постфактум через тижні після події, ці агенти самостійно рекомендують коригування курсу, такі як коригування витрат на цифрову рекламу або обмін пропозиціями, щоб врятувати прибуток та збитки до закінчення акції. Такий підхід зміщує фокус з простого очищення запасів на забезпечення прибуткового зростання.

Помилки прогнозування та відсутність товарів на складі продовжують спричиняти значні втрати доходів. Що робить системи мерчандайзингу та ланцюгів поставок на основі штучного інтелекту ефективнішими за традиційні підходи до прогнозування?

Перший зсув відбувається в прогнозуванні, де штучний інтелект переводить нас від залежності виключно від внутрішньої історії до використання зовнішніх даних, таких як місцева погода, соціальні події та економічні показники. Коли прогноз враховує цей зовнішній контекст, підвищення точності не лише покращує обсяг продажів; воно каскадно поширюється вниз за течією, оптимізуючи управління запасами, планування потужностей, графіки роботи та складські операції відповідно до реального попиту.

Друга зміна стосується товарів, що відсутні на складі (OOS), які більшість роздрібних торговців досі не можуть точно виміряти. Штучний інтелект виправляє це, виявляючи аномалії в моделях продажів — ідентифікуючи «фантомні запаси», коли система вважає, що товар є в наявності, але продажі зупинилися — та автоматично запускаючи підрахунок циклів для виправлення запису. Окрім даних, ми спостерігаємо зростання комп’ютерного зору, яке фізично позначає прогалини на полицях у режимі реального часу та відстежує запаси в підсобних приміщеннях, гарантуючи, що товар не просто «в приміщенні», а й доступний для покупки клієнтом.

Агентська комерція стає головною темою в інноваціях роздрібної торгівлі. Як агенти штучного інтелекту на основі логіки суттєво змінюють пошук товарів та конверсію порівняно із сучасним досвідом покупок, керованим пошуком?

У сучасному шопінгу, орієнтованому 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 порушують цей процес, динамічно генеруючи «синтетичні проходи» – користувацькі колекції, які об’єднують товари з кількох категорій на основі певного наміру. Наприклад, замість того, щоб шукати окремо п’ять товарів, покупець із місією «здорового ранку» отримує цілісний тимчасовий проход, що містить усе: від пластівців з високим вмістом білка до блендерів, що миттєво скорочує воронку пошуку з хвилин до секунд.

З точки зору конверсії, ці агенти діють не стільки як пошукові системи, скільки як «консьєржі покупок». Вони не просто перераховують варіанти; вони активно формують кошики на основі відкритих потреб. Якщо клієнт запитує «план вечері на чотирьох до 50 доларів», агент аналізує обмеження щодо наявності, ціни та дієти, щоб запропонувати повний пакет. Ця здатність міркувати усуває «прогалину в впевненості» — чітко пояснюючи, чому певний продукт відповідає способу життя або меті користувача, агент зменшує параліч прийняття рішень і забезпечує вищі коефіцієнти конверсії порівняно з мовчазною сіткою мініатюр продуктів.

Зрештою, ми бачимо, як це поширюється на гіперперсоналізований контент. Замість того, щоб показувати всім один і той самий банер головної сторінки, агентний ШІ може генерувати динамічні цільові сторінки та візуальні елементи, що відображають поточну мету покупця. Однак, щоб це масштабувалося, роздрібні торговці виявляють, що їм потрібно вбудувати цих агентів в єдину модель даних зі суворим управлінням брендом та безпекою, гарантуючи, що «креативність» ШІ ніколи не спотворює продукти та не порушує голос бренду.

Багато роздрібних торговців мають проблеми із застарілими архітектурами даних. Як підприємствам слід модернізувати свої бази даних, щоб моделі штучного інтелекту могли надавати достовірні та зрозумілі рекомендації?

Найбільшою перешкодою для успіху штучного інтелекту є не самі моделі, а «болото даних» під ними. Для модернізації роздрібні торговці повинні перестати просто збирати дані для побудови єдиного семантичного шару. Це означає впровадження стандартної «моделі даних», де бізнес-логіка (наприклад, як саме розраховується «чиста маржа» або «відтік») визначається один раз і є універсально доступною, а не прихована у фрагментованих SQL-скриптах по всій організації.

По-друге, підприємствам потрібно перейти до менталітету «продукту даних». Замість того, щоб розглядати дані як побічний продукт ІТ, успішні роздрібні торговці ставляться до них як до продукту з визначеним правом власності, угодами про рівень обслуговування (SLA) та ретельним моніторингом якості (спостережуваність даних). Коли ви поєднуєте цей чистий, керований «золотий запис» з багатими метаданими, ви розкриваєте можливість пояснення. Штучний інтелект не просто видає рекомендації у вигляді чорної скриньки; він може простежити їхню логіку назад через семантичний рівень.

Співпраця між роздрібними торговцями та компаніями, що виробляють споживчі товари, традиційно спиралася на фрагментовані дані та несумісні показники. Як уніфіковані моделі даних та спільні платформи штучного інтелекту забезпечують кращу продуктивність у категорії для обох сторін?

Досі роздрібні торговці та постачальники споживчих товарів розглядали одного й того ж клієнта крізь різні призми, використовуючи власні дані та стимули. Уніфіковані моделі даних змінюють це, створюючи єдину версію достовірної інформації по всьому ланцюжку створення вартості, будь то показники на полицях магазинів чи поведінка покупців.

Коли обидві сторони працюють на одній платформі штучного інтелекту, вони можуть спільно визначити, що стимулює зростання або витік на рівні категорії. Це може бути що завгодно: ціноутворення, просування, асортимент або дефіцит запасів. Це зміщує розмови з «мої дані проти ваших» на «нашу спільну можливість».

Результатом є розумніші рішення, швидше експериментування та, зрештою, вищий ріст категорії, що вигідно як роздрібним торговцям, так і брендам.

У міру розвитку мереж роздрібної торгівлі, яку роль відіграватиме штучний інтелект у покращенні таргетування, вимірювання та атрибуції замкнутого циклу, зберігаючи при цьому довіру споживачів?

Штучний інтелект трансформує чотири ключові сфери в міру розвитку мереж роздрібної торгівлі.

По-перше, у сфері таргетування галузь переходить від статичних сегментів аудиторії до прогнозованих намірів. Аналізуючи сигнали в режимі реального часу, такі як швидкість перегляду чи склад кошика, щоб визначити точний момент потреби покупця, штучний інтелект гарантує, що ми показуємо правильну рекламу, коли це найважливіше, а не просто таргетуємо широку демографічну групу.

По-друге, для вимірювання золотим стандартом є перехід від простої рентабельності витрат на рекламу (ROAS) до додаткової рентабельності інвестицій у рекламу (iROAS). Використовуючи причинно-наслідковий штучний інтелект, ми можемо виміряти реальний вплив витрат на медіа, визначаючи покупців, які здійснили конверсію лише завдяки рекламі, порівняно з тими, у кого це сталося б органічно.

По-третє, операційна ефективність стає критично важливою, особливо в креативних операціях. Для підтримки гіперперсоналізації роздрібні торговці використовують генеративний штучний інтелект не лише для генерування ідей, а й для масштабування виробництва. Це дозволяє командам автоматично генерувати тисячі динамічних, специфічних для каналу варіацій активів за лічені хвилини, а не за тижні, вирішуючи проблему «швидкості контенту».

Зрештою, підтримка довіри залежить від широкого впровадження «чистих кімнат даних». Ці середовища дозволяють роздрібним торговцям і брендам безпечно зіставляти свої набори даних для замкнутого циклу атрибуції, гарантуючи, що конфіденційна персональна інформація (PII) ніколи не залишить їхні відповідні брандмауери.

Заглядаючи в майбутнє, які можливості визначатимуть наступне покоління роздрібних торговців на базі штучного інтелекту, і що лідерам слід почати створювати вже сьогодні, щоб залишатися конкурентоспроможними протягом наступних п'яти років?

Наступна ера роздрібної торгівлі буде визначена переходом від «цифрової трансформації» до «агентської трансформації». Ми рухаємося до майбутнього «автономної оркестрації», де мережі агентів штучного інтелекту співпрацюють для виконання складних процесів — наприклад, агент ланцюга поставок автоматично повідомляє маркетинговому агенту призупинити акцію через затримку відвантаження.

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

По-перше, це єдина модель даних. Агенти не можуть співпрацювати, якщо вони не розмовляють однією мовою; ваша основа даних повинна еволюціонувати від сховища до семантичної «нервової системи».

По-друге, це структура управління для агентів. Перш ніж масштабувати, потрібно визначити «правила взаємодії» – що штучному інтелекту дозволено робити автономно, а що потребує схвалення людини.

Зрештою, дні статичних інформаційних панелей, що надають аналітику «зворотного огляду», полічені. Ми рухаємося до розмовної аналітики, яка надає миттєве, персоналізоване уявлення. Ці інтерфейси виходять далеко за рамки простого звітування про те, «що сталося»; вони використовують агентний штучний інтелект для обґрунтування складних питань «чому» та надання чітких рекомендацій щодо того, «що робити далі», ефективно скорочуючи розрив між розумінням та дією.

Дякую за чудове інтерв’ю, читачі, які хочуть дізнатися більше, повинні відвідати Тренд.