Amanpal Dhupar, Người đứng đầu bán lẻ tại Tredence – Loạt phỏng vấn

Amanpal Dhupar, Người đứng đầu bán lẻ tại Tredence là một chuyên gia phân tích bán lẻ và AI có hơn một thập kỷ kinh nghiệm trong việc thiết kế và phát triển các giải pháp dựa trên dữ liệu để cung cấp thông tin hành động cho các nhà lãnh đạo doanh nghiệp. Trong suốt sự nghiệp của mình, ông đã dẫn đầu các chuyển đổi phân tích chiến lược cho các giám đốc điều hành cấp cao tại các nhà bán lẻ lớn, xây dựng các đường lối sản phẩm AI để thúc đẩy các KPI kinh doanh có thể đo lường được và mở rộng các đội phân tích từ giai đoạn sơ khai đến các hoạt động quy mô lớn – thể hiện cả độ sâu kỹ thuật và sự linh hoạt lãnh đạo.

Tredence là một công ty giải pháp khoa học dữ liệu và AI tập trung vào việc giúp các doanh nghiệp mở khóa giá trị kinh doanh thông qua phân tích nâng cao, học máy và ra quyết định dựa trên AI. Công ty hợp tác với các thương hiệu toàn cầu – đặc biệt là trong bán lẻ và hàng tiêu dùng – để giải quyết các thách thức phức tạp trên các lĩnh vực như hàng hóa, chuỗi cung ứng, định giá, trải nghiệm khách hàng và hoạt động đưa sản phẩm ra thị trường, chuyển đổi thông tin thành tác động thực tế và giúp khách hàng hiện đại hóa khả năng phân tích và trí tuệ của họ.

Những người bán lẻ thường chạy hàng chục dự án AI, nhưng rất ít trong số họ chuyển sang triển khai toàn diện. Những sai lầm tổ chức phổ biến nhất là gì khiến AI không thể chuyển thành kết quả kinh doanh có thể đo lường được?

Một nghiên cứu gần đây của MIT Solan cho thấy 95% dự án AI không đạt được triển khai toàn diện. Thực tế? Các dự án là dễ dàng, nhưng sản xuất là khó khăn. Tại Tredence, chúng tôi đã xác định bốn lý do tổ chức cụ thể dẫn đến khoảng cách này.

Thứ nhất là sự thất bại trong việc hiểu quy trình làm việc của người dùng cuối. Những người bán lẻ thường chèn AI vào các quy trình hiện có bị hỏng thay vì hỏi làm thế nào để quy trình làm việc đó nên được tưởng tượng lại với AI ở trung tâm.

Thứ hai là thiếu một cách tiếp cận nền tảng đối với Agentic AI. Thay vì đối xử với các tác nhân như những thí nghiệm một lần, các tổ chức cần phải简化 toàn bộ vòng đời – từ thiết kế và phát triển tác nhân đến triển khai, giám sát và quản lý – trên toàn doanh nghiệp.

Thứ ba là một nền tảng dữ liệu yếu. Dễ dàng xây dựng một dự án trên một tệp phẳng sạch, nhưng việc mở rộng đòi hỏi một nền tảng thời gian thực mạnh mẽ nơi dữ liệu chính xác liên tục có sẵn cho các mô hình AI.

Cuối cùng, chúng tôi thấy sự ma sát giữa IT đẩy và kéo kinh doanh. Thành công chỉ xảy ra khi các nhà lãnh đạo kinh doanh xem AI như một giá trị gia tăng gắn liền với tác động có thể đo lường được, chứ không phải là một sự phân tâm được đẩy bởi IT. Tại Tredence, chúng tôi luôn tập trung vào ‘dặm cuối cùng’, nơi chúng tôi bắc cầu khoảng cách giữa việc tạo ra thông tin và hiện thực hóa giá trị.

Tredence hợp tác với nhiều nhà bán lẻ lớn nhất thế giới, hỗ trợ hàng nghìn tỷ doanh thu. Dựa trên những gì bạn đang thấy trên toàn ngành, điều gì phân biệt các nhà bán lẻ thành công trong việc triển khai AI so với những người vẫn còn mắc kẹt trong giai đoạn thử nghiệm?

Tại Tredence, việc hỗ trợ hàng nghìn tỷ doanh thu bán lẻ đã mang lại cho chúng tôi một vị trí quan sát rõ ràng về sự chia cắt trong ngành: những người bán lẻ coi AI như một loạt các thí nghiệm rời rạc so với những người xây dựng một ‘nhà máy AI’ công nghiệp hóa. Sự khác biệt chính nằm ở cam kết đối với nền tảng Agentic AI. Những tổ chức thành công nhất ngừng xây dựng từ đầu và thay vào đó đầu tư vào một hệ sinh thái mạnh mẽ được đặc trưng bởi các thư viện thành phần có thể tái sử dụng, mẫu thiết kế tiêu chuẩn và mẫu tác nhân được xây dựng trước để phù hợp với các trường hợp sử dụng bán lẻ cụ thể. Khi bạn xếp lớp LLMOps trưởng thành, khả năng quan sát toàn diện và hàng rào RAI (Trách nhiệm AI) nhúng trên nền tảng này, tác động là chuyển đổi – chúng tôi thường thấy tốc độ đạt giá trị cho các trường hợp sử dụng mới được cải thiện 80% vì việc nâng cao kiến trúc nặng đã được thực hiện.

Tuy nhiên, một nền tảng chỉ tốt như bối cảnh nó tiêu thụ, điều này mang chúng ta đến nền tảng dữ liệu. Việc mở rộng đòi hỏi nhiều hơn chỉ là truy cập thô vào dữ liệu; nó đòi hỏi một lớp ngữ nghĩa phong phú nơi các siêu dữ liệu mạnh và mô hình dữ liệu thống nhất cho phép AI thực sự ‘lý luận’ về kinh doanh thay vì chỉ xử lý đầu vào. Cuối cùng, những nhà lãnh đạo thực sự nhận ra rằng đây không chỉ là một sự thay đổi công nghệ mà còn là một sự thay đổi văn hóa. Họ bắc cầu ‘dặm cuối cùng’ bằng cách chuyển từ tự động hóa đơn giản sang hợp tác giữa con người và tác nhân, tái cấu trúc quy trình làm việc để các cộng sự và thương nhân tin tưởng và cộng tác với các đối tác kỹ thuật số của họ, biến tiềm năng thuật toán thành thực tế kinh doanh có thể đo lường được.

Hơn 70% chương trình khuyến mãi bán lẻ vẫn không thể đạt được điểm hòa vốn. Làm thế nào AI có thể cải thiện đáng kể việc lập kế hoạch khuyến mãi, đo lường và tối ưu hóa thời gian thực?

Tỷ lệ thất bại 70% vẫn tồn tại vì những người bán lẻ thường dựa vào phân tích ‘gương chiếu hậu’ mà混 hợp doanh thu tổng với lợi nhuận tăng trưởng – về cơ bản là trợ cấp cho những người mua trung thành sẽ mua bất kể điều gì. Để phá vỡ chu kỳ này, chúng tôi cần chuyển từ báo cáo mô tả sang một cách tiếp cận dự đoán hơn. Trong giai đoạn lập kế hoạch, chúng tôi sử dụng Causal AI để mô phỏng kết quả và thiết lập ‘đường cơ sở thực sự’, xác định chính xác những gì sẽ bán mà không có khuyến mãi. Điều này cho phép những người bán lẻ ngừng trả tiền cho nhu cầu hữu cơ và nhắm vào khối lượng mới.

Đối với việc đo lường, AI giải quyết ‘đồ hồ puzzle’ bằng cách lượng hóa các hiệu ứng halo và cannibalization. Các thương nhân con người thường lập kế hoạch trong các silo, nhưng AI cung cấp một tầm nhìn rộng trên toàn thể loại, đảm bảo rằng một khuyến mãi trên một SKU không chỉ lấy lợi nhuận từ một SKU khác. Việc đo lường này giúp những người bán lẻ hiểu liệu họ có đang tăng kích thước bánh mì hay chỉ cắt nó khác.

Cuối cùng, đối với tối ưu hóa thời gian thực, ngành đang chuyển hướng đến các tác nhân AI giám sát các chiến dịch ‘trên không’. Thay vì chờ đợi phân tích sau khi sự kiện kết thúc, những tác nhân này tự động đề xuất các điều chỉnh đường lối – như điều chỉnh chi tiêu quảng cáo kỹ thuật số hoặc thay đổi ưu đãi – để cứu vãn P&L trước khi khuyến mãi kết thúc. Cách tiếp cận này chuyển sự tập trung từ việc chỉ xóa hàng tồn kho sang việc thiết kế tăng trưởng có lợi nhuận.

Lỗi dự báo và hết hàng tiếp tục gây ra những tổn thất doanh thu lớn. Điều gì làm cho hệ thống bán lẻ và chuỗi cung ứng dựa trên AI hiệu quả hơn so với các cách tiếp cận dự báo truyền thống?

Sự thay đổi đầu tiên là trong dự báo, nơi AI chuyển chúng tôi từ việc dựa hoàn toàn vào lịch sử nội bộ sang việc tiêu thụ dữ liệu bên ngoài – như thời tiết địa phương, sự kiện xã hội và chỉ số kinh tế. Khi dự báo nắm bắt được bối cảnh bên ngoài, lợi ích chính xác không chỉ cải thiện số bán hàng; chúng tối ưu hóa quản lý hàng tồn kho, lập kế hoạch năng lực, lịch trình lao động và hoạt động kho để phù hợp với nhu cầu thực sự.

Sự thay đổi thứ hai là trong Out-of-Stocks (OOS), điều mà hầu hết những người bán lẻ vẫn không đo lường chính xác. AI sửa chữa điều này bằng cách phát hiện các bất thường trong mẫu bán hàng – xác định ‘Phantom Inventory’ nơi hệ thống nghĩ rằng một mục đang trong kho, nhưng bán hàng đã dừng lại – và tự động kích hoạt các cuộc kiểm kê chu kỳ để sửa đổi hồ sơ. Ngoài dữ liệu, chúng tôi đang chứng kiến sự trỗi dậy của tầm nhìn máy tính để đánh dấu các khoảng trống trên kệ trong thời gian thực và theo dõi hàng tồn kho trong phòng sau, đảm bảo rằng sản phẩm không chỉ ‘trong tòa nhà’ mà còn có sẵn cho khách hàng mua.

Thương mại agentic đang trở thành một chủ đề chính trong đổi mới bán lẻ. Làm thế nào các tác nhân AI dựa trên lý luận có thể thay đổi đáng kể việc khám phá sản phẩm và chuyển đổi so với trải nghiệm mua sắm dựa trên tìm kiếm hiện tại?

Trong mua sắm dựa trên tìm kiếm hiện tại, người tiêu dùng vẫn phải thực hiện hầu hết công việc nặng nhọc. Họ phải biết những gì để tìm kiếm, so sánh các lựa chọn và hiểu vô số kết quả. Các tác nhân dựa trên lý luận phá vỡ điều này bằng cách tạo ra ‘ngõ hàng tổng hợp’ – các bộ sưu tập tùy chỉnh聚 hợp các sản phẩm đa thể loại dựa trên một ý định cụ thể. Ví dụ, thay vì tìm kiếm riêng năm mục, một người mua sắm với nhiệm vụ ‘buổi sáng khỏe mạnh’ được trình bày với một ngõ hàng thống nhất, bao gồm mọi thứ từ ngũ cốc protein cao đến máy xay sinh tố, ngay lập tức thu hẹp phễu khám phá từ vài phút xuống vài giây.

Về phía chuyển đổi, những tác nhân này hoạt động ít giống như các công cụ tìm kiếm và nhiều hơn như ‘trợ lý mua sắm’. Họ không chỉ liệt kê các lựa chọn; họ tích cực xây dựng giỏ hàng dựa trên nhu cầu mở. Nếu một khách hàng yêu cầu ‘kế hoạch bữa tối cho bốn người dưới 50 đô la’, tác nhân lý luận thông qua hàng tồn kho, giá và các hạn chế về chế độ ăn uống để đề xuất một bộ hoàn chỉnh. Khả năng lý luận này đóng ‘khoảng trống tự tin’ – bằng cách giải thích tại sao một sản phẩm cụ thể phù hợp với phong cách sống hoặc mục tiêu của người dùng, tác nhân giảm thiểu sự phân tích và thúc đẩy tỷ lệ chuyển đổi cao hơn so với một lưới sản phẩm im lặng.

Cuối cùng, chúng tôi đang chứng kiến sự mở rộng này trong nội dung được cá nhân hóa cao. Thay vì hiển thị cùng một biểu ngữ trang chủ cho mọi người, Agentic AI có thể tạo ra các trang đích và hình ảnh động dựa trên nhiệm vụ mua sắm hiện tại của khách hàng. Tuy nhiên, để điều này có thể mở rộng, những người bán lẻ đang tìm thấy họ cần phải dựa trên các tác nhân này vào một Mô hình Dữ liệu Thống nhất với quản lý và an toàn thương hiệu nghiêm ngặt, đảm bảo rằng ‘sáng tạo’ của AI không bao giờ tưởng tượng ra sản phẩm hoặc vi phạm giọng nói thương hiệu.

Nhiều người bán lẻ đang vật lộn với kiến trúc dữ liệu lỗi thời. Làm thế nào các doanh nghiệp nên hiện đại hóa nền tảng dữ liệu của họ để các mô hình AI có thể cung cấp các khuyến nghị đáng tin cậy và giải thích được?

Rào cản lớn nhất đối với thành công của AI không phải là các mô hình mà là ‘đầm lầy dữ liệu’ bên dưới chúng. Để hiện đại hóa, những người bán lẻ phải ngừng thu thập dữ liệu để xây dựng một lớp ngữ nghĩa thống nhất. Điều này có nghĩa là thực hiện một ‘Mô hình Dữ liệu’ tiêu chuẩn nơi logic kinh doanh (như cách tính ‘Lợi nhuận ròng’ hoặc ‘churn’) được định nghĩa một lần và có thể truy cập thống nhất, thay vì bị ẩn trong các tập lệnh SQL phân mảnh trên toàn tổ chức.

Thứ hai, các doanh nghiệp cần chuyển sang một ‘tư duy sản phẩm dữ liệu’. Thay vì đối xử với dữ liệu như một sản phẩm phụ của IT, những người bán lẻ thành công đối xử với nó như một sản phẩm có chủ sở hữu được định nghĩa, SLA và giám sát chất lượng nghiêm ngặt (quản lý dữ liệu). Khi bạn kết hợp hồ sơ ‘vàng’ sạch, được quản lý này với siêu dữ liệu phong phú, bạn mở khóa khả năng giải thích. AI không chỉ đưa ra một khuyến nghị ‘hộp đen’; nó có thể theo dõi logic của mình thông qua lớp ngữ nghĩa.

Sự hợp tác giữa những người bán lẻ và các công ty CPG đã phụ thuộc vào dữ liệu phân mảnh và các chỉ số không nhất quán. Làm thế nào các mô hình dữ liệu thống nhất và các nền tảng AI chung có thể mở khóa hiệu suất thể loại mạnh hơn cho cả hai bên?

Cho đến nay, những người bán lẻ và CPG đã nhìn vào cùng một khách hàng thông qua các ống kính khác nhau, mỗi bên sử dụng dữ liệu và động lực của riêng mình. Các mô hình dữ liệu thống nhất thay đổi điều này bằng cách tạo ra một phiên bản duy nhất của sự thật trên toàn chuỗi giá trị, cho dù đó là hiệu suất trên kệ hay hành vi của người mua sắm. Khi cả hai bên làm việc trên cùng một nền tảng AI, họ có thể xác định cùng nhau những gì đang thúc đẩy sự tăng trưởng hoặc rò rỉ ở cấp độ thể loại. Điều này có thể là giá cả, khuyến mãi, hàng hóa hoặc khoảng trống hàng tồn kho. Sự thay đổi này trong cuộc trò chuyện từ ‘dữ liệu của tôi so với dữ liệu của bạn’ sang ‘cơ hội chung của chúng ta’.

Kết quả là những quyết định thông minh hơn, thử nghiệm nhanh hơn và cuối cùng là sự tăng trưởng thể loại cao hơn mang lại lợi ích cho cả những người bán lẻ và thương hiệu.

Khi các mạng truyền thông bán lẻ trưởng thành, AI sẽ đóng vai trò gì trong việc cải thiện mục tiêu, đo lường và quy kết đóng vòng trong khi duy trì niềm tin của người tiêu dùng?

AI sẽ biến đổi bốn lĩnh vực chính khi các mạng truyền thông bán lẻ trưởng thành.

Thứ nhất, trong mục tiêu, ngành đang phát triển từ các phân khúc khán giả tĩnh sang dự đoán ý định. Bằng cách phân tích các tín hiệu thời gian thực – như tốc độ duyệt hoặc thành phần giỏ hàng – để xác định chính xác thời điểm nhu cầu của người mua sắm, AI đảm bảo chúng tôi hiển thị quảng cáo đúng lúc chứ không chỉ nhắm vào một nhãn hiệu dân số rộng.

Thứ hai, đối với việc đo lường, tiêu chuẩn vàng đang chuyển từ đơn giản Return on Ad Spend (ROAS) sang ROAS tăng trưởng (iROAS). Bằng cách tận dụng Causal AI, chúng tôi có thể đo lường tác động thực sự của chi tiêu truyền thông bằng cách xác định những người mua sắm chỉ chuyển đổi vì quảng cáo so với những người đã xảy ra một cách tự nhiên.

Thứ ba, hiệu quả hoạt động đang trở nên quan trọng, đặc biệt là trong hoạt động sáng tạo. Để hỗ trợ cá nhân hóa, những người bán lẻ đang sử dụng Generative AI không chỉ cho ý tưởng mà còn để mở rộng sản xuất. Điều này cho phép các đội tự động tạo ra hàng nghìn biến thể tài sản động, kênh cụ thể trong vài phút thay vì vài tuần, giải quyết nút thắt ‘tốc độ nội dung’.

Cuối cùng, việc duy trì niềm tin phụ thuộc vào việc áp dụng rộng rãi các phòng sạch dữ liệu. Những môi trường này cho phép những người bán lẻ và thương hiệu khớp dữ liệu của họ một cách an toàn cho quy kết vòng kín, đảm bảo rằng thông tin nhận dạng cá nhân nhạy cảm (PII) không bao giờ rời khỏi tường lửa tương ứng của họ.

Nhìn về tương lai, những khả năng nào sẽ định nghĩa thế hệ tiếp theo của các nhà bán lẻ được hỗ trợ bởi AI, và những gì các nhà lãnh đạo nên bắt đầu xây dựng ngay hôm nay để duy trì tính cạnh tranh trong năm năm tới?

Thế hệ tiếp theo của bán lẻ sẽ được định nghĩa bởi sự chuyển đổi từ ‘chuyển đổi số’ sang ‘chuyển đổi agentic’. Chúng tôi đang chuyển sang một tương lai của ‘tổ chức tự động’, nơi các mạng lưới tác nhân AI cộng tác để chạy các quy trình phức tạp – như một tác nhân chuỗi cung ứng tự động thông báo cho một tác nhân tiếp thị để tạm dừng một khuyến mãi vì một chuyến hàng bị chậm.

Để chuẩn bị cho điều này, các nhà lãnh đạo phải bắt đầu xây dựng ba điều ngay hôm nay.

Thứ nhất là một mô hình dữ liệu thống nhất. Các tác nhân không thể cộng tác nếu họ không nói cùng một ngôn ngữ; nền tảng dữ liệu của bạn phải phát triển từ một kho lưu trữ đến một ‘hệ thống thần kinh’ ngữ nghĩa.

Thứ hai là một khuôn khổ quản lý cho các tác nhân. Bạn cần định nghĩa ‘quy tắc tham gia’ – những gì một AI được phép thực hiện tự động so với những gì đòi hỏi sự phê duyệt của con người – trước khi bạn mở rộng.

Cuối cùng, những ngày của các bảng điều khiển tĩnh cung cấp phân tích ‘gương chiếu hậu’ đã được đếm. Chúng tôi đang chuyển hướng đến phân tích hội thoại cung cấp thông tin tức thời, được cá nhân hóa. Những giao diện này đi xa hơn nhiều so với việc báo cáo ‘điều gì đã xảy ra’; chúng tận dụng AI agentic để lý luận thông qua các câu hỏi ‘tại sao’ phức tạp và cung cấp các khuyến nghị prescriptive về chính xác ‘điều gì để làm tiếp theo’, hiệu quả đóng khoảng cách giữa thông tin và hành động.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Tredence.