Amanpal Dhupar, Giám đốc bán lẻ tại Tredence – Chuỗi phỏng vấn

Amanpal DhuparÔng, Trưởng bộ phận Bán lẻ tại Tredence, là một nhà lãnh đạo giàu kinh nghiệm trong lĩnh vực phân tích bán lẻ và trí tuệ nhân tạo (AI), với hơn một thập kỷ kinh nghiệm trong việc thiết kế và phát triển các giải pháp dựa trên dữ liệu, cung cấp những hiểu biết hữu ích cho các nhà ra quyết định trong doanh nghiệp. Trong suốt sự nghiệp của mình, ông đã dẫn dắt các chuyển đổi chiến lược về phân tích cho các giám đốc điều hành cấp cao tại các nhà bán lẻ lớn, xây dựng lộ trình sản phẩm AI để thúc đẩy các chỉ số KPI kinh doanh có thể đo lường được, và mở rộng quy mô các nhóm phân tích từ giai đoạn sơ khai đến quy mô hoạt động lớn – thể hiện cả chiều sâu chuyên môn và khả năng lãnh đạo linh hoạt.

Mệt mỏi là một công ty cung cấp giải pháp khoa học dữ liệu và trí tuệ nhân tạo, tập trung vào việc giúp các doanh nghiệp khai thác giá trị kinh doanh thông qua phân tích nâng cao, học máy và ra quyết định dựa trên trí tuệ nhân tạo. Công ty hợp tác với các thương hiệu toàn cầu—đặc biệt là trong lĩnh vực bán lẻ và hàng tiêu dùng—để giải quyết các thách thức phức tạp trong hoạt động bán hàng, chuỗi cung ứng, định giá, trải nghiệm khách hàng và vận hành tiếp thị, chuyển đổi những hiểu biết thành tác động thực tế và giúp khách hàng hiện đại hóa khả năng phân tích và trí tuệ của họ.

Các nhà bán lẻ thường thực hiện hàng chục dự án thí điểm AI, nhưng rất ít dự án tiến hành triển khai quy mô lớn. Những sai lầm phổ biến nhất trong tổ chức nào ngăn cản việc ứng dụng AI mang lại kết quả kinh doanh có thể đo lường được?

Một nghiên cứu gần đây của MIT Solan cho thấy 95% các dự án thí điểm AI thất bại trong việc triển khai quy mô lớn. Thực tế là gì? Thí điểm thì dễ, nhưng sản xuất hàng loạt thì khó. Tại Tredence, chúng tôi đã xác định bốn lý do cụ thể về mặt tổ chức dẫn đến khoảng cách này.

Thứ nhất là việc không hiểu quy trình làm việc của người dùng cuối. Các nhà bán lẻ thường tích hợp AI vào các quy trình hiện có đang gặp vấn đề thay vì đặt câu hỏi làm thế nào để tái cấu trúc quy trình làm việc đó với AI là trung tâm.

Thứ hai là thiếu một phương pháp tiếp cận nền tảng cho Trí tuệ nhân tạo dựa trên tác nhân (Agentic AI). Thay vì coi các tác nhân như những thử nghiệm riêng lẻ, các tổ chức cần hợp lý hóa toàn bộ vòng đời – từ thiết kế và phát triển tác nhân đến triển khai, giám sát và quản trị – trên toàn doanh nghiệp.

Thứ ba là nền tảng dữ liệu yếu. Việc xây dựng một dự án thí điểm trên một tập tin dữ liệu sạch sẽ thì dễ, nhưng việc mở rộng quy mô đòi hỏi một nền tảng mạnh mẽ, thời gian thực, nơi dữ liệu chính xác luôn được cung cấp liên tục cho các mô hình AI.

Cuối cùng, chúng ta thấy sự mâu thuẫn giữa sự thúc đẩy của bộ phận CNTT và sự kéo của bộ phận kinh doanh. Thành công chỉ đến khi các nhà lãnh đạo doanh nghiệp coi AI là một giá trị gia tăng gắn liền với tác động có thể đo lường được, chứ không phải là một yếu tố gây xao nhãng do bộ phận CNTT thúc đẩy. Tại Tredence, trọng tâm của chúng tôi luôn là "chặng cuối", nơi chúng tôi thu hẹp khoảng cách giữa việc tạo ra thông tin chi tiết và hiện thực hóa giá trị.

Tredence hợp tác với nhiều nhà bán lẻ lớn nhất thế giới, hỗ trợ doanh thu hàng nghìn tỷ đô la. Dựa trên những gì bạn đang thấy trong ngành, điều gì phân biệt các nhà bán lẻ mở rộng quy mô thành công với những nhà bán lẻ vẫn đang mắc kẹt trong giai đoạn thử nghiệm?

Tại Tredence, việc hỗ trợ hàng nghìn tỷ đô la doanh thu bán lẻ đã cho chúng tôi cơ hội chứng kiến ​​rõ sự khác biệt trong ngành: các nhà bán lẻ coi AI như một loạt các thử nghiệm riêng lẻ so với những nhà bán lẻ xây dựng một "nhà máy AI" công nghiệp hóa. Yếu tố khác biệt chính nằm ở cam kết với nền tảng AI dựa trên tác nhân (Agentic AI Platform). Các 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, các mẫu thiết kế tiêu chuẩn và các mô hình tác nhân được xây dựng sẵn phù hợp với các trường hợp sử dụng cụ thể trong bán lẻ. Khi bạn kết hợp LLMOps trưởng thành, khả năng quan sát toàn diện và các biện pháp bảo vệ AI có trách nhiệm (RAI) được nhúng trên nền tảng này, tác động sẽ mang tính đột phá — chúng tôi thường thấy tốc độ đạt được giá trị cho các trường hợp sử dụng mới được cải thiện 80% vì phần lớn công việc kiến ​​trúc đã được thực hiện.

Tuy nhiên, một nền tảng chỉ tốt khi nó sử dụng bối cảnh phù hợp, điều này dẫn chúng ta đến nền tảng dữ liệu. Mở rộng quy mô đòi hỏi nhiều hơn chỉ là quyền truy cập thô vào dữ liệu; nó đòi hỏi một lớp ngữ nghĩa phong phú, nơi siêu dữ liệu mạnh mẽ và các mô hình dữ liệu thống nhất cho phép AI thực sự "suy luận" về hoạt động kinh doanh chứ không chỉ đơn thuần là xử lý đầu vào. Cuối cùng, những nhà lãnh đạo thực sự nhận ra rằng đây không chỉ là một cuộc cải tổ công nghệ mà còn là một cuộc cải tổ văn hóa. Họ thu hẹp "chặng cuối" bằng cách vượt ra ngoài tự động hóa đơn giản để hướng tới sự hợp tác giữa con người và hệ thống, tái cấu trúc quy trình làm việc để các cộng sự và người bán tin tưởng và hợp tác với các đối tác kỹ thuật số của họ, biến tiềm năng thuật toán thành hiện thực kinh doanh có thể đo lường được.

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

Tỷ lệ thất bại 70% vẫn tồn tại vì các nhà bán lẻ thường dựa vào phân tích "nhìn lại quá khứ", nhầm lẫn tổng doanh số với mức tăng trưởng gia tăng—về cơ bản là trợ cấp cho những khách hàng trung thành vốn dĩ sẽ mua hàng dù không có chương trình khuyến mãi. Để phá vỡ vòng luẩn quẩn này, chúng ta cần chuyển từ báo cáo mô tả sang phương pháp dự đoán hơn. Trong giai đoạn lập kế hoạch, chúng ta sử dụng Trí tuệ nhân tạo nhân quả (Causal AI) để mô phỏng kết quả và thiết lập "mức cơ sở thực tế", xác định chính xác những gì sẽ bán được ngay cả khi không có chương trình khuyến mãi. Điều này cho phép các nhà bán lẻ ngừng trả tiền cho nhu cầu tự nhiên và chỉ nhắm mục tiêu vào khối lượng mua hàng mới.

Để đo lường, AI giải quyết "bài toán danh mục sản phẩm" bằng cách định lượng hiệu ứng lan tỏa và sự cạnh tranh nội bộ. Các nhà bán lẻ thường lập kế hoạch riêng lẻ, nhưng AI cung cấp cái nhìn toàn diện về toàn bộ danh mục, đảm bảo rằng việc khuyến mãi cho một SKU không chỉ đơn thuần là lấy đi lợi nhuận của SKU khác. Việc đo lường toàn diện này giúp các nhà bán lẻ hiểu liệu họ đang mở rộng thị phần của danh mục hay chỉ đơn thuần là chia nhỏ thị phần theo cách khác.

Cuối cùng, để tối ưu hóa theo thời gian thực, ngành công nghiệp đang hướng tới việc sử dụng các tác nhân AI để giám sát các chiến dịch "trong khi đang diễn ra". Thay vì chờ đợi phân tích sau khi chiến dịch kết thúc hàng tuần sau đó, các tác nhân này sẽ tự động đề xuất các điều chỉnh – như điều chỉnh chi tiêu quảng cáo kỹ thuật số hoặc thay đổi ưu đãi – để cứu vãn lợi nhuận trước khi chương trình khuyến mãi kết thúc. Cách tiếp cận này chuyển trọng tâm từ việc chỉ đơn thuần giải phóng hàng tồn kho sang việc tạo ra tăng trưởng có lợi nhuận.

Sai sót trong dự báo và tình trạng hết hàng tiếp tục gây ra tổn thất doanh thu lớn. Điều gì khiến các hệ thống quản lý hàng hóa và chuỗi cung ứng dựa trên trí tuệ nhân tạo hiệu quả hơn so với các phương pháp dự báo truyền thống?

Sự thay đổi đầu tiên nằm ở khâu dự báo, nơi trí tuệ nhân tạo (AI) giúp chúng ta chuyển từ việc chỉ dựa vào dữ liệu lịch sử nội bộ sang việc tiếp nhận dữ liệu bên ngoài—như thời tiết địa phương, các sự kiện xã hội và các chỉ số kinh tế. Khi dự báo nắm bắt được bối cảnh bên ngoài này, độ chính xác được cải thiện không chỉ giúp tăng doanh số bán hàng mà còn lan tỏa đến các khâu khác, tối ưu hóa quản lý hàng tồn kho, lập kế hoạch năng lực sản xuất, lịch trình lao động và hoạt động kho bãi để phù hợp với nhu cầu thực tế.

Sự thay đổi thứ hai liên quan đến tình trạng hết hàng (Out-of-Stocks - OOS), mà hầu hết các nhà bán lẻ vẫn chưa đo lường chính xác. Trí tuệ nhân tạo (AI) khắc phục điều này bằng cách phát hiện những bất thường trong mô hình bán hàng—xác định "hàng tồn kho ảo" (Phantom Inventory) khi hệ thống cho rằng mặt hàng vẫn còn trong kho, nhưng doanh số đã dừng—và tự động kích hoạt việc kiểm kê định kỳ để điều chỉnh lại dữ liệu. Bên cạnh dữ liệu, chúng ta đang chứng kiến ​​sự phát triển của thị giác máy tính trong việc đánh dấu các khoảng trống trên kệ hàng theo thời gian thực và theo dõi hàng tồn kho trong kho, đảm bảo sản phẩm không chỉ "có trong kho" mà còn sẵn sàng cho khách hàng mua.

Thương mại dựa trên tác nhân đang trở thành một chủ đề quan trọng trong đổi mới bán lẻ. Vậy các tác nhân AI dựa trên suy luận sẽ thay đổi việc khám phá sản phẩm và tỷ lệ chuyển đổi như thế nào so với trải nghiệm mua sắm dựa trên tìm kiếm hiện nay?

Trong thời đại mua sắm dựa trên tìm kiếm hiện nay, người tiêu dùng vẫn phải tự mình thực hiện hầu hết các bước. Họ phải biết mình cần tìm gì, so sánh các lựa chọn và hiểu được vô số kết quả tìm kiếm. Các công cụ tìm kiếm dựa trên lý luận giúp phá vỡ điều này bằng cách tạo ra các "gian hàng tổng hợp" một cách linh hoạt – các bộ sưu tập tùy chỉnh tập hợp các sản phẩm thuộc nhiều danh mục dựa trên một ý định cụ thể. Ví dụ, thay vì tìm kiếm riêng lẻ năm mặt hàng, người mua sắm với mục tiêu "bữa sáng lành mạnh" sẽ được hiển thị một gian hàng tạm thời, thống nhất, bao gồm mọi thứ từ ngũ cốc giàu protein đến máy xay sinh tố, ngay lập tức rút ngắn quá trình tìm kiếm từ vài phút xuống còn vài giây.

Về khía cạnh chuyển đổi, các công cụ này hoạt động ít giống công cụ tìm kiếm hơn và giống "người tư vấn mua sắm" hơn. Chúng không chỉ liệt kê các lựa chọn; chúng chủ động xây dựng giỏ hàng dựa trên nhu cầu mở. Nếu khách hàng yêu cầu "gói bữa tối cho bốn người dưới 50 đô la", công cụ sẽ lập luận dựa trên hàng tồn kho, giá cả và các hạn chế về chế độ ăn uống để đề xuất một gói hoàn chỉnh. Khả năng lập luận này thu hẹp "khoảng cách tự tin" - bằng cách giải thích lý do tại sao một sản phẩm cụ thể phù hợp với lối sống hoặc mục tiêu của người dùng, công cụ giảm thiểu sự lưỡng lự khi đưa ra quyết định và thúc đẩy tỷ lệ chuyển đổi cao hơn so với một lưới hình ảnh thu nhỏ sản phẩm im lặng.

Cuối cùng, chúng ta đang thấy điều này mở rộng sang nội dung siêu cá nhân hóa. Thay vì hiển thị cùng một banner trang chủ cho tất cả mọi người, AI tác nhân có thể tạo ra các trang đích và hình ảnh động phản ánh hành trình mua sắm hiện tại của khách hàng. Tuy nhiên, để mở rộng quy mô, các nhà bán lẻ nhận thấy họ cần phải xây dựng các tác nhân này dựa trên Mô hình Dữ liệu Thống nhất với quản trị thương hiệu và an toàn nghiêm ngặt, đảm bảo rằng "sự sáng tạo" của AI không bao giờ tạo ra ảo tưởng về sản phẩm hoặc vi phạm giọng điệu thương hiệu.

Nhiều nhà bán lẻ đang phải vật lộn với kiến ​​trúc dữ liệu lỗi thời. Làm thế nào các doanh nghiệp có thể hiện đại hóa nền tảng dữ liệu của mình để các mô hình AI có thể đưa ra các đề xuất đáng tin cậy và có thể giải thích được?

Rào cản lớn nhất đối với sự thành công của AI không phải là các mô hình mà là "đầm lầy dữ liệu" bên dưới chúng. Để hiện đại hóa, các nhà bán lẻ phải ngừng việc chỉ đơn thuần thu thập dữ liệu mà phải xây dựng một lớp ngữ nghĩa thống nhất. Điều này có nghĩa là triển khai một "Mô hình dữ liệu" chuẩn, trong đó logic kinh doanh (như cách tính toán chính xác "Lợi nhuận ròng" hoặc "tỷ lệ khách hàng rời bỏ") được định nghĩa một lần và có thể truy cập được trên toàn hệ thống, thay vì bị ẩn giấu trong các đoạn mã SQL rời rạc khắp tổ chức.

Thứ hai, các doanh nghiệp cần chuyển sang tư duy "sản phẩm dữ liệu". Thay vì coi dữ liệu như một sản phẩm phụ của CNTT, các nhà bán lẻ thành công coi dữ liệu như một sản phẩm có quyền sở hữu, thỏa thuận mức dịch vụ (SLA) và giám sát chất lượng nghiêm ngặt (khả năng quan sát dữ liệu). Khi kết hợp "bản ghi vàng" sạch sẽ, được quản lý này với siêu dữ liệu phong phú, bạn sẽ mở khóa khả năng giải thích. Trí tuệ nhân tạo (AI) không chỉ đưa ra một đề xuất hộp đen; nó có thể truy vết logic của mình thông qua lớp ngữ nghĩa.

Sự hợp tác giữa các nhà bán lẻ và các công ty hàng tiêu dùng (CPG) từ trước đến nay dựa trên dữ liệu rời rạc và các chỉ số không nhất quán. Vậy làm thế nào các mô hình dữ liệu thống nhất và nền tảng AI dùng chung có thể giúp cả hai bên đạt được hiệu quả hoạt động tốt hơn trong từng lĩnh vực?

Từ trước đến nay, các nhà bán lẻ và các công ty sản xuất hàng tiêu dùng (CPG) vẫn nhìn nhận cùng một khách hàng qua những lăng kính khác nhau, mỗi bên sử dụng dữ liệu và động lực riêng của mình. Mô hình dữ liệu thống nhất sẽ thay đổi điều này bằng cách tạo ra một nguồn thông tin duy nhất xuyên suốt chuỗi giá trị, cho dù đó là hiệu quả trưng bày sản phẩm hay hành vi mua sắm của người tiêu dùng.

Khi cả hai bên cùng sử dụng một nền tảng AI, họ có thể cùng nhau xác định những yếu tố thúc đẩy tăng trưởng hoặc thất thoát ở cấp độ danh mục sản phẩm. Đó có thể là bất cứ điều gì - giá cả, khuyến mãi, chủng loại sản phẩm hoặc thiếu hụt hàng tồn kho. Điều này chuyển cuộc đối thoại 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, quá trình thử nghiệm nhanh hơn và cuối cùng là sự tăng trưởng mạnh mẽ hơn của ngành hàng, mang lại lợi ích cho cả nhà bán lẻ và thương hiệu.

Khi các mạng lưới truyền thông bán lẻ trưởng thành, trí tuệ nhân tạo (AI) sẽ đóng vai trò gì trong việc cải thiện khả năng nhắm mục tiêu, đo lường và phân bổ khép kín, đồng thời duy trì lòng tin của người tiêu dùng?

Trí tuệ nhân tạo (AI) sẽ làm thay đổi bốn lĩnh vực chính khi các mạng truyền thông bán lẻ trưởng thành.

Thứ nhất, trong việc nhắm mục tiêu, ngành công nghiệp đang chuyển từ các phân khúc đối tượng tĩnh sang dự đoán ý định. Bằng cách phân tích các tín hiệu thời gian thực—như tốc độ duyệt web hoặc thành phần giỏ hàng—để xác định chính xác thời điểm người mua sắm cần, AIe đảm bảo chúng ta hiển thị đúng quảng cáo vào thời điểm quan trọng nhất thay vì chỉ nhắm mục tiêu vào một nhãn nhân khẩu học chung chung.

Thứ hai, về mặt đo lường, tiêu chuẩn vàng đang chuyển từ Tỷ suất lợi nhuận trên chi phí quảng cáo (ROAS) đơn giản sang ROAS gia tăng (iROAS). Bằng cách tận dụng Trí tuệ nhân tạo nhân quả (Causal AI), chúng ta có thể đo lường tác động thực sự của chi phí truyền thông bằng cách xác định những người mua sắm chỉ chuyển đổi nhờ quảng cáo so với những người sẽ chuyển đổi một cách tự nhiên.

Thứ ba, hiệu quả hoạt động đang trở nên vô cùng quan trọng, đặc biệt là trong các hoạt động sáng tạo. Để hỗ trợ cá nhân hóa tối đa, các nhà bán lẻ đang sử dụng Trí tuệ nhân tạo tạo sinh (Generative AI) không chỉ để lên ý tưởng mà còn để mở rộng quy mô sản xuất. Điều này cho phép các nhóm tự động tạo ra hàng nghìn biến thể nội dung động, dành riêng cho từng kênh chỉ trong vài phút thay vì vài tuần, giải quyết được nút thắt cổ chai về "tốc độ nội dung".

Cuối cùng, việc duy trì lòng tin phụ thuộc vào việc áp dụng rộng rãi các phòng sạch dữ liệu. Môi trường này cho phép các nhà bán lẻ và thương hiệu đối khớp tập dữ liệu của họ một cách an toàn để đảm bảo tính nhất quán và khép kín, đồng thời đảm bảo rằng Thông tin Nhận dạng Cá nhân (PII) nhạy cảm không bao giờ rời khỏi tường lửa của họ.

Nhìn về phía trước, những khả năng nào sẽ định hình thế hệ tiếp theo của các nhà bán lẻ ứng dụng trí tuệ nhân tạo, và các nhà lãnh đạo nên bắt đầu xây dựng những gì ngay hôm nay để duy trì khả năng cạnh tranh trong năm năm tới?

Kỷ nguyên tiếp theo của ngành bán lẻ sẽ được định hình bởi sự chuyển dịch từ "chuyển đổi số" sang "chuyển đổi dựa trên tác nhân". Chúng ta đang hướng tới một tương lai của "sự điều phối tự động", nơi các mạng lưới tác nhân AI hợp tác để vận hành các quy trình phức tạp — ví dụ như một tác nhân chuỗi cung ứng tự động thông báo cho tác nhân tiếp thị tạm dừng chương trình khuyến mãi vì lô hàng bị chậm trễ.

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

Đầu tiên là mô hình dữ liệu thống nhất. Các tác nhân không thể hợp tác nếu chúng không nói cùng một ngôn ngữ; nền tảng dữ liệu của bạn phải phát triển từ một kho lưu trữ đơn thuần thành một "hệ thần kinh" ngữ nghĩa.

Thứ hai là khung quản trị cho các tác nhân. Bạn cần xác định "các quy tắc hoạt động" - những gì AI được phép thực hiện một cách tự động so với những gì cần sự chấp thuận của con người - trước khi mở rộng quy mô.

Cuối cùng, thời đại của các bảng điều khiển tĩnh chỉ cung cấp phân tích "nhìn lại quá khứ" đã sắp kết thúc. Chúng ta đang hướng tới phân tích đàm thoại, cung cấp thông tin chi tiết tức thời và được cá nhân hóa. Các giao diện này vượt xa việc chỉ báo cáo "điều gì đã xảy ra"; chúng tận dụng trí tuệ nhân tạo (AI) để suy luận thông qua các câu hỏi "tại sao" phức tạp và đưa ra các khuyến nghị cụ thể về "những việc cần làm tiếp theo", thu hẹp khoảng cách giữa thông tin chi tiết và hành động.

Cảm ơn bạn về cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm hãy truy cập Mệt mỏi.