Tredence 零售主管 Amanpal Dhupar – 访谈系列

阿曼帕尔·杜帕尔Tredence零售主管是一位经验丰富的零售分析和人工智能领导者，拥有十余年设计和开发数据驱动型解决方案的专业经验，能够为企业决策者提供可执行的洞察。在他的职业生涯中，他曾为多家大型零售商的高管领导战略分析转型，制定人工智能产品路线图以推动可衡量的业务KPI，并将分析团队从初创阶段发展到大规模运营——充分展现了他深厚的技术功底和卓越的领导才能。

特伦德斯 是一家专注于数据科学和人工智能解决方案的公司，致力于通过高级分析、机器学习和人工智能驱动的决策，帮助企业释放商业价值。公司与全球品牌（尤其是在零售和消费品领域）合作，解决商品销售、供应链、定价、客户体验和市场推广运营等方面的复杂挑战，将洞察转化为实际影响，并帮助客户实现分析和智能能力的现代化。

零售商通常会开展数十个人工智能试点项目，但很少有公司真正进行全面部署。阻碍人工智能转化为可衡量的业务成果的最常见组织失误有哪些？

麻省理工学院索兰研究所最近的一项研究发现，95%的人工智能试点项目未能实现全面部署。事实是：试点容易，量产难。在Tredence，我们总结了造成这种差距的四个具体组织原因。

首先是未能理解最终用户的工作流程。零售商往往只是将人工智能生硬地插入到现有的低效流程中，而不是思考如何以人工智能为核心重新设计工作流程。

其次，目前缺乏面向智能体的平台化方法。企业不应将智能体视为一次性实验，而应简化整个生命周期——从智能体的设计和开发到部署、监控和治理——并将其应用于整个企业。

第三点是数据基础薄弱。基于干净的平面文件构建试点项目很容易，但要实现规模化，则需要一个强大且实时的基础，确保人工智能模型能够持续访问准确的数据。

最后，我们看到IT部门的推动与业务需求之间存在摩擦。只有当业务领导者将人工智能视为与可衡量影响挂钩的增值工具，而不是IT部门强加的干扰因素时，才能取得成功。在Tredence，我们始终专注于“最后一公里”，即弥合洞察生成与价值实现之间的鸿沟。

Tredence与众多全球大型零售商合作，支持着数万亿美元的营收。根据您对整个行业的观察，成功扩展人工智能应用的零售商与那些仍然停留在实验阶段的零售商之间，有哪些区别？

在Tredence，我们为数万亿美元的零售收入提供支持，这让我们得以近距离观察行业中存在的明显分歧：一些零售商将人工智能视为一系列分散的实验，而另一些零售商则构建工业化的“人工智能工厂”。主要区别在于对智能体人工智能平台基础架构的投入。最成功的企业不再从零开始构建，而是投资于一个强大的生态系统，其特点是可重用的组件库、标准设计模板以及针对特定零售用例预构建的智能体模式。当您在此基础上叠加成熟的LLMOps、全栈可观测性和嵌入式负责任人工智能（RAI）防护措施时，其影响将是变革性的——我们通常看到，新用例的价值实现速度提高了80%，因为繁重的架构工作已经完成。

然而，平台的好坏取决于它所依赖的上下文，这就引出了数据基础的问题。规模化不仅仅需要对原始数据进行访问；它还需要一个丰富的语义层，在这个语义层中，强大的元数据和统一的数据模型能够让人工智能真正“推理”业务，而不仅仅是处理输入数据。最后，真正的领导者认识到，这不仅仅是技术变革，更是文化变革。他们通过超越简单的自动化，实现人机协作，重新设计工作流程，从而弥合“最后一公里”的差距，使员工和商家能够信任并与他们的数字化伙伴合作，最终将算法的潜力转化为可衡量的商业现实。

超过70%的零售促销活动仍然无法实现收支平衡。人工智能如何才能有效地改进促销活动的策划、效果评估和实时优化？

70% 的失败率居高不下，是因为零售商常常依赖“后视镜式”分析，将总销售额与增量销售混淆——本质上是在补贴那些原本就会购买的忠实顾客。为了打破这种恶性循环，我们需要从描述性报告转向更具预测性的方法。在规划阶段，我们利用因果人工智能来模拟结果并建立“真实基线”，从而准确识别出即使没有促销活动也能售出的产品。这使得零售商无需再为自然需求买单，而只需专注于新增销量。

在衡量方面，人工智能通过量化光环效应和蚕食效应来解决“产品组合难题”。人工销售人员通常各自为政地进行规划，而人工智能则提供品类全局视角，确保针对某一SKU的促销活动不会蚕食其他SKU的利润。这种整体性的衡量方法有助于零售商了解他们是在扩大品类蛋糕，还是仅仅改变了蛋糕的切割方式。

最后，为了实现实时优化，行业正朝着使用人工智能代理的方向发展，这些代理能够监控“进行中”的广告活动。与等到活动结束后数周才进行事后分析不同，这些代理能够自主地提出调整建议——例如调整数字广告支出或更换优惠——从而在促销活动结束前挽救损益。这种方法将重点从单纯清理库存转移到实现盈利增长。

预测误差和缺货持续造成重大收入损失。是什么让人工智能驱动的商品销售和供应链系统比传统预测方法更有效？

第一个转变体现在预测方面，人工智能使我们不再仅仅依赖内部历史数据，而是能够吸收外部数据，例如当地天气、社会事件和经济指标。当预测能够捕捉到这些外部信息时，准确性的提升不仅能提高销售额，还能产生连锁效应，优化库存管理、产能规划、劳动力排班和仓储运营，使其与真实需求相匹配。

第二个转变体现在缺货（OOS）方面，大多数零售商仍然无法准确衡量缺货情况。人工智能通过检测销售模式中的异常情况来解决这个问题——识别“幽灵库存”（即系统认为商品有库存，但销售已停止）——并自动触发盘点以更正记录。除了数据之外，我们还看到计算机视觉技术的兴起，它可以实时标记货架上的缺货情况，并跟踪后台库存，确保产品不仅“在店内”，而且能够真正供顾客购买。

智能体商务正成为零售创新领域的一个重要主题。与当今以搜索为主导的购物体验相比，基于推理的人工智能代理如何显著改变产品发现和转化率？

在如今以搜索为主导的购物模式下，消费者仍然承担着大部分的搜索工作。他们必须知道自己要找什么，比较不同的选项，并从海量的搜索结果中理清头绪。而基于推理的智能体则通过动态生成“合成货架”来颠覆这一模式——这些定制化的商品组合能够根据特定的购物意图聚合多类别的产品。例如，一位购物者如果想要购买“健康早餐”，无需分别搜索五种商品，系统会向他展示一个包含从高蛋白麦片到搅拌机等各种商品的统一的临时货架，瞬间将原本需要几分钟才能找到所需商品的流程缩短到几秒钟。

在转化方面，这些智能代理与其说是搜索引擎，不如说是“购物管家”。它们不只是罗列选项，而是会根据用户开放式的需求主动构建购物篮。例如，如果顾客询问“50美元以下的四人晚餐方案”，智能代理会综合考虑库存、价格和饮食限制等因素，推荐一个完整的套餐。这种推理能力弥合了用户的“信心差距”——通过阐明特定产品为何符合用户的生活方式或目标，智能代理减少了用户的决策瘫痪，并比单纯展示产品缩略图的方式提高了转化率。

最后，我们看到这种趋势正扩展到高度个性化的内容领域。智能代理AI不再向所有人展示相同的首页横幅，而是能够生成动态的落地页和视觉效果，以反映客户当前的购物目标。然而，为了实现规模化应用，零售商发现他们需要将这些智能代理置于统一的数据模型中，并制定严格的品牌和安全管理措施，以确保AI的“创造力”不会产生产品臆想或违背品牌调性。

许多零售商都面临着数据架构过时的问题。企业应该如何对其数据基础架构进行现代化改造，才能使人工智能模型提供值得信赖且可解释的推荐？

人工智能成功的最大障碍并非模型本身，而是其背后的“数据沼泽”。为了实现现代化，零售商必须停止仅仅收集数据，而是构建一个统一的语义层。这意味着要实施一个标准的“数据模型”，将业务逻辑（例如“净利润率”或“客户流失率”的具体计算方式）定义一次，并确保所有系统都能访问，而不是像现在这样，将这些数据隐藏在组织内零散的 SQL 脚本中。

其次，企业需要转变思维模式，将数据视为“数据产品”。成功的零售商不会将数据视为IT的副产品，而是将其视为一种产品，并明确其所有权、服务水平协议（SLA）和严格的质量监控（数据可观测性）。将这种清晰、受控的“黄金记录”与丰富的元数据相结合，就能实现可解释性。人工智能不再只是输出一个黑箱式的推荐结果；它可以通过语义层追溯其逻辑。

零售商和消费品公司之间的合作历来依赖于分散的数据和不一致的指标。统一的数据模型和共享的人工智能平台如何才能为双方提升品类业绩？

迄今为止，零售商和消费品公司看待同一客户的角度各不相同，各自使用不同的数据和激励机制。统一数据模型通过在整个价值链中创建单一的真实数据，改变了这种现状，无论是货架表现还是消费者行为，都能从中受益。

当双方使用同一人工智能平台时，他们可以共同识别品类层面的增长或流失驱动因素。这些因素可能包括定价、促销、产品组合或库存缺口等。这使得对话的焦点从“我的数据 vs. 你的数据”转移到“我们共同的机遇”。

其结果是更明智的决策、更快的实验，并最终带来更高的品类增长，从而使零售商和品牌都受益。

随着零售媒体网络日趋成熟，人工智能将在改善目标定位、效果衡量和闭环归因方面发挥怎样的作用，同时保持消费者的信任？

随着零售媒体网络的成熟，人工智能将改变四个关键领域。

首先，在定向投放方面，行业正从静态受众细分转向预测意图。通过分析实时信号（例如浏览速度或购物车组成），人工智能可以精准识别购物者的需求时刻，确保我们在最关键的时刻展示合适的广告，而不仅仅是针对宽泛的人口统计标签。

其次，在衡量指标方面，黄金标准正从简单的广告支出回报率 (ROAS) 转向增量广告支出回报率 (iROAS)。通过利用因果人工智能，我们可以区分那些仅因广告而转化的消费者和那些原本就会自然转化的消费者，从而衡量媒体支出的真正影响。

第三，运营效率正变得至关重要，尤其是在创意运营方面。为了支持高度个性化，零售商不仅将生成式人工智能用于创意构思，还将其用于规模化生产。这使得团队能够在几分钟内（而不是几周）自动生成数千个动态的、渠道特定的素材变体，从而解决了“内容速度”的瓶颈问题。

最后，维护信任依赖于数据净室的广泛应用。这些环境使零售商和品牌能够安全地匹配其数据集，实现闭环归因，从而保证敏感的个人身份信息 (PII) 永远不会离开各自的防火墙。

展望未来，下一代人工智能零售商将具备哪些能力？为了在未来五年内保持竞争力，领导者今天应该开始构建哪些能力？

零售业的下一个时代将以从“数字化转型”到“代理转型”的转变来定义。我们正在迈向“自主编排”的未来，在这个未来中，人工智能代理网络将协同运行复杂的流程——例如，供应链代理会自动通知营销代理暂停促销活动，因为货物运输延迟了。

为了应对这种情况，领导者今天必须开始着手做好三件事。

首先是统一的数据模型。如果代理之间不能使用同一种语言，它们就无法协作；你的数据基础必须从存储库演变为语义“神经系统”。

其次是代理的治理框架。在规模化应用之前，你需要定义“交互规则”——即人工智能可以自主执行哪些操作，以及哪些操作需要人工批准。

最后，提供“后视”分析的静态仪表盘时代即将结束。我们正在迈向对话式分析，它能提供即时、个性化的洞察。这些界面远不止于报告“发生了什么”；它们利用智能体人工智能来推理复杂的“为什么”问题，并就“下一步该做什么”提供指导性建议，从而有效地弥合洞察与行动之间的鸿沟。

感谢您的精彩采访，想要了解更多信息的读者可以访问 特伦德斯.