Amanpal Dhupar，Tredence零售业务负责人 – 采访系列

Amanpal Dhupar，Tredence零售业务负责人，是一位拥有十多年经验的零售分析和人工智能领导者，专门设计和开发能够为企业决策者提供可行见解的数据驱动解决方案。在他的职业生涯中，他曾为各大零售商的高级执行官领导战略分析转型，构建人工智能产品路线图以驱动可衡量的业务关键绩效指标，并将分析团队从初创阶段扩展到大规模运营——展示了技术深度和领导多样性。

Tredence是一家数据科学和人工智能解决方案公司，专注于帮助企业通过高级分析、机器学习和人工智能决策解锁业务价值。该公司与全球品牌（尤其是在零售和消费品领域）合作，解决商品、供应链、定价、客户体验和上市运营等领域的复杂挑战，将见解转化为现实影响，并帮助客户现代化其分析和智能能力。

零售商经常运行数十个人工智能试点，但很少有转变为全规模部署。阻止人工智能转化为可衡量业务成果的最常见组织错误是什么？

一项最近的MIT Solan研究发现，95%的人工智能试点未能实现全规模部署。现实是，试点很容易，但生产很难。在Tredence，我们已经确定了四个具体的组织原因导致了这一差距。

首先是未能理解最终用户工作流。零售商经常将人工智能插入现有的破碎过程，而不是询问工作流本身应该如何重新构想以人工智能为中心。

第二是缺乏对Agentic AI的平台方法。与其将代理视为一次性实验，组织需要在整个企业中简化整个生命周期，从代理设计和开发到部署、监控和治理。

第三是数据基础薄弱。构建一个试点在一个干净的平面文件上很容易，但扩展需要一个强大的、实时的基础，准确的数据可以持续地被人工智能模型访问。

最后，我们看到IT推动与业务拉动之间的摩擦。只有当业务领导者将人工智能视为与可衡量影响相关的价值增加，而不是IT推动的干扰时，才能实现成功。在Tredence，我们的重点始终是“最后一英里”，我们在洞察生成和价值实现之间架起桥梁。

Tredence与世界上许多最大的零售商合作，支持数万亿美元的收入。根据您在行业中看到的情况，什么因素使零售商能够成功扩展人工智能，而其他零售商仍然停留在实验阶段？

在Tredence，支持数万亿美元的零售收入让我们对行业有了一个清晰的认识：零售商将人工智能视为一系列分散的实验，而那些建立了工业化“人工智能工厂”的零售商之间的差异。主要区别在于对Agentic AI平台基础的承诺。最成功的组织不再从头开始构建，而是投资于一个强大的生态系统，其特点是可重用组件库、标准设计模板和针对特定零售用例的预构建代理模式。当您在此基础上添加成熟的LLMOps、全栈可观察性和嵌入式负责人工智能（RAI）防护栏时，影响是变革性的——我们通常看到新的用例的速度提高80%，因为重大的架构工作已经完成。

然而，平台的质量取决于它所消耗的上下文，这使我们关注数据基础。扩展不仅需要原始数据访问，还需要一个丰富的语义层，强大的元数据和统一的数据模型，使人工智能能够真正“推理”业务，而不仅仅是处理输入。最后，真正的领导者认识到，这不仅是一种技术革新，也是一种文化革新。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，使协助和商家能够信任和与数字对应物合作，将算法潜力转化为可衡量的业务现实。

超过70%的零售促销仍然无法收支平衡。人工智能如何改善促销规划、测量和实时优化？

70%的失败率持续存在，因为零售商经常依赖“后视镜”分析，将总销售额与增量提升混淆——本质上是为已经会购买的忠实顾客提供补贴。为了打破这一循环，我们需要从描述性报告转变为更具预测性的方法。在规划阶段，我们使用因果人工智能模拟结果并建立“真实基线”，确定没有促销的情况下会销售什么。这使零售商停止为有机需求支付费用，并针对仅净新增量。

对于测量，人工智能解决了“投资组合谜题”，量化光环效应和蚕食。人类商家经常在隔离中计划，但人工智能提供了一个类别范围的视图，确保对一个SKU的促销不会仅仅从另一个SKU中窃取利润。这一整体测量帮助零售商了解他们是否正在增加类别蛋糕或只是以不同的方式切割它。

最后，对于实时优化，行业正在转向监测活动的“飞行中”人工智能代理。与其等待活动结束几周后的事后分析，这些代理会自主建议更正课程——例如调整数字广告支出或交换优惠——以在促销结束前挽救利润和损失。这一方法将焦点从简单地清除库存转移到工程化盈利增长。

预测错误和缺货继续导致重大收入损失。什么使人工智能驱动的商品和供应链系统比传统的预测方法更有效？

首先，预测从仅依赖内部历史转变为摄取外部数据——如本地天气、社会活动和经济指标。当预测捕获到外部上下文时，准确性提高不仅改善了销售数字，还优化了库存管理、容量规划、劳动力安排和仓库运营，以适应真正的需求。

第二，零售商仍然无法准确测量库存不足（OOS）。人工智能通过检测销售模式中的异常——识别“幻影库存”，系统认为该项在库存中，但销售已经停止——并自动触发循环计数来纠正记录来解决这个问题。除了数据外，我们还看到计算机视觉的崛起，以实时标记货架间隙和跟踪后室库存，确保产品不仅在“建筑物内”，而且可供客户购买。

代理商务正在成为零售创新中的一个主要主题。基于推理的人工智能代理如何改变产品发现和转化，与今天的搜索驱动购物体验相比？

在今天的搜索驱动购物中，消费者仍然需要做大部分工作。他们需要知道要寻找什么，比较选项，并理解无穷无尽的结果。基于推理的代理打破了这一模式，通过动态生成“合成通道”——根据特定意图聚合多类别产品的自定义集合。例如，购物者不再需要分别搜索五件商品，而是呈现一个临时通道，包含从高蛋白谷物到搅拌机的所有商品，瞬间将发现漏斗从分钟缩短到几秒钟。

在转化方面，这些代理不再像搜索引擎，而更像“购物礼宾”。它们不仅列出选项，还会根据开放式需求积极构建购物车。如果客户要求“四人晚餐计划，花费不到50美元”，代理会根据库存、价格和饮食限制推理出一个完整的套餐。这种推理能力关闭了“信心差距”——通过阐述为什么特定产品适合用户的生活方式或目标，代理减少了决策瘫痪并比静默的产品缩略图网格驱动更高的转化率。

最后，我们看到这一点延伸到超个性化内容。零售商不再向每个人显示相同的首页横幅，而是使用代理生成动态登陆页面和视觉效果，反映客户当前的购物使命。然而，要实现这一点，零售商需要将这些代理建立在统一的数据模型上，具有严格的品牌和安全治理，确保人工智能的“创造力”永远不会编造产品或违反品牌声音。

许多零售商苦于过时的数据架构。企业如何现代化其数据基础，以便人工智能模型能够提供可靠和可解释的推荐？

人工智能成功的最大障碍不是模型，而是下面的“数据沼泽”。为了现代化，零售商必须停止简单地收集数据，而是建立一个统一的语义层。这意味着实施一个标准的“数据模型”，其中业务逻辑（如“净利润”或“流失”如何计算）只定义一次，并且在整个组织中都可访问，而不是隐藏在组织内的分散SQL脚本中。

第二，企业需要转变为“数据产品”的思维方式。与其将数据视为IT的副产品，成功的零售商将其视为具有明确所有权、SLA和严格质量监控（数据可观察性）的产品。当您将干净、受治理的“黄金记录”与丰富的元数据结合时，您就解锁了可解释性。人工智能不仅仅是生成一个黑盒推荐；它可以将其逻辑追溯到语义层。

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为双方解锁更强的类别表现？

到目前为止，零售商和消费品公司一直通过不同的视角看待同一个客户，每个公司都使用自己的数据和激励措施。统一的数据模型改变了这一点，通过在整个价值链中创建一个单一的真相版本，无论是货架表现还是购物者行为。

当双方在同一个人工智能平台上合作时，他们可以共同确定是什么驱动了类别层面的增长或泄漏。它可能是任何东西——定价、促销、商品或库存差距。这将对话从“我的数据与你的数据”转变为“我们的共同机会”。

结果是更明智的决策、更快的实验和最终更高的类别增长，这将惠及零售商和品牌。

随着零售媒体网络的成熟，人工智能将在改善定位、测量和闭环归因的同时保持消费者信任方面发挥什么作用？

人工智能将转变四个关键领域，因为零售媒体网络成熟。

首先，在定位方面，行业正在从静态受众细分转变为预测意图。通过分析实时信号（如浏览速度或购物车组成）来识别购物者需求的精确时刻，人工智能确保我们在最重要的时刻显示正确的广告，而不是仅仅针对广泛的人口统计标签。

第二，对于测量，黄金标准正在从简单的广告支出回报（ROAS）转变为增量广告支出回报（iROAS）。通过利用因果人工智能，我们可以通过识别仅由于广告而转化的购物者（而不是自然发生的购物者）来衡量媒体支出的真正影响。

第三，运营效率变得至关重要，特别是在创意运营方面。为了支持超个性化，零售商正在使用生成性人工智能，不仅用于创意生成，还用于扩大生产。这使团队能够在几分钟内自动生成成千上万个动态、通道特定的资产变体，而不是几周，解决了“内容速度”的瓶颈。

最后，保持信任依赖于数据清洁室的广泛采用。这些环境允许零售商和品牌安全地匹配其数据集以进行闭环归因，确保敏感的个人可识别信息（PII）永远不会离开各自的防火墙。

展望未来，什么能力将定义下一代人工智能驱动的零售商，领导者应该今天开始构建什么，以便在未来五年内保持竞争力？

零售的下一个时代将由从“数字转型”到“代理转型”的转变定义。我们正在转向“自治编排”的未来，人工智能代理网络将共同运行复杂的流程——例如，供应链代理自动通知营销代理暂停促销，因为货件被延迟。

为了准备这一点，领导者必须今天开始构建三件事。

首先是统一的数据模型。代理如果不使用相同的语言，无法协作；您的数据基础必须从存储库演变为语义“神经系统”。

第二，是代理的治理框架。您需要定义“参与规则”——人工智能可以自主执行什么，什么需要人工批准——在扩大规模之前。

最后，静态仪表板提供“后视镜”分析的日子即将结束。我们正在转向提供即时、个性化见解的对话式分析。这些界面不仅报告“发生了什么”，而且利用代理人工智能推理复杂的“为什么”问题，并提供有关“下一步要做什么”的具体建议，有效地弥合了洞察力和行动之间的差距。

感谢这次精彩的采访，希望了解更多的读者可以访问Tredence。