特雷登斯零售负责人Amanpal Dhupar – 采访系列

Amanpal Dhupar，特雷登斯零售负责人，是一位具有十多年经验的零售分析和人工智能领导者，专门设计和开发数据驱动的解决方案，为企业决策者提供可行的见解。在他的职业生涯中，他曾为主要零售商的高级执行官领导战略分析转型，开发人工智能产品路线图以驱动可衡量的业务KPI，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。

特雷登斯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，解决跨商品、供应链、定价、客户体验和上市运营等复杂挑战，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，但很少有转变为大规模部署。是什么最常见的组织错误导致人工智能无法转化为可衡量的业务结果？

最近的一项麻省理工学院索兰研究发现，95%的人工智能试点未能实现大规模部署。现实是，试点很容易，但生产很难。在特雷登斯，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的工作流程。零售商经常将人工智能插入现有的破碎流程，而不是询问如何重新想象工作流程本身，以人工智能为中心。

第二是缺乏对代理人工智能的平台方法。组织不应将代理视为一次性实验，而应简化整个生命周期，从代理设计和开发到部署、监控和治理——整个企业都应这样做。

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，准确的数据不断可供人工智能模型访问。

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值，而不是IT推动的干扰时，才会发生成功。在特雷登斯，我们的重点始终是“最后一英里”，我们在那里弥合了见解生成和价值实现之间的差距。

特雷登斯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，什么将成功扩展人工智能的零售商与仍然陷入实验的零售商区分开来？

在特雷登斯，支持数万亿美元的零售收入使我们有机会看到行业中明显的分歧：将人工智能视为一系列不同的实验的零售商与建立工业化“人工智能工厂”的零售商之间的差异。主要区别在于对代理人工智能平台基础的承诺。最成功的组织停止从头开始建设，而是投资于具有可重用组件库、标准设计模板和针对特定零售用例的预建代理模式的强大生态系统。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——我们通常看到新用例的速度提高80%，因为大量的建筑工作已经完成。

然而，平台的质量取决于它所消耗的上下文，这使我们思考数据基础。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数据模型允许人工智能“推理”业务，而不是仅处理输入。最后，真正的领导者认识到这不仅是一项技术革新，也是一项文化革新。他们通过超越简单的自动化，重新设计工作流程，使得员工和商家能够信任和与他们的数字对应者合作，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。人工智能如何有意义地提高促销规划、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于“后视镜”分析，将总销售额与增量提升混淆——基本上是为忠实的购物者提供补贴，他们本来就会购买。在打破这一循环中，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来模拟结果并建立“真正的基准”，确定没有促销活动会发生什么。这使零售商能够停止为有机需求付费，并针对净新增量。

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。人类商家经常在孤岛中计划，但人工智能提供了一个类别范围的视图，确保在一个SKU上促销不会仅仅从另一个SKU上窃取利润。这一整体测量有助于零售商了解他们是否正在增加类别馅饼或只是以不同的方式切割它。

最后，对于实时优化，行业正在转向能够监控活动“实时”的人工智能代理。与其等待活动结束几周后进行事后分析，这些代理会自主建议更正——例如调整数字广告支出或交换优惠——以在促销活动结束前拯救盈利能力。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？

第一个转变是预测，人工智能使我们从仅依赖内部历史转变为摄取外部数据——例如本地天气、社会活动和经济指标。当预测捕获到外部上下文时，准确性增益不仅改善销售数字，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实需求。

第二个转变是缺货（OOS），大多数零售商仍然无法准确测量。人工智能通过检测销售模式中的异常——识别“幻影库存”，系统认为该商品有库存，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，实时标记货架缺口并跟踪后室库存，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，消费者仍然做了大部分的工作。他们必须知道要寻找什么，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——来破坏这一体验。例如，购物者不再需要单独搜索五件商品，而是被呈现一个包含从高蛋白谷物到搅拌机等一切的完整、临时通道，瞬间将发现漏斗从分钟缩短到几秒钟。

在转化方面，这些代理不像搜索引擎，而更像“购物管家”。它们不仅列出选项，还会根据开放式需求建立购物车。如果客户要求“四人晚餐，花费不到50美元”，代理会根据库存、价格和饮食限制推理出建议一个完整的捆绑包。这一推理能力弥合了“信心差距”——通过阐明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推动了比静默的产品缩略图更高的转化率。

最后，我们看到这一点延伸到了超个性化内容。零售商不再向每个人展示相同的首页横幅，而是使用代理人工智能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数据模型的基础上，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“数据沼泽”下的基础。为了现代化，零售商必须停止仅仅收集数据，而是建立统一的语义层。这意味着实施标准的“数据模型”，其中业务逻辑（如“净利润”或“流失率”如何计算）仅定义一次，并在整个组织中被普遍访问，而不是隐藏在碎片化的SQL脚本中。

第二，企业需要转变为“数据产品”思维方式。成功的零售商将数据视为具有定义的所有权、SLA和严格质量监控（数据可观察性）的产品，而不是将其视为IT的副产品。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。人工智能不仅仅是提供黑盒推荐；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碎片化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相同的客户，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，通过在价值链中创建单一版本的真相，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，他们可以共同识别出驱动增长或泄漏的类别级别的驱动因素。这可能是定价、促销、商品或库存差距。当他们将成熟的LLMOps、全栈可观察性和嵌入式负责人工智能（RAI）防护栏叠加在此基础上时，影响是变革性的——我们通常看到新用例的速度提高80%，因为大量的建筑工作已经完成。

随着零售媒体网络的成熟，人工智能将在提高目标、测量和闭环归因方面发挥什么作用，同时保持消费者信任？

人工智能将转变四个关键领域，当零售媒体网络成熟时。

首先，在目标方面，行业正在从静态受众段转变为预测意图。通过分析实时信号（如浏览速度或购物车组成）来识别购物者的确切需求时刻，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，金标准正在从简单的广告支出回报率（ROAS）转变为增量ROAS（iROAS）。通过利用因果人工智能，我们可以通过识别仅因广告而转化的购物者（而不是自然转化的购物者）来衡量媒体支出的真实影响。

第三，运营效率变得至关重要，尤其是在创意运营方面。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、特定于渠道的资产变体，而不是几周，解决了“内容速度”瓶颈的问题。

最后，保持信任依赖于数据清理室的广泛采用。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）永远不会离开其各自的防火墙。

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建设什么，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。我们正在进入“自主编排”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活动，因为发货延迟了。

为了准备这一点，领导者必须今天开始建设三件事。

首先是统一的数据模型。代理无法合作，如果他们不使用相同的语言；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，以及什么需要人工批准——在扩展之前。

最后，静态仪表盘提供“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。这些接口远远超出了报告“发生了什么”；它们利用代理人工智能推理复杂的“为什么”问题，并提供关于“接下来要做什么”的规定性建议，有效地弥合了见解和行动之间的差距。

感谢这次精彩的采访，希望了解更多的读者可以访问特雷登斯。