Myron Burke, vůdce Solutions Management ve společnosti Sensormatic Solutions – Interview Series

Myron Burke, ředitel globálních produktů a řešení ve společnosti Sensormatic Solutions, identifikuje a implementuje nové způsoby urychlení inovace, zvýšení rychlosti a poskytování větší hodnoty zákazníkům prostřednictvím strategického plánu řešení.

Myron je zkušený lídr s více než 25 lety zkušeností v maloobchodě, včetně jeho působení ve společnostech Walmart a Sam’s Club, kde realizoval inovace ve velkém měřítku. Nedávno založil Divergent Technology Advisors, poradenskou firmu pro maloobchodní technologie, která pomáhá velkým maloobchodníkům, poskytovatelům technologií a startupům s technickou strategií, plánováním vstupu na trh, mezinárodní expanzí a dalšími aktivitami.

Sensormatic Solutions, přední globální portfolio maloobchodních řešení společnosti Johnson Controls, poskytuje bezpečné, zabezpečené a bezproblémové maloobchodní zkušenosti. Během více než 60 let je tato značka na špici rychlého přijímání technologií v oboru, předefinuje maloobchodní operace na globální úrovni a mění poznatky v akce. Sensormatic Solutions nabízí propojený ekosystém řešení pro prevenci ztrát, inteligenci zásob a analýzu dopravy, spolu se svými službami a partnery, aby umožnil maloobchodníkům na celém světě inovovat a zvyšovat svou přesnost, propojovat datové výsledky, které formují budoucnost maloobchodu.

Vy jste strávil více než 25 let na rozhraní maloobchodních operací a vznikajících technologií — od vedení strategie RFID a inovací v prodejnách ve společnostech Walmart a Sam’s Club, přes inkubaci nových konceptů ve Store No. 8, až po současné vedení globálních produktů a řešení ve společnosti Sensormatic Solutions. Jak tyto zkušenosti utvořily vaše názory na to, jak by měly být technologie AI a senzorů nasazeny v fyzických maloobchodních prostředích?

Přistupuji k implementaci AI velmi prakticky a vyzývám svůj tým a zákazníky Sensormatic Solutions, aby dělali totéž. Moje zkušenosti z obou stran rovnice prokázaly mnohokrát, že budování tímto způsobem je klíčem k úspěšné transformaci.

Sensormatic Solutions funguje na velmi jednoduché víře během posledních 60 let: Technologie se daří, když je efektivní operace a reálné výzvy maloobchodníků jsou v centru. Zdá se to zjevné — zejména pro ty, kteří zůstávají blízko vznikajících nástrojů — ale tento základní princip byl trochu zapomenut uprostřed všeho hype kolem AI.

Tlak na rychlé pohyby a udržování kroků s trhem byl a zůstává vysoký jak ve vývoji řešení, tak v přijetí zákazníků, ale budování nástrojů, které skutečně vyplňují mezery, je účinnější než pokusy o začlenění funkcí AI do každého produktu. Soustředíme se pevně na hledání míst, kde streamovaná sbírka, fúze, analýza a akce vedou k měřitelným zlepšením. Tento zaměřený přístup se také vztahuje na datové sady, které AI bude používat — cílené, kontrolované a očištěné datové sady jsou klíčem k poskytování udržitelné hodnoty AI, zejména napříč odlišnými zákazníky.

Jedním z dalších věcí, které máme na paměti, je, že toto platí pro všechny možné uživatele: firemní rozhodčí, nakupující a zaměstnanci. S každým novým řešením nebo aktualizací se ptáme sami sebe, zda poskytujeme hodnotu všem třem zúčastněným stranám ve stejném měřítku, protože každá skupina je integrální pro úspěch v maloobchodě.

Tento vnitřní étos přirozeně přechází do řešení, která pomáhají maloobchodníkům přijmout podobný postoj, nabízet nástroje, které podporují smysluplná zlepšení prostřednictvím praktických, uzpůsobených systémových návrhů. Nasazení AI není univerzální, a ani programy, které budujeme se zákazníky, nejsou.

Sensormatic Solutions stále více позиcionuje AI a pokročilou analytiku jako jádro moderní maloobchodní operační inteligence. Jak AI mění to, co znamená „prevence ztrát“ v omni-kanálovém světě?

Nejjednodušší odpovědi jsou viditelnost s rychlostí. AI pomáhá skutečně odhalit ztráty a poskytnout úplný pohled na celkové maloobchodní ztráty. Realita je taková, že můžete pouze zaznamenat ztráty, které můžete vidět, že? Během většiny historie oboru byla viditelnost do ztrát možná pouze na základní, povrchové úrovni, s programy zaměřenými na položky, které by měly být k dispozici pro prodej, ale nejsou. Můžete mít nějakou představu o tom, zda byla položka ukradena, poškozena během transportu nebo poškozena na regálu, ale sledování těchto věcí ve velkém měřítku bylo obtížné, ne-li nemožné.

Propojená analytika a senzorové systémy rozšířily to, co maloobchodníci mohou vidět, sledovat a kvantifikovat. Zvažte zdůraznění 3% chyby, které jsou skryty ve velkém objemu dat, generovaných dnes. Tyto senzorové systémy odemykají co, kde, kdy a kdo ztrát, což — samo o sobě — vyvolává transformaci v pochopení kolem ztrát a posouvá paradigma směrem k „celkovým maloobchodním ztrátám“. Tento rozšířený rozsah umožňuje maloobchodníkům vidět další vrstvu operací a zcela novou sadu potenciálních driverů ztrát souvisejících s odchylkami procesů a mezerami, spolu s promarněným časem, zdroji a úsilím.

Když je vše identifikováno a označeno, můžete je transformovat. To je místo, kde AI přichází. Připojuje tyto nové „tečky“, často v reálném čase, aby povrchově odhalila zcela jinou vrstvu dat. Prediktivní, vysoce přesná inteligence a modelování mohou pomoci kvantifikovat dopady odpadů, vážit relativní hodnotu možných úprav a ilustrovat náklady nečinnosti. Efektivně umožňuje maloobchodníkům měnit své postoje z reaktivních na proaktivní, pomáhá jim předefinovat ztráty jako příležitosti ke zlepšení.

S technologiemi, jako je Re-ID a AI poháněná analýza dopravy, mohou maloobchodníci nyní jít za hranice jednoduchého počítání lidí a získat hlubší poznatky o chování nakupujících a operacích. Jaké jsou nejtransformativnější použití, které z tohoto posunu vznikají?

Re-ID je pro mě silným příkladem malých, cílených úprav, které mají obrovský dopad na operační pochopení.

Re-ID skutečně dělá jednu věc: rafinuje dopravní opatření. Samozřejmě, aby technologie přesně rozlišila jedinečné nakupující od opětovných vstupů, personálu a dalších kategorií návštěvníků, je komplexní, ale výsledek je velmi jednoduchá změna dat, která vede k významnému zlepšení porozumění.

Dopravní data pokračují v podpoře širokého spektra metrik napříč oborem, s konverzí jako možná nejpozoruhodnějším příkladem. Jenom ořezání záznamů, aby odrážely přesnější počet jednotlivých návštěvníků, může dramaticky změnit interpretace, umožňující maloobchodníkům rafinovat personál, prodejní prostory, zprávy a nesčetné další postupy, aby zlepšili zákaznické zkušenosti a finanční výsledky.

Je to ztělesnění etosu, o kterém jsme diskutovali dříve jako centrálního pro úspěch Sensormatic Solutions během posledních 60 let. Používáme AI k provádění cílených, vysoce hodnotných úprav, které prospívají všem v rovnici.

Sensormatic Solutions nedávno představilo Orbit AI a Video AI jako součást svých schopností Store Guest Behaviors. Jaký strategický mezera toto řešení řeší pro maloobchodníky, a jak se liší od ostatních maloobchodních inteligentních platforem?

Přistupujeme k каждému novému řešení s konkrétní výzvou na mysli. Pro Orbit AI a Video AI jsme se soustředili na oddělení „signálu od šumu“, aby maloobchodníci získali spolehlivá, specifická a kontextualizovaná data, která odstraňují nejistotu z rozhodování.

Re-ID’s inovativní technologie rozpoznávání objektů umožňuje Orbit AI a Video AI pomoci maloobchodníkům:

• Pochopit vzorce doby pobytu v celém obchodě.
• Rozlišit mezi nakupujícími a kolemjdoucími.
• Sledovat nakupující cesty, aby identifikovali trendy, které informují o rozložení zboží, propagačních a reklamních plánech.
• Využít heatmapy k sledování, kde návštěvníci tráví nejvíce času.

Orbit AI a Video AI jdou ještě dále, protože jejich přizpůsobené modely strojového učení se přizpůsobují spolu s operacemi. Systém se učí o každé společnosti a lokalitě s časem, kontinuálně upravuje parametry, identifikuje zdroje zkreslení a pracuje na odstranění redundantních nebo neúplných dat, která zkreslují modely. Tato kontinuální rafinace zajišťuje, že každá informace odráží realitu obchodu právě teď — ne včera, ne minulý týden. A to je kritické, protože maloobchodní trendy, tlaky a podmínky se mění rychlým tempem.

Orbit AI a Video AI byly vytvořeny pro snadnou integraci a s klíčovými bariérami pro přijetí na mysli. Integrovaný design senzorů, přístup na okraji a schopnosti Re-ID umožňují maloobchodníkům získat tyto poznatky s menším počtem zařízení, což usnadňuje nasazení a analytické nástroje dostupné pro podniky všech velikostí. Je to pokračování naší desetiletí práce zaměřené na poskytování inteligentních poznatků průmyslu jako celku.

Vy jste zdůraznil proudění dat a fúzi senzorů jako základní pro maloobchodní reinvenci. Jak kombinace více senzorových vstupů vytváří konkurenční výhodu ve srovnání se samostatnými analytickými nástroji?

Cloud-based analytika pomáhají propojit operace a odstranit sila, ale také zahrnují řadu driverů plýtvání a neefektivity — a mnoho maloobchodníků si těchto skutečností není ani vědomo. Efektivně, fúze senzorů posouvá počáteční úkoly zpracování a integrace na samotné zařízení (na okraji), snižuje objem dat, které musí být přeneseny do centrálních serverů, a ermögňující reálnou odezvu napříč ekosystémem.

Berte například behaviorální analytiku. V tradičním cloud-based prostředí by senzory provedly základní úkoly sběru, kontinuálně (nebo periodicky) posílaly surová data do centrálního počítače pro zpracování, analýzu a akci. Řekněme, že analýza odhalí signály podezřelého chování na prodejním podlaží, které spustí řadu reakčních protokolů. Nu, tato informace — potřeba reakce — také potřebuje být přenesena. A přestože celý proces je rychlý z lidského hlediska, již jste ztratili čas odesíláním a přijímáním informací z A do B do C a zpět.

S fúzí Video AI a Orbit AI můžeme vyříznout tyto extra kroky. Integrované nástroje AI a ML analyzují surová data, jak jsou sbírána, a priorizují další kroky na základě svých zjištění, umožňující více včasné akce. Kromě toho, odstraněním potřeby kontinuálních transferů do větších systémů, fúze na okraji snižuje energetickou poptávku a tlak na centrální systém.

Při podnikové úrovni je integrace globálního hardwaru, softwaru a datových platforem notoricky komplexní. Jaké architektonické principy nebo systémem-inženýrské přístupy jsou kritické pro to, aby se AI poháněná maloobchodní infrastruktura stala skutečně škálovatelnou?

Je imperativní začít se SAFe / Lean – Agile Systems Architecture. Tento základ umožňuje bezpečný, ekonomicky chytrý, flexibilní a přizpůsobitelný (pokud je potřeba) designový přístup a vývoj. Také věřím v práci na využití agnostického přístupu k partnerským ekosystémům — umožňující nám potkat partnery tam, kde jsou v jejich digitální cestě. To umožňuje nám vytvořit páky na úrovni účtu a také otevírá cesty k podpoře společností, které potřebují více SaaS nabídky nebo těch unikátních podnikových organizací, které chtějí všechny systémy / data na místě. Náš přístup umožňuje více cest k umožnění a také podporuje širokou škálu hardwarových možností.

Mnozí maloobchodníci bojují s tím, aby přeložili analytiku do měřitelného ROI. Jak můžete pomoci organizacím spojit pokročilé AI poznatky přímo s finančními výsledky a operační efektivitou?

Tato otázka pomohla vést vývoj Shrink Analyzer. Po první vlně digitální investice měli maloobchodníci hory zásob, ztrát a dalších dat, ale postrádali nástroj, aby z nich udělali smysl.

Ačkoli jeho primárním účelem je pokračující zlepšování, prvotním úkolem Shrink Analyzer je vždy benchmarking v okamžiku implementace. To je první krok, a je to to, co umožňuje jakékoli zlepšování poté, stejně jako slouží jako referenční bod pro sledování pokroku v termínech, které záleží na podniku. Je to tento krok, který mnozí lídři zmeškali v AI hype, a je to důvod, proč sledování ROI bylo takovou výzvou napříč obory.

Odhalením „co, kdy a kde“ plýtvání a ztrát na začátku může Shrink Analyzer přeložit to do něčeho, co maloobchodníci dosud neměli: jasný, kvantifikovatelný obraz toho, jak ztráty vznikají ve velkém měřítku.

Ukazuje, kde ztráty skutečně vznikají, mezery, které mají největší dopad na výkon, a příležitosti ke změně, které mohou pomoci snížit toto číslo. Odtud mohou maloobchodníci začít testovat použití, sledovat pokrok a upravovat, jak postupují, aby sestavili přesvědčivé důkazy, že jejich investice do AI a dalších technologií pohybují jehlu.

Privátní a důvěra jsou centrálními obavami, když se obchody stávají více instrumentovanými. Jak Sensormatic Solutions přistupuje k odpovědnému nasazení AI, zatímco vẫn umožňuje vysokou úroveň operační inteligence?

Považuji tuto otázku za součást toho, o čem jsme diskutovali dříve — budování pro lídry, nakupující a zaměstnance ve stejném měřítku. Ano, maloobchodníci jsou lidé, kteří kupují naše řešení, ale nemůžeme uspět, pokud zaměstnanci a nakupující nejsou s našimi systémy spokojeni. Jejich spokojenost je zásadní pro naše zákazníky a pro nás.

Toto vede naši přístup „privacy-by-design“ napříč všemi našimi výzkumnými a vývojovými procesy. Jinými slovy, pečeme spotřebitelské zábrany do řešení od začátku, což nás drží zvědavými a kreativními.

Design Re-ID demonstruje toto. Jeho schopnosti mapování cest a počítání dopravy používají variace v a kombinace individuálních, neidentifikačních detailů — jako je styl a barva vlasů, design a příslušenství — k přiřazení jedinečných ID návštěvníkům. Můžete si myslet, že je příliš mnoho překryvů v oděvu nebo stylu pro to, aby to bylo efektivní, ale zjistili jsme, že, když jsou tyto druhy poznatků považovány společně, jsou dostatečně jedinečné, aby mohli s jistotou říci „tato osoba pracuje zde“ nebo „tato osoba navštívila před hodinou“.

Nikdy bychom to nevěděli, kdybychom nebyli nuceni myslet mimo krabici od začátku. Jak se regulace mění a obavy spotřebitelů o soukromí rostou, organizace, které přijmou tento pohled brzy, pravděpodobně povedou v inovacích, protože jsou již zvyklí na kreativní řešení problémů.

Maloobchodníci se potýkají s konstantním rozrušením — volatility dodavatelského řetězce, organizovaným maloobchodním zločinem, tlaky na pracovníky a digitální konkurencí. Jak může AI poháněná infrastruktura sloužit jako stabilizující síla, spíše než další vrstva složitosti?

Data-driven systémy poskytují stabilitu tím, že vyrovnávají organizaci kolem jediné pravdy a sdíleného cíle. Přidání AI posiluje tuto jistotu.

Data sama o sobě jsou stále otevřená interpretaci, a závěry zúčastněných stran jsou zbarveny jejich vlastními prioritami. AI může zmírnit tuto otázku, protože analyzuje data napříč operacemi bez zkreslení směrem k jednomu názoru. Pokud systém fungoval podle očekávání, lídři s konkurenčními osobními prioritami mohou důvěřovat, že analýzy, doporučení a prediktivní modely odrážejí realitu podnikových operací. To vyrovnává hřiště, takže nejlepší další krok vystoupí na vrchol, protože jeho hodnota je zřejmá pro všechny.

Pohledem do budoucna pět až deset let, co vypadá plně AI optimalizované fyzické maloobchodní prostředí, a jaké strategické kroky by měli lídři podniknout nyní, aby se připravili na tuto budoucnost?

Neexistuje žádný univerzální roadmap, na který bych mohl odkázat, protože naše AI připravenost opravdu spočívá v budování systémů, které fungují pro každého jednotlivého maloobchodníka. Nicméně, základy pro toto jsou somewhat univerzální. Každý maloobchodník potřebuje:

• Jednotnou databázi, která poskytuje komplexní záznam všech oblastí operací. Bez toho by ani nejvíce schopné a pokročilé modely nemohly poskytnout užitečné poznatky. Potřebují kontext, aby dodali.
• Důvěryhodné benchmarky založené na relevantních obchodních datech. To slouží jako výchozí bod pro investice a poskytuje referenční bod pro měření pokroku.
• Plány školení a dalšího vzdělávání. AI není nezávislým aktérem. Může udělat hodně, ale lidé, kteří ho používají, potřebují pochopit jeho funkce a omezení. Maloobchodníci potřebují začít plánovat a komunikovat o technologii brzy a často, aby zaměstnanci a zaměstnanci byli připraveni, až nastane čas.
• Lídry, kteří se starají. Transformace je dlouhodobý projekt, a lídři potřebují být připraveni zavázat se zdrojům k iniciativě na dlouhou dobu a být nadšeni, aby vedli organizaci skrz ni.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Sensormatic Solutions nebo Divergent Technology Advisors.