Crisp lancerer Halo, der bringer AI til detailhandlen ind i virksomheders cloudmiljøer

Crisp har lanceret Halo, en AI-platform til detailhandlen, der kan køre i virksomhedens eget cloudmiljø og bringe salgs- og forsyningskædeanalyser tættere på de data- og styringssystemer, virksomhederne allerede bruger. Platformen blev annonceret den 29. oktober og henvender sig til producenter af pakkede forbrugsvarer (CPG), detailhandlere, distributører og mæglere.

Lanceringen adresserer et velkendt problem i detailhandlen: Teams kan se en ændring i salget eller lagerbeholdningen, men bruger alligevel ofte timevis på at samle den kontekst, der skal til for at forklare den. Crisps meddelelse om Halo beskriver et system, der kombinerer detailhandelsdata, branchespecifik logik og agentbaserede værktøjer for at hjælpe brugerne med at undersøge resultaterne og beslutte, hvad de skal gøre som det næste.

Et fundament af detailhandelsdata under AI’en

H alos arkitektur tager udgangspunkt i de oplysninger, der kommer fra detailhandlere og distributører. Crisps platformsoversigt opdeler dette fundament i dataintegration, datastyring og datamodellering, med agentbaserede værktøjer og rollespecifikke applikationer ovenpå.

Strukturen er vigtig, fordi et produkt, en butik eller en rapporteringsperiode kan være repræsenteret forskelligt hos forskellige handelspartnere. Et spørgsmål om en lagerunderskud bliver mere nyttigt, når de underliggende systemer er enige om, hvilken vare, lokation og tidsperiode spørgsmålet handler om.

Crisp beskriver sin tilgang som vertikal AI: Data renses og beriges med detailhandelsspecifik semantik, før de bruges til analyser. Virksomhedens baggrundsmateriale nævner detailhandlernes kalendere, produkthierarkier, leveringsgrader og analyser af udsolgte varer som eksempler på den forretningsmæssige kontekst. Crisp oplyser, at mere end 7.000 kunder, herunder 90 af de 100 største CPG-virksomheder, bruger virksomhedens tjenester; det er adoptionstal oplyst af virksomheden selv.

Kører i kundens cloudmiljø

Halo fås som en hostet platform eller i kundemiljøer på Databricks, Snowflake og Google Cloud. Sidstnævnte løsning giver virksomheder et alternativ til at flytte deres detailhandelsindsigt til endnu en eksternt hostet applikation.

Crisps Databricks-dokumentation om arkitekturen giver et konkret eksempel. Her placeres detailhandelsdata i Delta-tabeller, der styres via Unity Catalog, applikationer og agenter hostes i Databricks Apps, og en Lakebase-database bruges til applikationstilstand, samtaler og agenthukommelse. Kald til modeller går gennem Model Serving og AI Gateway, mens semantiske forespørgsler bruger et valgt SQL-warehouse.

Ifølge Crisp forbliver proprietære data i kundens miljø, mens ikke-proprietære driftslogfiler og telemetridata deles med virksomhedens centrale systemer. Denne skelnen er mere præcis end at antyde, at løsningen slet ikke kommunikerer eksternt. Crisp anfører også MLflow-integration og publicering af virksomhedens semantiske modeller som Unity Catalog Metric Views som punkter på køreplanen.

For IT-teams er betydningen driftsmæssig: Adgangskontroller, valg af inferensmetode og brugssporing kan tilpasses den eksisterende infrastruktur. Implementeringsstedet alene fastslår dog ikke, om et svar er korrekt, eller om en automatiseret handling er hensigtsmæssig.

Fra spørgsmål om porteføljen til beslutninger for den enkelte detailhandler

Lanceringen introducerer Central Desk og Customer Desk. Central Desk giver hovedkontorernes teams overblik over deres detailhandelsportefølje til opgaver inden for salgsstrategi, kategoristyring og planlægning af forsyningskæden. Customer Desk henvender sig til kundeteams, der har brug for en enkelt detailhandlers målepunkter, terminologi og driftslogik.

Forestil dig et brand, der undersøger et faldende salg af et bestemt produkt. Det relevante spørgsmål er, om ændringen skyldes efterspørgsel, tilgængelighed, distribution eller en anden driftsmæssig faktor. Ved at knytte analysen til data på butiks- og vareniveau kan teams indsnævre undersøgelsen i stedet for at behandle et fald på tværs af hele porteføljen som ét samlet problem.

Det er den praktiske forskel mellem en samtalebaseret grænseflade og en applikation til detailhandlen: Applikationen skal forstå de forretningsmæssige enheder og relationer, der ligger bag spørgsmålet. Halos bredere platform organiserer også funktioner omkring områder som genopfyldning, kategoriplanlægning og leverandørsamarbejde.

Sporbare svar og arbejdsgange, der kan gentages

Crisps materiale om AI-agenter beskriver værktøjer, der bruger daglig indsigt på butiks- og produktniveau til at understøtte analyse og handling. På tværs af Halo fremhæver virksomheden samtalebaserede spørgsmål, tilbagevendende rapporter, automatisering af arbejdsgange og tilpassede applikationer som centrale måder at bruge værktøjerne på.

Materialet om lanceringen lægger vægt på at kunne spore anbefalinger tilbage til kildedataene og den logik, der blev brugt til at udarbejde dem. Sådan dokumentation af datagrundlaget kan gøre et svar lettere at efterprøve: En analytiker kan undersøge de data og ræsonnementer, der ligger bag en anbefaling, i stedet for uden videre at stole på en velformuleret forklaring.

For virksomheder, der vurderer platformen, handler de vigtige spørgsmål ikke kun om forklaringen, men også om udførelsen: Hvilke handlinger er tilladt, hvilke kræver gennemgang, og hvordan måles virkningen, efter at de er gennemført? Det offentliggjorte materiale beskriver funktioner og implementeringsarkitektur, men ikke en uafhængig benchmarktest af prognosenøjagtighed eller økonomiske afkast.

Halos stærkeste fordel er forbindelsen mellem disse lag. Konteksten fra detailhandlen giver et AI-system mere nyttig information at arbejde med, implementering i kundens cloudmiljø kan passe ind i den eksisterende styring, og rollespecifikke arbejdsgange bringer analyserne frem til de personer, der er ansvarlige for lagerbeholdning og kommercielle beslutninger.