Myron Burke, Leder af Solutions Management hos Sensormatic Solutions – Interview Serie

Myron Burke, leder af globalt produkt- og løsningssalg hos Sensormatic Solutions, identificerer og implementerer nye måder at accelerere innovation, øge hastighed og levere større værdi til kunder gennem en strategisk løsningsskema.

Myron er en erfaren leder med mere end 25 års erfaring i detailhandel, herunder hans tid hos Walmart og Sam’s Club, hvor han leverede innovation i stor skala. Senest grundlagde Myron Divergent Technology Advisors, en detailhandels teknologirådgivningsvirksomhed, der vejleder større detailhandlende, teknologileverandører og start-ups med teknologistrategi, markedsføringsplanlægning, international markedsudvidelse og mere.

Sensormatic Solutions, det førende globale detailhandelsløsningssortiment fra Johnson Controls, giver sikre, sikre og ubrudte detailhandelsoplevelser. I mere end 60 år har mærket været i forkanten af branchens hurtigt udviklende teknologi, hvor det har gendefineret detailhandelsoperationer på global skala og omdannet indsigt til handling. Sensormatic Solutions leverer et sammenhængende økosystem af tabsforebyggelse, lagerintelligens og trafikindsigtsløsninger samt tjenester og partnere, der giver detailhandlende på verdensplan mulighed for at innovere og hæve med præcision, og som forbinder data-drevne resultater, der former detailhandlens fremtid.

De har tilbragt mere end 25 år ved skæringen af detailhandelsoperationer og fremvoksende teknologi — fra at lede RFID-strategi og butiksinnovation hos Walmart og Sam’s Club til at inkubere næste generationskoncepter hos Store No. 8, og nu som leder af Globalt Produkt og Løsninger hos Sensormatic Solutions. Hvordan har disse oplevelser formet Deres filosofi om, hvordan AI og sensor-teknologier skal implementeres i fysisk detailhandelsmiljø i dag?

Jeg tager en meget pragmatisk tilgang til AI-implementering, og jeg opfordrer mit team og Sensormatic Solutions’ detailhandelskunder til at gøre det samme. Min erfaring på begge sider af ligningen har bevist gang på gang, at bygning på denne måde er nøglen til succesfuld transformation.

Sensormatic Solutions har opereret på en meget enkel overbevisning i de sidste 60 år: Teknologi lykkes, når operations-effektivitet og virkelige detailhandelsudfordringer er i centrum. Det synes åbenlyst — især for dem, der holder sig tæt på fremvoksende værktøjer — men denne grundlæggende princip er blevet lidt glemt midt i all hype omkring AI.

Presset for at flytte hurtigt og følge med markedet var og er højt både i løsningudvikling og kundeadopteringsprocesser, men bygning af værktøjer, der faktisk udfylder huller, er mere betydningsfuldt end at forsøge at foldede AI-funktioner ind i hvert enkelt produkt. Vi er fokuseret fast på at finde steder, hvor strømlinet indsamling, fusion, analyse og handling driver målbare forbedringer. Denne fokus udvides også til de data, som AI vil bruge — målrettede, kontrollerede og rensede data er nøglen til at levere bæredygtig AI-værdi, især på tværs af forskellige kunder.

Noget, vi også holder øje på, er, at dette er sandt for alle mulige brugere: erhvervsbeslutningstagere, kunder og medarbejdere. Med hver ny løsning eller opdatering spørger vi os selv, om vi leverer værdi til alle tre interessenter i ligelig mål, fordi hver gruppe er afgørende for detailhandlens succes.

Dette interne ethos oversætter sig naturligt til løsninger, der hjælper detailhandlende med at antage en lignende holdning, og som tilbyder værktøjer, der understøtter meningsfuld forbedring gennem praktiske, tilpassede systemdesigns. AI-implementering er ikke en-size-fits-all, og heller ikke er de programmer, vi bygger med kunder.

Sensormatic Solutions positionerer sig mere og mere som AI og ML-avancerede analytiker som kerneaktiverende af moderne detailhandelsoperationel intelligens. Hvordan gendefinerer AI, hvad “tabsforebyggelse” betyder i en omnichannel-verden?

De enkleste svar er synlighed med hastighed. AI hjælper med at afmystificere tabs og leverer en fuld visning af total detailhandelstab. Sandheden er, at man kun kan bemærke tab, som man kan se, ikke? For størstedelen af branchens historie har synligheden i tab kun været mulig på det mest grundlæggende, overfladiske niveau, med programmer, der fokuserer på varer, der burde være tilgængelige for salg, men ikke er. Man måske har en idé om, om en vare var stjålet, ødelagt under transport eller beskadiget, mens den var på hylden, men at spore disse typer af ting i stor skala var svært, hvis ikke umuligt.

Forbundne analytiker og sensorsystemer udvidede, hvad detailhandlende kan se, spore og kvantificere. Tænk på at fremhæve de 3% fejl, der er skjult i de enorme mængder af data, der genereres i dag. Disse sensorsystemer låser op for, hvad, hvor, hvornår og hvem af tab, hvilket — på sig selv — antænder en transformation i forståelse omkring tabs og skifter paradigmet mod “total detailhandelstab”. Denne udvidede synsvinkel giver detailhandlende mulighed for at se et andet lag af operationer og en hel ny sæt af potentielle drivere af tab relateret til procesafvigelse og huller samt spildt tid, ressourcer og indsats.

Når alt dette er identificeret og mærket, kan man derefter omdanne det. Det er, hvor AI kommer ind. Det forbinder disse nye “punkter” ofte i realtid for at overflade en helt anden lag af data. Prædiktiv, højpræcis intelligens og modellering kan hjælpe med at kvantificere effekterne af upstream-spild, veje den relative værdi af mulige justeringer og illustrere omkostningerne ved inaktion. Effektivt er det med til at enable detailhandlende til at skifte deres holdninger fra reaktive til proaktive, og hjælpe dem med at omdefinere tab som muligheder for forbedring.

Med teknologi som Re-ID og AI-drevet fodtrafikanalyse kan detailhandlende nu gå ud over simpel menneskeoptælling til dybere shopperadfærdsmæssig og operationel indsigt. Hvad er de mest transformative anvendelsessager, De ser opstå fra denne skift?

Re-ID er til mig et kraftfuldt eksempel på små, målrettede justeringer, der har en enorm indvirkning på operationsforståelse.

Re-ID gør virkelig kun én ting: forbedrer trafikmålinger. Selvfølgelig er det komplekst at få teknologien til at adskille unikke shoppe fra genindgange, personale og andre kategorier af besøgende, men resultatet er en meget enkel ændring af datasæt, der driver betydelig forbedring i forståelse.

Trafikdata fortsætter med at underbygge en bred vifte af målinger på tværs af branchen, med omvendelse som måske det mest bemærkelsesværdige eksempel. Bare at trimme optegnelser for at reflektere den mere præcise tælling af enkeltbesøgende kan dramatisk ændre fortolkninger, og enable detailhandlende til at finjustere personale, gulvplaner, beskeder og utallige andre praksis for at forbedre kundeoplevelser og finansielle resultater.

Det er inkarnationen af det ethos, vi diskuterede tidligere som central for Sensormatic Solutions’ succes i de sidste 60 år. Vi bruger AI til at lave målrettede, højværdi-justeringer, der gavner alle i ligningen.

Sensormatic Solutions har nyligt introduceret Orbit AI og Video AI som en del af dets Store Guest Behaviors-kapaciteter. Hvad strategisk huller løser denne løsning for detailhandlende, og hvordan adskiller den sig fra andre detailhandelsintelligensplatforme?

Vi tilgår hver ny løsning med et specifikt udfordring i mente. For Orbit AI og Video AI var vi fokuseret på at adskille “signalet fra støjen”, for at give detailhandlende pålidelig, specifik og kontekstualiseret data, der fjerner gætteriet fra beslutningstagningen.

Re-ID’s innovative objektgenkendelsesteknologi giver Orbit AI og Video AI mulighed for at hjælpe detailhandlende med at:

• Forstå opholds mønstre på tværs af butikken.
• Adskille mellem shoppe og forbipasserende.
• Spore shopperrejser for at identificere tendenser, der informerer varelayout, promotions- og reklameplaner.
• Bruge varme-kort til at spore, hvor besøgende tilbringer mest tid.

Orbit AI og Video AI tager det et skridt videre, da deres tilpassede maskinlæringsmodeller tilpasser sig sammen med operationerne. Systemet lærer om hver virksomhed og lokalitet over tid, og kontinuerligt justerer parametre, identificerer kilder til bias, og arbejder på at fjerne redundant eller ufuldstændig data, der forvrænger modellerne. Denne kontinuerlige forbedring sikrer, at hver indsigt reflekterer virkeligheden af butikken lige nu — ikke i går, ikke sidste uge. Det er kritisk, fordi detailtrend, pres og vilkår ændrer sig hurtigt.

Orbit AI og Video AI er bygget til let integration og med nøglebarrierer for adoption i mente. Sensorernes integrerede design, edge-tilgang og Re-ID-kapaciteter giver detailhandlende mulighed for at opnå disse indsighter med færre enheder, og gør installation lettere, og analytics-værktøjer tilgængelige for virksomheder af alle størrelser. Det er en fortsættelse af vores årtiers arbejde med at gøre intelligente indsighter tilgængelige for branchen i bred forstand.

De har understreget strømlinet dataanvendelse og sensorfusion som grundlæggende for detailhandels-genopfindelse. Hvordan skaber kombination af multiple sensorindgange en konkurrencefordel i forhold til siloede analytics-værktøjer?

Cloud-baserede analytiker hjælper med at forbinde operationer og fjerne siloer, men de indeholder også en række drivere af spild og ineffektivitet — og mange detailhandlende er ikke engang klar over, at disse findes i deres systemer. Effektivt skifter sensorfusion de første behandlings- og integrationsopgaver til enheden selv (på kanten), og reducerer mængden af data, der skal overføres til centrale servere, og muliggør realtidsrespons på tværs af økosystemet.

Tag f.eks. adfærdsanalytiker. I en traditionel cloud-baseret miljø ville sensorerne udføre grundlæggende indsamling, og kontinuerligt (eller periodisk) sende rådata til central beregning for behandling, analyse og handling. Lad os sige, at analysen afslører signaler om mistænkeligt adfærd på salgsfladen, hvilket udløser en række responsprotokoller. Nu skal denne information — behovet for en respons — også overføres. Og selvom hele processen er hurtig i menneskelige standarder, har man allerede tabt tid med at sende og modtage information fra A til B til C til B og så videre.

Med Video AI og Orbit AI’s fusionsevner kan vi udelade disse ekstra skridt. De integrerede AI- og ML-værktøjer analyserer rådata, mens de indsamles, og prioriterer næste skridt baseret på deres fund, og muliggør mere tidlig handling. Derudover reducerer edge-baseret fusion også energibehov og belastning på det centrale system.

På enterprise-skala er integration af globale hardware-, software- og data-platforme notorisk kompleks. Hvad er de arkitektoniske principper eller systemingeniørtilgange, der er kritiske for at gøre AI-drevet detailhandelsinfrastruktur virkelig skalerbar?

Det er afgørende at begynde med SAFe / Lean – Agile Systems Architecture. Denne grundlag giver sikker, økonomisk smart, fleksibel og tilpasset (hvis nødvendigt) design-tænkning og udvikling. Jeg tror også på at arbejde for at udnytte en agnostisk tilgang til partner-økosystemer — hvilket giver os mulighed for at møde partnere, hvor de er i deres digitale rejse. Dette giver os mulighed for at skabe løsninger på konto-niveau og åbner også veje for at støtte virksomheder, der har brug for mere af en SaaS-tilbud eller de mere unikke enterprise-organisationer, der ønsker alle systemer og data på stedet. Vores tilgang giver multiple veje til enablement og støtter også en bred vifte af hardware-optioner.

Mange detailhandlende kæmper med at oversætte analytiker til målbare ROI. Hvordan hjælper organisationer med at forbinde avancerede AI-indsighter direkte til finansielle resultater og operations-effektivitet?

Det spørgsmål hjalp med at drive Shrink Analyzers udvikling. Efter den første omgang af digitaliseringsinvestering havde detailhandlende bjerge af lager-, tab- og anden data, men manglede et værktøj til at give mening til det hele.

Selv om dens primære formål er kontinuerlig forbedring, er Shrink Analyzers første opgave altid benchmarking ved implementeringstidspunktet. Det er det første skridt, og det er, hvad der giver mulighed for alle forbedringer herefter, samt fungerer som en reference for at spore fremgang i termer, der betyder noget for forretningen. Det er dette skridt, mange ledere har overset i AI-hypen, og det er grunden til, at sporing af ROI har været så stor en udfordring på tværs af brancher.

Ved at afsløre “hvad, hvornår og hvor” af spild og tab i begyndelsen kan Shrink Analyzer oversætte det hele til noget, detailhandlende ikke rigtig har haft før: en klar, kvantificerbar billed af, hvordan tab sker i stor skala.

Det viser, hvor tab faktisk sker, hullerne, der har den største indvirkning på præstation, og mulighederne for ændring, der kan hjælpe med at bringe dette tal ned. Herfra kan detailhandlende begynde at teste anvendelsessager, spore fremgang, og justere, efterhånden, for at samle overbevisende bevis for, at deres AI- og andre teknologiinvesteringer flytter nålen.

Privatliv og tillid er centrale bekymringer, da butikker bliver mere udstyret. Hvordan tilgår Sensormatic Solutions ansvarlig AI-implementering, samtidig med at det giver højopløst operations-intelligens?

Jeg ser på dette spørgsmål som en del af, hvad vi diskuterede tidligere — bygning for ledere, shoppe og medarbejdere i ligelig mål. Ja, detailhandlende er de mennesker, der køber vores løsninger, men vi kan ikke lykkes, hvis medarbejdere og shoppe ikke er med på vognen med systemerne. Deres tilfredshed er afgørende for vores kunder og for os.

Dette driver vores privatliv-til-design-tilgang på tværs af alle vores forsknings- og udviklingsprocesser. Med andre ord, vi bager forbrugerbeskyttelse ind i løsningen fra begyndelsen, hvilket holder os nysgerrige og kreative.

Re-ID’s design demonstrerer dette. Dets rejse-kortlægnings- og trafik-tællingskapaciteter bruger variationer i og kombinationer af enkelt-, ikke-identificerende detaljer — som hårstil og farve, tøjdesign og tilbehør — for at tildele unikke ID’er til besøgende. Man kunne tro, at der er for meget overlap i påklædning eller stil til, at dette er effektivt, men vi fandt, at når disse typer af indsighter sammenlignes, er de unikke nok til at sige “denne person arbejder her” eller “denne person besøgte for en time siden”.

Vi ville aldrig have vidst det, hvis vi ikke havde været tvunget til at tænke uden for boksen fra starten. Da regler og forbrugerprivatlivs-bekymringer ændrer sig, vil organisationer, der antager denne synsvinkel tidligt, sandsynligvis føre an i innovation, da de allerede er vant til kreativt problemløsning.

Detailhandlende navigerer konstant disruption — forsyningskæde-volatilitet, organiseret detailhandelskriminalitet, arbejdspres og digital konkurrence. Hvordan kan AI-drevet infrastruktur fungere som en stabiliserende kraft i stedet for bare endnu et lag af kompleksitet?

Data-drevne systemer giver stabilitet ved at aligne organisationen omkring en enkelt sandhed og fælles mål. Tilføjelse af AI forstærker denne sikkerhed.

Data alene er stadig op til fortolkning, og interessenters konklusioner er farvet af deres egne prioriteringer. AI kan mildne dette problem, da det analyserer data på tværs af operationen uden bias mod en bestemt synsvinkel. Hvis systemet fungerer, som det skal, kan ledere med konkurrerende personlige prioriteringer stole på, at analyser, anbefalinger og prædiktive modeller reflekterer virkeligheden af virksomhedens operationer. Det niveallerer spillefeltet, så det bedste næste skridt stiger til toppen, fordi dets værdi er klar for alle.

Settende fremad fem til ti år, hvad ser en fuldt AI-optimeret fysisk detailhandelsmiljø ud til, og hvilke strategiske skridt bør ledere tage nu for at forberede sig på den fremtid?

Der er ingen en-size-fits-all-vejviser, jeg kan pege på vores AI-beredskab, fordi det virkelig handler om at bygge systemer, der fungerer for hver enkelt detailhandlende. Imidlertid er grundlaget for dette noget universelt. Hver detailhandlende har brug for:

• En samlet database, der giver en komplet optegnelse af alle områder af operationer. Uden dette kan selv de mest kapable og avancerede modeller ikke levere nyttige indsighter. De har brug for kontekst for at levere.
• Pålidelige benchmarks baseret på relevante forretningsdata. Dette fungerer som et udgangspunkt for investeringer og giver en reference, som man kan måle fremgang med.
• Uddannelses- og opskolingsplaner. AI er ikke en uafhængig aktør. Det kan gøre meget, men de mennesker, der bruger det, har brug for at forstå dets funktioner og begrænsninger. Detailhandlende har brug for at starte med at planlægge og kommunikere om teknologien tidligt og ofte, så medarbejdere og ansatte er klar, når tiden kommer.
• Ledere, der bryder sig. Transformation er et langsigtedt projekt, og ledere har brug for at være parat til at engagere sig i ressourcer til initiativet for lang tid og være begejstret for at guide organisationen igennem det.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Sensormatic Solutions eller Divergent Technology Advisors.