Richard Potter, Co-Founder & CEO of Peak – Interview Serie

Richard Potter er Co-Founder & CEO af Peak, en platform, der giver dataingeniører, datavidenskabsmænd og kommercielle beslutningstagerne alt, de har brug for for at bygge og understøtte AI-drevne løsninger på tværs af virksomheden.

Kunne du dele historien om Peak?

Idéen til Peak startede først som en samtale på en pub om alle de forskellige business intelligence-produkter, der var tilgængelige på det tidspunkt. Mine medstiftere, Atul Sharma og David Leitch, og jeg undrede os over, hvorfor så få virksomheder kunne omfavne data til beslutningstagning. Vi ville have en måde at simplificere tingene for virksomhederne, at bryde siloer inden for virksomhederne, så holdene kunne arbejde sammen, og alle ville kunne udnytte nyttige resultater baseret på data. Dette ledte os til platformen, der samler hold omkring et produkt, der er bygget til at optimere forretningen med AI.

Kunne du beskrive, hvad Decision Intelligence er for vores læsere?

Decision Intelligence er anvendelsen af AI til at optimere kommercielle beslutninger. Det er resultatorienteret, hvilket betyder, at DI-løsninger er bygget til at levere en konkrete resultater, såsom en højere salgsrate eller margin.

En af dine forudsigelser for at gå ind i 2022 er, at en ny disciplin inden for datavidenskab er på vej. Kunne du uddybe dette?

Da den kommercielle investering i AI øges, og datavidenskab modnes, er en ny disciplin inden for datavidenskab på vej, der starter med slutningen for øje.

Traditionelle datavidenskabsprojekter begynder med at forstå den tilgængelige data og hvad der kan gøres med den. Resultatet er hypotetiske løsninger til data-problemer, snarere end AI-løsninger, der kan forbedre forretningspræstationen.

Ved at fokusere på resultaterne fra starten af et projekt og forstå, hvad der er praktisk med den tilgængelige data, prioriterer denne nye disciplin inden for datavidenskab implementering af løsninger ved at starte med slutningen for øje. Det ermögiller virksomhederne at få deres AI implementeret og låse værdien fra deres AI-strategi hurtigere.

Peak har bygget et kunstig intelligenssystem, der bliver et centralt intelligenssystem inden for en virksomheds forretning. Det samler data og implementerer maskinlæring, for derefter at udgive resultater. Hvad slags maskinlæringsalgoritmer bruges?

Peak-platformen bruger en bred vifte af maskinlæring- og modelteknikker – valget betyder, at vi kan tackle hvert projekt med den mest passende metode. Vi kan bruge supervisede og unsupervisede metoder, samt forecasting eller optimeringsteknikker afhængigt af problemet, der løses. Disse kan bygges i vores platform ved hjælp af Python, R og SQL.

Med denne fleksibilitet og bredde af valg, kan Peaks kunder bygge deres egen AI, der er unik for deres forretning. Dette er, hvad organisationer har brug for for virkelig at omfavne Decision Intelligence. Hver virksomhed bør ikke have en standard-AI, men noget, der er bygget specifikt for dem.

Hvordan ermögiller Peak virksomheder at bruge deres største aktiv – data – til at øge salg og profit?

Peak-platformen kører applikationer, der specifikt er designet til at levere på resultater, enten det er at øge salg eller vokse profit (eller begge!). Disse applikationer dækker marketing, salg, merchandising, lagerstyring, prissætning og forsyningskæde. Da det sidder på tværs af en virksomheds samlede datasæt, kan Peaks Decision Intelligence-platform optimere på tværs af hele værdikæden, og give virksomheden realtids indsigt og anbefalinger, der kan gavne hver funktion inden for virksomheden. Dette er en kompleks matrix, og Decision Intelligence er det perfekte værktøj til at sikre, at hver beslutning, der træffes, er den rigtige.

Peak ser ud til at være fuldt servicerede, har virksomheder, der bruger tjenesten, brug for at have AI-ingeniører på bordet for at bruge platformen?

Peak-platformen har tre kernefunktioner, der tillader brugere at:

1. Kombinere data fra på tværs af deres organisation og gøre det AI-klart.
2. Bygge og træne en central intelligens, der bruger AI-modeller til at give en prædictiv visning af deres organisation.
3. Give en interface for linje-forretningsbrugere til at interagere med modeller, der vejleder beslutningstagning på tværs af multiple funktioner.

Siden det blev grundlagt i 2015, har Peak tilbudt en model, hvor vores platform og applikationer implementeres for vores kunder af vores kundesucces- og datavidenskabsteams. Vi ser en stigende tendens til, at en større og større del af Peaks kunder selvbetjener på platformen, bygger deres egne applikationer eller implementerer Peaks standard-applikationer selv.

Hvad er nogle eksempler på, hvordan Peak ermögiller virksomheder at optimere forsyningskæder?

Et godt eksempel ville være en lagerchef, der har med en lagerproblematik at gøre. Traditionelt ville de have brug for at manuelt justere ordrer på tværs af oversolgte varenumre, ændre ordrevolumener sporadisk for at tage højde for volatilitet i efterspørgslen.

Men med hjælp af en DI-platform kan lagerchefen være proaktiv snarere end reaktiv. Ved at tage omstændigheder på tværs af virksomheden i betragtning, anbefaler DI-platformen, at de reducerer ordrer fra leverandøren. Det lyder modsigende, hvis der er høj efterspørgsel, men DI-løsningen har identificeret, at virksomheden har et lager med et depot et county væk med 2.000 enheder af den vare, der ikke sælger der. Det har allerede advaret logistikteamet og har omdirigeret den planlagte levering via det lager for at hente de ekstra enheder. Det vil fortsætte med at køre den samme model til kommercielle team på tværs af virksomheden, og justere den anbefalede handling, efterhånden som data indsigt skifter, og hver afdeling tager handling.

Et andet eksempel på brug er reducering af spild og energi, kunne du give nogle eksempler på kunder, der opnår dette ved at bruge Peak?

En global CPG-detailhandler bruger i øjeblikket Decision Intelligence til både at optimere sin transportnetværk og reducere mængden af spildbevægelser af varer mellem fabrikker, distributionscentre og butikker. Virksomhedens mål er at reducere carbonudledning og øge sine profitmargener.

Ved at anvende datakilder fra på tværs af forsyning, efterspørgsel og lager, kombineret med Electronic Point of Sale (EPOS) og kundedata, bruger virksomheden DI til at optimere lager niveauer på hvert distributionscenter og koordinere bevægelser af lager mellem multiple centre, og tage højde for faktorer som efterspørgsel (reel og forudsiget), produktionsoutput, behandlingsomkostninger og transportomkostninger. Løsningen reducerede logistikomkostningerne med 10% og reducerede lastbilrejser mellem centre med 200.000 km, hvilket repræsenterer en reduktion på 147 Metric Tonnes (MT) i CO2-udledning i de første otte måneder af implementeringen.

Ligesom en førende producent og leverandør af aggregater til byggeindustrien, med en samlet flåde på 400 køretøjer, kunne øge jobs per chauffør med 15% og reducere kilometerafstand med 3% for hvert job med en automatiseret DI-planløsning, der forudser jobefterspørgsel og aflysninger, maksimerer køretøjsproduktivitet og planlægger køretøjsruter.

Hvad er din vision for Peaks fremtid?

Vi vil sætte Decision Intelligence i hænderne på hver virksomhed og bygge en virksomhed, som folk elsker at være en del af. Dette betyder, at udvidelse til at understøtte flere kunder globalt er vores topprioritet, og vi udvider i både USA og Indien, åbner Clubhouses i New York, Mumbai og Pune. Bæredygtig høj præstation er nøgle til det; vi vil have, at Peakers er på vores rejse i en stor del af deres karriere, vi vil ikke have folk, der kommer ind og bliver brændt ud inden for et par år.

Vi investerer massivt i forskning og udvikling efter vores succesfulde Series C-runde, der lukkede i august sidste år. Da vi frigør mere spændende platformfunktioner og udvider på tværs af verden, er vi begejstret for at se, hvilke applikationer datavidenskabsteams uden for Peak udvikler med platformen – en stor del af, hvad DI er i stand til, vil blive opdaget i praksis.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Peak.