Richard Potter, Co-Founder & CEO of Peak – Intervieuserie

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

Kan du dele historien om Peak?

Idéen til Peak startede 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 forenkle tingene for virksomhederne, at bryde ned siloer inden for virksomhederne, så holdene kunne arbejde sammen, og alle kunne udnytte nyttige resultater baseret på data. Dette førte os til platformen, der samler hold omkring et produkt, der er bygget til at optimere forretningen med AI.

Kan 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 resultatorienteret løsning, såsom en højere salgsrate eller margin.

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

Da den kommercielle investering i AI øger, 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 forretningens præstation.

Ved at fokusere på resultater fra starten af et projekt og forstå, hvad der er praktisk med den tilgængelige data, prioriterer denne nye disciplin inden for datavidenskab udviklingen af løsninger ved at starte med slutningen for øje. Det giver virksomheder mulighed for at få deres AI udviklet 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 udruller maskinel læring for at udgive resultater. Hvad slags maskinlæringsalgoritmer bruges?

Peak-platformen bruger en bred vifte af maskinlærings- og modelleringsteknikker – 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 til dem.

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

Peak-platformen kører applikationer, der er specielt designede til at levere på resultater, enten det er at øge salg eller profit (eller begge!). Disse applikationer dækker marketing, salg, merchandising, lagerstyring, prissætning og forsyningskæde. Da det sidder på tværs af en virksomheds samlede dataset, kan Peaks Decision Intelligence-platform optimere på tværs af hele værdikæden, giver realtidsindsigt og anbefalinger, der gavner hver funktion inden for en virksomhed. 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 giver brugerne mulighed for at:

1. Kombinere data fra på tværs af deres organisation og gøre den AI-klar.
2. Bygge og træne en centraliseret intelligens, der bruger AI-modeller til at give en prognose af deres organisation.
3. Give en grænseflade for 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 udruller Peaks standardapplikationer selv.

Hvad er nogle eksempler på, hvordan Peak giver virksomheder mulighed for at optimere deres forsyningskæder?

Et godt eksempel ville være en lagerchef, der har problemer med en vare. Traditionelt ville de have brug for at manuelt justere ordrer på tværs af oversolgte varenumre, ændre ordremængder 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 forretningen 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 sælges der. Det har allerede advaret logistikteamet og har dirigeret den planlagte levering via det lager for at hente de ekstra enheder. Det vil fortsætte med at køre den samme model til kommercielle teams på tværs af forretningen, justere den anbefalede handling, når dataindsigt ændrer sig, og hver afdeling tager handling.

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

En global detaljhandelskæde bruger i øjeblikket Decision Intelligence til at optimere sin transportnetværk og reducere mængden af spildbevægelser af varer mellem fabrikker, distributionscentre og butikker. Virksomhedens mål er at reducere CO2-udledningen og øge sine profitmargener.

Ved hjælp af datakilder fra på tværs af forsyning, efterspørgsel og lager, kombineret med elektroniske 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, tagende højde for faktorer som efterspørgsel (reel og prognose), produktionsoutput, behandlingsomkostninger og transportomkostninger. Løsningen reducerede logistikomkostningerne med 10% og reducerede lastbilrejser mellem centrene med 200.000 km, hvilket repræsenterer en reduktion på 147 metriske tons CO2-udledning i de første otte måneder af implementeringen.

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 for at understøtte flere kunder globalt er vores top-prioritet, og vi udvider i både USA og Indien, åbner Clubhouses i New York, Mumbai og Pune. Bæredygtig høj præstation er nøgle til dette; 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 brændes 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 de applikationer, som datavidenskabsteams uden for Peak udvikler med platformen – meget 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.