Rohit Aggarwal, COO hos DecisionNext – Interviewserie

Rohit Aggarwal er Chief Operating Officer hos DecisionNext, en førende AI-platform, der giver virksomheder mulighed for at optimere køb eller salg af råvarer til det bedste mulige tidspunkt og pris. Han udnytter en stærk baggrund inden for supply chain og produktledelse samt erfaring med at lede meget store teams for at udføre komplekse multi-disciplinære projekter og levere forretningsresultater. Rohit har tidligere haft produkt- og operationsledelsesroller hos både Google (GOOGL ) og Amazon (AMZN ).

Du har arbejdet hos Amazon og mere nylig hos Google. Hvad var nogle af dine vigtigste højdepunkter fra disse oplevelser?

Hos Amazon havde jeg mulighed for at lede et diversificeret team på 250 tværfaglige medarbejdere for at lancere bedst-i-klassen operationsfaciliteter. Jeg støttede også implementeringen af innovationer som samme-dags-levering, robotteknologi og andre opkommende teknologier. Derefter hos Google anvendte jeg mine færdigheder til at brobygge mellem produkt og operation. Dette indebar at bygge applikationer fra bunden for at styre en ny type af fuldendelsesproces, blandt andet nye tilbud.

Kan du forklare, hvordan DecisionNext udnytter AI og maskinlæring til at forbedre råvarepris- og tilbudskontrol?

DecisionNext anvender kunstig intelligens og maskinlæring til at forbruge tusinder af datasæt og finde historiske og nuværende relationer mellem nøglefaktorer. Derefter lærer det af denne information og opbygger relevante modeller for enhver råvare. I landbrugs- og naturressource-markeder hjælper vores værktøjer kunderne med at forbedre priser, træffe klogere beslutninger, reducere risiko og øge profit tværs over globale forsyningskæder. Vi arbejder også på at anvende Large Language Models (LLM’er) til at simplificere komplekse globale beslutninger med risiko-bevidste løsninger.

Hvad er de vigtigste fordele ved at bruge DecisionNext’s AI-platform i forhold til traditionelle prognosemetoder?

Globale råvare-købere og -sælgere søger ofte tilbage til regler og regneark for at simplificere et komplekst system, der er værd milliarder af dollars i transaktioner. Dette efterlader betydelige summer på bordet. Disse regneark har fungeret godt og har støttet hundredvis af virksomheder. Men da arbejdskraftsdynamikken ændrer sig, og globale markeder bliver mere uforudsigelige, bliver de mindre effektive. DecisionNext har brugt år på at udvikle en AI-platform, der omdanner globale kompleksiteter til handlebare anbefalinger i stor skala – og forbedrer således den finansielle præstation.

Vore kunder har fagfolk, der har været i en bestemt branche eller industri i 30 år eller mere. Og da nye generationer kommer ind, er det ekstremt vigtigt at fastholde al denne erfaring på en brugbar måde. DecisionNext hjælper med det ved at opbygge omfattende biblioteker af beslutninger, integrere ekspertråd og lære af fortiden.

Derved reducerer DecisionNext-platformen risiko og usikkerhed i forretningsbeslutninger på tværs af forretningsenheder og individer, mens den etablerer en skalerbar måde at træffe disse beslutninger på. Den forbedrer også profiten i dag-til-dag-transaktioner, langsigtede positioner og fremadskuende strategisk planlægning.

Hvad er betydningen af dynamisk data i DecisionNext’s AI-drevne beslutningsproces, og hvordan integreres og anvendes denne data?

Dynamisk og opdateret data er ekstremt vigtig, når det kommer til at opbygge bedst-i-klassen-modeller. Men hastigheden og kompleksiteten, hvormed data kan bearbejdes og modelleres, er ikke den eneste faktor. For eksempel, hvordan ved en model vægten af det seneste datapunkt (såsom et chok i systemet) og hvordan den skal behandle det anderledes? Vore brugere kan interagere med modellerne gennem patenteret teknologi for at indtaste deres meninger og opbygge hvad-hvis-analyse for at anvende data, som modellen eller systemet ikke kan kende endnu. Dette giver vores kunder mulighed for at opnå nye indsigt, som ellers ikke ville være mulig. De kan også bedre forstå virkningen af globale skift i tilbud eller nye handelsreguleringer, blandt en uendelig mængde af andre potentielle situationer.

På hvilke måder har DecisionNext’s AI-platform revolutioneret forretningsbeslutninger på råvaremarkedet?

Vor bedst-i-klassen-platform har revolutioneret den standardmæssige tilgang til prissætning, tilbud- og efterspørgselsprognose ved at give brugerne mere end blot en prognose. Med vores værktøj kan de hurtigt forstå risiko, usikkerhed og analysere komplekse beslutninger med få klik på musen. DecisionNext har en række brugstilfælde på tværs af forsyningskæder i både landbrug og minedrift. Disse omfatter optimering af indkøbs- og salgspriser, forretningsplanlægning, geografisk og produktarbitrage, laveste omkostningsformulering og risikostyring, blandt mange andre.

Hvordan sikrer DecisionNext nøjagtigheden og pålideligheden af dens AI-prognosemodeller for råvarehandel?

Vi sikrer nøjagtigheden og pålideligheden af vores AI-prognosemodeller gennem intensiv backtesting. DecisionNext har bygget et strengt system, der kan teste tusinder af modelstrukturer og give brugeren en fuld forståelse af, hvor nøjagtige modellerne har været. Dette kan gøres på en letforståelig måde, der også giver os mulighed for at bruge denne nøjagtighed til at forudsige usikkerhed i fremtiden.

Kan du dele et eksempel eller en case-study om, hvordan DecisionNext har hjulpet en virksomhed med at navigere i markedsvolatilitet ved hjælp af jeres AI-værktøjer?

Med DecisionNext øgede en stor jernmalmproducent sin profit med i gennemsnit 6-8% på spot-salg. Vores løsning hjalp dem med at optimere prissætningsstrategi og reducere tiden, der kræves for at træffe nøglebeslutninger om geografisk arbitrage. Ligeså kan vi hjælpe kvægproducenter med at træffe den samme beslutning om, hvor og hvornår de skal sælge kødet fra deres kadaver.

I begge tilfælde gav DecisionNext en nøjagtig og forsvarlig kort- og langsigtede prognose til at optimere salgsplan-strategi. Vores visualiseringsværktøjer gjorde det muligt for producenterne at hurtigt vurdere multiple salgsstrategier side om side for at mindske risiko, strømline beslutningstagning og mere effektivt øge margener.

Uden DecisionNext er virksomheder tvunget til at stole på historiske gennemsnit, futures-markeder (hvis tilgængelige) og erfaring til at prissætte varer. Selvom dette har været effektivt i fortiden, efterlader virksomhederne med vores stadig mere volatile råvaremarkeder millioner af dollars på bordet.

Kan du diskutere betydningen af at have interaktive prognosemodeller for brugere, og hvordan sikrer DecisionNext, at disse modeller er brugervenlige?

Den gamle, forældede “black box”-model for prognose fortæller ikke brugerne, hvorfor prognosen er, som den er. Den kan heller ikke hjælpe med, hvordan man oversætter prognosen til handlebare beslutninger. Så i denne situation kan brugere ikke bruge en perfekt prognose og gå tilbage til gamle metoder.

DecisionNext hjælper kunderne med at opnå en bedre forståelse af både markedrisiko og forretningsrisiko og hvorfor de to bør være forbundet, når det kommer til prognose. DecisionNext giver fuld visibilitet i datasæt og modelstrukturer samt strategisk klarhed og retning.

Alt dette leveres gennem et brugervenligt dashboard, designet til fortsat engagement.

På hvilke måder har pandemien og de seneste geopolitiske begivenheder påvirket udviklingen og brugen af AI i råvarehandel hos DecisionNext?

COVID-19 forstyrrede den globale kød-værdikæde, og en kunde, der var særligt berørt af krisen, kommer i tanke. Med store mængder af frosset mad, der var bestemt for snart-sovende fødevarekanaler, anvendte kunden DecisionNext-analyse til at hurtigt og optimalt afhænde lager, da lockdowns spredte sig over USA, og også planlægge, hvordan og hvornår de skulle genopbygge disse lager.

Ved hjælp af DecisionNext-platformen byggede kunden op og sammenlignede fire komplekse salgs- og indkøbsalternativer for at se de forventede markedsmæssige resultater og sammenligne risici. De kunne succesfuldt afhænde overskydende lager på tværs af multiple skæringspunkter, og disse transaktioner gav en 5-gangs afkast mod DecisionNext-software-investeringen på blot en måned.

Hvad ser du for fremtidige fremskridt i AI og maskinlæring, der vil påvirke råvaremarkedet, og hvordan forbereder DecisionNext sig på disse?

DecisionNext er i frontlinjen for at udnytte AI og maskinlæring til at gøre råvaremarkeder mere effektive, profitable og bæredygtige. Da verden fortsætter med at kæmpe med massive udfordringer som klimaforandring og politisk ustabilitet, vil intelligent teknologi være en stadig vigtigere komponent i, hvordan vi succesfuldt navigerer i disse udfordringer. Vi er ærede over at være betroet af vores kunder og partnere til at levere en platform, der kan hjælpe med at gøre dette.

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