Myron Burke, Sensormatic Solutionsin ratkaisujen johtaja – Haastattelusarja

Myron Burke, Sensormatic Solutionsin globaalin tuote- ja ratkaisujen johtaja, tunnistaa ja toteuttaa uusia keinoja innovaation kiihdyttämiseksi, nopeuden lisäämiseksi ja asiakkaiden arvon lisäämiseksi strategisen ratkaisuviiteen kautta.

Myron on kokenut johtaja, jolla on yli 25 vuoden kokemus vähittäiskaupasta, mukaan lukien hänen aikansa Walmartissa ja Sam’s Clubissa, jossa hän toimitti innovaatioita suuressa mittakaavassa. Viimeksi Myron perusti Divergent Technology Advisorsin, joka on vähittäiskaupan teknologia-alan neuvontayritys, joka ohjaa suuria vähittäiskaupan yrityksiä, teknologia-alan toimijoita ja start-upeja teknologiastrategiassa, markkinointisuunnittelussa, kansainvälisessä markkinointilaajentumisessa ja muissa asioissa.

Sensormatic Solutions, Johnson Controlsin johtava maailmanlaajuinen vähittäiskaupan ratkaisuportfio, mahdollistaa turvalliset, turvalliset ja vaivattomat vähittäiskaupan kokemukset. Yli 60 vuoden ajan brändi on ollut alan nopeasti kehittyvän teknologian edelläkävijä, määrittelemällä vähittäiskaupan toimintaa maailmanlaajuisesti ja muuttamalla tietoja toiminnaksi. Sensormatic Solutions tarjoaa yhtenäisen tappioiden ehkäisyn, varastointitiedon ja liikenteen näkymien ratkaisujen ekosysteemin, sekä sen palvelujen ja kumppaneiden kanssa, jotta vähittäiskaupan yritykset voivat innovoida ja kehittyä tarkkuudella, yhdistäen datajohtaiset tulokset, jotka muokkaavat vähittäiskaupan tulevaisuutta.

Olet viettänyt yli 25 vuotta vähittäiskaupan toiminnan ja uuden teknologian risteyksessä — johtamalla RFID-strategiaa ja myymälän innovaatioita Walmartissa ja Sam’s Clubissa, sekä kehittämällä seuraavan sukupolven konsepteja Store No. 8:ssa, ja nyt johtamalla Globaalia Tuotetta ja Ratkaisuja Sensormatic Solutionsissa. Miten nämä kokemukset ovat muokanneet filosofiaasi siitä, miten tekoäly ja anturiteknologiat tulisi toteuttaa fyysisissä vähittäiskaupan ympäristöissä tänään?

Pyrin käyttämään hyvin pragmaattista lähestymistapaa tekoälyn toteuttamisessa, ja rohkean myös tiimini ja Sensormatic Solutionsin vähittäiskaupan asiakkaiden tekemään samoin. Kokemukseni molemmista puolista on osoittanut toistuvasti, että rakentaminen tällä tavoin on avain menestyksekkääseen muutokseen.

Sensormatic Solutions on toiminut hyvin yksinkertaisella uskomuksella viimeisen 60 vuoden ajan: Teknologia onnistuu, kun toiminnallinen tehokkuus ja todelliset vähittäiskaupan haasteet ovat keskiössä. Tämä periaate on osoittautunut olennaiseksi, erityisesti niille, jotka pysyvät lähellä uusia työkaluja, mutta tämä periaate on jossain määrin unohdettu kaiken tekoälyhypedrian keskellä.

Paine nopeaan toimintaan ja markkinoiden seuraamiseen on ollut ja on edelleen korkea sekä ratkaisujen kehittämisessä että asiakkaiden omaksumisessa, mutta rakentaminen tällä tavoin on vaikuttavampaa kuin yrittää koota tekoälyominaisuuksia mihin tahansa tuotteeseen. Keskitymme vahvasti löytämään kohdat, joissa sujuva kerääminen, yhdistäminen, analyysi ja toiminta johtavat mitattaviin parannuksiin. Tämä keskittyminen ulottuu myös tietojoukkoihin, joita tekoäly käyttää — kohdennetut, hallitut ja puhdistetut tietojoukot ovat avain kestävän tekoälyarvon toimittamisessa, erityisesti erilaisten asiakkaiden kohdalla.

Jotain, mitä myös pidämme mielessä, on se, että tämä on totta kaikille mahdollisille käyttäjille: yritysjohtajille, ostajille ja myyjille. Jokaisen uuden ratkaisun tai päivityksen kohdalla kysymme itseltämme, tarjoammeko arvoa kaikille kolmelle sidosryhmälle yhtä suuressa määrin, koska jokainen ryhmä on välttämätön vähittäiskaupan menestykselle.

Tämä sisäinen etos kääntyy luonnollisesti ratkaisuihin, jotka auttavat vähittäiskaupan yrityksiä omaksumaan samankaltaisen asenteen, tarjoamalla työkaluja, jotka tukevat merkityksellistä parantamista käytännöllisten, räätälöityjen järjestelmäsuunnitelmien kautta. Tekoälykäyttö ei ole yksi kokoaikainen, eikä myöskään ohjelmat, jotka rakennamme asiakkaiden kanssa.

Sensormatic Solutions korostaa yhä enemmän tekoälyä ja ML-avanced analyticsia modernin vähittäiskaupan operatiivisen tiedon avainmahdollistajina. Miten tekoäly määrittelee uudelleen sen, mitä ”tappioiden ehkäisy” tarkoittaa monikanavaisessa maailmassa?

Yksinkertaisimmat vastaukset ovat näkyvyys nopeudella. Tekoäly auttaa todella paljastamaan tappiot ja tarjoamaan kattavan näkymän kokonaisista vähittäiskaupan tappioista. Totuus on, että voit vain huomata tappiot, jotka voit nähdä, oikein? Suurimman osan alan historiasta näkyvyys tappioihin on ollut mahdollista vain perustasolla, ja ohjelmat ovat keskittyneet tuotteisiin, jotka pitäisi olla myytävissä, mutta eivät ole. Sinulla saattaa olla jokin käsitys siitä, onko tuote varastettu, vahingoittunut kuljetuksessa vai vahingoittunut hyllyllä, mutta seuraaminen näitä asioita suuressa mittakaavassa oli vaikeaa, ellei mahdotonta.

Yhdistetyt analytiikat ja anturijärjestelmät laajensivat sitä, mitä vähittäiskaupan yritykset voivat nähdä, seurata ja määrittää. Ajattele korostamista 3 %:n virhettä, joka on piilossa suurten tietojoukkojen määrässä, jotka tuotetaan tänään. Nämä anturijärjestelmät avaavat tappioiden, missä, milloin ja kuka -järjestelmän, mikä itsessään johtaa muutokseen ymmärryksessä tappioiden ympärillä ja siirtää paradigman kohti ”kokonaisen vähittäiskaupan tappiota”. Tämä laajennettu näkyvyys mahdollistaa vähittäiskaupan yritysten nähdä toisen tason toimintaa ja uuden joukon tappioiden aiheuttajia, jotka liittyvät prosessien poikkeamiin ja aukkoihin, sekä hukkaan menevään aikaan, resursseihin ja ponnisteluihin.

Kun kaikki tämä on tunnistettu ja merkitty, voit muuttaa sitä. Siinä tekoäly tulee kuvaan. Se yhdistää nämä uudet ”pisteet” usein reaaliajassa, paljastaen täysin uuden tietojoukon. Ennustava, erittäin tarkka älykkyys ja mallinnus voivat auttaa määrittämään ylätuotannon, painottaa mahdollisten sopeutumisten suhteellista arvoa ja havainnollistaa toimettomuuden kustannuksia. Tehokkaasti se mahdollistaa vähittäiskaupan yritysten siirtää asenteensa reaktiivisista proaktiivisiksi, auttaen heitä uudelleenmuotoilemaan tappioita parantamismahdollisuuksiksi.

Re-ID- ja tekoälyvoimaisen jalkaliikenteen analytiikan kaltaisella teknologialla vähittäiskaupan yritykset voivat nyt siirtyä yksinkertaisesta ihmisten laskemisesta syvemmän ostajan käyttäytymisen ja operatiivisen tiedon ymmärtämiseen. Mitkä ovat muuttuvimmat käyttötapaukset, joita näet tulevan esiin tästä muutoksesta?

Re-ID on minulle voimakas esimerkki pienistä, kohdennetuista sopeutumisista, jotka ovat vaikuttaneet operatiiviseen ymmärrykseen.

Re-ID tekee vain yhden asian: parantaa liikenteen mittauksia. Tietysti saada teknologia tunnistamaan oikein yksilöivät ostajat uudelleen sisääntulijoista, henkilökunnasta ja muista vierailijaryhmistä on monimutkainen, mutta tuloksena on hyvin yksinkertainen muutos tietojoukkoihin, joka johtaa merkittäviin parannuksiin ymmärryksessä.

Liikenteen data jatkaa tukemista laajaa joukkoa metriikoita ympäri alan, joista muunnos on ehkä merkittävin esimerkki. Vain leikkaamalla tietueet heijastamaan tarkemman yksittäisten vierailijoiden määrää voi dramaattisesti muuttaa tulkintoja, mahdollistaen vähittäiskaupan yritysten parantaa henkilöstöä, lattia-aiheita, viestejä ja lukuisia muita käytäntöjä parantamaan asiakaskokemuksia ja taloudellisia tuloksia.

Se on ruumiillistuma meidän aiemmin keskustelusta Sensormatic Solutionsin menestyksestä viimeisen 60 vuoden ajan. Käytämme tekoälyä tekemään kohdennettuja, arvokkaita sopeutumisia, jotka hyödyttävät kaikkia osapuolia.

Sensormatic Solutions esitteli äskettäin Orbit AI:n ja Video AI:n osana sen Store Guest Behaviors -ominaisuuksia. Miten tämä ratkaisu ratkaisee strategisen aukon vähittäiskaupan yrityksille, ja miten se erottuu muista vähittäiskaupan tiedonhallintajärjestelmistä?

Lähestymme jokaista uutta ratkaisua tietyn haasteen kanssa. Orbit AI:lle ja Video AI:lle keskityimme ”signaalin ja melun” erottamiseen, antaen vähittäiskaupan yrityksille luotettavia, tarkkoja ja kontekstualisoituja tietoja, jotka poistavat arvaamisen päätöksenteosta.

Re-ID:n innovatiivinen objektierecognition-tekniikka mahdollistaa Orbit AI:lle ja Video AI:lle auttamaan vähittäiskaupan yrityksiä:

• Ymmärtämään oleskeluaikojen kuviot ympäri myymälää.
• Erottamaan ostajat ja ohikulkijat.
• Seurata ostajien matkoja tunnistamaan trendejä, jotka kertovat myyntituotteiden järjestelystä, mainonnasta ja markkinointisuunnitelmista.
• Käyttämään lämpökarttaa seuraamaan, missä vierailijat viettävät eniten aikaa.

Orbit AI ja Video AI menevät askelen eteenpäin, koska niiden räätälöidyt koneoppimismallit sopeutuvat operaatioiden mukaan. Järjestelmä oppii kunkin yrityksen ja sijainnin ympärillä ajan myötä, jatkuvasti sovittamalla parametreja, tunnistamalla puolueettomuuden lähteitä ja työskentelemällä poistamaan tarpeettoman tai epätäydellisen tiedon, joka vääristää malleja. Tämä jatkuva parantaminen varmistaa, että jokainen oivallus heijastaa myymälän todellista tilannetta juuri nyt — eikä eiliseen tai viime viikkoon, vaan juuri nyt, ja se on kriittinen, koska vähittäiskaupan trendit, paineet ja olosuhteet muuttuvat nopeasti.

Orbit AI ja Video AI on suunniteltu helppokäyttöisiksi ja ottaen huomioon avainesteet omaksumisessa. Anturien integroitu suunnittelu, reunan lähestymistapa ja Re-ID-ominaisuudet mahdollistavat vähittäiskaupan yritysten saada nämä oivallukset vähemmällä laitteilla, tehdessä käyttöönoton helpommaksi ja analytiikkatyökalujen saataville liiketoiminnan kaikille koosta riippumatta. Se on jatkumo meidän vuosikymmenien työtä, joka on keskittynyt tekemään älykkäitä oivalluksia vähittäiskaupan alan laajuisesti saataville.

Olet korostanut suoraviivaisen datan käytön ja anturien yhdistämisen perustana vähittäiskaupan uudelleenmuodostamiselle. Miten yhdistämällä useita anturisyötteitä voidaan luoda kilpailuetu verrattuna eristettyihin analytiikkatyökaluihin?

Pilvipohjaiset analytiikat auttavat yhdistämään toimintaa ja poistamaan eristetyksi, mutta ne sisältävät myös joukon hävikin ja tehokkuuden puutteita — ja monet vähittäiskaupan yritykset eivät edes tiedä, että nämä ovat läsnä järjestelmissään. Anturien yhdistäminen siirtää alkuun käsittely- ja integrointitehtävät itse laitteeseen (reunaan), vähentäen tietojen määrää, joka on siirrettävä keskuspalvelimille, ja mahdollistaen reaaliaikaisen reagointikyvyn koko ekosysteemissä.

Otetaan esimerkiksi käyttäytymisanalytiikka. Perinteisessä pilvipohjaisessa ympäristössä anturit suorittavat peruskeräystehtäviä, lähettäen jatkuvasti (tai jaksollisesti) raakadataa keskuslaskentaan prosessointia, analyysia ja toimintaa varten. Sanotaan, että analyysi paljastaa merkkejä epäilyttävää käyttäytymistä myyntilattialla, mikä laukaisee sarjan vastatoimia. No, tämä tieto — tarve toiminnalle — on myös siirrettävä. Vaikka koko prosessi on nopea ihmisen mittapuun mukaan, olet jo menettänyt aikaa lähettäessäsi ja vastaanottaessasi tietoa A:sta B:hen ja B:stä C:hen ja niin edelleen.

Orbit AI:n ja Video AI:n yhdistämisominaisuuksilla voimme leikata nämä ylimääräiset vaiheet. Integroidut tekoäly- ja ML-työkalut analysoivat raakadataa, kun sitä kerätään, ja priorisoivat seuraavat vaiheet löytämistensä perusteella, mahdollistaen aikaisemman toiminnan. Lisäksi poistamalla jatkuvien siirtojen tarpeen suurempiin järjestelmiin, reunapohjainen yhdistäminen vähentää energian kysyntää ja rasitusta keskusjärjestelmälle.

Yrityskohtaisessa mittakaavassa globaalin laitteiston, ohjelmisto- ja tietojärjestelmien integrointi on mainittavan monimutkainen. Mitkä arkkitehtoniset periaatteet tai järjestelmäinsinööritieteelliset lähestymistavat ovat kriittisiä tekoälyvoimaisen vähittäiskaupan infrastruktuurin tehokkaaksi muuttamisessa?

On ehdottoman tärkeää aloittaa SAFe / Lean -järjestelmien arkkitehtuurilla. Tämä perusta mahdollistaa turvallisen, taloudellisesti älykkään, joustavan ja mukautuvan suunnittelun ja kehittämisen. Uskon myös työskentelemiseen agnostisen lähestymistavan kanssa kumppanuusympäristössä — antaen meille tapaamisen kumppaneita heidän digitaalisessa matkassaan. Tämä mahdollistaa meillä luomisen kohdennettuja polkuja yritysten tukemiseksi, jotka tarvitsevat enemmän SaaS-tarjontaa tai niille yrityksille, jotka haluavat kaikki järjestelmät ja tiedot paikallisesti. Lähestymistapamme mahdollistaa useita polkuja käyttöönotolle ja tukee laajaa valikoimaa laitteistovaihtoehtoja.

Monet vähittäiskaupan yritykset kamppailevat analytiikan kääntämisessä mitattaviin ROI-tuloksiin. Miten autat organisaatioita yhdistämään edistyneet tekoälyoivallukset suoraan taloudellisiin tuloksiin ja operatiiviseen tehokkuuteen?

Tämä kysymys auttoi Shrink Analyzerin kehittämistä. Ensimmäisen digitalisaation sijoituksen jälkeen vähittäiskaupan yritykset olivat saaneet valtavat määrät inventointi- ja tappiotietoja, mutta heillä ei ollut työkalua, jolla he voisivat ymmärtää sitä kaikkea.

Shrink Analyzerin ensisijainen tehtävä on jatkuvan parantamisen aloittaminen. Se on ensimmäinen askel, ja se on se, mikä mahdollistaa kaikki parannukset sen jälkeen, sekä toimii viitekehyksenä edistymisen seuraamiseksi. Se on askel, jonka monet johtajat ovat väärinpäin ymmärtäneet tekoälyhypedrian aikana, ja se on syy, miksi ROI:n seuraaminen on ollut haasteellista ympäri aloja.

Paljastaessaan ”mitä, milloin ja missä” hävikkiä ja tappiota alussa, Shrink Analyzer voi kääntää sen kaiken asiakkaan liiketoiminnan kannalta merkitykselliseksi: selkeäksi, mitattavaksi kuvaksi siitä, miten tappiot tapahtuvat suuressa mittakaavassa.

Se osoittaa, missä tappiot todella tapahtuvat, kuinka suuret aukot ovat suurimmat vaikutukset suorituskykyyn, ja mitkä mahdollisuudet muutokseen voivat auttaa laskea kyseisen luvun. Siitä vähittäiskaupan yritykset voivat aloittaa kokeilemisen, seuraamisen ja sopeuttamisen edelleen, keräämällä vakuuttavia todisteita siitä, että heidän tekoäly- ja muut teknologiasijoitukset liikuttavat tulosta.

Yksityisyys ja luottamus ovat keskeisiä huolenaiheita, kun kaupat muuttuvat enemmän instrumentoiduksi. Miten Sensormatic Solutions lähestyy vastuullista tekoälyn käyttöönottoa samalla, kun se mahdollistaa korkean resoluution operatiivisen tiedon?

Näen tämän asian osana sitä, mitä keskustelimme aiemmin — rakentamista johtajille, ostajille ja myyjille yhtä suuressa määrin. Kyllä, vähittäiskaupan yritykset ovat ne, jotka ostavat meidän ratkaisumme, mutta emme voi onnistua, jos myyjät ja ostajat eivät ole tyytyväisiä järjestelmiimme. Heidän tyytyväisyytensä on välttämätöntä meille ja asiakkaillemme.

Tämä ajattelu ohjaa meidän yksityisyyden suunnittelua kaikissa tutkimus- ja kehitysprosesseissamme. Sanotaan, Re-ID:n suunnittelu osoittaa tämän. Sen matkan seuraamis- ja liikenteen laskemisominaisuudet käyttävät yksilöllisiä, ei-identifioivia yksityiskohtia — kuten hiusten tyyliä ja väriä, vaatetusmuotoa ja asusteita — määrittämään yksilöllisiä tunnisteita vierailijoille. Voit ajatella, että on liian paljon yhteistä vaatetukseen tai tyyliin, jotta tämä olisi tehokasta, mutta olemme löytäneet, että kun otetaan yhdessä huomioon, nämäkaltaiset oivallukset ovat riittävän yksilöllisiä voidaksemme luotettavasti sanoa ”tuo henkilö työskentelee täällä” tai ”tuo henkilö vieraili tunti sitten”.

Vähittäiskaupan yritykset navigoivat jatkuvaa häiriötä — toimitusketjun epävakaus, järjestäytynyt vähittäiskaupan rikollisuus, työvoimapaineet ja digitaalinen kilpailu. Miten tekoälyvoimainen infrastruktuuri voi toimia vakaana voimana eikä ainoastaan lisätä monimutkaisuutta?

Datajohtaiset järjestelmät tarjoavat vakaan perustan yhdistämalla organisaation yhtenäiseen totuuteen ja jaettuun tavoitteeseen. Tekoälyn lisääminen vahvistaa tuota varmuutta.

Data itsessään on edelleen avoin tulkinnalle, ja sidosryhmien johtopäätökset ovat väritettyjä heidän omien prioriteettien mukaan. Tekoäly voi lieventää tätä ongelmaa, koska se analysoi dataa koko toiminnan yli ilman puolueettomuutta yhteen näkökulmaan. Jos järjestelmä toimi suunnitellusti, johtajat, joilla on kilpailevia henkilökohtaisia prioriteettejä, voivat luottaa siihen, että analyysit, suositukset ja ennustemallit heijastavat liiketoiminnan toimintaa. Se tasoittaa pelikenttää, jotta paras seuraava askel nousee esiin, koska sen arvo on selvä kaikille.

Etäältä viisi-kymmenen vuoden päästä, miltä näyttää täysin tekoälyoptimoitu fyysinen vähittäiskaupan ympäristö, ja mitkä strategiset toimet johtajien tulisi nyt tehdä valmistautuakseen tulevaan tulevaisuuteen?

Ei ole yhtä kokoaikaisen tiekartan, jota voisin osoittaa meidän tekoälyvalmiudelle, koska se on todella rakentamista järjestelmistä, jotka toimivat kullekin vähittäiskaupan yritykselle. Kuitenkin perusta tähän on jossain määrin yleispätevä. Jokaisen vähittäiskaupan yrityksen on:

• Yhdistetty tietokanta, joka tarjoaa kattavan rekisterin kaikista toimintaa koskevista aloista. Ilman tätä edes kaikkein kyvykkäimmät ja edistyneimmät mallit eivät voi tarjota hyödyllisiä oivalluksia. Niiden on oltava kontekstissa toimia.
• Luotettavat viitearvot perustuvat relevanttiin liiketoimintatietoihin. Tämä palvelee aloituspisteenä sijoituksille ja tarjoaa viitekehyksen, johon edistystä voidaan mitata.
• Koulutus- ja uudelleenkoulutussuunnitelmat. Tekoäly ei ole itsenäinen toimija. Se voi tehdä paljon, mutta ihmiset, jotka sitä käyttävät, tarvitsevat ymmärtää sen toimintoja ja rajoituksia. Vähittäiskaupan yritysten on aloitettava suunnittelun ja viestinnän aiheesta aikaisin ja usein, jotta myyjät ja työntekijät ovat valmiit, kun aika on kypsä.
• Johtajat, jotka välittävät. Muutos on pitkäaikainen projekti, ja johtajien on oltava valmiit sitoutumaan resursseja aloitteeseen pitkäksi aikaa ja innostuneita ohjaamaan organisaatiota sen läpi.

Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Sensormatic Solutionsissa tai Divergent Technology Advisorsissa.