Rohit Aggarwal, DecisionNextin COO – Haastattelusarja

Rohit Aggarwal on DecisionNextin operatiivinen johtaja, joka on johtava tekoälyalusta, joka mahdollistaa yritysten optimoida raaka-aineiden osto tai myynti parhaalla mahdollisella ajalla ja hinnalla. Hän hyödyntää vahvaa taustaa toimitusketjun ja tuotteen hallinnassa sekä kokemusta suurten tiimien johtamisesta monitieteellisten projektiensa toteuttamiseksi ja liiketoiminnan tulosten saavuttamiseksi. Rohit on aiemmin toiminut tuote- ja operatiivisen johtamisen tehtävissä sekä Googlella että Amazonilla. (GOOGL ) (AMZN )

Olet työskennellyt Amazonilla ja myöhemmin Googlella. Mitkä olivat joitain merkittäviä kokemuksia näistä ajoista?

Amazonilla minulla oli mahdollisuus johtaa 250 hengen monialaista tiimiä parhaiden toimintolaitosten käynnistämiseksi. Tuen myös innovaatioiden, kuten saman päivän toimituksen, robotiikan ja muiden uusien teknologioiden, käyttöönottoa. Googlella käytin taitojani siltaamalla tuotteen ja operatiivisen johtamisen välistä kuilua. Tämä käsitti sovellusten rakentamisen alusta alkaen uuden toimitusprosessin hallitsemiseksi, muun muassa.

Voitko selittää, miten DecisionNext hyödyntää tekoälyä ja koneoppimista raaka-aineiden hinta- ja tarjontakyselyn parantamiseksi?

DecisionNext käyttää tekoälyä ja koneoppimista tuhansien tietojoukkojen kuluttamiseen ja historiallisten ja nykyisten tekijöiden välisen suhteen etsimiseen. Se oppii tästä tiedosta ja luo merkityksellisiä malleja kullekin raaka-aineelle. Maatalous- ja luonnonvarojen markkinoilla työkalumme auttavat asiakkaitamme ennustamaan hintoja paremmin, tekemään viisaampia päätöksiä, vähentämään riskiä ja lisäämään voittoja globaaleissa toimitusketjuissa. Työskentelemme myös Large Language Modelien (LLM) käytön parissa monimutkaisten globaalien päätösten yksinkertaistamiseksi riskitietoisen ratkaisun avulla.

Mitkä ovat DecisionNextin AI-alustan avainhyödyt perinteisiin ennustemenetelmiin verrattuna?

Globaalit raaka-aineiden ostajat ja myyjät usein turvautuvat sääntöihin ja taulukoihin monimutkaisen, miljardien dollarien arvoisen järjestelmän yksinkertaistamiseksi. Tämä jättää merkittävän summan rahaa pöydälle. Nämä taulukot ovat toimineet hyvin ja tukeneet satoja liiketoimintoja. Kuitenkin, kun työvoiman dynamiikka muuttuu ja globaalit markkinat muuttuvat enenevissä määrin arvaamattomiksi, ne ovat vähitellen menettämässä tehokkuuttaan. DecisionNext on viettänyt vuosia täydentämään AI-alustaa, joka muuttaa globaalit monimuotoisuudet toimintakykyisiksi suositukseksi suuressa mittakaavassa – parantamalla merkittävästi taloudellista suorituskykyä.

Asiakkaidemme ovat alan asiantuntijoita, jotka ovat olleet tietyssä alassa tai teollisuudessa 30 vuotta tai enemmän. Ja kun uudet sukupolvet tulevat mukaan, on erittäin tärkeää säilyttää kaikki tämä kokemus käytettävissä muodossa. DecisionNext auttaa tässä luomalla kattavia päätösten kirjastoja, integroimalla asiantuntijalausuntoja ja oppimalla menneisyydestä.

Tämän tekemisen kautta DecisionNextin alusta vähentää riskiä ja epävarmuutta liiketoimintapäätöksissä eri liiketoimintayksiköissä ja yksilöissä samalla, kun se perustaa skaalautuvan tavan tehdä nämä päätökset. Se parantaa myös voitollisuutta päivittäisissä transaktioissa, pitkän aikavälin asemoissa ja tulevaisuuden näkymien strategiseen suunnitteluun.

Mikä on dynaamisen datan rooli DecisionNextin tekoälyohjatun päätöksenteon prosessissa, ja miten tämä data integroidaan ja hyödynnetään?

Dynaaminen ja ajan tasalla oleva data on erittäin tärkeää, kun on kyse parhaiden mallien luomisesta. Sanotaan, että datan prosessoinnin ja mallinnuksen nopeus ja monimutkaisuus eivät ole ainoat tekijät. Esimerkiksi, miten malli tietää viimeisimmän datapisteen painoa (sanotaan, järjestelmän sokki) ja sen, että se tarvitsee käsitellä sitä eri tavoin? Käyttäjämme voivat vuorovaikuttaa malleilla patentoidun teknologian avulla syöttääkseen mielipiteensä ja luodakseen “mitä jos” -analyysiä käyttämättömän datan käyttämiseksi, jonka malli tai järjestelmä ei voi tietää etukäteen. Tämä mahdollistaa asiakkaidemme saada uusia oivalluksia, joita muuten ei olisi mahdollista. He pystyvät myös paremmin ymmärtämään globaalisten muutosten vaikutusta tarjontaan tai uusiin kauppasääntöihin, muun muassa.

Miten DecisionNextin AI-alusta on vallankumouksellisesti muuttanut liiketoimintapäätöksiä raaka-aineiden markkinoilla?

Parhaimmasta päästä alustamme on vallankumouksellisesti muuttanut perinteisen lähestymistavan hintaan, tarjontaan ja kysyntään ennustamiseen tarjoamalla käyttäjillemme enemmän kuin vain ennusteen. Työkalumme avulla he voivat nopeasti ymmärtää riskiä, epävarmuutta ja analysoida monimutkaisia päätöksiä muutamalla hiiren klikkauksella. DecisionNextilla on useita käyttötarkoituksia toimitusketjuissa sekä maataloudessa että kaivosteollisuudessa. Nämä sisältävät hankinnan ja myyntihinnan optimoinnin, liiketoimintasuunnittelun, maantieteellisen ja tuotevaihtoehtojen analyysin, vähimmän kustannuksen laskelmointi- ja riskienhallintamenetelmät, muun muassa.

Miten DecisionNext varmistaa tekoälyennusteiden tarkkuuden ja luotettavuuden raaka-aineiden kaupassa?

Varmistamme tekoälyennusteiden tarkkuuden ja luotettavuuden intensiivisen takaisinsoiton kautta. DecisionNext on rakentanut tiukkaan järjestelmän, joka pystyy nopeasti testaamaan tuhansia mallirakenteita ja antamaan käyttäjille täydellisen ymmärryksen siitä, kuinka tarkat mallit ovat olleet. Tämä voidaan tehdä helposti ymmärrettävällä tavalla, joka myös mahdollistaa meidän käyttää tarkkuutta ennustamaan epävarmuutta tulevaisuudessa.

Voitko jakaa esimerkin tai case-tutkimuksen siitä, miten DecisionNext on auttanut yritystä navigoimaan markkinavolatiliteetin käyttäen tekoälytyökaluja?

DecisionNextin avulla suuri rautamalmintuottaja lisäsi voittojaan keskimäärin 6-8 % spot-myynneissä. Ratkaisumme auttoi heitä optimoimaan hintastrategiaa ja vähentämään aikaa, jota tarvitaan tärkeiden päätösten tekemiseen maantieteellisessä vaihtoehtoanalyysissä. Vastaavasti, pystymme auttamaan naudanlihantuottajia tekemään saman päätöksen siitä, minne ja milloin myydä liha, joka tulee heidän lihakarjastaan.

Molemmissa tapauksissa DecisionNext tarjosi tarkan ja puolustettavan lyhyen ja pitkän aikavälin ennusteen myyntisuunnitelman strategian optimoimiseksi. Visualisointityökalumme mahdollistivat tuottajien nopean arvioinnin useista myyntistrategioista rinnakkain riskin vähentämiseksi, päätöksenteon sujuvoittamiseksi ja voittojen lisäämiseksi.

Ilman DecisionNextiä yritykset joutuvat turvautumaan historiallisiin keskiarvoihin, futuurimarkkinoihin (jos ne ovat saatavilla) ja kokemukseen hinnoitteluun. Vaikka ne ovat olleet tehokkaita menneisyydessä, kasvavan volatiliteetin raaka-aineiden markkinoilla yritykset jättävät miljoonia dollareita pöydälle.

Voitko keskustella interaktiivisten ennusteiden mallien merkityksestä käyttäjille ja miten DecisionNext varmistaa, että nämä mallit ovat käyttäjäystävällisiä?

Vanha, vanhentunut “musta laatikko” -ennustemalli ei kerro ihmisille, miksi ennuste on sellainen, kuin se on. Se myös ei auta kääntämään ennustetta toimintakykyisiksi päätöksiksi. Joten tässä tilanteessa käyttäjät eivät välttämättä käytä ennustetta, vaikka se olisi täydellinen, ja palaavat vanhoihin menetelmiin.

DecisionNext auttaa asiakkaitamme ymmärtämään sekä markkinariskiä että liiketoimintariskiä ja sitä, miksi nämä kaksi pitäisi olla toisiinsa kytkettyjä ennustettaessa. DecisionNext tarjoaa täydellisen näkyvyyden tietolähteisiin ja mallirakenteisiin sekä strategisen selkeyden ja suunnan.

Kaikki tämä toimitetaan käyttäjäystävällisellä työpöydällä, joka on suunniteltu jatkuvaa sitoutumista varten.

Miten pandemia ja viimeaikaiset geopolitiikan tapahtumat ovat vaikuttaneet tekoälyn kehitykseen ja käyttöön raaka-aineiden kaupassa DecisionNextissä?

COVID-19 käänsi globalin lihaketjun ylösalaisin, ja yksi asiakas, joka oli erityisesti vaikuttunut kriisistä, tulee mieleen. Suurten määrien jäädytetyn ruoan kanssa, joka oli tarkoitettu pian sulkeutuville ruokapalvelukanaville, asiakas käytti DecisionNextin analytiikkaa nopeasti ja optimaalisesti lakkauttamaan ylijäämävarastoa, kun lukko sulki Yhdysvalloissa, ja suunnitteli, miten ja milloin rakentaa mainittuja varastoja uudelleen.

Käyttäen DecisionNextin alustaa, asiakas rakensi ja vertasi neljää monimutkaista myynti- ja hankintavaihtoehtoa nähdäkseen odotetut markkinatulokset ja vertaamaan riskejä. He pystyivät onnistuneesti lakkauttamaan ylijäämävarastoa useiden leikkausten yli, ja nämä transaktiot tarjosivat 5-kertaisen palautteen DecisionNext-ohjelmistoon yhden kuukauden aikana.

Mitkä tulevaisuuden edistysaskeleet tekoälyssä ja koneoppimisessa vaikuttavat raaka-aineiden markkinoihin, ja miten DecisionNext valmistautuu niihin?

DecisionNext on edelläkävijä pyrkimyksessä hyödyntää tekoälyä ja koneoppimista raaka-aineiden markkinoiden tehokkuuden, kannattavuuden ja kestävyyden parantamiseksi. Kun maailma jatkaa kamppailua massiivisten haasteiden, kuten ilmastonmuutoksen ja poliittisen epävakauden, kanssa, älykäs teknologia tulee olemaan yhä tärkeämpi osa siinä, miten selviämme näistä haasteista. Olemme kunnianhimoisia siitä, että asiakkaamme ja kumppanimme luottavat meihin alustan tarjoamiseksi, joka auttaa tekemään tämän tapahtuvaksi.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla DecisionNext.