Myron Burke, Leader de la Gestion des Solutions chez Sensormatic Solutions – Série d’entretiens

Myron Burke, responsable mondial des produits et solutions chez Sensormatic Solutions, identifie et met en œuvre de nouvelles façons d’accélérer l’innovation, d’augmenter la vitesse et de fournir une plus grande valeur aux clients grâce à une feuille de route stratégique de solutions.

Myron est un leader éprouvé avec plus de 25 ans d’expérience dans le commerce de détail, notamment ses passages chez Walmart (WMT ) et Sam’s Club, en apportant l’innovation à grande échelle. Récemment, Myron a fondé Divergent Technology Advisors, une société de conseil en technologie de détail qui guide les grands détaillants, les fournisseurs de technologie et les start-ups dans la stratégie technologique, la planification de lancement sur le marché, l’expansion sur les marchés internationaux et plus encore.

Sensormatic Solutions, le principal portefeuille de solutions de détail mondial de Johnson Controls, permet des expériences de détail sûres, sécurisées et sans interruption. Depuis plus de 60 ans, la marque est à la pointe de l’adoption de la technologie de l’industrie à grande vitesse, redéfinissant les opérations de détail à l’échelle mondiale et transformant les connaissances en actions. Sensormatic Solutions fournit un écosystème interconnecté de solutions d’intelligence de stock, de prévention des pertes et de trafic, ainsi que ses services et partenaires pour permettre aux détaillants du monde entier d’innover et de s’élever avec précision, en reliant les résultats axés sur les données qui façonnent l’avenir du détail.

Vous avez passé plus de 25 ans à l’intersection des opérations de détail et de la technologie émergente — de la direction de la stratégie RFID et de l’innovation en magasin chez Walmart et Sam’s Club, à l’incubation de concepts de nouvelle génération chez Store No. 8, à la direction actuelle des produits et solutions mondiaux chez Sensormatic Solutions. Comment ces expériences ont-elles façonné votre philosophie sur la manière dont l’IA et les technologies de capteurs devraient être déployées dans les environnements de détail physique aujourd’hui ?

Je prends une approche très pragmatique de la mise en œuvre de l’IA, et j’encourage mon équipe et les clients de Sensormatic Solutions à faire de même. Mon expérience des deux côtés de l’équation a prouvé à plusieurs reprises que la construction de cette manière est la clé d’une transformation réussie.

Sensormatic Solutions a fonctionné sur une croyance très simple au cours des 60 dernières années : la technologie réussit lorsque l’efficacité opérationnelle et les défis réels des détaillants sont au centre. Il semble évident — en particulier pour ceux qui restent proches des outils émergents — mais ce principe fondamental a été un peu oublié au milieu de tout le battage médiatique autour de l’IA.

La pression pour bouger rapidement et suivre le marché était et reste élevée à la fois dans le développement de solutions et dans l’adoption par les clients, mais la construction d’outils qui comblent réellement les lacunes est plus efficace que la tentative d’intégrer les fonctionnalités de l’IA dans chaque produit. Nous nous concentrons fermement sur la recherche des endroits où la collecte, la fusion, l’analyse et l’action rationalisées entraînent des améliorations mesurables. Cette concentration s’étend également aux ensembles de données que l’IA utilisera — des ensembles de données ciblés, contrôlés et nettoyés sont essentiels pour fournir une valeur durable de l’IA, en particulier à travers des clients différenciés.

Quelque chose que nous gardons également à l’esprit, c’est que cela est vrai pour tous les utilisateurs possibles : les décideurs d’entreprise, les acheteurs et les associés. Avec chaque nouvelle solution ou mise à jour, nous nous demandons si nous fournissons de la valeur à ces trois parties prenantes à parts égales, car chaque groupe est essentiel au succès du détail.

Cette éthique interne se traduit naturellement en solutions qui aident les détaillants à adopter une position similaire, en proposant des outils qui soutiennent une amélioration significative grâce à des conceptions de systèmes pratiques et personnalisées. Le déploiement de l’IA n’est pas un modèle unique, et les programmes que nous construisons avec les clients ne le sont pas non plus.

Sensormatic Solutions positionne de plus en plus l’IA et l’analyse avancée de ML comme des moyens essentiels d’intelligence opérationnelle de détail moderne. Comment l’IA redéfinit-elle ce que signifie « prévention des pertes » dans un monde omnicanal ?

Les réponses les plus simples sont la visibilité et la rapidité. L’IA aide à démystifier réellement la diminution et à fournir une vue complète de la perte totale de détail. La réalité est que vous ne pouvez remarquer que les pertes que vous pouvez voir, n’est-ce pas ? Pour la majeure partie de l’histoire de l’industrie, la visibilité des pertes n’était possible qu’à un niveau de base, avec des programmes axés sur les articles qui devraient être disponibles à la vente mais ne le sont pas. Vous pourriez avoir une idée de savoir si un article a été volé, endommagé pendant le transport ou endommagé pendant qu’il se trouvait sur les étagères, mais suivre ces types de choses à grande échelle était difficile, voire impossible.

Les systèmes d’analyse connectés et les systèmes de capteurs ont élargi ce que les détaillants peuvent voir, suivre et quantifier. Pensez à mettre en évidence les 3 % d’erreur cachés dans les vastes volumes de données générés aujourd’hui. Ces systèmes de capteurs débloquent le quoi, le où, le quand et le qui de la perte, ce qui — en soi — déclenche une transformation dans la compréhension de la diminution et déplace le paradigme vers la « perte totale de détail ». Cette portée élargie permet aux détaillants de voir une autre couche d’opérations et un tout nouveau ensemble de moteurs potentiels de pertes liées à la déviation des processus et aux lacunes, ainsi qu’au temps, aux ressources et aux efforts gaspillés.

Une fois que tout cela est identifié et étiqueté, vous pouvez alors le transformer. C’est là que l’IA intervient. Elle relie ces nouveaux « points », souvent en temps réel, pour mettre en surface une toute nouvelle couche de données. L’intelligence prédictive, très précise, et la modélisation peuvent aider à quantifier les impacts des déchets en amont, à peser la valeur relative des ajustements possibles et à illustrer le coût de l’inaction. En effet, elle permet aux détaillants de passer d’une position réactive à proactive, en les aidant à revoir les pertes comme des opportunités d’amélioration.

Avec des technologies comme Re-ID et l’analyse de trafic piétonnier alimentée par l’IA, les détaillants peuvent maintenant aller au-delà d’un simple décompte de personnes pour obtenir des insights plus profonds sur le comportement des acheteurs et les opérations. Quels sont les cas d’utilisation les plus transformateurs que vous voyez émerger de ce changement ?

Re-ID, pour moi, est un exemple puissant de petits ajustements ciblés qui ont un impact énorme sur la compréhension opérationnelle.

Re-ID fait vraiment une chose : affiner les mesures de trafic. Bien sûr, rendre la technologie capable de séparer avec précision les acheteurs uniques des réentrées, du personnel et d’autres catégories de visiteurs est complexe, mais le résultat est un changement très simple des ensembles de données qui entraîne une amélioration significative de la compréhension.

Les données de trafic continuent de sous-tendre une large gamme de métriques à travers l’industrie, avec la conversion comme exemple le plus notable. Il suffit de rogner les enregistrements pour refléter le décompte plus précis des visiteurs uniques pour altérer considérablement les interprétations, permettant aux détaillants de raffiner le personnel, les plans d’étage, les messages et de nombreuses autres pratiques pour améliorer l’expérience client et les résultats financiers.

C’est l’incarnation de l’éthique que nous avons discutée plus tôt comme centrale au succès de Sensormatic Solutions au cours des 60 dernières années. Nous utilisons l’IA pour apporter des ajustements ciblés et à haute valeur qui profitent à tous les acteurs de l’équation.

Sensormatic Solutions a récemment introduit Orbit AI et Video AI dans le cadre de ses capacités de comportement des invités du magasin. Quelle lacune stratégique cette solution résout-elle pour les détaillants, et comment se différencie-t-elle d’autres plateformes d’intelligence de détail ?

Nous abordons chaque nouvelle solution avec un défi spécifique à l’esprit. Pour Orbit AI et Video AI, nous nous concentrons sur la séparation du « signal de la noise », pour donner aux détaillants des données fiables, spécifiques et contextualisées qui éliminent les hypothèses dans la prise de décision.

La technologie de reconnaissance d’objets innovante de Re-ID permet à Orbit AI et Video AI d’aider les détaillants à :

• Comprendre les modèles de temps de séjour dans tout le magasin.
• Faire la distinction entre les acheteurs et les passants.
• Suivre les parcours d’acheteurs pour identifier les tendances qui éclairent la disposition des marchandises, les plans de promotion et de publicité.
• Utiliser la cartographie thermique pour suivre où les visiteurs passent le plus de temps.

Orbit AI et Video AI vont plus loin, cependant, car leurs modèles d’apprentissage automatique personnalisés s’adaptent aux côtés des opérations. Le système apprend sur chaque entreprise et emplacement au fil du temps, en ajustant continuellement les paramètres, en identifiant les sources de biais et en travaillant pour supprimer les données redondantes ou incomplètes qui faussent les modèles. Cette affinement continu garantit que chaque insight reflète la réalité du magasin en ce moment. Pas hier ; pas la semaine dernière. Et c’est critique, car les tendances, les pressions et les conditions du détail changent à un rythme rapide.

Orbit AI et Video AI ont été conçus pour une intégration facile et en tenant compte des principaux obstacles à l’adoption. La conception intégrée des capteurs, l’approche au niveau du bord et les capacités de Re-ID permettent aux détaillants d’obtenir ces insights avec moins d’appareils, facilitant ainsi le déploiement et rendant les outils d’analyse accessibles aux entreprises de toutes tailles. C’est une continuation de notre travail de plusieurs décennies visant à rendre les insights intelligents accessibles à l’industrie dans son ensemble.

Vous avez souligné l’utilisation rationalisée des données et la fusion de capteurs comme fondamentales pour la réinvention du détail. Comment combiner plusieurs entrées de capteurs crée-t-elle un avantage concurrentiel par rapport aux outils d’analyse cloisonnés ?

Les analyses basées sur le cloud aident à relier les opérations et à supprimer les silos, mais elles incluent également une gamme de moteurs de gaspillage et d’inefficacité — et de nombreux détaillants ne réalisent même pas que ces éléments sont présents dans leurs systèmes. En effet, la fusion de capteurs déplace les tâches de traitement initial et d’intégration vers l’appareil lui-même (au niveau du bord), en réduisant le volume de données qui doivent être transmises aux serveurs centraux et en permettant une réactivité en temps réel à travers l’écosystème.

Prenons l’analyse comportementale, par exemple. Dans un environnement basé sur le cloud traditionnel, les capteurs effectueraient des tâches de collecte de base, en envoyant continuellement (ou périodiquement) des données brutes au calcul central pour le traitement, l’analyse et l’action. Disons que l’analyse révèle des signaux de comportement suspect sur le plan de vente, ce qui déclenche une série de protocoles de réponse. Eh bien, ces informations — le besoin d’une réponse — doivent également être transmises. Et même si tout le processus est rapide par rapport aux normes humaines, vous avez déjà perdu du temps en envoyant et en recevant des informations de A à B à C à B, etc.

Avec les capacités de fusion de Video AI et Orbit AI, nous pouvons éliminer ces étapes supplémentaires. Les outils d’IA et d’apprentissage automatique intégrés analysent les données brutes au fur et à mesure de leur collecte et priorisent les prochaines étapes en fonction de leurs conclusions, permettant une action plus rapide. De plus, en éliminant le besoin de transferts continus vers des systèmes plus importants, la fusion basée sur le bord réduit la demande d’énergie et la charge sur le système central.

À l’échelle de l’entreprise, l’intégration de matériel, de logiciels et de plateformes de données est notoirement complexe. Quels principes architecturaux ou approches d’ingénierie de systèmes sont critiques pour rendre l’infrastructure de détail alimentée par l’IA vraiment évolutiva ?

Il est impératif de commencer par une architecture de systèmes Agile / Lean – SAFe. Cette fondation permet une conception sécurisée, économiquement intelligente, flexible et personnalisable (si nécessaire) ainsi qu’une pensée et un développement de design. Je crois également en l’importance de travailler pour adopter une approche agnostique des écosystèmes de partenariat — ce qui nous permet de rencontrer les partenaires là où ils se trouvent dans leur parcours numérique. Cela nous permet de créer un effet de levier au niveau du compte et ouvre également des voies pour soutenir les sociétés qui ont besoin d’une offre SaaS ou celles, plus uniques, qui souhaitent tous les systèmes et les données sur place. Notre approche permet plusieurs voies pour la mise en œuvre et prend également en charge une large gamme d’options de matériel.

De nombreux détaillants ont du mal à relier les insights analytiques avancés directement aux résultats financiers et à l’efficacité opérationnelle. Comment aidez-vous les organisations à connecter les insights de l’IA aux résultats financiers et opérationnels ?

Cette question a contribué à l’élaboration de l’analyseur de réduction. Après la première poussée d’investissement dans la numérisation, les détaillants avaient des montagnes de données d’inventaire, de pertes et autres, mais leur manquait un outil pour donner un sens à tout cela.

Bien que son objectif principal soit l’amélioration continue, la tâche initiale de l’analyseur de réduction est toujours l’étalonnage au point de mise en œuvre. C’est la première étape, et c’est ce qui permet toutes les améliorations ultérieures, ainsi que le point de référence pour suivre les progrès en termes qui importent à l’entreprise. C’est cette étape que de nombreux dirigeants ont manquée dans l’hystérie de l’IA, et c’est la raison pour laquelle le suivi du ROI a été un défi à travers les industries.

En découvrant le « quoi, quand et où » du gaspillage et des pertes dès le départ, l’analyseur de réduction peut les traduire en quelque chose que les détaillants n’ont jamais vraiment eu auparavant : une image claire et quantifiable de la manière dont les pertes se produisent à grande échelle.

Il montre où les pertes se produisent réellement, les lacunes qui ont le plus d’impact sur les performances et les opportunités de changement qui peuvent aider à réduire ce nombre. À partir de là, les détaillants peuvent commencer à tester des cas d’utilisation, à suivre les progrès et à ajuster au fur et à mesure pour compiler des preuves convaincantes que leurs investissements dans l’IA et d’autres technologies déplacent l’aiguille.

La confidentialité et la confiance sont des préoccupations centrales à mesure que les magasins deviennent plus instrumentés. Comment Sensormatic Solutions aborde-t-elle le déploiement responsable de l’IA tout en permettant une intelligence opérationnelle à haute résolution ?

Je considère cette question comme faisant partie de ce que nous avons discuté plus tôt — la construction pour les dirigeants, les acheteurs et les associés à parts égales. Oui, les détaillants sont les personnes qui achètent nos solutions, mais nous ne pouvons pas réussir si les associés et les acheteurs ne sont pas à bord avec les systèmes. Leur satisfaction est essentielle à nos clients et à nous.

Ceci conduit notre approche de confidentialité dès la conception à travers tous nos processus de recherche et de développement. En d’autres termes, nous intégrons des garde-fous pour les consommateurs dans la solution dès le début, ce qui nous maintient curieux et créatifs.

La conception de Re-ID démontre cela. Ses capacités de cartographie de parcours et de comptage de trafic utilisent des variations dans et des combinaisons de détails individuels non identifiables — comme la coiffure et la couleur des cheveux, la conception et les accessoires vestimentaires — pour attribuer des ID uniques aux visiteurs. Vous pourriez penser qu’il y a trop de chevauchement dans la tenue ou le style pour que cela soit efficace, mais nous avons constaté que, lorsqu’ils sont considérés ensemble, ces types d’insights sont suffisamment uniques pour affirmer avec confiance « cette personne travaille ici » ou « cette personne a visité il y a une heure ».

Nous n’aurions jamais su si nous n’avions pas été forcés de penser en dehors de la boîte dès le départ. À mesure que les réglementations changent et que les préoccupations de confidentialité des consommateurs augmentent, les organisations qui adoptent ce point de vue tôt seront probablement les premières à innover, car elles sont déjà habituées à résoudre des problèmes de manière créative.

Les détaillants naviguent dans une perturbation constante — volatilité de la chaîne d’approvisionnement, criminalité commerciale organisée, pressions sur la main-d’œuvre et concurrence numérique. Comment l’infrastructure de détail alimentée par l’IA peut-elle servir de force stabilisatrice plutôt que d’une couche supplémentaire de complexité ?

Les systèmes basés sur les données fournissent de la stabilité en alignant l’organisation autour d’une vérité unique et d’un objectif partagé. L’ajout de l’IA renforce cette certitude.

Les données en soi sont encore sujettes à interprétation, et les conclusions des parties prenantes sont colorées par leurs propres priorités. L’IA peut atténuer ce problème, car elle analyse les données à travers l’opération sans partialité envers un point de vue particulier. Si le système a fonctionné comme prévu, les dirigeants ayant des priorités personnelles contradictoires peuvent faire confiance à l’analyse, aux recommandations et aux modèles prédictifs pour refléter la réalité des opérations de l’entreprise. Cela nivel les chances, de sorte que la meilleure prochaine étape émerge parce que sa valeur est claire pour tout le monde.

En regardant cinq à dix ans à l’avance, à quoi ressemblera un environnement de détail physique entièrement optimisé par l’IA, et quels sont les étapes stratégiques que les dirigeants devraient prendre maintenant pour se préparer à cet avenir ?

Il n’y a pas de feuille de route universelle que je puisse pointer vers notre préparation à l’IA, car il s’agit vraiment de construire des systèmes qui fonctionnent pour chaque détaillant. Cependant, la fondation pour cela est quelque peu universelle. Chaque détaillant a besoin :

• Une base de données unifiée qui fournit un enregistrement complet de tous les domaines d’opération. Sans cela, même les modèles les plus capables et les plus avancés ne pourront pas fournir d’insights utiles. Ils ont besoin d’un contexte pour livrer.
• Des références fiables basées sur des données commerciales pertinentes. Cela sert de point de départ pour les investissements et fournit un point de référence pour mesurer les progrès.
• Des plans de formation et de recyclage. L’IA n’est pas un acteur indépendant. Elle peut faire beaucoup, mais les personnes qui l’utilisent doivent comprendre ses fonctions et ses limites. Les détaillants doivent commencer à planifier et à communiquer sur la technologie tôt et souvent, afin que les associés et les employés soient prêts lorsque le moment viendra.
• Des dirigeants qui se soucient. La transformation est un projet à long terme, et les dirigeants doivent être prêts à consacrer des ressources à l’initiative pour le long terme et à être enthousiastes pour guider l’organisation à travers.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Sensormatic Solutions ou Divergent Technology Advisors.