Myron Burke, Pemimpin Manajemen Solusi di Sensormatic Solutions – Seri Wawancara

Myron Burke, kepala global produk & solusi di Sensormatic Solutions, mengidentifikasi dan menerapkan cara-cara baru untuk mempercepat inovasi, meningkatkan kecepatan dan memberikan nilai yang lebih besar kepada pelanggan melalui peta jalan solusi strategis.

Myron adalah seorang pemimpin yang terbukti dengan lebih dari 25 tahun pengalaman di ritel, termasuk masa jabatannya di Walmart dan Sam’s Club, menghadirkan inovasi dalam skala besar. Baru-baru ini, Myron mendirikan Divergent Technology Advisors, sebuah perusahaan konsultan teknologi ritel yang membantu para pemimpin ritel, penyedia teknologi, dan perusahaan rintisan dengan strategi teknologi, perencanaan go-to-market, ekspansi pasar internasional, dan lain-lain.

Sensormatic Solutions, portofolio solusi ritel global terkemuka dari Johnson Controls, memungkinkan pengalaman ritel yang aman, terjamin, dan lancar. Selama lebih dari 60 tahun, merek ini telah berada di garis depan adopsi teknologi industri yang cepat, mendefinisikan kembali operasi ritel pada skala global dan mengubah wawasan menjadi tindakan. Sensormatic Solutions menyediakan ekosistem yang terhubung dari solusi intelijen kehilangan, intelijen persediaan, dan wawasan lalu lintas, serta layanan dan mitra untuk memungkinkan para pemimpin ritel di seluruh dunia untuk berinovasi dan meningkatkan dengan presisi, menghubungkan hasil yang didorong data yang membentuk masa depan ritel.

Anda telah menghabiskan lebih dari 25 tahun di persimpangan operasi ritel dan teknologi yang muncul — dari memimpin strategi RFID dan inovasi toko di Walmart dan Sam’s Club, hingga menginkubasi konsep generasi berikutnya di Store No. 8, hingga sekarang memimpin Global Produk & Solusi di Sensormatic Solutions. Bagaimana pengalaman-pengalaman tersebut membentuk filosofi Anda tentang bagaimana AI dan teknologi sensor harus diterapkan di dalam lingkungan ritel fisik saat ini?

Saya mengambil pendekatan yang sangat pragmatis terhadap implementasi AI, dan saya mendorong tim saya dan pelanggan ritel Sensormatic Solutions untuk melakukan hal yang sama. Pengalaman saya di kedua sisi persamaan telah membuktikan berulang kali bahwa membangun dengan cara ini adalah kunci untuk transformasi yang sukses.

Sensormatic Solutions telah beroperasi dengan keyakinan yang sangat sederhana selama 60 tahun terakhir: Teknologi berhasil ketika efisiensi operasional dan tantangan ritel dunia nyata ada di pusat. Ini tampaknya jelas—terutama bagi mereka yang tetap dekat dengan alat-alat yang muncul—tetapi prinsip dasar ini telah sedikit dilupakan di tengah-tengah semua hiruk-pikuk sekitar AI.

Tekanan untuk bergerak cepat dan mengikuti pasar masih tinggi baik dalam pengembangan solusi maupun adopsi pelanggan, tetapi membangun alat yang benar-benar mengisi kesenjangan lebih berdampak daripada mencoba melipatkan fungsi AI ke dalam setiap produk. Kami fokus secara kuat pada menemukan tempat-tempat di mana pengumpulan, fusi, analisis, dan tindakan yang terstruktur menghasilkan perbaikan yang dapat diukur. Fokus ini juga meluas ke set data yang akan digunakan AI—set data yang ditargetkan, dikendalikan, dan dibersihkan adalah kunci untuk menghasilkan nilai AI yang berkelanjutan, terutama di seluruh pelanggan yang berbeda.

Sesuatu yang kami pertahankan dalam pikiran adalah bahwa ini benar di seluruh pengguna yang mungkin: pengambil keputusan perusahaan, pembeli, dan asosiasi. Dengan setiap solusi baru atau pembaruan, kami bertanya pada diri sendiri apakah kami memberikan nilai kepada ketiga pemangku kepentingan dalam ukuran yang sama, karena setiap kelompok integral untuk kesuksesan ritel.

Etos internal ini secara alami diterjemahkan ke dalam solusi yang membantu para pemimpin ritel mengadopsi sikap yang sama, menawarkan alat yang mendukung perbaikan yang berarti melalui desain sistem yang praktis dan disesuaikan. Penerapan AI tidak satu-ukuran-untuk-semua, dan tidak juga program yang kami bangun dengan pelanggan.

Sensormatic Solutions semakin memposisikan AI dan analitik lanjutan ML sebagai penggerak utama intelijen operasional ritel modern. Bagaimana AI mendefinisikan kembali apa yang dimaksud dengan “pencegahan kehilangan” dalam dunia omnichannel?

Jawaban yang paling sederhana adalah visibilitas dengan kecepatan. AI membantu memahami kehilangan dan memberikan pandangan penuh tentang kehilangan ritel total. Kenyataannya adalah Anda hanya dapat mencatat kehilangan yang dapat dilihat, bukan? Selama sebagian besar sejarah industri, visibilitas kehilangan hanya mungkin pada tingkat dasar, dengan program yang fokus pada barang yang seharusnya tersedia untuk dijual tetapi tidak. Anda mungkin memiliki beberapa gagasan tentang apakah suatu barang dicuri, rusak dalam perjalanan, atau rusak saat berada di rak, tetapi melacak hal-hal seperti itu dalam skala besar sulit, jika tidak mustahil.

Sistem analitik yang terhubung dan sensor memperluas apa yang dapat dilihat, dilacak, dan diukur oleh para pemimpin ritel. Pikirkan tentang menyoroti 3% kesalahan yang tersembunyi dalam volume data yang besar yang dihasilkan saat ini. Sistem sensor ini membuka kunci apa, di mana, kapan, dan siapa dari kehilangan, yang—secara mandiri—memicu transformasi dalam pemahaman sekitar kehilangan dan menggeser paradigma menuju “kehilangan ritel total.” Ini memungkinkan para pemimpin ritel untuk melihat lapisan operasi lain dan serangkaian penggerak kehilangan yang baru terkait dengan deviasi proses dan celah, serta waktu, sumber daya, dan upaya yang terbuang.

Ketika semua itu diidentifikasi dan diberi label, Anda dapat mengubahnya. Itulah di mana AI masuk. AI menghubungkan “titik-titik” ini, seringkali dalam waktu nyata, untuk mengungkapkan lapisan data yang sama sekali berbeda. Intelijen yang prediktif, akurat, dan berbasis model dapat membantu mengukur dampak limbah hulu, menimbang nilai relatif dari penyesuaian yang mungkin, dan menggambarkan biaya dari ketidakaktifan. Secara efektif, ini memungkinkan para pemimpin ritel untuk bergeser dari sikap reaktif ke proaktif, membantu mereka mengubah kehilangan menjadi peluang untuk perbaikan.

Dengan teknologi seperti Re-ID dan analitik lalu lintas yang ditenagai AI, para pemimpin ritel sekarang dapat melampaui penghitungan orang sederhana untuk mendapatkan wawasan perilaku pembeli dan operasional yang lebih dalam. Apa kasus penggunaan yang paling transformatif yang Anda lihat muncul dari pergeseran ini?

Re-ID, bagi saya, adalah contoh kuat dari penyesuaian kecil yang memiliki dampak besar untuk pemahaman operasional.

Re-ID benar-benar melakukan satu hal: memperbarui pengukuran lalu lintas. Tentu saja, membuat teknologi untuk memisahkan pembeli unik dari re-entri, staf, dan kategori pengunjung lainnya adalah kompleks, tetapi hasilnya adalah perubahan sederhana pada dataset yang menghasilkan perbaikan signifikan dalam pemahaman.

Data lalu lintas terus menjadi dasar untuk berbagai metrik di seluruh industri, dengan konversi mungkin yang paling mencolok. Hanya dengan memangkas catatan untuk mencerminkan hitungan pengunjung unik yang lebih akurat dapat secara dramatis mengubah interpretasi, memungkinkan para pemimpin ritel untuk memperbarui penjadwalan, denah lantai, pesan, dan praktik lainnya untuk membantu meningkatkan pengalaman pelanggan dan hasil keuangan.

Ini adalah perwujudan dari etos yang kita diskusikan sebelumnya sebagai kunci keberhasilan Sensormatic Solutions selama 60 tahun terakhir. Kami menggunakan AI untuk membuat penyesuaian yang ditargetkan dan berharga yang menguntungkan semua pihak dalam persamaan.

Sensormatic Solutions baru-baru ini memperkenalkan Orbit AI dan Video AI sebagai bagian dari kemampuan Perilaku Tamu Toko. Apa celah strategis yang diselesaikan solusi ini untuk para pemimpin ritel, dan bagaimana ini membedakannya dari platform intelijen ritel lainnya?

Kami mendekati setiap solusi baru dengan tantangan tertentu dalam pikiran. Untuk Orbit AI dan Video AI, kami fokus pada memisahkan “sinyal dari kebisingan”, untuk memberikan para pemimpin ritel data yang dapat diandalkan, spesifik, dan kontekstual yang menghilangkan keraguan dalam pengambilan keputusan.

Re-ID’s teknologi pengenalan objek inovatif memungkinkan Orbit AI dan Video AI untuk membantu para pemimpin ritel:

• Mengerti pola waktu tinggal di seluruh toko.
• Membedakan antara pembeli dan orang yang lewat.
• Melacak perjalanan pembeli untuk mengidentifikasi tren yang mempengaruhi tata letak barang, promosi, dan rencana iklan.
• Menggunakan pemetaan panas untuk melacak di mana pengunjung menghabiskan sebagian besar waktu mereka.

Orbit AI dan Video AI membawa ini lebih jauh, karena model pembelajaran mesin yang disesuaikan beradaptasi dengan operasi. Sistem ini belajar tentang setiap perusahaan dan lokasi dari waktu ke waktu, terus-menerus menyesuaikan parameter, mengidentifikasi sumber bias, dan bekerja untuk menghilangkan data yang berlebihan atau tidak lengkap yang mempengaruhi model. Pembaruan terus-menerus ini memastikan bahwa setiap wawasan mencerminkan kenyataan toko saat ini. Tidak kemarin; tidak minggu lalu. Ini sangat penting karena tren ritel, tekanan, dan kondisi berubah dengan cepat.

Orbit AI dan Video AI dibangun untuk integrasi yang mudah dan dengan hambatan adopsi utama dalam pikiran. Desain sensor yang terintegrasi, pendekatan on-the-edge, dan kemampuan Re-ID memungkinkan para pemimpin ritel untuk mendapatkan wawasan ini dengan lebih sedikit perangkat, membuat penerapan lebih mudah dan alat analitik tersedia untuk bisnis semua ukuran. Ini adalah kelanjutan dari dekade pekerjaan kami yang fokus pada membuat wawasan cerdas tersedia untuk industri secara luas.

Anda telah menekankan penggunaan data yang terstruktur dan fusi sensor sebagai fondasi untuk reinvensi ritel. Bagaimana menggabungkan beberapa input sensor menciptakan keunggulan kompetitif dibandingkan dengan alat analitik yang terisolasi?

Analitik berbasis cloud membantu menghubungkan operasi dan menghilangkan silo, tetapi juga termasuk berbagai penggerak limbah dan ketidakefisienan—dan banyak pemimpin ritel tidak menyadari bahwa ini ada dalam sistem mereka. Secara efektif, fusi sensor memindahkan tugas pemrosesan awal dan integrasi ke perangkat itu sendiri (di tepi), mengurangi volume data yang perlu ditransmisikan ke server pusat dan memungkinkan responsif waktu nyata di seluruh ekosistem.

Ambil contoh analitik perilaku, misalnya. Dalam lingkungan berbasis cloud tradisional, sensor akan melakukan tugas pengumpulan dasar, terus-menerus (atau berkala) mengirim data mentah ke komputasi pusat untuk diproses, dianalisis, dan diambil tindakan. Katakanlah bahwa analisis mengungkapkan sinyal perilaku mencurigakan di lantai penjualan, yang memicu serangkaian protokol respons. Nah, informasi itu—kebutuhan akan respons—juga perlu ditransmisikan. Dan meskipun seluruh proses ini cepat menurut standar manusia, Anda sudah kehilangan waktu mengirim dan menerima informasi dari A ke B ke C ke B dan seterusnya.

Dengan kemampuan fusi Video AI dan Orbit AI, kami dapat memotong langkah-langkah ekstra ini. Alat AI dan ML yang terintegrasi menganalisis data mentah saat dikumpulkan dan memprioritaskan langkah-langkah berikutnya berdasarkan temuan mereka, memungkinkan tindakan yang lebih tepat waktu. Selain itu, dengan menghilangkan kebutuhan untuk transfer terus-menerus ke sistem yang lebih besar, fusi berbasis tepi mengurangi kebutuhan energi dan beban pada sistem pusat.

Di skala perusahaan, mengintegrasikan perangkat keras, perangkat lunak, dan platform data global terkenal kompleks. Apa prinsip-prinsip arsitektur atau pendekatan teknik sistem yang kritis untuk membuat infrastruktur ritel yang didorong AI benar-benar dapat diskalakan?

Sangat penting untuk memulai dengan Arsitektur Sistem SAFe / Lean – Agile. Landasan ini memungkinkan desain yang aman, cerdas secara ekonomi, fleksibel, dan dapat disesuaikan (jika perlu) dengan pemikiran dan pengembangan. Saya juga percaya pada bekerja untuk menggunakan pendekatan agnostik terhadap ekosistem mitra—memungkinkan kami untuk bertemu dengan mitra di mana mereka berada dalam perjalanan digital mereka. Ini memungkinkan kami untuk menciptakan keunggulan pada tingkat akun dan juga membuka jalur untuk mendukung perusahaan yang memerlukan lebih banyak penawaran SaaS atau perusahaan unik yang ingin semua sistem / data di lokasi. Pendekatan kami memungkinkan beberapa jalur untuk pemberdayaan dan juga mendukung berbagai pilihan perangkat keras.

Banyak pemimpin ritel yang kesulitan menerjemahkan analitik menjadi ROI yang dapat diukur dan efisiensi operasional. Bagaimana Anda membantu organisasi menghubungkan wawasan AI lanjutan langsung ke hasil keuangan dan efisiensi operasional?

Pertanyaan itu membantu mengarahkan pengembangan Shrink Analyzer. Setelah dorongan pertama investasi digitalisasi, para pemimpin ritel memiliki gunung data inventori, kehilangan, dan lain-lain, tetapi kekurangan alat untuk memahami semuanya.

Shrink Analyzer memiliki tugas awal yang sederhana: pemetaan pada titik implementasi. Ini adalah langkah pertama, dan ini memungkinkan setiap perbaikan selanjutnya, serta berfungsi sebagai titik referensi untuk melacak kemajuan dalam istilah yang penting bagi bisnis. Ini adalah langkah yang banyak pemimpin lewatkan dalam hiruk-pikuk AI, dan ini adalah alasan bahwa melacak ROI telah menjadi tantangan di seluruh industri.

Dengan mengungkap “apa, kapan, dan di mana” dari limbah dan kehilangan pada awalnya, Shrink Analyzer dapat menerjemahkan semuanya menjadi sesuatu yang para pemimpin ritel belum pernah miliki sebelumnya: gambaran yang jelas dan dapat diukur tentang bagaimana kehilangan terjadi dalam skala besar.

Ini menunjukkan di mana kehilangan benar-benar terjadi, celah-celah yang memiliki dampak terbesar pada kinerja, dan peluang untuk perubahan yang dapat membantu menurunkan angka itu. Dari sana, para pemimpin ritel dapat mulai menguji kasus penggunaan, melacak kemajuan, dan menyesuaikan saat mereka melanjutkan untuk mengumpulkan bukti yang kuat bahwa investasi teknologi AI dan lainnya benar-benar bergerak.

Privasi dan kepercayaan adalah kekhawatiran utama saat toko menjadi lebih instrumental. Bagaimana Sensormatic Solutions mendekati penerapan AI yang bertanggung jawab sambil tetap memungkinkan intelijen operasional yang beresolusi tinggi?

Saya melihat masalah ini sebagai bagian dari apa yang kita diskusikan sebelumnya—membangun untuk pemimpin, pembeli, dan asosiasi dalam ukuran yang sama. Ya, para pemimpin ritel adalah orang-orang yang membeli solusi kami, tetapi kami tidak dapat sukses jika asosiasi dan pembeli tidak setuju dengan sistem. Kepuasan mereka sangat penting bagi pelanggan kami dan bagi kami.

Ini mengarahkan pendekatan privasi-by-design kami di seluruh proses penelitian dan pengembangan. Dengan kata lain, kami memasukkan pengawal konsumen ke dalam solusi dari awal, yang membuat kami tetap penasaran dan kreatif.

Desain Re-ID menunjukkan hal ini. Kemampuan pemetaan perjalanan dan penghitungan lalu lintas menggunakan variasi dalam dan kombinasi detail individu yang tidak dapat diidentifikasi—seperti gaya rambut dan warna, desain pakaian dan aksesori—untuk menetapkan ID unik untuk pengunjung. Anda mungkin berpikir bahwa ada terlalu banyak tumpang tindih dalam pakaian atau gaya untuk ini efektif, tetapi kami menemukan bahwa, ketika dipertimbangkan bersama, wawasan ini unik enough untuk dengan percaya diri mengatakan “orang itu bekerja di sini” atau “orang itu mengunjungi satu jam yang lalu.”

Kami tidak akan pernah tahu jika kami tidak dipaksa untuk berpikir di luar kotak dari awal. Ketika peraturan berubah dan kekhawatiran privasi konsumen meningkat, organisasi yang mengadopsi pandangan ini dari awal kemungkinan akan memimpin dalam inovasi karena mereka sudah terbiasa dengan pemecahan masalah kreatif.

Para pemimpin ritel menghadapi gangguan konstan — volatilitas rantai pasokan, kejahatan ritel terorganisir, tekanan tenaga kerja, dan persaingan digital. Bagaimana infrastruktur ritel yang didorong AI dapat berfungsi sebagai kekuatan stabilisasi daripada hanya tambahan lapisan kompleksitas?

Sistem yang didorong data memberikan stabilitas dengan menyelaraskan organisasi di sekitar kebenaran tunggal dan tujuan bersama. Menambahkan AI memperkuat kepastian itu.

Data itu sendiri masih terbuka untuk interpretasi, dan kesimpulan pemangku kepentingan diwarnai oleh prioritas mereka sendiri. AI dapat memitigasi masalah ini, karena menganalisis data di seluruh operasi tanpa bias terhadap satu sudut pandang. Jika sistem bekerja seperti yang diinginkan, para pemimpin dengan prioritas pribadi yang bersaing dapat mempercayai bahwa analisis, rekomendasi, dan model prediktif mencerminkan kenyataan operasi bisnis. Ini memperbarui lapangan, sehingga langkah berikutnya naik ke atas karena nilainya jelas bagi semua orang.

Melihat ke depan lima hingga sepuluh tahun, apa yang terlihat seperti lingkungan ritel fisik yang sepenuhnya dioptimalkan AI, dan apa langkah-langkah strategis yang harus diambil para pemimpin sekarang untuk mempersiapkan masa depan itu?

Tidak ada peta jalan satu-ukuran-untuk-semua yang bisa saya tunjuk untuk kesiapan AI, karena ini benar-benar tentang membangun sistem yang bekerja untuk setiap pemimpin ritel individu. Namun, dasar untuk ini agak universal. Setiap pemimpin ritel memerlukan:

• Database yang terintegrasi yang memberikan catatan komprehensif tentang semua bidang operasi. Tanpa ini, bahkan model yang paling mampu dan canggih tidak akan dapat memberikan wawasan yang berguna. Mereka memerlukan konteks untuk memberikan.
• Benchmark yang dapat diandalkan berdasarkan data bisnis yang relevan. Ini berfungsi sebagai titik awal untuk investasi dan memberikan referensi untuk mengukur kemajuan.
• Rencana pelatihan dan pengembangan keterampilan. AI bukanlah aktor independen. Ini dapat melakukan banyak hal, tetapi orang-orang yang menggunakannya perlu memahami fungsinya dan keterbatasannya. Para pemimpin ritel perlu mulai merencanakan dan berkomunikasi tentang teknologi ini dari awal dan sering, sehingga asosiasi dan karyawan siap ketika saatnya tiba.
• Pemimpin yang peduli. Transformasi adalah proyek jangka panjang, dan pemimpin perlu siap untuk mengkomitmen sumber daya untuk inisiatif ini dalam jangka panjang dan bersemangat untuk memimpin organisasi melalui proses ini.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Sensormatic Solutions atau Divergent Technology Advisors.