Myron Burke, Leader di Solutions Management at Sensormatic Solutions – Intervista in Serie

Myron Burke, capo di global product & solutions at Sensormatic Solutions, identifica e implementa nuovi modi per accelerare l’innovazione, aumentare la velocità e fornire un maggior valore ai clienti attraverso una roadmap di soluzioni strategiche.

Myron è un leader provato con più di 25 anni di esperienza nel settore retail, tra cui i suoi periodi di lavoro presso Walmart e Sam’s Club, che hanno portato innovazione su larga scala. Recentemente, Myron ha fondato Divergent Technology Advisors, una società di consulenza tecnologica retail che guida grandi retailer, fornitori di tecnologia e startup con strategie tecnologiche, pianificazione di go-to-market, espansione di mercato internazionale e altro.

Sensormatic Solutions, il principale portfolio di soluzioni retail globali di Johnson Controls, fornisce esperienze retail sicure, sicure e senza soluzione di continuità. Per oltre 60 anni, il marchio è stato all’avanguardia dell’adozione tecnologica del settore, ridefinendo le operazioni retail a livello globale e trasformando le informazioni in azioni. Sensormatic Solutions fornisce un ecosistema interconnesso di soluzioni di prevenzione delle perdite, intelligenza dell’inventario e analisi del traffico, insieme ai suoi servizi e partner per consentire ai retailer di tutto il mondo di innovare e migliorare con precisione, collegando risultati guidati dai dati che plasmano il futuro del retail.

Ha trascorso più di 25 anni all’intersezione delle operazioni retail e della tecnologia emergente — dalla guida della strategia RFID e dell’innovazione nel negozio presso Walmart e Sam’s Club, all’incubazione di concetti di prossima generazione presso Store No. 8, fino a ricoprire il ruolo di capo di Global Product & Solutions presso Sensormatic Solutions. Come hanno plasmato queste esperienze la sua filosofia sull’utilizzo dell’AI e delle tecnologie dei sensori all’interno degli ambienti retail fisici di oggi?

Adotto un approccio molto pragmatico all’implementazione dell’AI e incoraggio il mio team e i clienti retail di Sensormatic Solutions a fare lo stesso. La mia esperienza su entrambi i lati dell’equazione ha dimostrato più volte che costruire in questo modo è la chiave per una trasformazione di successo.

Sensormatic Solutions opera da oltre 60 anni su una convinzione molto semplice: la tecnologia ha successo quando l’efficacia operativa e le sfide reali dei retailer sono al centro. Sembra ovvio — soprattutto per coloro che rimangono vicini agli strumenti emergenti — ma questo principio fondamentale è stato in qualche modo dimenticato tra tutto l’entusiasmo per l’AI.

La pressione per muoversi velocemente e stare al passo con il mercato è stata e rimane alta sia nello sviluppo di soluzioni che nell’adozione da parte dei clienti, ma costruire strumenti che riempiono realmente le lacune è più impattante che cercare di incorporare funzionalità AI in ogni prodotto. Ci concentriamo fermamente sul trovare i punti in cui la raccolta, la fusione, l’analisi e l’azione semplificate guidano miglioramenti misurabili. Questa concentrazione si estende anche ai set di dati che l’AI utilizzerà — set di dati mirati, controllati e puliti sono fondamentali per fornire un valore AI sostenibile, soprattutto tra clienti differenziati.

Qualcosa che teniamo anche presente è che questo è vero per tutti gli utenti possibili: responsabili delle decisioni aziendali, acquirenti e associati. Con ogni nuova soluzione o aggiornamento, ci chiediamo se stiamo fornendo valore a tutti e tre gli stakeholder in misura uguale, perché ogni gruppo è fondamentale per il successo del retail.

Questa etica interna si traduce naturalmente in soluzioni che aiutano i retailer ad adottare una posizione simile, offrendo strumenti che supportano miglioramenti significativi attraverso progetti di sistema pratici e personalizzati. Il dispiegamento dell’AI non è uno-size-fits-all e neanche i programmi che costruiamo con i clienti.

Sensormatic Solutions sta sempre più posizionando l’AI e l’analisi avanzata ML come abilitatori fondamentali dell’intelligenza operativa retail moderna. Come l’AI sta ridefinendo ciò che significa “prevenzione delle perdite” in un mondo omnichannel?

Le risposte più semplici sono visibilità con velocità. L’AI sta aiutando a demistificare realmente lo shrink e a fornire una visione completa della perdita retail totale. La realtà è che si può notare solo le perdite che si possono vedere, giusto? Per la maggior parte della storia dell’industria, la visibilità delle perdite è stata possibile solo a livello di base, con programmi focalizzati su articoli che dovrebbero essere disponibili per la vendita ma non lo sono. Potresti avere un’idea di se un articolo è stato rubato, rotto durante il trasporto o danneggiato mentre si trova sugli scaffali, ma tenere traccia di questo tipo di cose su larga scala era difficile, se non impossibile.

I sistemi di analisi connessi e i sensori hanno ampliato ciò che i retailer possono vedere, tracciare e quantificare. Pensate a evidenziare il 3% di errore nascosto nei vasti volumi di dati generati oggi. Questi sistemi di sensori sbloccano il cosa, dove, quando e chi della perdita, che — di per sé — scatena una trasformazione nella comprensione intorno allo shrink e sposta il paradigma verso la “perdita retail totale”. Questa prospettiva più ampia consente ai retailer di vedere un altro livello di operazioni e un insieme completamente nuovo di potenziali driver di perdite legate alla deviazione del processo e alle lacune, insieme al tempo, alle risorse e allo sforzo sprecati.

Quando tutto ciò viene identificato ed etichettato, è possibile trasformarlo. È qui che entra in gioco l’AI. Collega questi nuovi “punti”, spesso in tempo reale, per portare in superficie un livello di dati completamente diverso. L’intelligenza predittiva, altamente precisa, e la modellazione possono aiutare a quantificare gli impatti dello spreco a monte, pesare il valore relativo di possibili aggiustamenti e illustrare il costo dell’inazione. In effetti, sta consentendo ai retailer di spostare la loro posizione da reattiva a proattiva, aiutandoli a ridefinire le perdite come opportunità per migliorare.

Con tecnologie come Re-ID e analisi del traffico pedonale basate sull’AI, i retailer possono ora andare oltre il semplice conteggio delle persone per ottenere approfondite informazioni comportamentali e operative sugli acquirenti. Quali sono i casi d’uso più trasformativi che emerge da questo spostamento?

Re-ID, per me, è un potente esempio di piccoli aggiustamenti mirati che hanno un impatto enorme per la comprensione operativa.

Re-ID fa realmente una cosa: raffina le misure del traffico. Naturalmente, far sì che la tecnologia separi con precisione gli acquirenti unici dai rientri, dal personale e da altre categorie di visitatori è complesso, ma il risultato è un cambiamento molto semplice nei set di dati che guida un miglioramento significativo nella comprensione.

I dati sul traffico continuano a sostenere una vasta gamma di metriche in tutta l’industria, con la conversione forse l’esempio più notevole. Basta semplicemente tagliare i record per riflettere il conteggio più preciso dei visitatori unici per alterare drasticamente le interpretazioni, consentendo ai retailer di raffinare il personale, i piani dei piani, i messaggi e innumerevoli altre pratiche per aiutare a migliorare le esperienze dei clienti e i risultati finanziari.

È l’incarnazione dell’etica che abbiamo discusso in precedenza come centrale per il successo di Sensormatic Solutions negli ultimi 60 anni. Stiamo utilizzando l’AI per apportare aggiustamenti mirati e ad alto valore che beneficiano tutti nella equazione.

Sensormatic Solutions ha recentemente introdotto Orbit AI e Video AI come parte delle sue capacità di comportamento degli ospiti del negozio. Qual è il divario strategico che questa soluzione risolve per i retailer, e come si differenzia da altre piattaforme di intelligenza retail?

Ci avviciniamo a ogni nuova soluzione con una sfida specifica in mente. Per Orbit AI e Video AI, eravamo concentrati sul separare il “segnole dal rumore”, per dare ai retailer dati affidabili, specifici e contestualizzati che eliminano il lavoro di ipotesi nella presa di decisioni.

La tecnologia di riconoscimento di oggetti innovativa di Re-ID consente a Orbit AI e Video AI di aiutare i retailer a:

• Comprendere i modelli di tempo di permanenza in tutto il negozio.
• Differenziare tra acquirenti e passanti.
• Tracciare i percorsi degli acquirenti per identificare tendenze che informano la disposizione dei prodotti, i piani di promozione e pubblicità.
• Utilizzare la mappatura termica per tracciare dove i visitatori trascorrono la maggior parte del tempo.

Orbit AI e Video AI vanno un passo oltre, tuttavia, poiché i loro modelli di apprendimento automatico personalizzati si adattano insieme alle operazioni. Il sistema apprende ogni impresa e posizione nel tempo, regolando continuamente i parametri, identificando le fonti di pregiudizio e lavorando per rimuovere i dati ridondanti o incompleti che distorcono i modelli. Questo perfezionamento continuo garantisce che ogni insight rifletta la realtà del negozio proprio ora. Non ieri; non la settimana scorsa. E questo è critico perché le tendenze, le pressioni e le condizioni del retail cambiano a un ritmo rapido.

Orbit AI e Video AI sono stati costruiti per una facile integrazione e tenendo presente le principali barriere all’adozione. Il design integrato dei sensori, l’approccio edge e le capacità Re-ID consentono ai retailer di ottenere queste informazioni con meno dispositivi, rendendo più facile il dispiegamento e gli strumenti di analisi disponibili per aziende di tutte le dimensioni. È una continuazione del nostro lavoro decennale focalizzato sul rendere le informazioni intelligenti disponibili all’industria nel suo complesso.

Ha sottolineato l’importanza dell’utilizzo semplificato dei dati e della fusione dei sensori come fondamentale per la reinvenzione del retail. Come combinare più input di sensori crea un vantaggio competitivo rispetto a strumenti di analisi isolati?

L’analisi basata sul cloud aiuta a collegare le operazioni e a rimuovere i silos, ma include anche una serie di driver di spreco e inefficienza — e molti retailer non si rendono nemmeno conto che questi sono presenti all’interno dei loro sistemi. In effetti, la fusione dei sensori sposta i compiti di elaborazione iniziale e di integrazione allo stesso dispositivo (sull’orlo), riducendo il volume di dati che devono essere trasmessi ai server centrali e abilitando la risposta in tempo reale in tutta l’ecosistema.

Prendiamo ad esempio l’analisi comportamentale. In un ambiente basato sul cloud tradizionale, i sensori eseguirebbero compiti di raccolta di base, inviando continuamente (o periodicamente) dati grezzi al calcolo centrale per l’elaborazione, l’analisi e l’azione. Supponiamo che l’analisi riveli segnali di comportamento sospetto sul piano di vendita, che attiva una serie di protocolli di risposta. Ebbene, queste informazioni — la necessità di una risposta — devono anche essere trasmesse. E sebbene l’intero processo sia rapido secondo gli standard umani, avete già perso tempo inviando e ricevendo informazioni da A a B a C a B e così via.

Con le capacità di fusione di Video AI e Orbit AI, possiamo tagliare fuori questi passaggi extra. Gli strumenti di apprendimento automatico e AI integrati analizzano i dati grezzi mentre vengono raccolti e priorizzano i prossimi passi in base ai loro risultati, consentendo un’azione più tempestiva. Inoltre, eliminando la necessità di trasferimenti continui a sistemi più grandi, la fusione basata sull’orlo riduce la domanda di energia e lo stress sul sistema centrale.

A livello di impresa, l’integrazione di piattaforme hardware, software e dati è notoriamente complessa. Quali principi architettonici o approcci di ingegneria dei sistemi sono critici per rendere l’infrastruttura retail guidata dall’AI veramente scalabile?

È imperativo iniziare con SAFe / Lean – Agile Systems Architecture. Questa base consente progettazione sicura, economicamente intelligente, flessibile e personalizzabile (se necessario) e pensiero di sviluppo. Credo anche nel lavorare per sfruttare un approccio agnostico agli ecosistemi dei partner — ciò ci consente di incontrare i partner dove si trovano nel loro percorso digitale. Ciò ci consente di creare vantaggi a livello di account e apre anche percorsi per supportare aziende che necessitano di un’offerta SaaS o di quelle organizzazioni aziendali uniche che desiderano tutti i sistemi / dati sul posto. Il nostro approccio consente più percorsi per l’abilitazione e supporta anche una vasta gamma di opzioni hardware.

Molti retailer faticano a tradurre l’analisi in ROI misurabile. Come aiuta le organizzazioni a collegare direttamente le informazioni avanzate dell’AI ai risultati finanziari e all’efficienza operativa?

Questa domanda ha contribuito a guidare lo sviluppo di Shrink Analyzer. Dopo il primo slancio di investimenti in digitalizzazione, i retailer avevano montagne di dati di inventario, perdita e altro, ma mancavano di uno strumento per dare un senso a tutto.

Sebbene il suo scopo principale sia il miglioramento continuo, il compito iniziale di Shrink Analyzer è sempre il benchmarking al punto di implementazione. Questo è il primo passo e consente tutti i miglioramenti successivi, nonché servendo come punto di riferimento per tracciare quel progresso in termini che interessano all’azienda. È questo passo che molti leader hanno perso nell’entusiasmo per l’AI e che ha reso così impegnativo tracciare il ROI in tutta l’industria.

Scoprendo il “cosa, quando e dove” dello spreco e della perdita all’inizio, Shrink Analyzer può tradurlo tutto in qualcosa che i retailer non hanno realmente avuto prima: un quadro chiaro e quantificabile di come le perdite si verificano su larga scala.

Mostra dove le perdite stanno realmente accadendo, le lacune che hanno il maggior impatto sulle prestazioni e le opportunità di cambiamento che possono aiutare a ridurre quel numero. Da lì, i retailer possono iniziare a testare casi d’uso, tracciare i progressi e regolare come si va per compilare prove convincenti che i loro investimenti in tecnologia AI e altre tecnologie stanno spostando l’ago della bilancia.

La privacy e la fiducia sono preoccupazioni centrali mentre i negozi diventano più strumentati. Come Sensormatic Solutions sta affrontando il dispiegamento responsabile dell’AI mentre consente un’intelligenza operativa ad alta risoluzione?

Considero questo problema come parte di ciò che abbiamo discusso in precedenza — costruire per leader, acquirenti e associati in misura uguale. Sì, i retailer sono le persone che acquistano le nostre soluzioni, ma non possiamo avere successo se gli associati e gli acquirenti non sono a bordo con i sistemi. La loro soddisfazione è essenziale per i nostri clienti e per noi.

Questo guida il nostro approccio alla privacy-by-design in tutti i nostri processi di ricerca e sviluppo. In altre parole, incorporiamo le barriere del consumatore nelle soluzioni fin dall’inizio, il che ci mantiene curiosi e creativi.

Il design di Re-ID dimostra questo. Le sue capacità di mappatura del percorso e di conteggio del traffico utilizzano variazioni in e combinazioni di dettagli individuali non identificativi — come stile e colore dei capelli, design e accessori dell’abbigliamento — per assegnare ID univoci ai visitatori. Potresti pensare che ci sia troppa sovrapposizione nell’abbigliamento o nello stile per renderlo efficace, ma abbiamo scoperto che, considerati insieme, questi tipi di informazioni sono unici abbastanza da poter dire con fiducia “quella persona lavora qui” o “quella persona ha visitato un’ora fa”.

Non avremmo mai saputo se non fossimo stati costretti a pensare fuori dagli schemi fin dall’inizio. Mentre le norme e le preoccupazioni sulla privacy dei consumatori cambiano, le organizzazioni che adottano questo punto di vista per prime saranno probabilmente leader nell’innovazione, poiché sono già abituate a risolvere problemi creativamente.

I retailer stanno navigando una costante disruption — volatilità della catena di approvvigionamento, crimine organizzato al dettaglio, pressioni sul lavoro e concorrenza digitale. Come l’infrastruttura abilitata dall’AI può servire come forza stabilizzatrice piuttosto che un altro livello di complessità?

I sistemi guidati dai dati forniscono stabilità allineando l’organizzazione intorno a una verità unica e a un obiettivo condiviso. Aggiungere l’AI rafforza quella certezza.

I dati di per sé sono ancora soggetti a interpretazione e le conclusioni degli stakeholder sono colorate dalle loro priorità personali. L’AI può mitigare questo problema, poiché analizza i dati in tutta l’operazione senza pregiudizi verso un particolare punto di vista. Se il sistema funziona come previsto, i leader con priorità personali in competizione possono fidarsi che le analisi, le raccomandazioni e i modelli predittivi riflettono la realtà delle operazioni aziendali. Livella il campo da gioco, in modo che il miglior passo successivo emerga perché il suo valore è chiaro a tutti.

Guardando avanti cinque o dieci anni, cosa assomiglia un ambiente retail fisico completamente ottimizzato dall’AI, e quali passi strategici i leader dovrebbero intraprendere ora per prepararsi a quel futuro?

Non c’è un percorso universale che possa indicare la nostra prontezza per l’AI, perché si tratta realmente di costruire sistemi che funzionano per ogni retailer individuale. Tuttavia, la base per questo è in qualche modo universale. Ogni retailer ha bisogno di:

• Un database unificato che fornisce un registro completo di tutte le aree delle operazioni. Senza questo, anche i modelli più capaci e avanzati non saranno in grado di fornire informazioni utili. Hanno bisogno di un contesto per fornire.
• Punti di riferimento affidabili basati sui dati aziendali rilevanti. Ciò serve come punto di partenza per gli investimenti e fornisce un riferimento con cui misurare il progresso.
• Piani di formazione e aggiornamento. L’AI non è un attore indipendente. Può fare molto, ma le persone che lo utilizzano devono capire le sue funzioni e limitazioni. I retailer devono iniziare a pianificare e a comunicare sulla tecnologia presto e spesso, in modo che gli associati e i dipendenti siano pronti quando sarà il momento.
• Leader che si curano. La trasformazione è un progetto a lungo termine e i leader devono essere pronti a impegnare risorse nell’iniziativa per il lungo periodo e a guidare l’organizzazione attraverso di essa.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Sensormatic Solutions o Divergent Technology Advisors.