Crisp lanceert Halo om AI voor de detailhandel naar de cloudomgevingen van bedrijven te brengen

Crisp heeft Halo gelanceerd, een AI-platform voor de detailhandel dat binnen de eigen cloudomgeving van een bedrijf kan draaien. Zo komen analyses van verkoop en toeleveringsketens dichter bij de gegevens en governancesystemen die bedrijven al gebruiken. Het platform werd aangekondigd op 29 oktober en is bedoeld voor fabrikanten van consumentengoederen (CPG), retailers, distributeurs en tussenpersonen.

De lancering speelt in op een bekend probleem in de detailhandel: teams kunnen een verandering in de verkoop of voorraad waarnemen, maar zijn vervolgens vaak uren bezig met het verzamelen van de context die nodig is om die te verklaren. De aankondiging van Halo door Crisp beschrijft een systeem dat retailgegevens, sectorspecifieke logica en AI-agenttools combineert, zodat gebruikers prestaties kunnen onderzoeken en kunnen bepalen wat ze vervolgens moeten doen.

Een fundament van retailgegevens onder de AI

De architectuur van Halo begint bij de informatie die afkomstig is van retailers en distributeurs. In Crisps platformoverzicht bestaat dit fundament uit gegevensintegratie, -beheer en -modellering, met daarboven AI-agenttools en applicaties voor specifieke functies.

Die structuur is belangrijk omdat handelspartners een product, winkel of verslagperiode op verschillende manieren kunnen weergeven. Een vraag over een voorraadtekort is nuttiger wanneer de onderliggende systemen het eens zijn over het artikel, de locatie en de periode waarop de vraag betrekking heeft.

Crisp omschrijft zijn aanpak als verticale AI: gegevens worden opgeschoond en verrijkt met retailsemantiek voordat ze voor analyses worden gebruikt. In het achtergrondmateriaal van het bedrijf worden retailkalenders, producthiërarchieën, leveringspercentages en analyses van uitverkochte producten genoemd als voorbeelden van de bedrijfscontext die hierbij een rol speelt. Crisp zegt dat meer dan 7.000 klanten, onder wie 90 van de 100 grootste CPG-bedrijven, zijn diensten gebruiken; dit zijn adoptiecijfers die door het bedrijf zelf zijn gerapporteerd.

Draaien in de cloud van de klant

Halo is beschikbaar als gehost platform of binnen klantomgevingen op Databricks, Snowflake en Google Cloud. Die laatste optie biedt bedrijven een alternatief voor het verplaatsen van hun retailinformatie naar een andere extern gehoste applicatie.

Crisps architectuurdocumentatie voor Databricks biedt een concreet voorbeeld. Retailgegevens worden daarin opgeslagen in Delta-tabellen die via Unity Catalog worden beheerd; applicaties en agents draaien in Databricks Apps en een Lakebase-database wordt gebruikt voor de applicatiestatus, gesprekken en het geheugen van agents. Modelaanroepen lopen via Model Serving en AI Gateway, terwijl semantische query’s gebruikmaken van een geselecteerd SQL-warehouse.

Volgens Crisp blijven bedrijfseigen gegevens binnen de omgeving van de klant, terwijl niet-bedrijfseigen operationele logboeken en telemetrie worden gedeeld met de centrale systemen van Crisp. Dat is een nauwkeurigere omschrijving dan suggereren dat de implementatie geen externe communicatie omvat. Crisp noemt ook de integratie met MLflow en het publiceren van zijn semantische modellen als Unity Catalog Metric Views als onderdelen van de roadmap.

Voor IT-teams zit het belang in de bedrijfsvoering: toegangsbeheer, keuzes rond inferentie en het bijhouden van gebruik kunnen aansluiten op de infrastructuur die al aanwezig is. Alleen de locatie van de implementatie zegt echter niets over de nauwkeurigheid van een antwoord of de geschiktheid van een geautomatiseerde actie.

Van vragen over het hele portfolio naar beslissingen voor individuele retailers

De lancering introduceert Central Desk en Customer Desk. Central Desk geeft teams op het hoofdkantoor inzicht in hun volledige retailportfolio, voor werkzaamheden op het gebied van verkoopstrategie, categoriebeheer en planning van de toeleveringsketen. Customer Desk is bedoeld voor accountteams die de meetwaarden, terminologie en werkwijze van een individuele retailer nodig hebben.

Denk aan een merk dat onderzoekt waarom de verkoop van een bepaald product is teruggelopen. De relevante vraag is of die verandering te maken heeft met de vraag, beschikbaarheid, distributie of een andere operationele factor. Door analyses te koppelen aan gegevens op winkel- en artikelniveau kunnen teams het onderzoek gerichter uitvoeren, in plaats van een daling in het hele portfolio als één probleem te behandelen.

Dat is het praktische verschil tussen een conversatie-interface en een retailapplicatie: die laatste moet de bedrijfsentiteiten en onderlinge verbanden achter de vraag begrijpen. Het bredere platform van Halo groepeert mogelijkheden bovendien rond functies als aanvulling van voorraden, categorieplanning en samenwerking met leveranciers.

Herleidbare antwoorden en herhaalbare workflows

In Crisps materiaal over AI-agenten worden tools beschreven die dagelijkse inzichten op winkel- en productniveau gebruiken ter ondersteuning van analyses en acties. Voor Halo als geheel noemt het bedrijf vragen in natuurlijke taal, terugkerende rapporten, workflowautomatisering en maatwerkapplicaties als de belangrijkste manieren om die tools te gebruiken.

In het materiaal over de lancering ligt de nadruk op het herleiden van aanbevelingen tot de brongegevens en de logica waarmee ze zijn opgesteld. Die herkomstinformatie maakt een antwoord mogelijk eenvoudiger te controleren: een analist kan de gegevens en redenering achter een aanbeveling bekijken, in plaats van een vlot geformuleerde uitleg zonder meer te accepteren.

Voor bedrijven die het platform beoordelen, gaan de belangrijke vragen verder dan die uitleg en betreffen ze ook de uitvoering: welke acties zijn toegestaan, voor welke acties is controle nodig en hoe worden veranderingen na de implementatie gemeten? Het gepubliceerde materiaal beschrijft mogelijkheden en de implementatiearchitectuur, maar bevat geen onafhankelijke benchmark van de nauwkeurigheid van voorspellingen of het financiële rendement.

Halo’s sterkste troef is de verbinding tussen die lagen. De retailcontext geeft een AI-systeem meer bruikbare informatie om mee te werken, implementatie in de cloudomgeving van de klant kan passen binnen bestaande governance, en workflows die zijn afgestemd op specifieke rollen brengen de daaruit voortkomende analyses onder de aandacht van de mensen die verantwoordelijk zijn voor voorraad- en commerciële beslissingen.