Myron Burke, Leider van Oplossingsbeheer bij Sensormatic Solutions – Interviewreeks

Myron Burke, hoofd van wereldwijde product- en oplossingen bij Sensormatic Solutions, identificeert en implementeert nieuwe manieren om innovatie te versnellen, de snelheid te verhogen en meer waarde te bieden aan klanten door middel van een strategische oplossingsroadmap.

Myron is een ervaren leider met meer dan 25 jaar ervaring in de detailhandel, waaronder zijn tijd bij Walmart en Sam’s Club, waar hij innovatie op grote schaal leverde. Onlangs richtte Myron Divergent Technology Advisors op, een adviesbureau voor retailtechnologie dat grote detailhandelaren, technologieaanbieders en start-ups helpt met technologiestrategie, go-to-marketplanning, internationale marktuitbreiding en meer.

Sensormatic Solutions, het toonaangevende wereldwijde retailoplossingsportfolio van Johnson Controls, biedt veilige, beveiligde en naadloze retailervaringen. Gedurende meer dan 60 jaar is het merk aan de voorlopers van de snelle technologische adoptie in de industrie geweest, waarbij retailoperaties wereldwijd opnieuw zijn gedefinieerd en inzichten zijn omgezet in acties. Sensormatic Solutions levert een verbonden ecosysteem van oplossingen voor verliespreventie, voorraadintelligentie en verkeersinzicht, evenals diensten en partners om detailhandelaren wereldwijd in staat te stellen om met precisie te innoveren en te groeien, waarbij gegevensgestuurde resultaten de toekomst van de detailhandel vormgeven.

U hebt meer dan 25 jaar aan de kruising van retailoperaties en opkomende technologieën doorgebracht – van het leiden van RFID-strategie en winkelinnovatie bij Walmart en Sam’s Club, tot het incuberen van next-generationconcepten bij Store No. 8, tot nu het leiden van Global Product & Solutions bij Sensormatic Solutions. Hoe hebben die ervaringen uw filosofie gevormd over hoe AI en sensortechnologieën binnen fysieke retailomgevingen moeten worden ingezet?

Ik neem een zeer pragmatische benadering van AI-implementatie en moedig mijn team en de retailklanten van Sensormatic Solutions aan om hetzelfde te doen. Mijn ervaring aan beide kanten van de vergelijking heeft keer op keer bewezen dat opbouwen op deze manier de sleutel is tot succesvolle transformatie.

Sensormatic Solutions is al 60 jaar gebaseerd op een eenvoudig geloof: technologie slaagt wanneer operationele effectiviteit en echte uitdagingen van detailhandelaren centraal staan. Het lijkt voor de hand liggend – vooral voor degenen die dicht bij opkomende tools blijven – maar dit fundament is enigszins vergeten te midden van alle hype rond AI.

De druk om snel te bewegen en de markt bij te houden was en blijft hoog, zowel in oplossingsontwikkeling als in klantadoptie, maar het bouwen van tools die daadwerkelijk gaten vullen is meer impactvol dan het proberen om AI-functionaliteiten in elk product te integreren. We zijn gefocust op het vinden van de plaatsen waar gestroomlijnde verzameling, fusie, analyse en actie meetbare verbeteringen opleveren. Deze focus strekt zich ook uit tot de gegevenssets die AI zal gebruiken – gerichte, gecontroleerde en gereinigde gegevenssets zijn essentieel voor het leveren van duurzame AI-waarde, vooral bij gedifferentieerde klanten.

Iets anders dat we in gedachten houden, is dat dit waar is voor alle mogelijke gebruikers: corporate besluitvormers, shoppers en medewerkers. Met elke nieuwe oplossing of update vragen we ons af of we waarde leveren aan alle drie stakeholders in gelijke mate, omdat elke groep essentieel is voor retailsucces.

Deze interne ethos vertaalt zich van nature in oplossingen die detailhandelaren helpen om een soortgelijke houding aan te nemen, met tools die ondersteuning bieden voor betekenisvolle verbeteringen door middel van praktische, op maat gemaakte systeemontwerpen. AI-implementatie is geen een-size-fits-all, en evenmin zijn de programma’s die we met klanten opbouwen.

Sensormatic Solutions positioneert AI en ML-geavanceerde analytics steeds vaker als kernonderdelen van moderne retailoperationele intelligentie. Hoe definieert AI opnieuw wat “verliespreventie” betekent in een omnichannelwereld?

De eenvoudigste antwoorden zijn zichtbaarheid met snelheid. AI helpt om verlies echt te demystificeren en een volledig zicht op totaal retailverlies te geven. De realiteit is dat u alleen verliezen kunt noteren die u kunt zien, nietwaar? Voor het grootste deel van de geschiedenis van de industrie was zichtbaarheid in verliezen alleen mogelijk op het meest basale, oppervlakkige niveau, met programma’s die zich richtten op artikelen die beschikbaar zouden moeten zijn voor verkoop maar dat niet waren. U zou misschien een idee hebben of een artikel was gestolen, beschadigd tijdens transport of beschadigd terwijl het op de plank stond, maar het volgen van dit soort dingen op grote schaal was moeilijk, zo niet onmogelijk.

Verbonden analytics en sensoren hebben uitgebreid wat detailhandelaren kunnen zien, volgen en kwantificeren. Denk aan het highlighten van de 3% van de fout die verborgen is in de enorme hoeveelheid gegevens die vandaag worden gegenereerd. Deze sensoren ontgrendelen het wat, waar, wanneer en wie van verlies, wat op zichzelf een transformatie in het begrip van verlies en verschuiving van het paradigma naar “totaal retailverlies” teweegbrengt. Deze bredere reikwijdte stelt detailhandelaren in staat om een andere laag van operaties en een geheel nieuwe set van potentiële verliesstuurders te zien die verband houden met procesafwijking en gaten, evenals verspilde tijd, middelen en inspanningen.

Wanneer al dit wordt geïdentificeerd en gelabeld, kunt u het transformeren. Dat is waar AI om de hoek komt kijken. Het verbindt deze nieuwe “dots”, vaak in real-time, om een geheel andere laag van gegevens te onthullen. Predictieve, zeer nauwkeurige intelligentie en modellering kunnen helpen om de impact van upstreamverspilling te kwantificeren, de relatieve waarde van mogelijke aanpassingen te wegen en de kosten van inactiviteit te illustreren. Effectief gezien stelt het detailhandelaren in staat om hun houding te verschuiven van reactief naar proactief, waardoor ze verliezen kunnen zien als kansen om te verbeteren.

Met technologie zoals Re-ID en AI-geactiveerde voetgangersanalyse kunnen detailhandelaren nu verder gaan dan eenvoudige mensen tellen naar diepere shoppergedrag- en operationele inzichten. Wat zijn de meest transformatieve use cases die u ziet ontstaan uit deze verschuiving?

Re-ID is voor mij een krachtig voorbeeld van kleine, gerichte aanpassingen die een enorme impact hebben op operationeel begrip.

Re-ID doet eigenlijk maar één ding: verfijnt verkeersmaatregelen. Natuurlijk is het krijgen van de technologie om unieke shoppers van herintredes, personeel en andere categorieën van bezoekers te onderscheiden, complex, maar het resultaat is een eenvoudige verandering in datasets die een significante verbetering in begrip oplevert.

Verkeersgegevens vormen nog steeds de basis voor een breed scala aan metrieken in de industrie, met conversie als mogelijk het meest opvallende voorbeeld. Alleen al het trimmen van records om de meer accurate telling van individuele bezoekers te weerspiegelen, kan interpretaties dramatisch veranderen, waardoor detailhandelaren personeel, winkelplattegronden, berichten en talloze andere praktijken kunnen verfijnen om klantervaringen en financiële resultaten te verbeteren.

Het is de belichaming van de ethos die we eerder bespraken als centraal voor het succes van Sensormatic Solutions in de afgelopen 60 jaar. We gebruiken AI om gerichte, hoge-waardeaanpassingen te maken die iedereen in de vergelijking ten goede komen.

Sensormatic Solutions heeft onlangs Orbit AI en Video AI geïntroduceerd als onderdeel van zijn Store Guest Behaviors-functionaliteit. Welk strategisch gat lost deze oplossing op voor detailhandelaren, en hoe onderscheidt het zich van andere retailintelligentieplatforms?

We benaderen elke nieuwe oplossing met een specifieke uitdaging in gedachten. Voor Orbit AI en Video AI waren we gefocust op het scheiden van “het signaal van de ruis”, om detailhandelaren betrouwbare, specifieke en gecontextualiseerde gegevens te geven die het raden uit decision-making verwijderen.

Re-ID’s innovatieve objectherkenningstechnologie stelt Orbit AI en Video AI in staat om detailhandelaren te helpen:

• Patronen van verblijfsduur in de winkel te begrijpen.
• Tussen shoppers en voorbijgangers te onderscheiden.
• Shopperreizen te volgen om trends te identificeren die merchandiseopmaak, promotie- en reclameplannen informeren.
• Heatmapping te gebruiken om te volgen waar bezoekers de meeste tijd doorbrengen.

Orbit AI en Video AI gaan echter nog een stap verder, aangezien hun op maat gemaakte machine learning-modellen zich aanpassen aan operaties. Het systeem leert over elk bedrijf en elke locatie in de loop van de tijd, waardoor parameters continu worden aangepast, bronnen van vooroordelen worden geïdentificeerd en overtollige of onvolledige gegevens die modellen vertekenen, worden verwijderd. Deze continue verfijning zorgt ervoor dat elk inzicht de realiteit van de winkel weerspiegelt zoals die nu is. Niet gisteren; niet vorige week. En dat is kritiek, omdat retailtrends, -druk en -omstandigheden snel veranderen.

Orbit AI en Video AI zijn ontwikkeld voor gemakkelijke integratie en met belangrijke barrières voor adoptie in gedachten. De geïntegreerde ontwerp van de sensoren, de aanpak op de rand en de Re-ID-mogelijkheden stellen detailhandelaren in staat om deze inzichten te verkrijgen met minder apparaten, waardoor implementatie gemakkelijker wordt en analytics-tools beschikbaar komen voor bedrijven van alle maten. Het is een voortzetting van ons decennialange werk dat zich richt op het beschikbaar stellen van intelligente inzichten aan de industrie als geheel.

U hebt benadrukt dat gestroomlijnde gegevensgebruik en sensorfusie essentieel zijn voor retailheruitvinding. Hoe creëert het combineren van meerdere sensorinputs een concurrentievoordeel in vergelijking met geïsoleerde analytics-tools?

Cloud-gebaseerde analytics helpen operaties te verbinden en silo’s te verwijderen, maar ze omvatten ook een reeks stuurders van verspilling en inefficiëntie – en veel detailhandelaren realiseren zich niet eens dat deze aanwezig zijn in hun systemen. Effectief gezien verschuift sensorfusie de initiële verwerking- en integratietaken naar het apparaat zelf (op de rand), waardoor het volume van gegevens dat naar centrale servers moet worden verzonden, wordt verkleind en waardoor real-time responsiviteit in het hele ecosysteem mogelijk wordt.

Neem bijvoorbeeld gedragsanalyse. In een traditionele cloud-gebaseerde omgeving zouden de sensoren basistaken voor gegevensverzameling uitvoeren, waarna ze voortdurend (of periodiek) ruwe gegevens naar de centrale computer zouden verzenden voor verwerking, analyse en actie. Laten we zeggen dat die analyse signalen van verdacht gedrag op de verkoopvloer onthult, waardoor een reeks reactieprotocollen wordt geactiveerd. Nou, die informatie – de behoefte aan een reactie – moet ook worden overgebracht. En hoewel het hele proces snel is in menselijke termen, hebt u al tijd verloren met het verzenden en ontvangen van informatie van A naar B naar C naar B enzovoort.

Met de fusiemogelijkheden van Video AI en Orbit AI kunnen we die extra stappen weglaten. De geïntegreerde AI- en ML-tools analyseren ruwe gegevens terwijl ze worden verzameld en prioriteren de volgende stappen op basis van hun bevindingen, waardoor tijdige actie mogelijk wordt. Bovendien vermindert de edge-gebaseerde fusie de energievraag en de belasting van het centrale systeem door het elimineren van de noodzaak voor continue overdrachten naar grotere systemen.

Bij enterprise-schaal is het integreren van wereldwijde hardware-, software- en dataplatforms berucht complex. Welke architectonische principes of systeemtechnische benaderingen zijn essentieel om AI-gedreven retailinfrastructuur echt schaalbaar te maken?

Het is essentieel om te beginnen met SAFe / Lean – Agile Systems Architecture. Deze basis stelt veilige, economisch slimme, flexibele en aanpasbare (indien nodig) ontwerpdenken en -ontwikkeling mogelijk. Ik geloof ook in het werken met een agnostische benadering van partner-ecosystemen – waardoor we partners kunnen ontmoeten waar ze zijn in hun digitale reis. Dit stelt ons in staat om hefboomwerking te creëren op accountniveau en biedt ook paden om bedrijven te ondersteunen die meer een SaaS-aanbod nodig hebben of die unieke ondernemingen die alle systemen en gegevens op locatie willen.

Veel detailhandelaren worstelen om analytics om te zetten in meetbare ROI. Hoe helpt u organisaties om geavanceerde AI-inzichten rechtstreeks te koppelen aan financiële resultaten en operationele efficiëntie?

Die vraag hielp bij de ontwikkeling van Shrink Analyzer. Na de eerste golf van digitale investeringen hadden detailhandelaren bergen aan voorraad-, verlies- en andere gegevens, maar ontbrak het aan een instrument om er iets van te maken.

Hoewel het primaire doel van Shrink Analyzer voortdurende verbetering is, is de eerste taak altijd het benchmarken op het moment van implementatie. Dat is de eerste stap, en het is wat alle verbeteringen daarna mogelijk maakt, evenals een referentiepunt voor het volgen van die vooruitgang in termen die voor het bedrijf relevant zijn. Dit is de stap die veel leiders in de AI-hype hebben gemist, en het is de reden waarom het volgen van ROI een uitdaging is geweest in de hele industrie.

Door het “wat, wanneer en waar” van verspilling en verlies te onthullen op het beginpunt, kan Shrink Analyzer dit alles omzetten in iets wat detailhandelaren nog nooit eerder hebben gehad: een duidelijk, kwantificeerbaar beeld van hoe verliezen op grote schaal gebeuren.

Het toont aan waar verliezen echt gebeuren, de gaten die de grootste impact op prestaties hebben en de kansen voor verandering die kunnen helpen om dat aantal omlaag te brengen. Van daaruit kunnen detailhandelaren beginnen met het testen van use cases, het volgen van de vooruitgang en het aanpassen van hun aanpak om overtuigend bewijs te verzamelen dat hun AI- en andere technologie-investeringen de naald verplaatsen.

Privacy en vertrouwen zijn centrale zorgen nu winkels meer geïnstrumenteerd raken. Hoe benadert Sensormatic Solutions verantwoorde AI-implementatie, terwijl het nog steeds hoge operationele intelligentie mogelijk maakt?

Ik zie deze kwestie als onderdeel van wat we eerder bespraken – het bouwen voor leiders, shoppers en medewerkers in gelijke mate. Ja, detailhandelaren zijn de mensen die onze oplossingen kopen, maar we kunnen niet slagen als medewerkers en shoppers niet achter de systemen staan. Hun tevredenheid is essentieel voor onze klanten en voor ons.

Dit drijft onze privacy-by-design-benadering in alle onderzoeks- en ontwikkelingsprocessen. Met andere woorden, we bakken consumentenwachters in de oplossing vanaf het begin, waardoor we nieuwsgierig en creatief blijven.

Re-ID’s ontwerp demonstreert dit. De mogelijkheden van journey-mapping en verkeerstelling gebruiken variaties in en combinaties van individuele, niet-identificeerbare details – zoals haardracht en -kleur, kledingontwerp en accessoires – om unieke ID’s toe te wijzen aan bezoekers. U zou kunnen denken dat er te veel overlap is in kleding of stijl voor dit te werken, maar we ontdekten dat, wanneer deze soorten inzichten samen worden beschouwd, ze uniek genoeg zijn om met vertrouwen te zeggen “die persoon werkt hier” of “die persoon heeft een uur geleden bezocht”.

We zouden het nooit hebben geweten als we niet vanaf het begin buiten de box hadden moeten denken. Aangezien regelgeving verandert en consumentenprivacyzorgen toenemen, zullen organisaties die deze zienswijze vroeg aannemen, waarschijnlijk de leiding nemen in innovatie, omdat ze al gewend zijn aan creatief probleemoplossen.

Detailhandelaren navigeren door constante verstoring – supply chain-volatiliteit, georganiseerde retailcriminaliteit, arbeidsdruk en digitale concurrentie. Hoe kan AI-geactiveerde infrastructuur dienen als een stabiliserende kracht in plaats van nog een laag complexiteit?

Gegevensgestuurde systemen bieden stabiliteit door de organisatie te aligneren rond een enkelvoudige waarheid en een gedeeld doel. Het toevoegen van AI versterkt die zekerheid.

Gegevens op zichzelf zijn nog steeds vatbaar voor interpretatie, en de conclusies van stakeholders worden gekleurd door hun eigen prioriteiten. AI kan dat probleem mitigeren, omdat het gegevens over de hele operatie analyseert zonder vooroordeel naar een bepaalde visie. Als het systeem zoals bedoeld werkte, kunnen leiders met concurrerende persoonlijke prioriteiten vertrouwen dat analyses, aanbevelingen en predictieve modellen de realiteit van de bedrijfsoperaties weerspiegelen. Het levelt het speelveld, zodat de beste volgende stap naar voren komt omdat de waarde ervan voor iedereen duidelijk is.

Als we vooruitkijken naar de komende vijf tot tien jaar, wat ziet een volledig AI-geoptimaliseerde fysieke retailomgeving eruit, en welke strategische stappen moeten leiders nu nemen om zich voor te bereiden op die toekomst?

Er is geen universele roadmap die ik kan aanwijzen voor onze AI-rechtvaardigheid, omdat het echt gaat om het bouwen van systemen die werken voor elke individuele detailhandelaar. Echter, de basis hiervoor is enigszins universeel. Elke detailhandelaar heeft nodig:

• Een unified database die een uitgebreid record van alle gebieden van operaties biedt. Zonder dit zullen zelfs de meest capabele en geavanceerde modellen geen nuttige inzichten kunnen bieden. Ze hebben context nodig om te leveren.
• Betrouwbare benchmarks gebaseerd op relevante bedrijfsgegevens. Dit dient als een startpunt voor investeringen en biedt een referentiepunt om vooruitgang te meten.
• Trainings- en bijscholingsplannen. AI is geen onafhankelijke actor. Het kan veel doen, maar de mensen die het gebruiken, moeten de functies en beperkingen ervan begrijpen. Detailhandelaren moeten beginnen met plannen en communiceren over de technologie vroeg en vaak, zodat medewerkers en werknemers klaar zijn wanneer het tijd is.
• Leiders die zorgen. Transformatie is een langetermijnproject, en leiders moeten klaar zijn om middelen te committeren aan het initiatief voor de lange termijn en enthousiast zijn om de organisatie erdoorheen te leiden.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Sensormatic Solutions of Divergent Technology Advisors bezoeken.