Rohit Aggarwal, COO bij DecisionNext – Interviewreeks

Rohit Aggarwal is Chief Operating Officer bij DecisionNext, een toonaangevend AI-platform dat bedrijven in staat stelt om de aankoop of verkoop van grondstoffen te optimaliseren op het beste mogelijke moment en tegen de beste mogelijke prijs. Hij maakt gebruik van een sterke achtergrond in supply chain en productmanagement, evenals ervaring met het direct leiden van zeer grote teams om complexe multidisciplinaire projecten uit te voeren en bedrijfsresultaten te behalen. Rohit was eerder verantwoordelijk voor product- en operationsmanagement bij zowel Google (GOOGL ) als Amazon (AMZN ).

U hebt gewerkt bij Amazon en onlangs bij Google. Wat waren enkele van uw belangrijkste hoogtepunten uit deze ervaringen?

Bij Amazon had ik de kans om een diverse groep van 250 cross-functionele medewerkers te beheren om best-in-class operaties te lanceren. Ik ondersteunde ook de implementatie van innovaties zoals same-day delivery, robotica en andere opkomende technologieën. Vervolgens bij Google, gebruikte ik mijn vaardigheden om de kloof tussen product en operaties te overbruggen. Dit hield in dat ik applicaties van scratch af bouwde om een nieuwe stijl van fulfillmentproces te beheren, evenals andere nieuwe aanbiedingen.

Kunt u uitleggen hoe DecisionNext AI en machine learning gebruikt om de prijs- en aanbodvoorspelling van grondstoffen te verbeteren?

DecisionNext gebruikt kunstmatige intelligentie en machine learning om duizenden datasets te consumeren en historische en huidige relaties tussen sleutelfactoren te vinden. Het leert vervolgens van deze informatie en bouwt relevante modellen voor elke grondstof. In de landbouw- en natuurlijke hulpbronnenmarkten helpen onze tools klanten om prijzen beter te voorspellen, slimmere beslissingen te nemen, risico’s te verminderen en winsten te verhogen over globale toeleveringsketens. We werken ook aan het gebruik van Large Language Models (LLM’s) om complexe wereldwijde beslissingen te vereenvoudigen met risicobewuste oplossingen.

Wat zijn de belangrijkste voordelen van het gebruik van DecisionNext’s AI-platform in vergelijking met traditionele voorspellingsmethoden?

Globale grondstofkopers en -verkopers gebruiken vaak regels van duim en spreadsheets om een complex systeem van miljarden dollars in transacties te vereenvoudigen. Dit laat een aanzienlijk bedrag aan geld liggen. Deze spreadsheets hebben wonderen verricht en honderden bedrijven ondersteund. Echter, naarmate de arbeidsdynamiek verandert en mondiale markten onvoorspelbaarder worden, worden ze minder effectief. DecisionNext heeft jaren doorgebracht met het perfectioneren van een AI-platform dat mondiale complexiteiten omzet in actieaanbevelingen op grote schaal – waardoor de financiële prestaties aanzienlijk worden verbeterd.

Onze klanten hebben specialisten die al 30 jaar of langer in een bepaalde ruimte of industrie hebben gewerkt. En naarmate nieuwe generaties binnenkomen, is het extreem belangrijk om al die ervaring op een bruikbare manier te behouden. DecisionNext helpt hierbij door uitgebreide bibliotheken van beslissingen te bouwen, deskundigenmeningen te integreren en te leren van het verleden.

Door dit te doen, vermindert het DecisionNext-platform het risico en de onzekerheid in bedrijfsbeslissingen over bedrijfseenheden en individuen, en stelt het een schaalbare manier in om die beslissingen te nemen. Het verbetert ook de winstgevendheid in dagelijkse transacties, langetermijnposities en toekomstgerichte strategische planning.

Wat is de rol van dynamische gegevens in DecisionNext’s AI-gedreven beslissingsproces, en hoe worden deze gegevens geïntegreerd en gebruikt?

Dynamische en up-to-date gegevens zijn extreem belangrijk bij het opbouwen van best-in-class modellen. Dat gezegd hebbende, is de snelheid en complexiteit waarmee de gegevens verwerkt en gemodelleerd kunnen worden, niet de enige factor. Bijvoorbeeld, hoe weet een model het gewicht van de meest recente gegevens (bijv. een schok in het systeem) en dat het deze anders moet behandelen? Onze gebruikers kunnen interactie hebben met de modellen via gepatenteerde technologie om hun meningen in te voeren en what-if-analyses te bouwen om gegevens te gebruiken die het model of systeem nog niet kan weten. Dit stelt onze klanten in staat om nieuwe inzichten te verkrijgen die anders niet mogelijk zouden zijn. Ze kunnen ook beter begrijpen wat de impact is van mondiale verschuivingen in het aanbod of nieuwe handelsreguleringen, onder een oneindig aantal andere mogelijke situaties.

Op welke manieren heeft DecisionNext’s AI-platform de besluitvorming in de grondstoffenmarkt gerevolutioneerd?

Ons best-in-class platform heeft de standaardbenadering van prijzen, aanbod- en vraagvoorspellingen gerevolutioneerd door onze gebruikers meer te bieden dan alleen een voorspelling. Met onze tool kunnen ze snel risico’s, onzekerheden en complexe beslissingen analyseren met een paar muisklikken. DecisionNext heeft een aantal use cases over toeleveringsketens in zowel landbouw als mijnbouw. Deze omvatten optimalisatie van inkoop- en verkoopprijzen, bedrijfsplanning, geografische en productarbitrage, minste-kostenformulering en risicobeheer, onder vele anderen.

Hoe waarborgt DecisionNext de nauwkeurigheid en betrouwbaarheid van zijn AI-voorspellingsmodellen voor grondstoffenhandel?

We waarborgen de nauwkeurigheid en betrouwbaarheid van onze AI-voorspellingsmodellen door intensieve backtesting. DecisionNext heeft een rigoureus systeem gebouwd dat in staat is om snel duizenden modelstructuren te testen en de gebruiker een volledig begrip te geven van hoe nauwkeurig modellen zijn. Dit kan op een eenvoudige manier worden gedaan die ons ook in staat stelt om die nauwkeurigheid te gebruiken om onzekerheid in de toekomst te voorspellen.

Kunt u een voorbeeld of case study delen van hoe DecisionNext een bedrijf heeft geholpen om marktvolatiliteit te navigeren met behulp van uw AI-hulpmiddelen?

Met DecisionNext, verhoogde een grote ijzerertsproducent zijn winst met gemiddeld 6-8% op spotverkopen. Onze oplossing hielp hen om hun prijsstrategie te optimaliseren en de tijd te verkorten die nodig was om belangrijke beslissingen te nemen over geografische arbitrage. Op soortgelijke wijze kunnen we vleesproducenten helpen om te beslissen waar en wanneer ze het vlees van hun karkassen moeten verkopen.

In beide gevallen bood DecisionNext een nauwkeurige en verdedigbare korte- en langetermijnvoorspelling om de verkoopplanningstrategie te optimaliseren. Onze visualisatiehulpmiddelen stelden de producenten in staat om snel meerdere verkoopstrategieën naast elkaar te beoordelen om risico’s te mitigeren, besluitvorming te stroomlijnen en marges effectiever te verhogen.

Zonder DecisionNext, zijn bedrijven gedwongen om te vertrouwen op historische gemiddelden, futuresmarkten (indien beschikbaar) en ervaring om goederen te prijzen. Hoewel effectief in het verleden, laten bedrijven met onze steeds meer volatile grondstoffenmarkten, miljoenen dollars liggen.

Kunt u de significantie van interactieve voorspellingsmodellen voor gebruikers bespreken, en hoe waarborgt DecisionNext dat deze modellen gebruikersvriendelijk zijn?

Het oude, verouderde “black box”-model van voorspellingen vertelt mensen niet waarom de voorspelling is wat het is. Het kan ook niet helpen bij het vertalen van de voorspelling in actieaanbevelingen. Dus in dit scenario kunnen gebruikers een perfecte voorspelling niet gebruiken en terugkeren naar oude methoden.

DecisionNext helpt zijn klanten om een beter begrip te krijgen van zowel marktrisico’s als bedrijfsrisico’s en waarom de twee moeten worden verbonden bij het voorspellen. DecisionNext biedt volledige zichtbaarheid in gegevensbronnen en modelstructuren, evenals strategische duidelijkheid en richting.

Alles wordt geleverd via een gebruikersvriendelijke dashboard, ontworpen voor voortdurende betrokkenheid.

Op welke manieren heeft de pandemie en recente geopolitieke gebeurtenissen de ontwikkeling en het gebruik van AI in grondstoffenhandel bij DecisionNext beïnvloed?

COVID-19 verstoorde de mondiale vleeswaardeketen, en één klant die bijzonder werd getroffen door de crisis, komt in gedachten. Met grote hoeveelheden bevroren voedsel bestemd voor snel inactieve voedseldienstkanalen, gebruikte de klant DecisionNext-analyse om snel en optimaal voorraad te liquideren toen lockdowns zich over de VS verspreidden en ook om te plannen hoe en wanneer hij de voorraden opnieuw op te bouwen.

Met het DecisionNext-platform bouwde de klant vier complexe verkoop- en inkoopalternatieven om de verwachte marktresultaten te zien en risico’s te vergelijken. Ze konden succesvol overige voorraad verkopen en deze transacties boden een 5X rendement tegen de DecisionNext-software-investering in één maand.

Welke toekomstige vooruitgang in AI en machine learning voorziet u om de grondstoffenmarkt te beïnvloeden, en hoe bereidt DecisionNext zich hierop voor?

DecisionNext staat aan de voorzijde van de inspanning om AI en machine learning te gebruiken om grondstoffenmarkten efficiënter, winstgevender en duurzamer te maken. Naarmate de wereld blijft worstelen met enorme uitdagingen zoals klimaatverandering en politieke al instability, intelligent technology zal een steeds belangrijker onderdeel zijn in hoe we deze succesvol navigeren. We zijn vereerd om door onze klanten en partners te worden vertrouwd om een platform te bieden om te helpen dit te laten gebeuren. Thank you voor het geweldige interview, lezers die meer willen leren, moeten DecisionNext bezoeken.