Crisp lanserer Halo for å bringe KI for detaljhandelen inn i bedriftenes sky miljøer

Crisp har lansert Halo, en KI-plattform for detaljhandelen som kan kjøres i bedriftens eget skymiljø. Det bringer analyser av salg og forsyningskjeder nærmere dataene og styringssystemene bedriftene allerede bruker. Plattformen ble kunngjort 29. oktober og retter seg mot produsenter av forbruksvarer (CPG), detaljister, distributører og meglere.

Lanseringen tar tak i et velkjent problem i detaljhandelen: Team kan oppdage endringer i salg eller lagerbeholdning, men likevel bruke timevis på å samle sammen konteksten de trenger for å forklare dem. Crisps kunngjøring av Halo beskriver et system som kombinerer detaljhandelsdata, bransjespesifikk logikk og agentbaserte verktøy for å hjelpe brukerne med å undersøke resultater og avgjøre hva de skal gjøre videre.

Et datagrunnlag for KI i detaljhandelen

Halo-arkitekturen tar utgangspunkt i informasjonen som kommer fra detaljister og distributører. Crisps plattformoversikt deler dette grunnlaget inn i dataintegrasjon, datahåndtering og modellering, med agentbaserte verktøy og rollebaserte applikasjoner bygget oppå.

Denne strukturen er viktig fordi produkter, butikker og rapporteringsperioder kan representeres ulikt hos handelspartnerne. Et spørsmål om et lagerunderskudd blir mer nyttig når de underliggende systemene er enige om hvilken vare, hvilket sted og hvilken tidsperiode det gjelder.

Crisp beskriver tilnærmingen sin som vertikal KI: Data renses og berikes med semantikk fra detaljhandelen før de brukes til analyser. Selskapets bakgrunnsmateriale nevner detaljistenes kalendere, produkthierarkier, leveringsgrader og analyser av utsolgte varer som eksempler på forretningskonteksten som inngår. Crisp oppgir at over 7 000 kunder, deriblant 90 av de 100 største CPG-selskapene, bruker tjenestene deres; dette er adopsjonstall rapportert av selskapet.

Kjøres i kundens sky

Halo tilbys som en driftet plattform eller i kundenes egne miljøer på Databricks, Snowflake og Google Cloud. Det siste alternativet gir bedrifter en mulighet til å unngå å flytte detaljhandelsinnsikten sin til en annen applikasjon som driftes eksternt.

Crisps dokumentasjon om Databricks-arkitekturen viser et konkret eksempel. Her legges detaljhandelsdata i Delta-tabeller som styres gjennom Unity Catalog, applikasjoner og agenter kjøres i Databricks Apps, og en Lakebase-database brukes til applikasjonstilstand, samtaler og agentminne. Modellkall går via Model Serving og AI Gateway, mens semantiske spørringer bruker et valgt SQL-lager.

Ifølge Crisp forblir proprietære data i kundens miljø, mens driftslogger og telemetri som ikke er proprietære, deles med selskapets sentrale systemer. Dette er en mer presis beskrivelse enn å hevde at løsningen ikke kommuniserer eksternt. Crisp oppgir også MLflow-integrasjon og publisering av de semantiske modellene som Unity Catalog Metric Views som punkter på veikartet.

For IT-team er betydningen først og fremst operasjonell: Tilgangskontroller, valg av inferens og brukssporing kan tilpasses infrastrukturen som allerede er på plass. Hvor løsningen er distribuert, sier imidlertid ikke i seg selv noe om hvor nøyaktig et svar er, eller om en automatisert handling er egnet.

Fra spørsmål om hele porteføljen til beslutninger tilpasset den enkelte detaljisten

Lanseringen introduserer Central Desk og Customer Desk. Central Desk gir hovedkontorteam oversikt over hele detaljistporteføljen, slik at de kan arbeide med salgsstrategi, kategoristyring og planlegging av forsyningskjeden. Customer Desk er rettet mot kundeteam som trenger måltallene, terminologien og arbeidslogikken til en enkelt detaljist.

Tenk deg en merkevare som undersøker hvorfor salget av et bestemt produkt har gått ned. Det nyttige spørsmålet er om endringen skyldes etterspørsel, tilgjengelighet, distribusjon eller en annen operasjonell faktor. Ved å koble analysen til data på butikk- og varenivå kan teamene snevre inn undersøkelsen, i stedet for å behandle en nedgang i hele porteføljen som ett enkelt problem.

Det er den praktiske forskjellen mellom et samtalebasert grensesnitt og en applikasjon for detaljhandelen: Sistnevnte må forstå forretningsenhetene og sammenhengene som ligger bak spørsmålet. Den bredere Halo-plattformen organiserer også funksjoner rundt områder som påfylling, kategoriplanlegging og leverandørsamarbeid.

Sporbare svar og arbeidsflyter som kan gjentas

Crisps materiale om KI-agenter beskriver verktøy som bruker daglig innsikt på butikk- og produktnivå til å støtte analyser og handlinger. For Halo som helhet nevner selskapet samtalebaserte spørsmål, regelmessige rapporter, automatisering av arbeidsflyter og tilpassede applikasjoner som sentrale måter å bruke verktøyene på.

Lanseringsmaterialet legger vekt på å kunne spore anbefalinger tilbake til kildedataene og logikken som ble brukt for å utarbeide dem. Slik sporbarhet kan gjøre det enklere å etterprøve et svar: En analytiker kan undersøke dataene og resonnementet bak en anbefaling i stedet for å godta en velformulert forklaring uten videre.

For bedrifter som vurderer plattformen, handler de viktige spørsmålene ikke bare om forklaringen, men også om gjennomføringen: Hvilke handlinger er tillatt, hvilke krever gjennomgang, og hvordan måles endringene etter implementeringen? Det publiserte materialet beskriver funksjoner og distribusjonsarkitektur, ikke en uavhengig referansemåling av prognosenøyaktighet eller økonomisk avkastning.

Halos sterkeste fortrinn er forbindelsen mellom disse lagene. Konteksten fra detaljhandelen gir et KI-system mer nyttig informasjon å arbeide med, utrulling i kundens sky kan passe inn i eksisterende styringsrutiner, og rollebaserte arbeidsflyter gjør analysene tilgjengelige for dem som har ansvar for lagerbeholdning og kommersielle beslutninger.