Myron Burke, leder for løsningshåndtering i Sensormatic Solutions – Intervju-serie

Myron Burke, leder for globalt produkt- og løsning i Sensormatic Solutions, identifiserer og implementerer nye måter å akselerere innovasjon, øke hastighet og levere større verdi til kunder gjennom en strategisk løsningsveikart.

Myron er en erfaren leder med mer enn 25 års erfaring i detaljhandel, inkludert hans perioder i Walmart og Sam’s Club, hvor han leverte innovasjon i stor skala. Nylig grunnla Myron Divergent Technology Advisors, en detaljhandels teknologi-rådgivningsfirma som guidere større detaljhandlere, teknologileverandører og start-ups med teknologistrategi, markedsføringsplaner, internasjonal markedsutvidelse og mer.

Sensormatic Solutions, det ledende globale detaljhandelsløsningsporteføljet til Johnson Controls, gir trygge, sikre og sammenhengende detaljhandelsopplevelser. I mer enn 60 år har merket vært i forkant av bransjens raskt utviklende teknologi, og har omdefinert detaljhandelsoperasjoner på global skala og omdannet innsikt til handlinger. Sensormatic Solutions leverer et sammenhengende økosystem av tapforebyggings-, lagerintelligens- og trafikkinnsiktsløsninger, samt tjenester og partnere for å enable detaljhandlere verden over å innovere og heve med presisjon, og koble data-drevne resultater som former detaljhandelens fremtid.

Du har tilbragt mer enn 25 år i skjæringspunktet mellom detaljhandelsoperasjoner og fremvoksende teknologi — fra å lede RFID-strategi og butikkinnovasjon i Walmart og Sam’s Club, til å inkubere neste-generasjonskonsepter i Store No. 8, til nå å lede Globalt Produkt og Løsning i Sensormatic Solutions. Hvordan har disse erfaringene formet din filosofi om hvordan AI og sensor-teknologier bør deployeres i fysiske detaljhandelsmiljøer i dag?

Jeg tar en svært pragmatisk tilnærming til AI-implementering, og jeg oppmunner mitt team og Sensormatic Solutions detaljhandelskunder til å gjøre det samme. Min erfaring på begge sider av ligningen har bevist gang på gang at bygging på denne måten er nøkkel til vellykket transformasjon.

Sensormatic Solutions har operert på en svært enkel tro i løpet av de siste 60 årene: Teknologi lykkes når operasjonell effektivitet og virkelige detaljhandelsutfordringer er i sentrum. Det ser ut som en åpenbarhet — spesielt for de som holder seg nær fremvoksende verktøy — men denne grunnleggende prinsippet har blitt noe glemt i all hype rundt AI.

PRESSet for å flytte raskt og holde tritt med markedet var og er høyt både i løsningsutvikling og kunde-tilpasning, men bygging av verktøy som faktisk fyller hull er mer betydningsfullt enn å forsøke å fold AI-funksjoner inn i hvert enkelt produkt. Vi er fokusert fast på å finne stedene hvor strømlinje-samling, fusjon, analyse og handling driver målbare forbedringer. Dette fokuset omfatter også dataene AI vil bruke — målrettede, kontrollerte og rensede data er nøkkel til å levere varig AI-verdi, spesielt over forskjellige kunder.

Noe annet vi også holder i mente er at dette er sant for alle mulige brukere: bedriftsbeslutningstakere, shoppe og ansatte. Med hver ny løsning eller oppdatering, spør vi oss selv om vi leverer verdi til alle tre interessentene i like mål, fordi hver gruppe er avgjørende for detaljhandels-suksess.

Dette interne ethos oversetter naturlig til løsninger som hjelper detaljhandlere å adoptere en lignende holdning, og tilbyr verktøy som støtter meningsfull forbedring gjennom praktiske, tilpassede system-design. AI-deployering ikke en-size-fits-all, og heller ikke er programmet vi bygger med kunder.

Sensormatic Solutions posisjonerer AI og ML avanserte analytikk som core-aktiverende av moderne detaljhandelsoperasjonell intelligens. Hvordan definerer AI om hva “tapforebyggings” betyr i en omnichannel-verden?

De enkleste svarene er synlighet med hastighet. AI hjelper virkelig å avmystifisere shrink og levere en full visning av total detaljhandelstap. Virkeligheten er at du bare kan merke tapene du kan se, rett? For de fleste av bransjens historie har synlighet inn i tapene vært mulig bare på det mest grunnleggende, overfladiske nivå, med programmer fokusert på varer som burde være tilgjengelige for salg, men ikke er. Du måtte ha noen idé om hvorvidt en vare var stjålet, ødelagt under transport eller skadet mens den var på hyllen, men å spore slike ting i skala var vanskelig, hvis ikke umulig.

Koblede analytikk og sensorsystemer utvidet hva detaljhandlere kan se, spore og kvantifisere. Tenk på å høydepunkte 3% feil som er skjult i de enorme mengdene data-volum generert i dag. Disse sensorsystemene låser opp hva, hvor, når og hvem av tap, som — på egen hånd — sparket en transformasjon i forståelse rundt shrink og skiftet paradigmet mot “total detaljhandelstap”. Dette utvidede omfanget tillater detaljhandlere å se en annen lag av operasjoner og en hel ny sett av potensielle drivere av tap relatert til prosessavvik og hull, samt bortkastet tid, ressurser og innsats.

Når all dette er identifisert og merket, kan du så transformere det. Det er der AI kommer inn. Det kobler disse nye “punktene” ofte i sanntid, for å overflate en helt annen lag av data. Prediktiv, høyaktig intelligens og modellering kan hjelpe å kvantifisere impaktene av oppstrøms-avfall, veie den relative verdien av mulige justeringer og illustrere kostnadene av inaktivitet. Effektivt er det å enable detaljhandlere å skifte deres holdninger fra reaktive til proaktive, og hjelpe dem å omdefinere tap som muligheter for å forbedre.

Med teknologi som Re-ID og AI-drevne fottrafikk-analytikk, kan detaljhandlere nå gå utenfor enkle menneske-tellinger til dypere shopper-atferd og operasjonell innsikt. Hva er de mest transformative bruksområdene du ser fremme fra denne skiftet?

Re-ID, for meg, er et kraftig eksempel på små, målrettede justeringer som har en enorm innvirkning på operasjonell forståelse.

Re-ID gjør egentlig bare en ting: refinerer trafikkmål. Selvfølgelig er det komplekst å få teknologien til å nøyaktig skille mellom unike shoppe og gjeninntreden, ansatte og andre kategorier av besøkende, men resultatet er en svært enkel endring til datasett som driver betydelig forbedring i forståelse.

Trafikkdata fortsetter å understøtte en rekke målinger på tvers av bransjen, med konvertering kanskje det mest merkverdige eksempelet. Bare å kutte ned registreringer til å reflektere en mer nøyaktig telling av enkelte besøkende kan dramatisk endre tolkninger, og enable detaljhandlere å finjustere bemanning, gulvplaner, meldinger og talløse andre praksiser for å forbedre kundeopplevelser og finansielle resultater.

Dette er inkarnasjonen av ethos vi diskuterte tidligere som sentral for Sensormatic Solutions suksess i løpet av de siste 60 årene. Vi bruker AI til å lage målrettede, høyverdi-justeringer som benefits alle i ligningen.

Sensormatic Solutions har nylig introdusert Orbit AI og Video AI som en del av sine Store Guest Behaviors-kapabiliteter. Hva strategisk hull løser denne løsningen for detaljhandlere, og hvordan skiller den seg fra andre detaljhandels-intelligensplattformer?

Vi nærmer oss hver ny løsning med en spesifikk utfordring i mente. For Orbit AI og Video AI, var vi fokusert på å skille “signalet fra støyen”, for å gi detaljhandlere pålitelige, spesifikke og kontekstualiserte data som fjerner gjettingen fra beslutningstakere.

Re-IDs innovative objekt-gjenkjenningsteknologi ermögner Orbit AI og Video AI å hjelpe detaljhandlere:

• Forstå dwell-mønster på tvers av butikken.
• Skill mellom shoppe og forbipasserende.
• Spore shopper-reiser for å identifisere trender som informerer vareutlegg, promotering og annonseplaner.
• Bruke heatmapping til å spore hvor besøkende tilbringer mest tid.

Orbit AI og Video AI tar det et skritt videre, selv om, som deres tilpassede maskinlæring-modeller tilpasser seg operasjonene over tid, kontinuerlig justerer parametre, identifiserer kilder til forvrengning og arbeider for å fjerne redundant eller ufullstendig data som forvrenger modeller. Denne kontinuerlige forbedringen sikrer at hver innsikt reflekterer virkeligheten av butikkens operasjoner nå. Ikke i går; ikke forrige uke. Og dette er kritisk fordi detaljhandelstrender, press og forhold endrer seg raskt.

Orbit AI og Video AI ble bygget for å lette integrasjon og med nøkkelbarrierer for adopsjon i mente. Sensorernes integrerte design, på-kanten-tilnærming og Re-ID-kapasiteter lar detaljhandlere få disse innsiktene med færre enheter, og gjør deployering enklere og analytics-verktøy tilgjengelig for bedrifter av alle størrelser. Dette er en fortsettelse av vårt tiår av arbeid fokusert på å gjøre intelligente innsikter tilgjengelige for bransjen i stor skala.

Du har betonet strømlinje-data-bruk og sensorfusjon som grunnleggende for detaljhandels-gjenoppfinnelse. Hvordan skaper kombinasjonen av flere sensor-innganger en konkurransefordel sammenlignet med siloede analytics-verktøy?

Cloud-basert analytics hjelper å koble operasjoner og fjerne siloer, men de inkluderer også en rekke drivere av avfall og ineffektivitet — og mange detaljhandlere er ikke klar over at disse er til stede i deres systemer. Effektivt, sensorfusjon flytter initial prosessering og integrering oppgaver til enheten selv (på kanten), reduserer volumet av data som må sendes til sentrale servere og ermögner sanntidsrespons på tvers av økosystemet.

La oss ta behavioral analytics som eksempel. I en tradisjonell cloud-basert miljø, ville sensorer utføre grunnleggende samling oppgaver, kontinuerlig (eller periodisk) sende rådata til sentral compute for prosessering, analyse og handling. La oss si at analysen avslører signaler av mistenkelig atferd på salgsflaten, som utløser en rekke respons-protokoller. Vel, den informasjonen — behovet for en respons — må også sendes. Og selv om hele prosessen er rask i menneskelige standarder, har du allerede tapt tid på å sende og motta informasjon fra A til B til C til B og så videre.

Med Video AI og Orbit AI sine fusjons-kapasiteter, kan vi kutte ut disse ekstra stegene. De integrerte AI- og ML-verktøyene analyserer rådata mens de samles inn og prioriterer neste steg basert på deres funn, ermögner mer tidlig handling. I tillegg, ved å eliminere behovet for kontinuerlige overføringer til større systemer, reduserer kant-basert fusjon energibehov og belastning på det sentrale systemet.

På bedriftsnivå er integrasjon av globale hardware-, software- og data-plattformer notorisk kompleks. Hva er de kritiske arkitektoniske prinsippene eller systemingeniør-tilnærmingene for å gjøre AI-drevne detaljhandels-infrastruktur virkelig skalerbar?

Det er avgjørende å begynne med SAFe / Lean – Agile Systems Architecture. Dette grunnlaget ermögner sikker, økonomisk smart, fleksibel og tilpassbar (hvis nødvendig) design-tenkning og utvikling. Jeg tror også på å arbeide for å utnytte en agnostisk tilnærming til partner-økosystemer — som lar oss møte partnere der de er i deres digitale reise. Dette ermögner oss å skape løft på konto-nivå og åpner også stier for å støtte selskaper som trenger mer av en SaaS-tilbud eller de mer unike bedriftsorganisasjoner som ønsker alle systemer / data på stedet. Vår tilnærming ermögner flere stier for å enable og støtte en bred rekke av hardware-alternativer.

Mange detaljhandlere sliter med å oversette analytics til målbare ROI. Hvordan hjelper du organisasjoner å koble avanserte AI-innsikter direkte til finansielle resultater og operasjonell effektivitet?

Den spørsmålet hjalp til å drive Shrink Analyzers utvikling. Etter den første thrust av digitaliseringsinvestering, hadde detaljhandlere fjell av lager-, tap- og annen data, men manglet et verktøy for å gjøre mening av det hele.

Selv om dens primære formål er kontinuerlig forbedring, er Shrink Analyzers første oppgave alltid benchmarking ved implementeringspunktet. Dette er det første steget, og det er det som ermögner alle forbedringer deretter, samt tjener som et referansepunkt for å spore fremgang i termer som betyr noe for bedriften. Dette er det steget som mange ledere har gått glipp av i AI-hypen, og det er grunnen til at å spore ROI har vært så stor utfordring på tvers av industrier.

Ved å avdekke “hva, når og hvor” av avfall og tap på begynnelsen, kan Shrink Analyzer oversette det til noe detaljhandlere ikke har hatt før: en klar, kvantifiserbar bilde av hvordan tap skjer i skala.

Det viser hvor tap faktisk skjer, hullene som har den største innvirkning på ytelse, og mulighetene for endring som kan hjelpe å bringe det nummeret ned. Derfra kan detaljhandlere begynne å teste bruksområder, spore fremgang og justere mens de går for å samle overbevisende bevis på at deres AI- og annen teknologi-investeringer flytter nålen.

Personvern og tillit er sentrale bekymringer når butikker blir mer instrumenterte. Hvordan nærmer Sensormatic Solutions seg ansvarlig AI-deployering samtidig som de ermögner høyoppløselige operasjonelle innsikter?

Jeg ser på dette spørsmålet som en del av det vi diskuterte tidligere — bygging for ledere, shoppe og ansatte i like mål. Ja, detaljhandlere er de som kjøper våre løsninger, men vi kan ikke lykkes hvis ansatte og shoppe ikke er med på de systemene. Deres tilfredshet er avgjørende for våre kunder og for oss.

Dette driver vår personvern-ved-design-tilnærming på tvers av alle våre forsknings- og utviklingsprosesser. Med andre ord, vi baker forbruker-vaktler inn i løsningen fra begynnelsen, som holder oss nysgjerrige og kreative.

Re-IDs design demonstrerer dette. Dets reise-kartlegging og trafikktelling-kapasiteter bruker variasjoner i og kombinasjoner av individuelle, ikke-identifiserende detaljer — som hår-stil og farge, klesdesign og tilbehør — for å tildele unike ID-er til besøkende. Du måtte tro at det er for mye overlap i antrekk eller stil for at dette skal være effektivt, men vi fant at, når de ble vurdert sammen, disse typene innsikter er unike nok til å kunne si “den personen arbeider her” eller “den personen besøkte for en time siden”.

Vi ville aldri ha visst hvis vi ikke hadde blitt tvunget til å tenke utenfor boksen fra begynnelsen. Som reguleringer endrer og forbruker-privat-bekymringer vokser, vil organisasjoner som adopterer denne synsvinkelen tidlig sannsynligvis lede pakken i innovasjon, fordi de allerede er vant til kreativt problemløsing.

Detaljhandlere navigerer konstant forstyrrelse — forsyningskjede-volatilitet, organisert detaljhandelskriminalitet, arbeidspress og digital konkurranse. Hvordan kan AI-aktivert infrastruktur tjene som en stabiliserende kraft i stedet for bare en annen lag kompleksitet?

Data-drevne systemer gir stabilitet ved å aligne organisasjonen rundt en enkelt sannhet og delt mål. Tilføyning av AI forsterker denne sikkerheten.

Data alene er fortsatt åpen for tolkning, og interessenters konklusjoner er farget av deres egne prioriteringer. AI kan mildne denne utfordringen, da det analyserer data på tvers av operasjonen uten bias mot en bestemt synsvinkel. Hvis systemet fungerte som det var ment, kan ledere med konkurrerende personlige prioriteringer stole på at analyser, anbefalinger og prediktive modeller reflekterer virkeligheten av bedriftens operasjoner. Det nivellerer spillere, så det beste neste skrittet stiger til toppen fordi dens verdi er klar for alle.

Ser fremover fem til ti år, hva ser en fullt AI-optimalisert fysisk detaljhandelsmiljø ut, og hva strategiske skritt bør ledere ta nå for å forberede seg på den fremtidige?

Det er ingen en-size-fits-all-veikart jeg kan peke på vår AI-klarhet, fordi det virkelig handler om å bygge systemer som fungerer for hver enkelt detaljhandel. Likevel er grunnlaget for dette noe universelt. Hver detaljhandel trenger:

• En samlet database som gir en omfattende registrering av alle områder av operasjoner. Uten dette, vil selv de mest kapable og avanserte modellene ikke være i stand til å gi nyttige innsikter. De trenger kontekst for å levere.
• Pålitelige benchmark basert på relevante forretningsdata. Dette tjener som et utgangspunkt for investeringer og gir et referansepunkt for å måle fremgang.
• Opplærings- og oppskilling-planer. AI er ikke en uavhengig aktør. Det kan gjøre mye, men personene som bruker det, må forstå funksjonene og begrensningene. Detaljhandlere må begynne å planlegge og kommunisere om teknologien tidlig og ofte, så ansatte og ansatte er klare når tiden kommer.
• Ledere som bryr seg. Transformasjon er et langtidsprosjekt, og ledere må være klare til å binde ressurser til initiativet for lang tid og være ivrige etter å guide organisasjonen gjennom det.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Sensormatic Solutions eller Divergent Technology Advisors.