Майрон Берк, руководитель управления решениями в Sensormatic Solutions – Серия интервью

Майрон Берк, руководитель глобального продукта и решений в Sensormatic Solutions, выявляет и реализует новые способы ускорения инноваций, увеличения скорости и предоставления большей ценности клиентам посредством стратегической дорожной карты решений.

Майрон – опытный лидер с более чем 25-летним опытом работы в розничной торговле, включая его работу в Walmart (WMT ) и Sam’s Club, где он обеспечивал инновации в крупном масштабе. Недавно Майрон основал Divergent Technology Advisors, розничную технологическую консалтинговую фирму, которая помогает крупным розничным торговцам, технологическим поставщикам и стартапам в области технологической стратегии, планирования выхода на рынок, международной экспансии и многого другого.

Sensormatic Solutions, ведущий глобальный портфель розничных решений Johnson Controls, обеспечивает безопасный, безопасный и бесперебойный розничный опыт. Более 60 лет бренд находится на переднем крае быстрого развития технологий в отрасли, переопределяя розничные операции в глобальном масштабе и превращая идеи в действия. Sensormatic Solutions предоставляет взаимосвязанную экосистему решений по предотвращению потерь, интеллекту инвентаризации и аналитики трафика, а также услуг и партнеров, чтобы ermögнить розничным торговцам во всем мире инновации и совершенствование с точностью, соединяя данные, которые формируют будущее розничной торговли.

Вы провели более 25 лет на пересечении розничных операций и новых технологий — от руководства стратегией RFID и инноваций в магазине в Walmart и Sam’s Club до инкубации концепций нового поколения в Store No. 8, и теперь руководите глобальным продуктом и решениями в Sensormatic Solutions. Как эти опыт повлияли на вашу философию о том, как AI и датчиковые технологии должны быть развернуты внутри физической розничной среды сегодня?

Я подхожу к реализации AI очень прагматично, и я призываю свою команду и розничных клиентов Sensormatic Solutions делать то же самое. Мой опыт с обеих сторон уравнения доказал время и снова, что построение таким образом является ключом к успешной трансформации.

Sensormatic Solutions работает на очень простой вере в течение последних 60 лет: технологии успешны, когда операционная эффективность и реальные проблемы розничных торговцев находятся в центре. Это кажется очевидным — особенно для тех, кто близок к новым инструментам, — но эта основополагающая принцип была несколько забыта среди всего ажиотажа вокруг AI.

Давление на быстрое движение и поддержание темпа рынка было и остается высоким как в разработке решений, так и в принятии клиентов, но построение инструментов, которые действительно заполняют пробелы, более эффективно, чем попытка включить функциональность AI в любой и каждый продукт. Мы сосредоточены твердо на поиске мест, где упрощенная коллекция, слияние, анализ и действие приводят к измеримым улучшениям. Этот фокус также распространяется на наборы данных, которые AI будет использовать — целевые, контролируемые и очищенные наборы данных являются ключом к обеспечению устойчивой ценности AI, особенно для разных клиентов.

Что-то, что мы также помним, заключается в том, что это верно для всех возможных пользователей: корпоративных решающих лиц, покупателей и ассоциированных лиц. С каждым новым решением или обновлением мы спрашиваем себя, предоставляем ли мы ценность всем трем заинтересованным сторонам в равной мере, потому что каждая группа является неотъемлемой частью розничного успеха.

Эта внутренняя этика естественным образом переводится в решения, которые помогают розничным торговцам принять подобную позицию, предлагая инструменты, которые поддерживают значительное улучшение посредством практических, адаптированных системных дизайнов. Развертывание AI не является единым для всех, и ни программы, которые мы строим с клиентами.

Sensormatic Solutions все больше позиционирует AI и ML передовые аналитики как основные факторы современного розничного операционного интеллекта. Как AI переопределяет то, что означает “предотвращение потерь” в мире omnichannel?

Самые простые ответы — это видимость с скоростью. AI помогает действительно раскрыть потери и предоставить полный обзор общих розничных потерь. Реальность заключается в том, что вы можете отметить только те потери, которые вы можете увидеть, верно? Для большей части истории отрасли видимость потерь была возможна только на самом базовом, поверхностном уровне, с программами, ориентированными на товары, которые должны быть доступны для продажи, но не являются. У вас может быть некоторое представление о том, был ли товар украден, сломан во время транспортировки или поврежден во время нахождения на полке, но отслеживание этих вещей в масштабе было трудным, если не невозможно.

Связанные аналитики и датчиковые системы расширили то, что розничные торговцы могут увидеть, отслеживать и количественно оценить. Подумайте о выделении 3% ошибки, скрытой в огромных объемах сгенерированных данных. Эти датчиковые системы открывают что, где, когда и кто потерь, что само по себе вызывает трансформацию в понимании вокруг потерь и сдвиг парадигмы в сторону “общих розничных потерь”. Этот расширенный объем позволяет розничным торговцам увидеть другой слой операций и целый новый набор потенциальных факторов потерь, связанных с отклонением от процесса и пробелами, а также с浪費 времени, ресурсов и усилий.

Когда все это выявлено и помечено, вы можете затем преобразовать его. Вот где AI приходит. Он соединяет эти новые “точки” часто в реальном времени, чтобы выявить совершенно другой слой данных. Предсказуемые, высокоточные интеллект и моделирование могут помочь количественно оценить влияние отходов, взвесить относительную ценность возможных корректировок и проиллюстрировать стоимость бездействия. По сути, это позволяет розничным торговцам сменить свою позицию с реактивной на проактивную, помогая им переформулировать потери как возможности для улучшения.

С технологиями, такими как Re-ID и AI-аналитика потока посетителей, розничные торговцы теперь могут выйти за рамки простого подсчета людей и получить более глубокие знания о поведении покупателей и операционных данных. Какие наиболее трансформационные варианты использования вы видите, возникающие из этого сдвига?

Re-ID, для меня, является мощным примером небольших, целевых корректировок, которые имеют огромное влияние на операционное понимание.

Re-ID действительно делает одну вещь: уточняет меры трафика. Конечно, получение технологии для точного разделения уникальных покупателей от повторных входов, сотрудников и других категорий посетителей является сложным, но результатом является очень простая смена наборов данных, которые приводят к значительному улучшению понимания.

Данные о трафике продолжают быть основой для широкого спектра метрик в отрасли, с конверсией, возможно, наиболее заметным примером. Просто обрезка записей для отражения более точного подсчета отдельных посетителей может существенно изменить интерпретации, позволяя розничным торговцам уточнить персонал, планы этажей, сообщения и бесчисленные другие практики, чтобы помочь улучшить опыт клиентов и финансовые результаты.

Это воплощение этики, которую мы обсуждали ранее, как центральной для успеха Sensormatic Solutions в течение последних 60 лет. Мы используем AI для внесения целевых, высокоценных корректировок, которые приносят пользу всем в уравнении.

Sensormatic Solutions недавно представила Orbit AI и Video AI в рамках своих возможностей Store Guest Behaviors. Какое стратегическое пробел это решение решает для розничных торговцев, и как оно отличается от других платформ розничной аналитики?

Мы подходим к каждому новому решению с конкретной проблемой в виду. Для Orbit AI и Video AI мы были сосредоточены на разделении “сигнала от шума”, чтобы предоставить розничным торговцам надежные, конкретные и контекстуализированные данные, которые исключают догадки из процесса принятия решений.

Re-ID’s инновационная технология распознавания объектов позволяет Orbit AI и Video AI помочь розничным торговцам:

• Понять закономерности времени пребывания по всему магазину.
• Различать между покупателями и прохожими.
• Отслеживать пути покупателей, чтобы выявить тенденции, которые информируют планы мерчандайзинга, продвижения и рекламы.
• Использовать тепловую карту для отслеживания того, где посетители проводят больше всего времени.

Orbit AI и Video AI идут еще дальше, поскольку их адаптированные модели машинного обучения адаптируются вместе с операциями. Система учится о каждом предприятии и месте с течением времени, постоянно корректируя параметры, выявляя источники предвзятости и работая над удалением избыточных или неполных данных, которые искажают модели. Это непрерывное совершенствование обеспечивает, что каждый вывод отражает реальность магазина прямо сейчас. Не вчера; не на прошлой неделе. И это критически важно, потому что розничные тенденции, давление и условия меняются быстро.

Orbit AI и Video AI были построены для легкой интеграции и с ключевыми барьерами для принятия во внимание. Интегрированный дизайн датчиков, подход “на краю” и возможности Re-ID позволяют розничным торговцам получить эти знания с меньшим количеством устройств, что делает развертывание проще и аналитические инструменты доступными для бизнеса всех размеров. Это продолжение нашей многолетней работы, направленной на то, чтобы сделать интеллектуальные знания доступными для отрасли в целом.

Вы подчеркнули упрощенное использование данных и слияние датчиков как основу для розничной реинвенции. Как объединение нескольких входных сигналов датчиков создает конкурентное преимущество по сравнению с аналитическими инструментами в изоляции?

Облачные аналитики помогают соединить операции и удалить изоляцию, но они также включают ряд факторов отходов и неэффективности — и многие розничные торговцы даже не осознают, что эти факторы присутствуют в их системах. По сути, слияние датчиков сдвигает первоначальные задачи обработки и интеграции на само устройство (на краю), уменьшая объем данных, который необходимо передавать на центральные серверы и позволяя реальное время реагирования на экосистему.

Возьмите, например, аналитику поведения. В традиционной облачной среде датчики выполняют базовые задачи сбора, постоянно (или периодически) отправляя сырые данные на центральный компьютер для обработки, анализа и действия. Скажем, что анализ показывает сигналы подозрительного поведения на торговом полу, что запускает ряд протоколов реагирования. Ну, эта информация — необходимость реагирования — также должна быть передана. И хотя весь процесс быстрый по человеческим стандартам, вы уже потеряли время, отправляя и получая информацию из А в Б в С в Б и так далее.

С возможностями слияния Video AI и Orbit AI мы можем исключить эти дополнительные шаги. Интегрированные инструменты AI и ML анализируют сырые данные по мере их сбора и отдают приоритет следующим шагам на основе своих выводов, позволяя более своевременное действие. Кроме того, исключая необходимость постоянных передач на более крупные системы, слияние на краю уменьшает энергетический спрос и нагрузку на центральную систему.

На уровне предприятия интеграция глобального оборудования, программного обеспечения и платформ данных является чрезвычайно сложной. Какие архитектурные принципы или подходы системной инженерии являются критически важными для того, чтобы сделать AI-инфраструктуру розничной торговли真正 масштабируемой?

Это крайне важно начать с SAFe / Lean – Agile Systems Architecture. Этот фундамент обеспечивает безопасный, экономически умный, гибкий и настраиваемый (если необходимо) дизайн мышления и разработки. Я также верю в работу над использованием агностического подхода к партнерским экосистемам — что позволяет нам встретить партнеров там, где они находятся в своем цифровом пути. Это позволяет нам создать рычаг на уровне учетной записи и также открывает пути для поддержки компаний, которым требуется больше предложения SaaS или тех уникальных предприятий, которые хотят все системы / данные на месте. Наш подход позволяет нескольким путям для включения и также поддерживает широкий спектр вариантов оборудования.

Многие розничные торговцы борются с переводом аналитики в измеримую ROI. Как вы помогаете организациям соединить передовые знания AI напрямую с финансовыми результатами и операционной эффективностью?

Этот вопрос помог стимулировать разработку Shrink Analyzer. После первого толчка инвестиций в цифровизацию розничные торговцы имели горы инвентаризационных, потерь и других данных, но не имели инструмента, чтобы понять все это.

Хотя его основная цель — постоянное улучшение, первоначальная задача Shrink Analyzer всегда является бенчмаркингом на момент реализации. Это первый шаг, и это то, что позволяет любым улучшениям после этого, а также служит точкой отсчета для отслеживания прогресса в терминах, которые имеют значение для бизнеса. Это шаг, который многие лидеры пропустили в ажиотаже вокруг AI, и это причина, по которой отслеживание ROI было такой проблемой во всех отраслях.

Выявляя “что, когда и где” отходов и потерь в начале, Shrink Analyzer может перевести все это в нечто, чего розничные торговцы не имели раньше: четкую, количественную картину того, как потери происходят в масштабе.

Он показывает, где потери действительно происходят, пробелы, которые имеют наибольшее влияние на производительность, и возможности для изменений, которые могут помочь снизить это число. Оттуда розничные торговцы могут начать тестировать варианты использования, отслеживать прогресс и корректировать по мере продвижения, чтобы собрать убедительные доказательства того, что их инвестиции в AI и другие технологии движут иглу.

Конфиденциальность и доверие являются центральными проблемами, поскольку магазины становятся более инструментированными. Как Sensormatic Solutions подходит к ответственной реализации AI, сохраняя при этом высокую разрешающую способность операционной разведки?

Я рассматриваю эту проблему как часть того, что мы обсуждали ранее — построение для лидеров, покупателей и ассоциированных лиц в равной мере. Да, розничные торговцы — это люди, которые покупают наши решения, но мы не можем добиться успеха, если ассоциированные лица и покупатели не согласны с системами. Их удовлетворение является крайне важным для наших клиентов и для нас.

Это стимулирует наш подход “конфиденциальность по дизайну” на всех наших процессах исследований и разработок. Другими словами, мы включаем потребительские ограждения в решение с самого начала, что держит нас любопытными и творческими.

Дизайн Re-ID демонстрирует это. Его возможности отслеживания пути и подсчета трафика используют вариации индивидуальных, не идентифицирующих деталей — таких как стиль и цвет волос, дизайн и аксессуары одежды — чтобы присвоить уникальные идентификаторы посетителям. Вы можете подумать, что есть слишком много совпадений в одежде или стиле для того, чтобы это было эффективным, но мы обнаружили, что, когда эти виды знаний рассматриваются вместе, они уникальны enough, чтобы с уверенностью сказать “этот человек работает здесь” или “этот человек посетил час назад”.

Мы никогда не узнали бы, если бы не были вынуждены думать вне коробки с самого начала. По мере изменения правил и роста проблем конфиденциальности потребителей организации, которые принимают эту точку зрения, вероятно, возглавят путь в инновациях, поскольку они уже привыкли к творческому решению проблем.

Розничные торговцы ориентируются в постоянных нарушениях — волатильности цепочки поставок, организованной розничной преступности, давлении труда и цифровой конкуренции. Как инфраструктура, поддерживаемая AI, может служить стабилизирующим фактором, а не просто еще одним слоем сложности?

Системы, основанные на данных, обеспечивают стабильность, выравнивая организацию вокруг единой истины и общей цели. Добавление AI укрепляет эту уверенность.

Данные сами по себе все еще открыты для интерпретации, и выводы заинтересованных сторон окрашены их собственными приоритетами. AI может смягчить эту проблему, поскольку он анализирует данные по всей операции без предвзятости к какой-либо одной точке зрения. Если система работает так, как задумано, лидеры с конкурирующими личными приоритетами могут доверять, что анализ, рекомендации и прогностические модели отражают реальность операций бизнеса. Это выравнивает поле, так что лучший следующий шаг поднимается наверх, потому что его ценность очевидна всем.

Оглядываясь вперед на пять-десять лет, как выглядит полностью оптимизированная AI-физическая розничная среда, и какие стратегические шаги лидеры должны предпринимать сейчас, чтобы подготовиться к этому будущему?

Нет единого плана, который я мог бы указать на нашу готовность к AI, потому что это действительно построение систем, которые работают для каждого отдельного розничного торговца. Однако основа для этого несколько универсальна. Каждый розничный торговец нуждается в:

• Единой базе данных, которая предоставляет всестороннюю запись всех областей операций. Без этого даже самые способные и передовые модели не смогут предоставить полезные знания. Им нужен контекст, чтобы доставить.
• Надежные бенчмарки, основанные на соответствующих бизнес-данных. Это служит начальной точкой для инвестиций и обеспечивает точку отсчета для измерения прогресса.
• Планы обучения и повышения квалификации. AI не является независимым актором. Он может сделать многое, но люди, которые используют его, должны понимать его функции и ограничения. Розничные торговцы должны начать планировать и общаться о технологии рано и часто, чтобы ассоциированные лица и сотрудники были готовы, когда придет время.
• Лидеры, которые заботятся. Трансформация — это долгосрочный проект, и лидеры должны быть готовы обязаться передать ресурсы на инициативу на долгий срок и быть готовыми руководить организацией через это.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Sensormatic Solutions или Divergent Technology Advisors.