Crisp lanserar Halo för att ta in AI för detaljhandeln i företagens molnmiljöer

Crisp har lanserat Halo, en AI-plattform för detaljhandeln som kan köras i ett företags egen molnmiljö och därmed föra analys av försäljning och leveranskedjor närmare de data- och styrsystem som företagen redan använder. Plattformen tillkännagavs den 29 oktober och riktar sig till tillverkare av förpackade konsumentvaror (CPG), återförsäljare, distributörer och mäklare.

Lanseringen tar sig an ett välkänt problem inom detaljhandeln: team kan se en förändring i försäljning eller lager, men ändå behöva lägga timmar på att sammanställa den information som krävs för att förklara den. Crisps tillkännagivande av Halo beskriver ett system som kombinerar detaljhandelsdata, branschspecifik logik och agentbaserade verktyg för att hjälpa användare att undersöka resultat och avgöra vad de ska göra härnäst.

En grund av detaljhandelsdata under AI:n

Halos arkitektur utgår från informationen som kommer från återförsäljare och distributörer. Crisps plattformöversikt delar in denna grund i dataintegration, datahantering och modellering, med agentbaserade verktyg och rollanpassade applikationer ovanpå.

Den strukturen är viktig eftersom en produkt, butik eller rapporteringsperiod kan representeras på olika sätt hos olika handelspartner. En fråga om ett lagerunderskott blir mer användbar när de underliggande systemen är överens om vilken vara, plats och tidsperiod frågan gäller.

Crisp beskriver sitt angreppssätt som vertikal AI: data rensas och berikas med semantik för detaljhandeln innan de används för analys. Företagets bakgrundsmaterial lyfter fram återförsäljarnas kalendrar, produkthierarkier, leveransgrader och analyser av varor som är slut i lager som exempel på den verksamhetskontext som ingår. Crisp uppger att fler än 7 000 kunder, däribland 90 av de 100 största CPG-företagen, använder dess tjänster; det är användningssiffror som företaget självt har rapporterat.

Körs i kundens molnmiljö

Halo finns som en driftad plattform eller i kundmiljöer på Databricks, Snowflake och Google Cloud. Det senare alternativet ger företag en möjlighet att slippa flytta sin detaljhandelsinformation till ytterligare en externt driftad applikation.

Crisps dokumentation om Databricks-arkitekturen ger ett konkret exempel. Där lagras detaljhandelsdata i Delta-tabeller som styrs via Unity Catalog, applikationer och agenter körs i Databricks Apps, och en Lakebase-databas används för applikationstillstånd, konversationer och agentminne. Modellanrop körs via Model Serving och AI Gateway, medan semantiska frågor använder ett valt SQL-datalager.

Enligt Crisp stannar proprietära data i kundens miljö, medan icke-proprietära driftloggar och telemetridata delas med företagets centrala system. Den beskrivningen är mer precis än att hävda att driftsättningen saknar extern kommunikation. Crisp anger också MLflow-integration och publicering av företagets semantiska modeller som Unity Catalog Metric Views som punkter på utvecklingsplanen.

För IT-team är den operativa betydelsen central: åtkomstkontroller, val av inferensmetod och användningsspårning kan anpassas till den befintliga infrastrukturen. Var lösningen körs säger däremot i sig inget om hur korrekt ett svar är eller om en automatiserad åtgärd är lämplig.

Från frågor om hela portföljen till beslut anpassade för enskilda återförsäljare

Lanseringen introducerar Central Desk och Customer Desk. Central Desk ger huvudkontorsteamen en överblick över hela återförsäljarportföljen för arbete med bland annat försäljningsstrategi, kategorihantering och planering av leveranskedjan. Customer Desk riktar sig till kundansvariga team som behöver mått, terminologi och verksamhetslogik för en enskild återförsäljare.

Tänk dig ett varumärke som undersöker varför försäljningen av en viss produkt har minskat. Den relevanta frågan är om förändringen beror på efterfrågan, tillgänglighet, distribution eller någon annan operativ faktor. Genom att koppla analysen till uppgifter på butiks- och artikelnivå kan teamen ringa in orsaken i stället för att behandla en nedgång i hela portföljen som ett enda problem.

Det är den praktiska skillnaden mellan ett konversationsgränssnitt och en applikation för detaljhandeln: den senare måste förstå verksamhetens objekt och relationerna mellan dem som ligger bakom frågan. Halos bredare plattform organiserar också funktioner kring områden som påfyllning, kategoriplanering och leverantörssamarbete.

Spårbara svar och repeterbara arbetsflöden

Crisps material om AI-agenter beskriver verktyg som använder daglig information på butiks- och produktnivå för att stödja analys och åtgärder. För Halo som helhet lyfter företaget fram frågor i naturligt språk, återkommande rapporter, automatisering av arbetsflöden och anpassade applikationer som centrala sätt att använda verktygen.

Lanseringsmaterialet betonar att rekommendationer kan spåras till källdata och den logik som använts för att ta fram dem. Sådan spårbarhet kan göra ett svar lättare att granska: en analytiker kan undersöka uppgifterna och resonemanget bakom en rekommendation i stället för att ta en välformulerad förklaring för given.

För företag som utvärderar plattformen sträcker sig de viktiga frågorna från förklaring till genomförande: vilka åtgärder är tillåtna, vilka kräver granskning och hur mäts förändringar efter att de har genomförts? Det publicerade materialet beskriver funktioner och driftsättningsarkitektur, inte något oberoende riktmärke för prognosernas träffsäkerhet eller den ekonomiska avkastningen.

Halos främsta styrka är kopplingen mellan dessa lager. Kontext från detaljhandeln ger ett AI-system mer användbar information att arbeta med, driftsättning i kundens molnmiljö kan passa in i befintliga styrningsramar, och rollspecifika arbetsflöden presenterar den resulterande analysen för dem som ansvarar för lager och kommersiella beslut.