Myron Burke, Ledare för Lösningar på Sensormatic Solutions – Intervjuerier

Myron Burke, chef för globala produkter och lösningar på Sensormatic Solutions, identifierar och implementerar nya sätt att accelerera innovation, öka hastighet och leverera större värde till kunder genom en strategisk lösningsvägkarta.

Myron är en beprövad ledare med mer än 25 års erfarenhet inom detaljhandeln, inklusive hans tid på Walmart och Sam’s Club, där han levererade innovation i stor skala. Nyligen grundade Myron Divergent Technology Advisors, ett detaljhandels-teknik-konsultföretag som guidar stora detaljhandlare, teknikleverantörer och start-ups med teknikstrategi, marknadsplanering, internationell marknadsexpansion och mer.

Sensormatic Solutions, det ledande globala detaljhandelslösningsportföljen från Johnson Controls, möjliggör säkra, säkra och smidiga detaljhandelsupplevelser. Under mer än 60 år har varumärket varit i branschens framkant när det gäller teknikanvändning, omdefinierar detaljhandelsverksamheten på en global skala och omvandlar insikter till handlingar. Sensormatic Solutions levererar ett sammanhängande ekosystem av lösningar för förlustprevention, lagerintelligens och trafikinsikt, tillsammans med dess tjänster och partners för att möjliggöra för detaljhandlare över hela världen att innovera och höja med precision, ansluta data-drivna resultat som formar detaljhandelns framtid.

Du har tillbringat mer än 25 år i skärningspunkten mellan detaljhandelsverksamhet och ny teknik — från att leda RFID-strategi och butiksinnovation på Walmart och Sam’s Club, till att inkubera nästa generationskoncept på Store No. 8, till att nu leda Global Product & Solutions på Sensormatic Solutions. Hur har dessa erfarenheter format din filosofi om hur AI och sensor-teknik bör användas inom fysiska detaljhandelsmiljöer idag?

Jag tar en mycket pragmatisk approach till AI-implementering, och jag uppmuntrar mitt team och Sensormatic Solutions detaljhandelskunder att göra detsamma. Min erfarenhet på båda sidor av ekvationen har bevisat gång på gång att bygga på detta sätt är nyckeln till framgångsrik transformation.

Sensormatic Solutions har arbetat utifrån en mycket enkel tro under de senaste 60 åren: Teknik lyckas när operativ effektivitet och verkliga detaljhandelsutmaningar är i centrum. Det verkar uppenbart — särskilt för dem som håller sig nära nya verktyg — men denna grundläggande princip har blivit något bortglömd i all hype kring AI.

Trycket att flytta snabbt och hålla jämna steg med marknaden var och förblir högt både i lösningsutveckling och kundantagning, men att bygga verktyg som faktiskt fyller luckor är mer effektivt än att försöka införa AI-funktioner i varje produkt. Vi fokuserar fast på att hitta de platser där strömlinjeformad insamling, fusion, analys och handling driver mätbara förbättringar. Denna fokus sträcker sig också till de datauppsättningar som AI kommer att använda — målinriktade, kontrollerade och rengjorda datauppsättningar är nyckeln till att leverera varaktigt AI-värde, särskilt över olika kunder.

Något vi också håller i åtanke är att detta gäller alla möjliga användare: företagsbeslutsfattare, shoppare och medarbetare. Med varje ny lösning eller uppdatering frågar vi oss själva om vi levererar värde till alla tre intressenterna i lika mån, eftersom varje grupp är avgörande för detaljhandelsframgång.

Denna interna etos översätts naturligt till lösningar som hjälper detaljhandlare att anta en liknande inställning, erbjuda verktyg som stöder meningsfulla förbättringar genom praktiska, anpassade systemdesigner. AI-distribution är inte en storlek som passar alla, och inte heller är de program vi bygger med kunder.

Sensormatic Solutions positionerar sig alltmer AI och ML-avancerad analys som kärnaktiverare av modern detaljhandelsoperationell intelligens. Hur omdefinierar AI vad “förlustprevention” betyder i en omnichannel-värld?

De enklaste svaren är synlighet med hastighet. AI hjälper till att avmystifiera krympning och leverera en fullständig vy av total detaljhandelsförlust. Verkligheten är att du bara kan notera förluster som du kan se, eller hur? Under större delen av branschens historia har synlighet i förluster endast varit möjlig på en mycket grundläggande, yttre nivå, med program fokuserade på artiklar som borde vara tillgängliga för försäljning men inte är. Du kanske har någon idé om huruvida en artikel stal, bröts under transporten eller skadades medan den var på hyllan, men att spåra sådana saker i stor skala var svårt, om inte omöjligt.

Anslutna analyser och sensorsystem utvidgade vad detaljhandlare kan se, spåra och kvantifiera. Tänk på att belysa de 3% av fel som är dolda i de stora mängderna data som genereras idag. Dessa sensorsystem låser upp vad, var, när och vem av förlust, vilket — på egen hand — utlöser en transformation i förståelse kring krympning och skiftar paradigmet mot “total detaljhandelsförlust”. Denna utvidgade vy möjliggör för detaljhandlare att se en annan nivå av verksamhet och en hel ny uppsättning potentiella drivkrafter för förluster relaterade till processavvikelse och luckor, tillsammans med slösad tid, resurser och ansträngning.

När allt detta identifieras och etiketteras kan du sedan omvandla det. Det är där AI kommer in. Det ansluter dessa nya “prickar”, ofta i realtid, för att yta en helt annan nivå av data. Prediktiv, högprecisionsintelligens och modellering kan hjälpa till att kvantifiera effekterna av uppströmsavfall, väga den relativa värdet av möjliga justeringar och illustrera kostnaden för att inte agera. Effektivt sett möjliggör det för detaljhandlare att skifta sin inställning från reaktiv till proaktiv, hjälper dem att omforma förluster till möjligheter att förbättra.

Med teknik som Re-ID och AI-drivna fotgängaranalyser kan detaljhandlare nu gå utöver enkel människoräkning till djupare shopperbeteende- och operativa insikter. Vilka är de mest omvandlande användningsfallen du ser dyka upp från denna skift?

Re-ID, för mig, är ett kraftfullt exempel på små, målinriktade justeringar som har en enorm inverkan på operativ förståelse.

Re-ID gör egentligen en sak: förfinar trafikmätningar. Naturligtvis är det komplext att få tekniken att korrekt separera unika shoppare från återinträden, personal och andra kategorier av besökare, men resultatet är en mycket enkel förändring av dataset som driver betydande förbättring av förståelse.

Trafikdata fortsätter att ligga till grund för en mängd olika mått över hela branschen, med konvertering som kanske det mest anmärkningsvärda exemplet. Bara att klippa poster för att reflektera den mer exakta räkningen av enskilda besökare kan dramatiskt förändra tolkningar, möjliggöra för detaljhandlare att förfinansa personal, golvytor, meddelanden och otaliga andra metoder för att förbättra kundupplevelser och ekonomiska resultat.

Det är kroppen av den etos vi diskuterade tidigare som central för Sensormatic Solutions framgång under de senaste 60 åren. Vi använder AI för att göra målinriktade, högvärdesjusteringar som gynnar alla i ekvationen.

Sensormatic Solutions introducerade nyligen Orbit AI och Video AI som en del av sin Store Guest Behaviors-funktion. Vilken strategisk lucka löser denna lösning för detaljhandlare, och hur skiljer den sig från andra detaljhandelsplattformar?

Vi närmar oss varje ny lösning med ett specifikt utmaning i åtanke. För Orbit AI och Video AI fokuserade vi på att separera “signalen från bruset”, för att ge detaljhandlare tillförlitlig, specifik och kontextualiserad data som tar bort gissningen ur beslutsfattandet.

Re-ID:s innovativa objekterkännande teknik möjliggör Orbit AI och Video AI att hjälpa detaljhandlare:

• Förstå vistelsemönster över hela butiken.
• Skillja mellan shoppare och förbipasserande.
• Spåra shopperresor för att identifiera trender som informerar varuplacering, kampanj- och annonsplaner.
• Använda värmebild för att spåra var besökare tillbringar mest tid.

Orbit AI och Video AI tar det ett steg längre, dock, eftersom deras anpassade maskinlärningsmodeller anpassar sig efter verksamheten över tid. Systemet lär sig om varje företag och plats, kontinuerligt justerar parametrar, identifierar källor till partiskhet och arbetar för att ta bort redundant eller ofullständig data som snedvrider modeller. Denna kontinuerliga förfining säkerställer att varje insikt reflekterar verkligheten i butiken just nu. Inte igår; inte förra veckan. Och det är kritiskt eftersom detaljhandelstrender, tryck och förhållanden förändras i snabb takt.

Orbit AI och Video AI byggdes för att underlätta integration och med viktiga barriärer för antagande i åtanke. Sensorernas integrerade design, på kanten-tillvägagångssätt och Re-ID-kapacitet möjliggör för detaljhandlare att få dessa insikter med färre enheter, vilket gör distributionen enklare och analytiska verktyg tillgängliga för företag av alla storlekar. Det är en fortsättning på vårt decennielånga arbete fokuserat på att göra intelligenta insikter tillgängliga för branschen i stort.

Du har betonat strömlinjeformad dataanvändning och sensorfusion som grundläggande för detaljhandelsåteruppfinning. Hur skapar kombinationen av flera sensorinmatningar en konkurrensfördel jämfört med siloade analysverktyg?

Molnbaserad analys hjälper till att ansluta verksamhet och ta bort silos, men den innehåller också en mängd drivkrafter för avfall och ineffektivitet — och många detaljhandlare inser inte ens att dessa finns i sina system. Effektivt sett skiftar sensorfusion den initiala bearbetningen och integreringsuppgifterna till enheten själv (på kanten), minskar volymen av data som behöver överföras till centrala servrar och möjliggör realtidsrespons över hela ekosystemet.

Tag till exempel beteendeanalys. I en traditionell molnbaserad miljö skulle sensorerna utföra grundläggande insamlingsuppgifter, kontinuerligt (eller periodiskt) skicka rådata till centrala beräkningar för bearbetning, analys och handling. Låt oss säga att analysen avslöjar signaler om misstänkt beteende på försäljningsgolvet, vilket utlöser en serie responsprotokoll. Ja, den informationen — behovet av en respons — måste också överföras. Och även om hela processen är snabb i mänskliga mått, har du redan förlorat tid med att skicka och ta emot information från A till B till C till B och så vidare.

Med Video AI och Orbit AI:s fusionsförmåga kan vi skära ut dessa extra steg. De integrerade AI- och ML-verktygen analyserar rådata allteftersom den samlas in och prioriterar nästa steg baserat på sina fynd, möjliggör mer tidig handling. Dessutom, genom att eliminera behovet av kontinuerliga överföringar till större system, minskar kantbaserad fusion energibehov och belastning på det centrala systemet.

På företagsnivå är integrationen av global hårdvara, programvara och dataplattformar notoriskt komplex. Vilka arkitektoniska principer eller systemtekniska tillvägagångssätt är avgörande för att göra AI-driven detaljhandelsinfrastruktur verkligt skalbar?

Det är av yttersta vikt att börja med SAFe / Lean – Agile Systems Architecture. Denna grund möjliggör säker, ekonomiskt smart, flexibel och anpassningsbar (om nödvändigt) design-tänkande och utveckling. Jag tror också på att arbeta för att utnyttja en agnostisk tillvägagångssätt för partner-ekosystem — vilket möjliggör för oss att möta partners där de är i sin digitala resa. Detta möjliggör för oss att skapa hävstång på kontot och öppnar också vägar för att stödja företag som behöver mer av en SaaS-erbjudande eller de unika företagen som vill ha alla system / data på plats. Vår tillvägagångssätt möjliggör flera vägar till möjliggörande och stöder också en bred uppsättning hårdvarualternativ.

Många detaljhandlare kämpar för att översätta analyser till mätbara ROI. Hur hjälper du organisationer att ansluta avancerade AI-insikter direkt till finansiella resultat och operativ effektivitet?

Den frågan hjälpte till att driva Shrink Analyzers utveckling. Efter den första digitaliseringsinvesteringen hade detaljhandlare berg av lager-, förlust- och annan data, men saknade ett verktyg för att göra mening av allt.

Även om dess primära syfte är kontinuerlig förbättring, är Shrink Analyzers första uppgift alltid benchmarking vid implementeringstillfället. Det är det första steget, och det är vad som möjliggör alla förbättringar därefter, samt fungerar som en referenspunkt för att spåra den progressen i termer som är viktiga för affären. Det är detta steg som många ledare har missat i AI-hypen, och det är anledningen till att spåra ROI har varit så utmanande över hela branschen.

Genom att avslöja “vad, när och var” av avfall och förlust från början kan Shrink Analyzer översätta allt till något detaljhandlare inte riktigt har haft förut: en tydlig, kvantifierbar bild av hur förluster sker i stor skala.

Det visar var förluster verkligen händer, luckorna som har den största inverkan på prestationen och möjligheterna till förändring som kan hjälpa till att minska den siffran. Därifrån kan detaljhandlare börja testa användningsfall, spåra framsteg och justera medan de går för att samla övertygande bevis på att deras AI- och annan teknikinvestering flyttar nålen.

Privatliv och förtroende är centrala problem när butiker blir mer instrumenterade. Hur närmar sig Sensormatic Solutions ansvarsfull AI-distribution samtidigt som de möjliggör högupplöst operativ intelligens?

Jag ser på detta problem som en del av det vi diskuterade tidigare — bygga för ledare, shoppare och medarbetare i lika mån. Ja, detaljhandlare är de som köper våra lösningar, men vi kan inte lyckas om medarbetare och shoppare inte är ombord med systemen. Deras tillfredsställelse är avgörande för våra kunder och för oss.

Detta driver vår privatlivsdesign-approach över hela vår forsknings- och utvecklingsprocess. Med andra ord, vi bakar in konsument-skydd i lösningen från början, vilket håller oss nyfikna och kreativa.

Re-ID:s design demonstrerar detta. Dess resmappnings- och trafikräkningsförmåga använder variationer i och kombinationer av individuella, icke-identifierande detaljer — som hårstil och färg, kläddesign och tillbehör — för att tilldela unika ID till besökare. Du kanske tror att det finns för mycket överlappning i klädsel eller stil för att detta ska vara effektivt, men vi fann att, när de betraktas tillsammans, dessa typer av insikter är tillräckligt unika för att säkert säga “den personen arbetar här” eller “den personen besökte för en timme sedan”.

Vi skulle aldrig ha vetat om vi inte hade tvingats att tänka utanför boxen från början. När regleringsändringar och konsument-privatlivsproblem ökar, kommer organisationer som antar denna synvinkel tidigt att troligen leda i innovation, eftersom de redan är vana vid kreativt problemlösande.

Detaljhandlare navigerar konstant störning — leveransvolatilitet, organiserad detaljhandelsbrottslighet, arbetspress och digital konkurrens. Hur kan AI-aktiverad infrastruktur fungera som en stabiliserande kraft snarare än bara ytterligare en lager av komplexitet?

Data-drivna system tillhandahåller stabilitet genom att ansluta organisationen kring en enda sanning och ett gemensamt mål. Att lägga till AI förstärker den säkerheten.

Data i sig är fortfarande öppen för tolkning, och intressenters slutsatser är färgade av deras egna prioriteringar. AI kan mildra det problemet, eftersom det analyserar data över hela verksamheten utan partiskhet mot någon specifik synvinkel. Om systemet fungerade som avsett kan ledare med konkurrerande personliga prioriteringar lita på att analyser, rekommendationer och prediktiva modeller reflekterar verkligheten i företagets verksamhet. Det nivellerar spelplanen, så det bästa nästa steget stiger till toppen eftersom dess värde är tydligt för alla.

Om fem till tio år, vad ser en fullständigt AI-optimerad fysisk detaljhandelsmiljö ut som, och vilka strategiska steg bör ledare ta nu för att förbereda sig för den framtiden?

Det finns ingen allmän vägledning som jag kan peka på vår AI-beredskap, eftersom det verkligen handlar om att bygga system som fungerar för varje enskild detaljhandlare. Men grunden för detta är något universellt. Varje detaljhandlare behöver:

• En enhetlig databas som tillhandahåller en komplett post om alla områden av verksamheten. Utan detta kommer inte ens de mest kapabla och avancerade modellerna att kunna ge användbara insikter. De behöver kontext för att leverera.
• Tillförlitliga benchmark baserade på relevant affärsdata. Detta fungerar som en utgångspunkt för investeringar och ger en referens för att mäta framsteg.
• Utbildnings- och uppskillingplaner. AI är inte en oberoende aktör. Den kan göra mycket, men människor som använder den behöver förstå dess funktioner och begränsningar. Detaljhandlare behöver börja planera för och kommunicera om tekniken tidigt och ofta, så att medarbetare och anställda är redo när tiden kommer.
• Ledare som bryr sig. Transformation är ett långsiktigt projekt, och ledare behöver vara redo att engagera sig i initiativet under lång tid och vara entusiastiska för att guida organisationen genom det.

<Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Sensormatic Solutions eller Divergent Technology Advisors.