Richard Potter, medgrundare och VD för Peak – Intervjuserie

Richard Potter är medgrundare och VD för Peak, en plattform som ger dataingenjörer, datavetare och kommersiella beslutsfattare allt de behöver för att bygga och stödja AI-drivna lösningar inom hela företaget.

Kan du dela med dig av ursprunget till Peak?

Idén till Peak började som ett samtal på en pub om alla olika affärsintelligensprodukter som fanns tillgängliga vid den tiden. Min medgrundare, Atul Sharma och David Leitch, och jag undrade varför så få företag kunde omfamna data för beslutsfattande. Vi ville hitta ett sätt att förenkla saker för företag, att bryta ner silos inom företag så att team kunde arbeta tillsammans och alla kunde dra nytta av användbara resultat baserat på data. Detta ledde oss till plattformen, som förenar team kring en produkt som är byggd för att optimera affärer med AI.

Kan du beskriva vad Beslutsintelligens är för vår publik?

Beslutsintelligens är tillämpningen av AI för att optimera kommersiella beslut. Det är resultatfokuserat, vilket innebär att DI-lösningar är byggda för att leverera ett konkret resultat, som en högre försäljningsfrekvens eller marginal.

En av dina förutsägelser inför 2022 är att en ny disciplin inom datavetenskap är på väg att utvecklas. Kan du utveckla detta?

Så länge kommersiella investeringar i AI ökar och datavetenskap mognar, utvecklas en ny disciplin inom datavetenskap som börjar med slutmålet i åtanke.

Traditionella datavetenskapsprojekt börjar med att förstå den tillgängliga datan och vad som kan göras med den. Resultatet är hypotetiska lösningar på dataproblem, snarare än AI-lösningar som kan förbättra affärsprestanda.

Genom att fokusera på resultat från början av ett projekt och förstå vad som är praktiskt med den tillgängliga datan, prioriterar denna nya disciplin inom datavetenskap att distribuera lösningar genom att börja med slutmålet i åtanke. Det möjliggör för företag att få sin AI distribuerad och låsa upp värdet av sin AI-strategi snabbare.

Peak har byggt ett artificiellt intelligenssystem som blir ett centralt system för intelligens inom ett företags affärer. Det samlar in data och distribuerar maskinlärande, för att sedan producera resultat. Vilka typer av maskinlärandealgoritmer används?

Peak-plattformen använder en bred palett av maskinlärande- och modelleringsmetoder – valet innebär att vi kan tackla varje projekt med den mest lämpliga metoden. Vi kan använda övervakade och oövervakade metoder, samt prognos- eller optimeringstekniker beroende på problemet som ska lösas. Dessa kan byggas i vår plattform med hjälp av Python, R och SQL.

Med denna flexibilitet och bredd av val kan Peaks kunder bygga sin egen AI som är unik för deras affär. Detta är vad organisationer behöver för att verkligen omfamna Beslutsintelligens. Varje företag bör inte ha en standard-AI, utan något som är byggt specifikt för dem.

Hur möjliggör Peak för företag att använda sin största tillgång – data – för att öka försäljning och vinster?

Peak-plattformen kör applikationer som är specifikt utformade för att leverera resultat, antingen genom att öka försäljning eller växa vinst (eller båda!). Dessa applikationer omfattar marknadsföring, försäljning, varuhantering, lagerhantering, prissättning och leverantörskedja. Eftersom den sitter över hela företagets dataset kan Peaks Beslutsintelligensplattform optimera över hela värdekedjan, ge realtidsinsikter och rekommendationer som gynnar varje funktion inom företaget. Detta är en komplex matris och Beslutsintelligens är det perfekta verktyget för att säkerställa att varje beslut som fattas är rätt.

Peak verkar på första anblick vara fullt servicestödd, behöver företag som använder tjänsten ha AI-ingenjörer på plats för att använda plattformen?

Peak-plattformen har tre kärnfunktioner som tillåter användare att:

1. Kombinera data från hela organisationen och göra den AI-klar.
2. Bygga och träna en centraliserad intelligens som använder AI-modeller för att ge en prognostisk vy av organisationen.
3. Tillhandahålla ett gränssnitt för linjeaffärsanvändare att interagera med modeller som vägleder beslutsfattande över flera funktioner.

Sedan det grundades 2015 har Peak erbjudit en modell där vår plattform och applikationer implementeras för våra kunder av våra kundframgångs- och datavetenskapsteam. Vi ser alltmer en växande mängd Peak-kunder som själva servar på plattformen, bygger sina egna applikationer eller distribuerar Peaks standardapplikationer själva.

Vilka exempel finns på hur Peak möjliggör för företag att optimera sina leverantörskedjor?

Ett bra exempel skulle vara en lagerchef som hanterar en lagerfråga. Traditionellt skulle de behöva manuellt öka beställningar över översålda artiklar, ändra beställningsvolymerna sporadiskt för att ta hänsyn till volatilitet i efterfrågan.

Men med hjälp av en DI-plattform kan lagerchefen vara proaktiv snarare än reaktiv. Med hänsyn till omständigheterna inom företaget i stort kan lagerchefens DI-plattform rekommendera att de minskar beställningar från leverantören. Det låter kontraintuitivt om det finns hög efterfrågan, men DI-lösningen har identifierat att företaget har ett lager med en depå i ett närliggande län som har 2 000 enheter av den artikeln som inte säljs där. Det har redan varnat logistikteamet och har dirigerat den planerade leveransen via det lagret för att hämta de extra artiklarna. Det kommer att fortsätta att köra samma modell för kommersiella team över hela företaget, justera den rekommenderade åtgärden allteftersom datainsikter förändras och varje avdelning vidtar åtgärder.

Ytterligare ett användningsfall är att minska avfall och energi, kan du ge några exempel på kunder som uppnått detta med hjälp av Peak?

En global detaljhandlare av konsumentvaror använder för närvarande Beslutsintelligens för att både optimera sitt transportnät och minska den mängd avfall som orsakas av rörelser av varor mellan fabriker, distributionscentraler och butiker. Företagets mål är att minska koldioxidutsläpp och öka sina vinstmarginaler.

Med hjälp av datakällor från leverans, efterfrågan och lager, kombinerat med elektroniska punkter för försäljning (EPOS) och kunddata, använder företaget DI för att optimera lager på varje distributionscentral och samordna rörelser av lager mellan flera centraler, med hänsyn till faktorer som efterfrågan (verklig och prognostiserad), produktionsutgång, bearbetningskostnader och transportkostnader. Lösningen minskade logistikerna med 10 % och minskade lastbilresor mellan centraler med 200 000 km, vilket motsvarar en minskning av 147 metric ton koldioxidutsläpp under de första åtta månaderna av distributionen.

Vad är din vision för Peaks framtid?

Vi vill sätta Beslutsintelligens i händerna på varje företag och bygga ett företag som människor älskar att vara en del av. Detta innebär att expansion för att stödja fler kunder globalt är vår topprioritet och vi expanderar i både USA och Indien, öppnar Clubhouses i New York, Mumbai och Pune. Hållbar högprestation är nyckeln till detta; vi vill att Peakers ska vara på vår resa under en stor del av sina karriärer, vi vill inte ha människor som kommer in och bränns ut inom ett par år. .

Vi investerar kraftigt i FoU efter vår lyckade Series C-runda som stängdes i augusti förra året. När vi släpper fler spännande plattformsfunktioner och expanderar runt om i världen, ser vi fram emot att se de applikationer som datavetenskapsteam utanför Peak utvecklar med plattformen – mycket av vad DI är kapabelt att göra kommer att upptäckas i praktiken.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Peak.