Rohit Aggarwal, COO på DecisionNext – Intervjuserie

Rohit Aggarwal är Chief Operating Officer på DecisionNext, en ledande AI-plattform som möjliggör för företag att optimera inköp eller försäljning av råvaror vid den bästa möjliga tidpunkten och priset. Han utnyttjar en stark bakgrund inom supply chain och produktledning samt erfarenhet av att direkt leda mycket stora team för att genomföra komplexa multi-disciplinära projekt och leverera affärsresultat. Rohit har tidigare haft produkt- och verksamhetsledningsroller på både Google (GOOGL ) och Amazon (AMZN ).

Du har arbetat på Amazon och nyligen på Google. Vilka var några av dina viktigaste erfarenheter från dessa upplevelser?

På Amazon hade jag möjlighet att leda ett mångsidigt team på 250 medarbetare för att lansera bäst-i-klassen-verksamhetsanläggningar. Jag stödde också införandet av innovationer som samma-dag-leverans, robotteknik och andra framväxande tekniker. Sedan på Google använde jag mina färdigheter för att överbrygga gapet mellan produkt och verksamhet. Detta innebar att bygga applikationer från scratch för att hantera en ny typ av leveransprocess, bland annat.

Kan du förklara hur DecisionNext använder AI och maskinlärning för att förbättra råvarupris- och tillgångsprognoser?

DecisionNext använder artificiell intelligens och maskinlärning för att konsumera tusentals datamängder och hitta historiska och nuvarande relationer mellan nyckelfaktorer. Den lär sig sedan från denna information och bygger relevanta modeller för varje råvara. Inom jordbruks- och naturresursmarknader hjälper våra verktyg kunderna att förbättra prisprognoser, fatta smartare beslut, minska risker och öka vinster över hela världen. Vi arbetar också med att använda stora språkmodeller (LLM) för att förenkla komplexa globala beslut med riskmedvetna lösningar.

Vilka är de viktigaste fördelarna med att använda DecisionNexts AI-plattform jämfört med traditionella prognosmetoder?

Globala råvaruköpare och säljare använder ofta tumregler och kalkylblad för att förenkla ett komplext system som är värt miljarder dollar i transaktioner. Detta lämnar betydande pengar på bordet. Dessa kalkylblad har fungerat bra och stöttat hundratals företag. Men när arbetsmarknadens dynamik förändras och globala marknader blir mer oförutsägbara, blir de mindre effektiva. DecisionNext har tillbringat år med att perfektera en AI-plattform som omvandlar globala komplexiteter till agerbara rekommendationer i stor skala – vilket avsevärt förbättrar den finansiella prestationen.

Våra kunder har ämnesexperter som har varit i ett visst område eller bransch i 30 år eller mer. Och när nya generationer kommer in, är det extremt viktigt att behålla all den erfarenheten på ett användbart sätt. DecisionNext hjälper till med det genom att bygga omfattande bibliotek av beslut, integrera expertråd och lära av det förflutna.

Genom att göra detta minskar DecisionNext-plattformen risk och osäkerhet i affärsbeslut över affärsenheter och individer, samtidigt som den etablerar en skalbar metod för att fatta dessa beslut. Den förbättrar också lönsamheten i dagliga transaktioner, långsiktiga positioner och framtidsinriktad strategisk planering.

Vilken roll spelar dynamisk data i DecisionNexts AI-drivna beslutsprocess, och hur integreras och används denna data?

Dynamisk och uppdaterad data är extremt viktig när det gäller att bygga bäst-i-klassen-modeller. Men hastigheten och komplexiteten med vilken data kan bearbetas och modelleras är inte den enda faktorn. Till exempel, hur vet en modell vikten av den senaste datapunkten (säg en chock i systemet) och att den måste behandla den annorlunda? Våra användare kan interagera med modellerna genom patenterad teknik för att mata in sina åsikter och bygga vad-om-analyser för att använda data som modellen eller systemet inte kan veta ännu. Detta tillåter våra kunder att få nya insikter som annars inte vore möjliga. De kan också bättre förstå effekten av globala förändringar i utbud eller nya handelsregler, bland många andra möjliga situationer.

På vilka sätt har DecisionNexts AI-plattform revolutionerat affärsbeslut i råvarumarknaden?

Vår bäst-i-klassen-plattform har revolutionerat den standardiserade metoden för prissättning, utbuds- och efterfrågeprognoser genom att ge våra användare mer än bara en prognos. Med vårt verktyg kan de snabbt förstå risk, osäkerhet och analysera komplexa beslut med några musklick. DecisionNext har ett antal användningsfall över leveranskedjor i både jordbruk och gruvdrift. Dessa inkluderar optimering av inköps- och försäljningspriser, affärsplanering, geografisk och produktarbitrage, minst kostnadskalkyl och riskhantering, bland många andra.

Hur säkerställer DecisionNext noggrannheten och tillförlitligheten i sina AI-prognosmodeller för råvaruhandel?

Vi säkerställer noggrannheten och tillförlitligheten i våra AI-prognosmodeller genom intensiv baktesting. DecisionNext har byggt ett rigoröst system som kan snabbt testa tusentals modellstrukturer och ge användaren en fullständig förståelse för hur precisa modellerna har varit. Detta kan göras på ett lättförståeligt sätt som också tillåter oss att använda den noggrannheten för att förutsäga osäkerhet i framtiden.

Kan du dela en exempel eller fallstudie om hur DecisionNext har hjälpt ett företag att navigera marknadsvolatilitet med dina AI-verktyg?

Med DecisionNext ökade en stor järnmalmstillverkare sina vinster med i genomsnitt 6-8% på spotförsäljningar. Vår lösning hjälpte dem att optimera prissättningsstrategin och minska den tid som krävdes för att fatta viktiga beslut om geografisk arbitrage. På liknande sätt kan vi hjälpa nötköttsproducenter att fatta samma beslut om var och när de ska sälja nötköttet från sina kadaver.

I båda fallen tillhandahöll DecisionNext en korrekt och försvarbar kort- och långsiktig prognos för att optimera försäljningsplaneringen. Våra visualiseringsverktyg möjliggjorde för producenterna att snabbt utvärdera flera försäljningsstrategier sida vid sida för att bäst minimera risk, effektivisera beslutsfattandet och mer effektivt öka marginalerna.

Utan DecisionNext tvingas företag att förlita sig på historiska genomsnitt, terminsmarknader (om tillgängliga) och erfarenhet för att prissätta varor. Även om de var effektiva i det förflutna, lämnar företag miljontals dollar på bordet i våra alltmer volatila råvarumarknader.

Kan du diskutera betydelsen av att ha interaktiva prognosmodeller för användare, och hur säkerställer DecisionNext att dessa modeller är användarvänliga?

Den gamla, föråldrade “svarta lådan”-modellen för prognoser berättar inte för människor varför prognosen är vad den är. Den kan inte heller hjälpa till att översätta prognosen till agerbara beslut. Så i detta scenario kanske användare inte använder ens en perfekt prognos och återgår till gamla metoder.

DecisionNext hjälper sina kunder att få en bättre förståelse för både marknadsrisk och affärsrisk och varför de två bör vara sammanlänkade när det gäller prognoser. DecisionNext tillhandahåller fullständig insyn i datakällor och modellstrukturer samt strategisk tydlighet och riktning.

Allt detta levereras genom en användarvänlig instrumentpanel, utformad för kontinuerlig engagemang.

På vilka sätt har pandemin och nyliga geopolitiska händelser påverkat utvecklingen och användningen av AI i råvaruhandel på DecisionNext?

COVID-19 störde den globala köttvärdekedjan, och en kund som särskilt påverkades av krisen kommer till minnes. Med stora mängder fryst mat som var avsedd för snart sovande livsmedelskanaler, använde kunden DecisionNexts analyser för att snabbt och optimalt avveckla lager när lockdowns spred sig över USA och också planera hur och när de skulle återuppbygga dessa lager.

Med hjälp av DecisionNext-plattformen byggde kunden ut och jämförde fyra komplexa försäljnings- och inköpsalternativ för att se de förväntade marknadsresultaten och jämföra risker. De kunde framgångsrikt avveckla överskottslager över flera skär och dessa transaktioner gav en 5X avkastning mot DecisionNext-programvaruinvesteringen på en enda månad.

Vilka framtida framsteg inom AI och maskinlärning förutser du kommer att påverka råvarumarknaden, och hur förbereder sig DecisionNext för dem?

DecisionNext är i framkanten av arbetet med att utnyttja AI och maskinlärning för att göra råvarumarknader mer effektiva, lönsamma och hållbara. När världen fortsätter att kämpa med massiva utmaningar som klimatförändringar och politisk instabilitet, kommer intelligent teknologi att bli en allt viktigare komponent i hur vi framgångsrikt navigerar dem. Vi är hedrade att vara betrodda av våra kunder och partners att tillhandahålla en plattform som hjälper till att göra det möjligt.

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