Мірон Берк, керівник управління рішеннями в Sensormatic Solutions – Серія інтерв’ю

Мірон Берк, керівник глобального продукту та рішень у Sensormatic Solutions, визначає та реалізовує нові способи прискорення інновацій, збільшення швидкості та надання більшої цінності клієнтам через стратегічну дорожню карту рішень.

Мірон – досвідчений лідер з більш ніж 25-річним досвідом у роздрібній торгівлі, включаючи його роботу у Walmart і Sam’s Club, де він забезпечував інновації у великому масштабі. Останнім часом Мірон заснував Divergent Technology Advisors, роздрібну технологічну консалтингову компанію, яка допомагає великим роздрібним торговцям, постачальникам технологій та стартапам у розробці технологічної стратегії, плануванні виходу на ринок, розширенні на міжнародні ринки та інше.

Sensormatic Solutions, провідний глобальний портфель роздрібних рішень компанії Johnson Controls, забезпечує безпечний, захищений та безперебійний роздрібний досвід. Більше 60 років компанія знаходиться на передовому краї технологічних інновацій у галузі, переосмислюючи роздрібні операції у глобальному масштабі та перетворюючи дані на дії. Sensormatic Solutions пропонує взаємопов’язану екосистему рішень для запобігання втрат, інтелекту інвентаризації та аналізу трафіку, а також послуги та партнерські програми, які дозволяють роздрібним торговцям усьому світі інновувати та підвищувати ефективність з точністю, поєднуючи дані результати, які формують майбутнє роздрібної торгівлі.

Ви провели понад 25 років на перетині роздрібних операцій та нових технологій – від керівництва стратегією RFID та інновацій у магазині у Walmart і Sam’s Club до інкубації нових концепцій у Store No. 8, а тепер керуєте глобальним продуктом та рішеннями у Sensormatic Solutions. Як ці досвіди сформували вашу філософію щодо того, як штучний інтелект та сенсорні технології повинні бути розгорнуті у фізичному роздрібному середовищі сьогодні?

Я підходжу до реалізації штучного інтелекту дуже практично, і закликаю свою команду та клієнтів Sensormatic Solutions робити те ж саме. Мій досвід з обох сторін рівня довів неодноразово, що будівництво у такому ключі є ключем до успішної трансформації.

Sensormatic Solutions діє на основі простої віри протягом останніх 60 років: технологія успішна, коли операційна ефективність та реальні виклики роздрібних торгівців знаходяться у центрі. Це здається очевидним – особливо для тих, хто залишається близьким до нових інструментів – але ця фундаментальна принцип була дещо забута серед усіх гіпів щодо штучного інтелекту.

Тиск на швидку рух та утримання темпу з ринком був і залишається високим як у розробці рішень, так і у прийнятті клієнтами, але будівництво інструментів, які справді заповнюють пробіли, є більш впливовим, ніж спроби включити функції штучного інтелекту у кожен продукт. Ми зосереджені твердо на пошуку місць, де потокова збірка, фузія, аналіз та дія приводять до вимірюваних поліпшень. Цей фокус також поширюється на набори даних, які штучний інтелект буде використовувати – націлені, контрольовані та очищені набори даних є ключем до надання сталих цінностей штучного інтелекту, особливо серед клієнтів.

Щось, про що ми також пам’ятаємо, полягає в тому, що це правда для всіх можливих користувачів: корпоративних приймачів рішень, покупців та асоціатів. З кожним новим рішенням або оновленням ми питаємо себе, чи доставляємо ми цінність усім трьом зацікавленим сторонам у рівній мірі, оскільки кожна група є інтегральною для успіху роздрібної торгівлі.

Цей внутрішній етос природно трансформується у рішення, які допомагають роздрібним торговцям прийняти подібну позицію, пропонуючи інструменти, які підтримують значуще поліпшення через практичні, налаштовані системні дизайни. Розгортання штучного інтелекту не є універсальним рішенням, і програми, які ми будемо з клієнтами, також не є універсальними.

Sensormatic Solutions все частіше позиціонує штучний інтелект та розширені аналітичні можливості як основні засоби сучасної роздрібної операційної інтелектуальності. Як штучний інтелект переосмислює поняття “запобігання втрат” у світі omnichannel?

Найпростіші відповіді – це видимість із швидкістю. Штучний інтелект допомагає真正 демістифікувати скорочення та надати повний огляд загальних роздрібних втрат. Реальність полягає в тому, що ви можете тільки зауважити втрати, які ви можете побачити, правда? Для більшої частини історії галузі видимість втрат була можлива лише на найбільш базовому, поверхневому рівні, з програмами, орієнтованими на товари, які повинні бути доступні для продажу, але не є. У вас може бути певне уявлення про те, чи було товари вкрадено, пошкоджено під час транспортування чи пошкоджено під час перебування на полиці, але відстеження цих речей у великому масштабі було складним, якщо не неможливим.

Зв’язані аналітичні та сенсорні системи розширили те, що роздрібні торговці можуть бачити, відстежувати та кількісно оцінити. Подумайте про те, щоб виділити 3% помилки, які ховаються у величезному обсязі даних, згенерованих сьогодні. Ці сенсорні системи розблоковують те, що, де, коли та хто втрат, що – самі по собі – сприяють трансформації у розумінні навколо скорочення та зміщення парадигми до “загальних роздрібних втрат”. Ця розширена сфера дозволяє роздрібним торговцям бачити ще один рівень операцій та цілий новий набір потенційних драйверів втрат, пов’язаних із відхиленням процесу та пробілами, а також із марною витратою часу, ресурсів та зусиль.

Коли все це ідентифікується та позначається, ви можете тоді трансформувати його. Саме тут вступає у дію штучний інтелект. Він з’єднує ці нові “крапки” часто в реальному часі, щоб надати зовсім інший рівень даних. Прогнозні, високо точні інтелект та моделі можуть допомогти кількісно оцінити вплив відхідної витрати, зважити відносну цінність можливих коригувань та проілюструвати вартість бездіяльності. Ефективно, це дозволяє роздрібним торговцям змінити свою позицію з реактивної на проактивну, допомагаючи їм переосмислити втрати як можливості для поліпшення.

З технологіями, такими як Re-ID та аналітика штучного інтелекту про пішохідний трафік, роздрібні торговці тепер можуть рухатися за межі простого підрахунку людей до глибших інсайтів щодо поведінки покупців та операційної діяльності. Які найпереворотніші випадки використання, які ви бачите, що виникають з цього зрушення?

Re-ID, для мене, є потужним прикладом малих, націлених коригувань, які мають величезний вплив на операційне розуміння.

Re-ID робить одну річ: уточнює трафікові заходи. Звичайно, отримання технології для точного розрізнення унікальних покупців від повторних входів, персоналу та інших категорій відвідувачів є складним, але результатом є дуже проста зміна до наборів даних, яка приводить до значного поліпшення розуміння.

Дані про трафік продовжують підтримувати широкий спектр метрик по всій галузі, з конверсією, можливо, найбільш помітним прикладом. Просто обрізання записів для відображення більш точного підрахунку окремих відвідувачів може драматично змінити інтерпретації, дозволяючи роздрібним торговцям уточнювати штат, плани поверху, повідомлення та безліч інших практик, щоб поліпшити досвід клієнтів та фінансові результати.

Це втілення етосу, про який ми обговорювали раніше як центральний для успіху Sensormatic Solutions протягом останніх 60 років. Ми використовуємо штучний інтелект для здійснення націлених, високоцінних коригувань, які приносять користь усім учасникам рівняння.

Sensormatic Solutions нещодавно представила Orbit AI та Video AI як частину своїх можливостей поведінки магазину. Яке стратегічне пробіл解决ить це рішення для роздрібних торговців, і як воно відрізняється від інших роздрібних платформ інтелекту?

Ми підходимо до кожного нового рішення з конкретним викликом на увазі. Для Orbit AI та Video AI ми зосередилися на відокремленні “сигналу від шуму”, щоб надати роздрібним торговцям надійні, конкретні та контекстні дані, які позбавляють сумнівів у прийнятті рішень.

Re-ID’s інноваційна технологія розпізнавання об’єктів дозволяє Orbit AI та Video AI допомогти роздрібним торговцям:

• Розуміти закономірності часу перебування по всьому магазину.
• Розрізняти покупців та випадкових перехожих.
• Відстежувати маршрути покупців, щоб ідентифікувати тенденції, які інформують плани макету товарів, промоції та рекламні плани.
• Використовувати теплові карти для відстеження місць, де відвідувачі проводять більшу частину часу.

Orbit AI та Video AI йдуть ще далі, оскільки їх налаштовані моделі машинного навчання адаптуються поряд з операціями. Система вчиться про кожну компанію та місце протягом часу, постійно коригуючи параметри, ідентифікуючи джерела упередженості та працюючи над усуненням надлишкових або неповних даних, які викривлюють моделі. Ця безперервна уточнення забезпечує, що кожен інсайт відображає реальність магазину саме зараз – не вчора, не минулого тижня. І це критично, оскільки роздрібні тенденції, тиск та умови змінюються швидко.

Orbit AI та Video AI були побудовані для легкої інтеграції та з урахуванням ключових бар’єрів для прийняття. Інтегрований дизайн сенсорів, підхід “на рівні” та можливості Re-ID дозволяють роздрібним торговцям отримувати ці інсайти з меншою кількістю пристроїв, роблячи розгортання легшим та забезпечуючи доступність інструментів аналізу для підприємств усіх розмірів. Це продовження наших десятиліть роботи, спрямованої на надання інтелектуальних інсайтів галузі в цілому.

Ви підкреслили потокове використання даних та сенсорну фузію як фундаментальні для роздрібної реінвенції. Як поєднання декількох сенсорних входів створює конкурентну перевагу порівняно з аналітичними інструментами у вигляді силосів?

Хмарні аналітичні інструменти допомагають зв’язати операції та усунути силоси, але вони також включають ряд драйверів витрат та неефективності – і багато роздрібних торговців навіть не усвідомлюють, що ці речі присутні у їхніх системах. Ефективно, сенсорна фузія зсуває початкові завдання обробки та інтеграції до самого пристрою (на рівні), зменшуючи обсяг даних, який потрібно передавати до центральних серверів, та дозволяючи реальну реакцію по всьому екосистемі.

Взявши, наприклад, поведінковий аналіз. У традиційному хмарному середовищі сенсори виконують базові завдання збору, постійно (або періодично) надсилаючи сирі дані до центрального обчислювального пристрою для обробки, аналізу та дії. Скажімо, що аналіз показує сигнали підозрілої поведінки на торговому поверсі, що викликає серію протоколів реагування. Ну, ця інформація – необхідність реакції – також повинна бути передана. І хоча весь процес швидкий за людськими стандартами, ви вже втратили час, надсилаючи та приймаючи інформацію з А до Б до В та назад.

З можливостями фузії Video AI та Orbit AI ми можемо виключити ці додаткові кроки. Інтегровані інструменти штучного інтелекту та машинного навчання аналізують сирі дані під час їх збору та пріоритезують наступні кроки на основі своїх висновків, дозволяючи більш своєчасну дію. Крім того, усунення необхідності безперервних передач до більших систем зменшує енергоспоживання та тягар на центральну систему.

На рівні підприємства інтеграція глобальної апаратури, програмного забезпечення та платформ даних є вкрай складною. Які архітектурні принципи чи системно-інженерні підходи є критичними для того, щоб штучно інтелектні роздрібні інфраструктури були真正 скалярними?

Це обов’язково починається з SAFe / Lean – Agile Systems Architecture. Ця основа дозволяє безпечний, економічно розумний, гнучкий та настраїваний (якщо потрібно) дизайн мислення та розробки. Я також вірю у роботу над використанням агностичного підходу до партнерських екосистем – що дозволяє нам зустріти партнерів там, де вони знаходяться у своєму цифровому шляху. Це дозволяє нам створити левер у рівні облікового запису та відкрити шляхи для підтримки компаній, які потребують більшої кількості послуг SaaS або тих унікальних підприємств, які хочуть усіх систем та даних на місці. Наш підхід дозволяє декілька шляхів для забезпечення та підтримки широкого спектру апаратних варіантів.

Багато роздрібних торговців борються з перекладом аналітики на вимірювані показники ROI. Як ви допомагаєте організаціям зв’язати розширені інсайти штучного інтелекту безпосередньо з фінансовими результатами та операційною ефективністю?

Це питання допомогло спровокувати розвиток Shrink Analyzer. Після першого етапу інвестицій у цифровізації роздрібні торговці мали гори даних про запаси, втрати та інші дані, але не мали інструменту, щоб зробити з ними щось корисне.

Хоча його основною метою є постійне поліпшення, першим завданням Shrink Analyzer завжди є бенчмаркінг на момент реалізації. Це перший крок, і це те, що дозволяє будь-які подальші поліпшення, а також служить точкою відліку для відстеження цього прогресу в термінах, які мають значення для бізнесу. Це крок, який багато лідерів пропустили в гіпі штучного інтелекту, і це причина, через яку відстеження ROI було таким великим викликом по всім галузям.

Відкриваючи “що, коли та де” відходів та втрат на початку, Shrink Analyzer може перекласти все це на щось, чого роздрібні торговці раніше не мали: чітку, кількісно оцінювану картину того, як відбуваються втрати у великому масштабі.

Це показує, де втрати дійсно відбуваються, пробіли, які мають найбільший вплив на результати, та можливості для змін, які можуть допомогти зменшити це число. Звідти роздрібні торговці можуть почати тестування випадків використання, відстеження прогресу та коригування по ходу, щоб скласти переконливі докази того, що їхні інвестиції в штучний інтелект та інші технології рухають стрілку.

Приватність та довіра є центральними проблемами, оскільки магазини стають все більш інструментованими. Як Sensormatic Solutions підходить до відповідальної реалізації штучного інтелекту, одночасно забезпечуючи високороздільну операційну інтелектуальність?

Я розглядаю цю проблему як частину того, про що ми обговорювали раніше – будівництво для лідерів, покупців та асоціатів у рівній мірі. Так, роздрібні торговці купують наші рішення, але ми не можемо успішно діяти, якщо асоціати та покупці не погоджуються з цими системами. Їхня задоволеність є важливою для наших клієнтів та для нас.

Це спонукає наш підхід “приватності за дизайном” на всіх наших процесах дослідження та розробки. Інакше кажучи, ми включаємо споживчі гарантії у рішення з самого початку, що тримає нас цікавими та творчими.

Дизайн Re-ID демонструє це. Його можливості картування маршрутів та підрахунку трафіку використовують варіації окремих, неідентифікуючих деталей – таких як стилі волосся та кольори, дизайн одягу та аксесуари – щоб призначити унікальні ідентифікатори відвідувачам. Ви можете подумати, що є занадто багато перекриття у стилі одягу чи дизайні, щоб це було ефективним, але ми виявили, що, розглянуті разом, ці інсайти достатньо унікальні, щоб впевнено сказати “ця людина працює тут” або “ця людина відвідувала годину тому”.

Ми б ніколи не дізналися, якщо б нас не змусили думати поза коробкою з самого початку. Коли регулювання змінюються та проблеми приватності споживачів зростають, організації, які приймають цю точку зору заздалегідь, ймовірно, будуть лідерами у сфері інновацій, оскільки вони вже звикли до творчого вирішення проблем.

Роздрібні торговці перемагаються постійними порушеннями – волатильністю ланцюгів постачання, організованою роздрібною злочинністю, тиском праці та цифровою конкуренцією. Як інфраструктура, розгорнута штучним інтелектом, може служити стабілізуючою силою, а не ще одним шаром складності?

Дані-орієнтовані системи забезпечують стабільність, виравнюючи організацію навколо єдиної істини та спільної мети. Додавання штучного інтелекту посилює цю певність.

Дані самі по собі все ще відкриті для інтерпретації, а висновки зацікавлених сторін забарвлені їхніми власними пріоритетами. Штучний інтелект може пом’якшити цю проблему, оскільки він аналізує дані по всій операції без упередженості до якоїсь точки зору. Якщо система працювала так, як передбачалося, лідери з конкуруючими особистими пріоритетами можуть довіряти, що аналізи, рекомендації та прогнозні моделі відображають реальність операційної діяльності бізнесу. Це рівніє поле, так що найкращий наступний крок піднімається до верхівки, оскільки його цінність очевидна для всіх.

Оглядаючи вперед на п’ять-десять років, який вигляд має повністю оптимізоване штучним інтелектом фізичне роздрібне середовище, і які стратегічні кроки повинні лідери робити зараз, щоб підготуватися до цього майбутнього?

Є немає універсальної дорожньої карти, на яку я міг би вказати щодо нашої готовності до штучного інтелекту, оскільки це справді полягає у будівництві систем, які працюють для кожного окремого роздрібного торговця. Однак, основа для цього є дещо універсальною. Кожен роздрібний торговець потребує:

• Єдиної бази даних, яка забезпечує повний реєстр усіх областей операцій. Без цього навіть найбільш здатні та просунуті моделі не зможуть надати корисні інсайти. Вони потребують контексту, щоб доставити.
• Надійних бенчмарків, заснованих на відповідних даних бізнесу. Це служить початковою точкою для інвестицій та забезпечує точку відліку для вимірювання прогресу.
• Планів навчання та підвищення кваліфікації. Штучний інтелект не є незалежним актором. Він може зробити багато чого, але люди, які його використовують, повинні розуміти його функції та обмеження. Роздрібні торговці повинні почати планувати та спілкуватися про технологію заздалегідь, щоб асоціати та працівники були готові, коли настане час.
• Лідерів, які піклуються. Трансформація – це довгостроковий проєкт, і лідери повинні бути готові виділити ресурси на ініціативу на довгий термін та бути готовими керувати організацією через це.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Sensormatic Solutions або Divergent Technology Advisors.