مقابلات
ستيفن كيث بلات ، المؤسس المشارك ومدير التطوير في RetailPredict.ai - سلسلة مقابلات
ستيفن كيث بلات هو مدير وزميل أبحاث في معهد بلات للبيع بالتجزئة (PRI). وهو أستاذ مساعد في جامعة نورث وسترن ويعمل كمدير أبحاث في مجلس تحليلات البيع بالتجزئة، وهي مبادرة بين كلية ميديل، قسم الاتصالات التسويقية المتكاملة، جامعة نورث وسترن وPRI.
وهو أيضًا المؤسس المشارك ورئيس قسم التطوير في RetailPredict.ai ، وهي شركة تركز على تمكين الإيرادات المستدامة وتحسين الأرباح من خلال توفير نماذج تنبؤ مدعومة بالذكاء الاصطناعي تكون سهلة التنفيذ ويمكن نشرها بسرعة
ما الذي جذبك في البداية إلى الذكاء الاصطناعي للبيع بالتجزئة؟
أعمل في تحليلات البيع بالتجزئة منذ أكثر من 25 عامًا. كان لدى الصناعة دائمًا الكثير من البيانات ، لكن التحليلات التي يتم تطبيقها للتعلم من هذا الكم الهائل من المعلومات لتفعيل الأعمال كانت مفقودة. كانت القدرة على إدارة البيانات الضخمة أول تغيير رئيسي ، وبعد ذلك أصبح الذكاء الاصطناعي أكثر انتشارًا منذ حوالي خمس سنوات ، وكان تقدمًا طبيعيًا للانتقال إلى أساليب حسابية أكثر تقدمًا.
هل يمكنك مشاركة قصة التكوين وراء RetailPredict.ai؟
كان موقع RetailPredict.ai نتيجة عملي في المختبر في جامعة نورث وسترن ، حيث أقوم بتدريس دورة الذكاء الاصطناعي للبيع بالتجزئة. نعمل كل ربع سنة مع بائع تجزئة لحل مشكلة العمل من خلال تطبيق حلول الذكاء الاصطناعي. أثبتت حالات الاستخدام هذه أن هناك طلبًا قائمًا لحل هذه المشكلات وأنه يمكننا القيام بذلك من خلال تطبيق الذكاء الاصطناعي. لذلك ، في المختبر نقوم بتشغيل POCs ؛ في RetailPredict.ai نأخذ هذه النتائج ونصنع النماذج ونضعها في الإنتاج التجاري.
لماذا اخترت التركيز على الذكاء الاصطناعي للبيع بالتجزئة؟
أسباب مختلفة منها:
الكثير من البيانات. الكثير من القضايا التي يمكن معالجتها. بمجرد تجاوز التخصصات (مثل Walmart و Target و Home Depots) ، فإن العديد من تجار التجزئة الذين تقل مبيعاتهم عن 10 مليارات دولار ليس لديهم الموارد اللازمة لتطوير الحلول داخل الشركة ويواجهون تحديًا للعثور على الموهبة للمساعدة. لذلك ، نرى الكثير من الفرص للمساعدة.
كيف يمكن للشركات الاستفادة بشكل أفضل من الذكاء الاصطناعي في بيئة البيع بالتجزئة؟
النجاح يتطلب تبني / احتضان على مستوى القيادة. يمكن أن يتطلب الذكاء الاصطناعي طرقًا جديدة للشركات لإنجاز الأشياء ، ويمكن أن تشكل العوائق الثقافية للتغيير تحديات. لذلك ، خارطة الطريق مطلوبة. أيضًا ، فهم ما يمكنه وما لا يمكنه فعله. أخيرًا ، من المفيد التركيز على المكاسب قصيرة المدى لإرساء المصداقية ، بدلاً من نهج غليان المحيط.
ما نوع تحسينات الإنتاجية التي تمت ملاحظتها من خلال تطبيق الذكاء الاصطناعي في البيع بالتجزئة؟
نطاق الحلول غير محدود إلى حد كبير. من تقديرات الطلبات عبر الإنترنت إلى سلسلة التوريد ، يتسع نطاق حالات الاستخدام لحلها. في RetailPredict.ai ، ينصب تركيزنا الأولي على تحسين العمالة (توقع حركة مرور المتجر لمدة تصل إلى خمسة أسابيع مقدمًا) لمطابقة العمالة بشكل أفضل مع العملاء. على سبيل المثال ، قلل عدد الموظفين عند توقع عدد أقل من العملاء ، وربما أضف المزيد عندما يُتوقع أن تزيد حركة العملاء من التحويل. بالإضافة إلى ذلك ، تمكّن تنبؤاتنا لكل ساعة مديري المتاجر من إدارة المهام بشكل أفضل (على سبيل المثال ، نتوقع اندفاعًا في هذا الوقت ، لذلك دعنا نحصل على بعض الأشخاص الإضافيين عند الخروج). يتنبأ منتجنا الآخر بالطلب على المنتجات لتقليل المخزون من المخزون ، والقضاء على فائض الاستثمار في المنتجات بطيئة الحركة ، واختبار الطلب على المنتجات الجديدة ، وإدارة التخفيضات حول الطلب المتوقع ومرونة الأسعار.
هل هناك أي شيء آخر تود مشاركته حول RetailPredict.ai؟
نهجنا فريد في السوق. نماذج خاصة بالحالة غير مكلفة للغاية وسهلة الاستخدام ولا تتطلب تكاملاً مكثفًا ويمكن إطلاقها بسرعة. نحن نقرن هذا بلوحات معلومات سهلة الاستخدام لتفسير البيانات بسهولة. يمكن برمجة التنبيهات لإبلاغ المديرين بالظروف المتغيرة. أخيرًا ، الثقة في النماذج مهمة ، لذلك نحن ندمج مجموعة متنوعة من مقاييس الأداء.
شكرًا لك على المقابلة ، يجب على القراء الذين يرغبون في معرفة المزيد زيارة RetailPredict.ai.
