Steven Keith Platt, spoluzakladatel a Chief Development Officer společnosti RetailPredict.ai – rozhovor

Steven Keith Platt je ředitel a výzkumný pracovník v institutu Platt Retail Institute (PRI). Je také externím profesorem na Northwestern University a působí jako výzkumný ředitel v Retail Analytics Council, iniciativě mezi Medill School, Integrated Marketing Communications Department, Northwestern University a PRI.

Také je spoluzakladatelem a Chief Development Officer společnosti RetailPredict.ai, která se zaměřuje na umožnění udržitelného růstu výnosů a zisku poskytováním předpovědních modelů založených na umělé inteligenci, které jsou snadno implementovatelné a lze je rychle nasadit.

Co vás původně přitáhlo k Retail AI?

Pracuji v oblasti retailové analytiky již více než 25 let. Průmysl vždy měl spoustu dat, ale analytika používaná k získání znalostí z tohoto obrovského množství informací pro operacionalizaci podniku chyběla. Schopnost spravovat velké množství dat byla první velkou změnou a poté, co se umělá inteligence stala kolem před pěti lety mainstreamem, bylo přirozené pokračovat v pokročilejších výpočetních metodách.

Můžete sdílet příběh o vzniku RetailPredict.ai?

RetailPredict.ai byl výsledkem mé laboratorní práce na Northwestern University, kde učím kurz retail AI. Každý čtvrtletí pracujeme s maloobchodníkem na řešení obchodního problému pomocí řešení založených na umělé inteligenci. Tyto use cases prokázaly, že existuje poptávka po řešení těchto problémů a že je můžeme vyřešit aplikací umělé inteligence. Takže v laboratoři běžíme POC; v RetailPredict.ai bereme tyto výsledky, industrializujeme modely a uvádíme je do komerční výroby.

Proč jste se rozhodli zaměřit se na Retail AI?

Různé důvody, včetně:

Množství dat. Množství řešitelných problémů. Jakmile jste se dostali za velké hráče (tj. Walmart (WMT ), Target, Home Depot), mnoho maloobchodníků s tržbami pod 10 miliard dolarů nemá dostatečné zdroje na vývoj řešení ve vlastním závodě a má problémy najít talentované lidi, kteří by jim mohli pomoci. Takže vidíme spoustu příležitostí, jak jim pomoci.

Jak mohou společnosti nejlépe využít AI v maloobchodním prostředí?

Úspěch vyžaduje přijetí/začlenění na úrovni vedení. AI může vyžadovat nové způsoby, jak společnosti dosahují věcí, a kulturní překážky změn mohou představovat výzvy. Takže je potřeba mít roadmapu. Také je potřeba porozumět tomu, co může a nemůže udělat. Nakonec je také důležité soustředit se na krátkodobé výhry, aby se etablovala důvěryhodnost, spíše než přístup “vařit oceán”, je užitečný.

Jaký typ produktivity lze očekávat od implementace AI v maloobchodě?

Rozsah řešení je poměrně neomezený. Od odhadů online objednávek po dodavatelský řetězec je rozsah use cases k řešení obrovský. V RetailPredict.ai se naše počáteční zaměření soustředí na optimalizaci práce (předpověď provozu obchodů až na pět týdnů dopředu) pro lepší sladění práce se zákazníky. Například snížit personál, když se očekává menší počet zákazníků, nebo přidat více personálu, když se očekává zvýšení počtu zákazníků. Naše další produkt předpovídá poptávku po produktech, aby se snížily prodlevy ve výdejních lhůtách, eliminovaly nadměrné investice do pomalu se pohybujících produktů, testovaly poptávku po nových produktech a spravovaly slevy kolem očekávané poptávky a cenové elasticity.

Ještě něco, co byste rádi sdíleli o RetailPredict.ai?

Náš přístup je jedinečný na trhu. Velmi levné, snadno nasaditelné use case-specifické modely, které nevyžadují rozsáhlou integraci a lze je spustit rychle. Kombinujeme to s uživatelsky přívětivými řídicími panely pro snadnou interpretaci dat. Upozornění lze naprogramovat, aby informovala manažery o změnách podmínek. Nakonec je důvěra v modely důležitá, takže zahrnujeme řadu výkonových metrik.

Děkuji za rozhovor, čtenářům, kteří si přejí dozvědět více, doporučujeme navštívit RetailPredict.ai.