Steven Keith Platt, Medstifter og Chief Development Officer i RetailPredict.ai – Intervieuserie

Steven Keith Platt er direktør og forskningsmedarbejder ved Platt Retail Institute (PRI). Han er adjunktprofessor ved Northwestern University og fungerer som forskningsdirektør ved Retail Analytics Council, en initiativ mellem Medill School, Integrated Marketing Communications Department, Northwestern University og PRI.

Han er også medstifter og Chief Development Officer i RetailPredict.ai, et selskab, der fokuserer på at muliggøre bæredygtig indtægts- og profitforbedring ved at levere AI-drevne prædiktionsmodeller, der er lette at implementere og kan udrulles hurtigt

Hvad var det, der oprindeligt tiltrak dig til Retail AI?

Jeg har arbejdet med retail-analytik i over 25 år. Branchen havde altid masser af data, men analytikken, der blev anvendt for at lære af denne enorme mængde information og operationalisere forretningen, manglede. Evnen til at håndtere big data var den første store ændring, og derefter, da AI blev mere mainstream for omkring fem år siden, var det en naturlig udvikling til at gå over til mere avancerede beregningsmetoder.

Kan du dele historien bag RetailPredict.ai?

RetailPredict.ai var et resultat af mit laboratoriumsarbejde på Northwestern University, hvor jeg underviser i en retail AI-kursus. Hver kvartal arbejder vi med en detailhandler for at løse et forretningsproblem ved at anvende AI-løsninger. Disse use cases beviste, at der er en eksisterende efterspørgsel efter at løse disse problemer, og at vi kan gøre dette ved at anvende AI. Så i laboratoriet kører vi POC’er; i RetailPredict.ai tager vi disse resultater, industrialiserer modellerne og sætter dem i kommerciel produktion.

Hvorfor valgte du at fokusere på Retail AI?

Flere årsager, herunder:

Masser af data. Masser af adresserbare problemer. Når man kommer forbi de store (f.eks. Walmart (WMT ), Target, Home Depot), har mange detailhandlere med under 10 mia. dollars i salg ikke ressourcerne til at udvikle løsninger internt og har svært ved at finde talent til at hjælpe. Så vi ser masser af muligheder for at hjælpe.

Hvordan kan virksomheder bedst udnytte AI i en detailhandelsmiljø?

Success kræver antagelse/accept på ledelsesniveau. AI kan kræve nye måder for virksomheder at opnå ting, og kulturelle hindringer for ændring kan præsentere udfordringer. Så en vejviser er nødvendig. Ligeledes en forståelse af, hvad det kan og ikke kan gøre. Endelig er fokus på korte gevinst til at etablere troværdighed, snarere end en boil-the-ocean-tilgang, nyttig.

Hvilke produktivitetsforbedringer er set fra implementeringen af AI i detailhandlen?

Omfanget af løsninger er ret ubegrænset. Fra onlineordreestimeringer til forsyningskæde, er omfanget af use cases til at løse meget stort. I RetailPredict.ai er vores initial fokus omkring arbejdskraftsoptimering (at forudsige butikstrafik op til fem uger i forvejen) for bedre at matche arbejdskraft med kunder. F.eks. reducerer personalet, når færre kunder forventes, eller tilføje mere, når kundetrafikken forventes at øge omsætningen. Ligeledes ermögiller vores timeprædiktionsmuligheder butikschefer bedre at styre opgaver (f.eks. forventer vi en rus på dette tidspunkt, så lad os have nogle ekstra mennesker ved kassen). Vores anden produkt forudsiger produktets efterspørgsel for at reducere udsalg, eliminere overskydende investering i langsomt flyttende produkter, teste efterspørgsel efter nye produkter og styre nedskrivninger omkring forventet efterspørgsel og priselasticitet.

Er der noget andet, du gerne vil dele om RetailPredict.ai?

Vores tilgang er unik på markedet. Meget billigt, let at påbegynde brugsspecifikke modeller, der ikke kræver omfattende integration og kan lanceres hurtigt. Vi kombinerer dette med brugervenlige dashboards til let datafortolkning. Alarm kan programmeres til at underrette chefer om ændrede betingelser. Endelig er tillid til modellerne vigtig, så vi inkorporerer en række ydelsesmål.

Tak for interviewet, læsere, der ønsker at lære mere, skal besøge RetailPredict.ai.