Steven Keith Platt, Co-Founder & Chief Development Officer von RetailPredict.ai – Interview-Serie

Steven Keith Platt ist Direktor und Forschungsstipendiat am Platt Retail Institute (PRI). Er ist Adjunct Professor an der Northwestern University und fungiert als Forschungsdirektor im Retail Analytics Council, einer Initiative zwischen der Medill School, Integrated Marketing Communications Department, Northwestern University und PRI.

Er ist auch Co-Founder & Chief Development Officer von RetailPredict.ai, einem Unternehmen, das darauf abzielt, nachhaltige Umsatz- und Gewinnsteigerungen durch künstliche Intelligenz-gestützte Vorhersagemodelle zu ermöglichen, die einfach zu implementieren und schnell einzusetzen sind.

Was hat Sie ursprünglich zur Retail-KI hingezogen?

Ich arbeite seit über 25 Jahren im Bereich Retail-Analytics. Die Branche verfügte immer über viele Daten, aber die Analytik, um aus dieser riesigen Informationsmenge zu lernen und den Betrieb zu optimieren, war unzureichend. Die Fähigkeit, Big Data zu verwalten, war der erste große Wandel, und als die künstliche Intelligenz vor etwa fünf Jahren mainstream wurde, war es eine natürliche Entwicklung, zu fortgeschritteneren Rechenmethoden überzugehen.

Können Sie die Entstehungsgeschichte hinter RetailPredict.ai teilen?

RetailPredict.ai war das Ergebnis meiner Laborarbeit an der Northwestern University, wo ich einen Retail-KI-Kurs unterrichte. Jedes Quartal arbeiten wir mit einem Einzelhändler zusammen, um ein Geschäftsproblem durch die Anwendung von KI-Lösungen zu lösen. Diese Use Cases haben gezeigt, dass es eine bestehende Nachfrage gibt, diese Probleme zu lösen, und dass wir dies durch die Anwendung von KI tun können. Also führen wir im Labor POCs durch; bei RetailPredict.ai nehmen wir diese Erkenntnisse, industrialisieren die Modelle und bringen sie in die kommerzielle Produktion.

Warum haben Sie sich entschieden, sich auf Retail-KI zu konzentrieren?

Aus verschiedenen Gründen:

Viele Daten. Viele ansprechbare Probleme. Sobald man die großen Player (z. B. Walmart, Target, Home Depot) überwunden hat, haben viele Einzelhändler mit einem Umsatz von unter 10 Milliarden Dollar nicht die Ressourcen, um Lösungen in-house zu entwickeln, und sie haben Schwierigkeiten, das erforderliche Talent zu finden. Also sehen wir viele Möglichkeiten, zu helfen.

Wie können Unternehmen KI am besten in einem Einzelhandelsumfeld nutzen?

Erfolg erfordert die Akzeptanz auf der Führungsebene. KI kann neue Wege erfordern, wie Unternehmen Dinge erreichen, und kulturelle Hindernisse für Veränderungen können sich als Herausforderungen erweisen. Also ist ein Fahrplan erforderlich. Auch ein Verständnis dafür, was sie kann und was nicht. Schließlich ist ein Fokus auf kurzfristige Erfolge, um Glaubwürdigkeit zu etablieren, anstatt einen boil-the-ocean-Ansatz, hilfreich.

Welche Art von Produktivitätssteigerungen wurden durch die Implementierung von KI im Einzelhandel gesehen?

Die Bandbreite an Lösungen ist ziemlich unbegrenzt. Von Online-Bestellungen bis hin zur Lieferkette ist die Bandbreite an Use Cases, die gelöst werden können, riesig. Bei RetailPredict.ai liegt unser erster Fokus auf der Arbeitskraft-Optimierung (Vorhersage des Ladenverkehrs für bis zu fünf Wochen im Voraus), um die Arbeitskraft besser mit den Kunden abzustimmen. Zum Beispiel reduzieren Sie das Personal, wenn weniger Kunden erwartet werden, oder fügen Sie mehr hinzu, wenn der Kundenverkehr zunimmt. Außerdem ermöglichen unsere stündlichen Vorhersagen es den Store-Managern, die Aufgaben besser zu verwalten (z. B. wir erwarten einen Ansturm zu diesem Zeitpunkt, also lassen Sie uns einige zusätzliche Leute an der Kasse haben). Unser anderes Produkt vorhersagt die Nachfrage nach Produkten, um Lagerausfälle zu reduzieren, übermäßige Investitionen in langsam laufende Produkte zu eliminieren, die Nachfrage nach neuen Produkten zu testen und Rabatte um die erwartete Nachfrage und Preiselastizität zu verwalten.

Gibt es noch etwas, das Sie über RetailPredict.ai teilen möchten?

Unser Ansatz ist einzigartig auf dem Markt. Sehr günstig, einfache Onboarding-Use-Case-spezifische Modelle, die keine umfangreiche Integration erfordern und schnell gestartet werden können. Wir kombinieren dies mit benutzerfreundlichen Dashboards für eine einfache Dateninterpretation. Warnungen können programmiert werden, um Manager über sich ändernde Bedingungen zu informieren. Schließlich ist Vertrauen in die Modelle wichtig, also integrieren wir eine Vielzahl von Leistungsmetriken.

Vielen Dank für das Interview. Leser, die mehr erfahren möchten, sollten RetailPredict.ai besuchen.