Steven Keith Platt, Συνιδρυτής & Αρχισυντάκτης Ανάπτυξης του RetailPredict.ai – Σειρά Συνεντεύξεων

Ο Steven Keith Platt είναι Διευθυντής και Ερευνητικός Συνεργάτης στο Platt Retail Institute (PRI). Είναι Επίτιμος Καθηγητής στο Πανεπιστήμιο Northwestern και υπηρετεί ως Διευθυντής Ερευνών στο Retail Analytics Council, μια πρωτοβουλία μεταξύ του Medill School, Τμήματος Ολοκληρωμένων Μαρκετινγκ Επικοινωνιών, Πανεπιστημίου Northwestern και του PRI.

Είναι επίσης ο Συνιδρυτής & Αρχισυντάκτης Ανάπτυξης του RetailPredict.ai, μια εταιρεία που επικεντρώνεται στην ενεργοποίηση της βιώσιμης αύξησης των εσόδων και του κέρδους παρέχοντας μοντέλα προβλέψεων που βασίζονται σε τεχνητή νοημοσύνη, τα οποία είναι εύκολα στην εφαρμογή και μπορούν να αναπτυχθούν γρήγορα

Τι σας έκανε να ενδιαφερθείτε αρχικά για το Retail AI;

Έχω εργαστεί στις αναλύσεις λιανικής για πάνω από 25 χρόνια. Η βιομηχανία πάντα είχε πολλά δεδομένα, αλλά οι αναλύσεις που εφαρμόζονταν για να μάθουν από αυτή τη τεράστια ποσότητα πληροφοριών για να λειτουργήσουν την επιχείρηση ήταν ελλιπείς. Η ικανότητα διαχείρισης μεγάλων δεδομένων ήταν η πρώτη μεγάλη αλλαγή και στη συνέχεια, καθώς η τεχνητή νοημοσύνη έγινε πιο κυρίαρχη πριν από πέντε χρόνια, ήταν μια φυσική εξέλιξη να προχωρήσουμε σε πιο προηγμένα υπολογιστικά μοντέλα.

Μπορείτε να μοιραστείτε την ιστορία γέννησης του RetailPredict.ai;

Το RetailPredict.ai ήταν ένα αποτέλεσμα του εργαστηριακού μου έργου στο Πανεπιστήμιο Northwestern, όπου διδάσκω ένα μάθημα λιανικής τεχνητής νοημοσύνης. Κάθε τρίμηνο εργαζόμαστε με einen λιανικό για να λύσουμε ένα επιχειρηματικό πρόβλημα εφαρμόζοντας λύσεις τεχνητής νοημοσύνης. Αυτές οι περιπτώσεις αποδείχθηκαν ότι υπάρχει μια υπάρχουσα ζήτηση για να λύσουμε αυτά τα προβλήματα και ότι μπορούμε να το κάνουμε αυτό εφαρμόζοντας λύσεις τεχνητής νοημοσύνης. Έτσι, στο εργαστήριο τρέχουμε POCs· στο RetailPredict.ai, παίρνουμε αυτά τα ευρήματα, βιομηχανοποιούμε τα μοντέλα και τα βάζουμε σε εμπορική παραγωγή.

Γιατί επέλεξατε να επικεντρωθείτε στο Retail AI;

Διάφορες λόγους, συμπεριλαμβανομένων:

Πολλά δεδομένα. Πολλά προβλήματα που μπορούν να αντιμετωπιστούν. Μόλις περάσετε από τους μεγάλους (π.χ. Walmart, Target, Home Depots), πολλοί λιανικοί με πωλήσεις κάτω από 10 δισεκατομμύρια δολάρια δεν έχουν τους πόρους για να αναπτύξουν λύσεις εσωτερικά και αντιμετωπίζουν προκλήσεις για να βρουν τα ταλέντα για να βοηθήσουν. Έτσι, βλέπουμε πολλές ευκαιρίες για να βοηθήσουμε.

Πώς μπορούν οι εταιρείες να εκμεταλλευτούν καλύτερα την τεχνητή νοημοσύνη σε ένα περιβάλλον λιανικής;

Η επιτυχία απαιτεί υιοθέτηση/αποδοχή στο επίπεδο ηγεσίας. Η τεχνητή νοημοσύνη μπορεί να απαιτεί νέους τρόπους για τις εταιρείες να επιτύχουν πράγματα, και πολιτιστικοί εμπόδιοι στην αλλαγή μπορούν να παρουσιάσουν προκλήσεις. Έτσι, ένας χάρτης είναι απαραίτητος. Επίσης, μια κατανόηση του τι μπορεί και τι δεν μπορεί να κάνει. Τέλος, ένας επικεντρωμένος σε βραχυπρόθεσμες νίκες για να καθιερωθεί αξιοπιστία, αντί για μια προσέγγιση βραχυπρόθεσμου οφέλους, είναι χρήσιμη.

Τι είδους βελτιώσεις της παραγωγικότητας έχουν παρατηρηθεί από την εφαρμογή της τεχνητής νοημοσύνης στη λιανική;

Το εύρος των λύσεων είναι αρκετά απεριόριστο. Από τις εκτιμήσεις των διαδικτυακών παραγγελιών έως την αλυσίδα εφοδιασμού, το εύρος των περιπτώσεων για να λυθούν είναι τεράστιο. Στο RetailPredict.ai, η αρχική μας εστίαση είναι γύρω από την βελτιστοποίηση της εργασίας (προβλέποντας την κίνηση του καταστήματος για μέχρι και πέντε εβδομάδες вперед) για να ταιριάξουμε καλύτερα την εργασία με τους πελάτες. Για παράδειγμα, μειώστε το προσωπικό όταν αναμένεται λιγότεροι πελάτες, vielleicht προσθέστε περισσότερους όταν αναμένεται αύξηση της κίνησης. Επίσης, οι προβλέψεις μας ανά ώρα μας επιτρέπουν να διαχειριστούμε καλύτερα τους διαχειριστές του καταστήματος (π.χ. αναμένουμε μια έξοδο σε αυτή τη στιγμή, έτσι ας έχουμε κάποιους επιπλέον ανθρώπους στην ταμεία). Το άλλο μας προϊόν προβλέπει την ζήτηση προϊόντων για να μειώσει τις ελλείψεις, να εξαλείψει την υπερβολική επένδυση σε αργές κινήσεις προϊόντων, να δοκιμάσει την ζήτηση για νέα προϊόντα και να διαχειριστεί τις μειώσεις γύρω από την αναμενόμενη ζήτηση και την ελαστικότητα τιμής.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστείτε σχετικά με το RetailPredict.ai;

Η προσέγγισή μας είναι μοναδική στην αγορά. Πολύ φθηνά, εύκολα να ενταχθούν σε περίπτωση-ειδικές μοντέλα που δεν απαιτούν εκτεταμένη ενσωμάτωση και μπορούν να αναπτυχθούν γρήγορα. Συνδυάζουμε αυτό με φιλικές προς τον χρήστη πίνακες ελέγχου για εύκολη ερμηνεία δεδομένων. Οι ειδοποιήσεις μπορούν να προγραμματιστούν για να ενημερώσουν τους διαχειριστές για τις μεταβαλλόμενες συνθήκες. Τέλος, η εμπιστοσύνη στα μοντέλα είναι σημαντική, οπότε ενσωματώνουμε eine ποικιλία από μετρικές επιδόσεων.

Ευχαριστώ για τη συνέντευξη. Οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν το RetailPredict.ai.