Στίβεν Κιθ Πλάτ, Συνιδρυτής & Διευθυντής Ανάπτυξης της RetailPredict.ai – Σειρά Συνεντεύξεων

Ο Στίβεν Κιθ Πλάττ είναι Διευθυντής και Ερευνητικός Συνεργάτης στο Platt Retail Institute (PRI). Είναι Επίκουρος Καθηγητής στο Πανεπιστήμιο Northwestern και υπηρετεί ως Διευθυντής Έρευνας στο Retail Analytics Council, μια πρωτοβουλία μεταξύ του Medill School, του Τμήματος Ολοκληρωμένων Μαρκετινγκ Επικοινωνιών, του Πανεπιστημίου Northwestern και του PRI.

Είναι επίσης ο Συνιδρυτής & Διευθυντής Ανάπτυξης της RetailPredict.ai, μια εταιρεία που επικεντρώνεται στην ενεργοποίηση της βιώσιμης αύξησης των εσόδων και του κέρδους μέσω της παροχής προτύπων προβλέψεων που βασίζονται σε τεχνητή νοημοσύνη και είναι εύκολη στην εφαρμογή και μπορεί να αναπτυχθεί γρήγορα

Τι σας έκανε να ενδιαφερθείτε αρχικά για την τεχνητή νοημοσύνη στο λιανικό εμπόριο;

Έχω εργαστεί στο λιανικό εμπόριο για πάνω από 25 χρόνια. Η βιομηχανία είχε πάντα πολλά δεδομένα, αλλά η ανάλυση που εφαρμοζόταν για να μάθουμε από αυτές τις πληροφορίες και να λειτουργήσουμε την επιχείρηση ήταν ελλειπής. Η ικανότητα να διαχειριζόμαστε τα μεγάλης κλίμακας δεδομένα 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 μέσα.

Μπορείτε να μοιραστείτε την ιστορία πίσω από την RetailPredict.ai;

Η RetailPredict.ai ήταν ένα αποτέλεσμα του εργαστηριακού μου έργου στο Πανεπιστήμιο Northwestern, όπου διδάσκω ένα μάθημα για την τεχνητή νοημοσύνη στο λιανικό εμπόριο. Κάθε τρίμηνο συνεργαζόμαστε με έναν λιανικό εμπόριο για να λύσουμε ένα επιχειρηματικό πρόβλημα εφαρμόζοντας λύσεις τεχνητής νοημοσύνης. Αυτές οι περιπτώσεις αποδείχθηκαν ότι υπάρχει μια υπάρχουσα ζήτηση για την επίλυση αυτών των προβλημάτων και ότι μπορούμε να το κάνουμε αυτό εφαρμόζοντας λύσεις τεχνητής νοημοσύνης. Έτσι, στο εργαστήριο τρέχουμε πειραματικές μελέτες; στην RetailPredict.ai παίρνουμε τα ευρήματα, βιομηχανοποιούμε τα μοντέλα και τα βάζουμε σε εμπορική παραγωγή.

Γιατί επέλεξατε να επικεντρωθείτε στην τεχνητή νοημοσύνη στο λιανικό εμπόριο;

Πολλές αιτίες, συμπεριλαμβανομένων:

Πολλά δεδομένα. Πολλά προβλήματα που μπορούν να αντιμετωπιστούν. Μόλις περάσετε τους μεγάλους (π.χ. Walmart (WMT ), Target, Home Depot), πολλοί λιανικοί εμπόροι 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 λιανικού εμπορίου;

Η επιτυχία απαιτεί υιοθέτηση/αποδοχή στο επίπεδο της ηγεσίας. Η τεχνητή νοημοσύνη μπορεί να απαιτεί νέους τρόπους για τις εταιρείες να επιτύχουν πράγματα, και πολιτιστικές εμπόδια για την αλλαγή μπορούν να παρουσιάσουν προκλήσεις. Έτσι, ένας χάρτης οδικής μετοχής απαιτείται. Επίσης, μια κατανόηση του τι μπορεί και τι δεν μπορεί να κάνει. Τέλος, ένας επικεντρωμένος σε βραχυπρόθεσμες νίκες για να καθορίσει αξιοπιστία, αντί για μια προσέγγιση “βράσιμο του ωκεανού”, είναι χρήσιμη.

Τι είδους βελτιώσεις της παραγωγικότητας έχουν παρατηρηθεί από την εφαρμογή της τεχνητής νοημοσύνης στο λιανικό εμπόριο;

Το εύρος των λύσεων είναι σχεδόν απεριόριστο. Από τις εκτιμήσεις των διαδικτυακών παραγγελιών μέχρι την αλυσίδα εφοδιασμού, το εύρος των περιπτώσεων που πρέπει να λυθούν είναι τεράστιο. Στην RetailPredict.ai, η αρχική μας εστίαση είναι γύρω από την βελτιστοποίηση της εργασίας (προβλέποντας την κίνηση του καταστήματος για έως και πέντε εβδομάδες вперед) για να ταιριάξουμε καλύτερα την εργασία με τους πελάτες. Για παράδειγμα, να μειώσουμε το προσωπικό όταν λιγότεροι πελάτες προβλέπονται, vielleicht να προσθέσουμε περισσότερους όταν η κίνηση των πελατών αναμένεται να αυξηθεί τη μετατροπή. Επίσης, οι προβλέψεις μας ανά ώρα μας επιτρέπουν στους διευθυντές των καταστημάτων να διαχειριστούν καλύτερα τις εργασίες (π.χ. περιμένουμε μια έξοδο σε αυτό το χρόνο, έτσι ας έχουμε μερικούς επιπλέον ανθρώπους στη ταμεία). Το άλλο μας προϊόν προβλέπει την ζήτηση προϊόντων για να μειώσει τα εξαντλήματα, να εξαλείψει την υπερβολική επένδυση σε αργές κινήσεις προϊόντων, να δοκιμάσει τη ζήτηση για νέα προϊόντα και να διαχειριστεί τις μείωσεις γύρω από την αναμενόμενη ζήτηση και την ελαστικότητα τιμής.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστεί σχετικά με την RetailPredict.ai;

Η προσέγγισή μας είναι μοναδική στην αγορά. Πολύ φθηνή, εύκολη να ενταχθεί σε περίπτωση-ειδικές μοντέλα που δεν απαιτούν εκτεταμένη ολοκλήρωση και μπορεί να αναπτυχθεί γρήγορα. Συνδυάζουμε αυτό με φιλικές προς το χρήστη πίνακες ελέγχου για εύκολη ερμηνεία των δεδομένων. Οι ειδοποιήσεις μπορούν να προγραμματιστούν για να ενημερώσουν τους διευθυντές για τις αλλαγές των συνθηκών. Τέλος, η εμπιστοσύνη στα μοντέλα είναι σημαντική, έτσι ενσωματώνουμε μια ποικιλία μετρικών απόδοσης.

Ευχαριστώ για τη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα μπορούν να επισκεφθούν την RetailPredict.ai.