Steven Keith Platt, Co-Fundador y Director de Desarrollo de RetailPredict.ai – Serie de Entrevistas

Steven Keith Platt es Director y Fellow de Investigación en el Instituto de Retail Platt (PRI). Es Profesor Adjunto en la Universidad Northwestern y se desempeña como Director de Investigación en el Consejo de Análisis de Retail, una iniciativa entre la Escuela Medill, el Departamento de Comunicaciones de Marketing Integrado, la Universidad Northwestern y el PRI.

También es Co-Fundador y Director de Desarrollo de RetailPredict.ai, una empresa enfocada en permitir una mejora sostenible de los ingresos y las ganancias al proporcionar modelos de predicción impulsados por inteligencia artificial que son fáciles de implementar y pueden ser desplegados rápidamente

¿Qué te atrajo inicialmente a la inteligencia artificial para el retail?

He estado trabajando en análisis de retail durante más de 25 años. La industria siempre ha tenido mucha información, pero los análisis que se aplicaban para aprender de esta gran cantidad de información y operacionalizar el negocio eran insuficientes. La capacidad de gestionar grandes cantidades de datos fue el primer gran cambio y, a medida que la inteligencia artificial se volvió más mainstream hace unos cinco años, fue una progresión natural hacia métodos computacionales más avanzados.

¿Puedes compartir la historia detrás de RetailPredict.ai?

RetailPredict.ai fue el resultado de mi trabajo en el laboratorio de la Universidad Northwestern, donde enseño un curso de inteligencia artificial para el retail. Cada trimestre, trabajamos con un minorista para resolver un problema empresarial aplicando soluciones de inteligencia artificial. Esos casos de estudio demostraron que hay una demanda existente para resolver esos problemas y que podemos hacerlo aplicando inteligencia artificial. Así que, en el laboratorio, realizamos pruebas de concepto; en RetailPredict.ai, tomamos esos hallazgos, los industrializamos y los llevamos a la producción comercial.

¿Por qué decidiste enfocarte en la inteligencia artificial para el retail?

Por varias razones, incluyendo:

Mucha información. Muchos problemas que abordar. Una vez que se pasa de los principales minoristas (como Walmart (WMT ), Target, Home Depot), muchos minoristas con menos de $10 mil millones en ventas no tienen los recursos para desarrollar soluciones en casa y se enfrentan a desafíos para encontrar el talento que los ayude. Así que, vemos muchas oportunidades para ayudar.

¿Cómo pueden las empresas aprovechar mejor la inteligencia artificial en un entorno de retail?

El éxito requiere adopción y aceptación a nivel de liderazgo. La inteligencia artificial puede requerir nuevas formas para que las empresas logren cosas, y los impedimentos culturales para el cambio pueden presentar desafíos. Así que, se necesita una hoja de ruta. También, una comprensión de lo que puede y no puede hacer. Finalmente, un enfoque en victorias a corto plazo para establecer credibilidad, en lugar de un enfoque de “hervir el océano”, es útil.

¿Qué tipo de mejoras en la productividad se han visto con la implementación de la inteligencia artificial en el retail?

La gama de soluciones es prácticamente ilimitada. Desde estimaciones de pedidos en línea hasta la cadena de suministro, la gama de casos de uso para resolver es vasta. En RetailPredict.ai, nuestro enfoque inicial está en la optimización laboral (predecir el tráfico de la tienda con hasta cinco semanas de antelación) para mejorar la coincidencia entre el personal y los clientes. Por ejemplo, reducir el personal cuando se anticipan menos clientes, tal vez agregar más cuando se espera un aumento en el tráfico de clientes para aumentar la conversión. Además, nuestras predicciones horarias permiten a los gerentes de tienda gestionar mejor las tareas (por ejemplo, esperamos un aumento en este momento, así que tengamos algunos empleados adicionales en la caja). Nuestro otro producto predice la demanda de productos para reducir los agotamientos, eliminar la inversión excesiva en productos de movimiento lento, probar la demanda de nuevos productos y gestionar los descuentos en torno a la demanda esperada y la elasticidad de los precios.

¿Hay algo más que te gustaría compartir sobre RetailPredict.ai?

Nuestro enfoque es único en el mercado. Muy económico, fácil de integrar, modelos específicos de caso de uso que no requieren una integración extensa y pueden lanzarse rápidamente. Esto lo combinamos con paneles de control fáciles de usar para la interpretación de datos. Las alertas se pueden programar para informar a los gerentes sobre condiciones cambiantes. Finalmente, la confianza en los modelos es importante, así que incorporamos una variedad de métricas de desempeño.

Gracias por la entrevista, los lectores que deseen aprender más pueden visitar RetailPredict.ai.