Steven Keith Platt, RetailPredict.ai:n perustaja ja kehitysjohtaja – Haastattelusarja

Steven Keith Platt on johtaja ja tutkimusfellow Platt Retail Institute (PRI): ssä. Hän on apulaisprofessori Northwestern-yliopistossa ja toimii tutkimusjohtajana Retail Analytics Councilissa, joka on aloite Medill Schoolin, Integrated Marketing Communications -osaston, Northwestern-yliopiston ja PRI: n välillä.

Hän on myös RetailPredict.ai: n perustaja ja kehitysjohtaja, joka on yritys, joka keskittyy kestävän liikevaihdon ja voiton parantamiseen tarjoamalla helppokäyttöisiä, tekoälypohjaisia ennustemalleja, jotka voidaan ottaa nopeasti käyttöön.

Mikä aluksi kiinnosti sinua Retail AI: ssä?

Olen työskennellyt vähittäiskaupan analytiikassa yli 25 vuotta. Alanalalla on aina ollut paljon dataa, mutta analytiikkaa, jota sovelletaan oppimaan tästä laajasta tietovarannosta ja jota voidaan soveltaa liiketoiminnan operatiiviseen toimintaan, oli puutteellista. Suurten datamäärien hallinta oli ensimmäinen suuri muutos, ja kun tekoäly tuli yleisemmäksi noin viisi vuotta sitten, se oli luonnollinen askel edetä kohti kehittyneempiä laskentamenetelmiä.

Voitko kertoa RetailPredict.ai: n syntytarinan?

RetailPredict.ai oli seuraus laboriotyöstäni Northwestern-yliopistossa, jossa opetan vähittäiskaupan tekoälykurssia. Joka neljännesvuosi työskentelemme jälleenmyyjän kanssa ratkaisemassa liiketoimintaa koskevaa ongelmaa soveltamalla tekoälyratkaisuja. Nämä käyttötapaukset osoittivat, että on olemassa oleva kysyntä näiden ongelmien ratkaisemiseksi, ja voimme tehdä sen soveltamalla tekoälyä. Laboratoriossa suoritamme POC: t; RetailPredict.ai: ssä otamme nämä löydökset, teollistamme mallit ja otamme ne kaupalliseen tuotantoon.

Miksi valitsit keskittyä vähittäiskaupan tekoälyyn?

Useita syitä, mukaan lukien:

Paljon dataa. Paljon ratkaistavia ongelmia. Kun pääset suurten (esim. Walmart (WMT ), Target, Home Depot) ohi, monet vähittäiskaupan yrityksistä, joiden myynti on alle 10 miljardia dollaria, eivät voi kehittää ratkaisuja itse, ja heillä on haasteita löytää kykyjä, jotka voisivat auttaa. Näen siis paljon mahdollisuuksia auttaa.

Miten yritykset voivat parhaiten hyödyntää tekoälyä vähittäiskaupan ympäristössä?

Menestys edellyttää johtajuuden omaksumista. Tekoäly voi vaatia uusia tapoja tehdä asioita, ja kulttuuriset esteet muutokselle voivat aiheuttaa haasteita. Tarvitaan siis tiekartta. Myös ymmärrys siitä, mitä se voi ja mitä ei voi tehdä. Lopulta keskittyminen lyhytaikaisiin voittoihin luotettavuuden vahvistamiseksi on hyödyllistä, eikä sitä tulisi lähestyä “keittokirjan” lähestymistavalla.

Mitä tuottavuuden parannuksia on nähty tekoälyn käytön myötä vähittäiskaupassa?

Ratkaisujen kirjo on melko rajaton. Verkkotilauksen arviointeista huolintaketjuun, ratkaistavia tapauksia on valtava määrä. RetailPredict.ai: ssä keskitymme aluksi työvoiman optimointiin (ennustamalla myymälän liikennettä jopa viisi viikkoa eteenpäin) paremman työvoiman ja asiakkaiden vastaamiseksi. Esimerkiksi vähentämällä henkilöstöä, kun odotetaan vähemmän asiakkaita, ja lisäämällä henkilöstöä, kun asiakasliikenne on odotettavissa lisääntyvän. Myös tunnin ennusteemme mahdollistavat myymäläjohtajien paremman tehtävien hallinnan (esim. odotamme ruuhkaa tiettynä aikana, joten meillä on muutamia ylimääräisiä henkilöstöjä kassalla). Meidän toinen tuotteemme ennustaa tuotteen kysyntää vähentääksesi loppumisia, poistaaksesi ylimääräisen sijoituksen hitaasti liikkuviin tuotteisiin, testataksesi uusien tuotteiden kysyntää ja hallitaksesi alennuksia odotetun kysynnän ja hintajoustavuuden ympärillä.

Onko mitään muuta, mitä haluaisit jakaa RetailPredict.ai: sta?

Lähestymistapamme on ainutlaatuinen markkinoilla. Erittäin edullinen, helppo ottaa käyttöön, tapauskohtaiset mallit, jotka eivät vaadi laajaa integrointia ja voidaan käynnistää nopeasti. Yhdistämme tämän käyttäjäystävällisten kojuinten kanssa helppoa data-analyysiä varten. Hälytykset voidaan ohjelmoida ilmoittamaan johtajille muuttuvista olosuhteista. Lopulta mallien luottamus on tärkeää, joten sisällytämme monia suorituskykymittareita.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla RetailPredict.ai: ssä.