Steven Keith Platt, Co-Fondateur et Directeur du Développement de RetailPredict.ai – Série d’entretiens

Steven Keith Platt est directeur et chercheur au Platt Retail Institute (PRI). Il est professeur adjoint à l’Université Northwestern et sert en tant que directeur de la recherche au Retail Analytics Council, une initiative entre l’école Medill, le département des communications de marketing intégrées, l’Université Northwestern et le PRI.

Il est également co-fondateur et directeur du développement de RetailPredict.ai, une entreprise axée sur la mise en œuvre de modèles de prédiction alimentés par l’IA qui peuvent être déployés rapidement et sont faciles à mettre en œuvre pour permettre une amélioration durable des revenus et des bénéfices.

Qu’est-ce qui vous a initialement attiré vers l’IA de détail ?

J’ai travaillé dans l’analyse de détail pendant plus de 25 ans. L’industrie disposait toujours de beaucoup de données, mais les analyses appliquées pour apprendre de ces informations pour opérationnaliser l’entreprise étaient insuffisantes. La capacité à gérer les grandes données a été le premier grand changement, puis, il y a environ cinq ans, l’IA est devenue plus mainstream, il était naturel de passer à des méthodes de calcul plus avancées.

Pouvez-vous partager l’histoire de la création de RetailPredict.ai ?

RetailPredict.ai est issu de mes travaux de laboratoire à l’Université Northwestern, où j’enseigne un cours sur l’IA de détail. Chaque trimestre, nous travaillons avec un détaillant pour résoudre un problème commercial en appliquant des solutions d’IA. Ces cas d’utilisation ont prouvé qu’il existe une demande existante pour résoudre ces problèmes et que nous pouvons le faire en appliquant l’IA. Dans le laboratoire, nous exécutons des preuves de concept ; à RetailPredict.ai, nous prenons ces résultats, les industrialisons et les mettons en production commerciale.

Pourquoi avez-vous choisi de vous concentrer sur l’IA de détail ?

Il y a plusieurs raisons, notamment :

Beaucoup de données. Beaucoup de problèmes à résoudre. Une fois que l’on dépasse les grandes entreprises (comme Walmart (WMT ), Target, Home Depot), de nombreux détaillants avec des ventes inférieures à 10 milliards de dollars n’ont pas les ressources pour développer des solutions en interne et ont du mal à trouver les talents pour les aider. Nous voyons donc beaucoup d’opportunités pour aider.

Comment les entreprises peuvent-elles tirer le meilleur parti de l’IA dans un environnement de détail ?

Le succès nécessite une adoption et une acceptation au niveau de la direction. L’IA peut nécessiter de nouvelles façons pour les entreprises de faire les choses, et les obstacles culturels au changement peuvent présenter des défis. Il faut donc une feuille de route. De plus, une compréhension de ce qu’elle peut et ne peut pas faire. Enfin, une focalisation sur les gains à court terme pour établir la crédibilité, plutôt qu’une approche « bouillir l’océan », est utile.

Quels types d’améliorations de productivité ont été constatés suite à la mise en œuvre de l’IA dans le détail ?

La gamme de solutions est pratiquement illimitée. Des estimations de commandes en ligne à la chaîne d’approvisionnement, la gamme de cas d’utilisation à résoudre est vaste. Chez RetailPredict.ai, notre objectif initial est l’optimisation de la main-d’œuvre (prévision du trafic dans les magasins jusqu’à cinq semaines à l’avance) pour mieux faire correspondre la main-d’œuvre avec les clients. Par exemple, réduire le personnel lorsque moins de clients sont attendus, peut-être ajouter plus de personnel lorsque le trafic client est susceptible d’augmenter la conversion. De plus, nos prévisions horaires permettent aux gestionnaires de magasin de mieux gérer les tâches (par exemple, nous prévoyons un afflux à ce moment-là, nous allons donc avoir quelques personnes supplémentaires à la caisse). Notre autre produit prédit la demande de produits pour réduire les ruptures de stock, éliminer les investissements excessifs dans les produits à rotation lente, tester la demande pour les nouveaux produits et gérer les remises autour de la demande et de l’élasticité des prix.

Y a-t-il autre chose que vous aimeriez partager sur RetailPredict.ai ?

<p Notre approche est unique sur le marché. Très peu coûteux, facile à intégrer des modèles spécifiques à l'utilisation qui ne nécessitent pas d'intégration extensive et peuvent être lancés rapidement. Nous couplons cela avec des tableaux de bord conviviaux pour une interprétation facile des données. Les alertes peuvent être programmées pour informer les gestionnaires des changements de conditions. Enfin, la confiance dans les modèles est importante, nous incorporons donc une variété de métriques de performance.

Je vous remercie pour l’entretien, les lecteurs qui souhaitent en savoir plus peuvent visiter RetailPredict.ai.