Steven Keith Platt, Co-Founder & Chief Development Officer of RetailPredict.ai – Seri Wawancara

Steven Keith Platt adalah Direktur dan Fellow Penelitian di Platt Retail Institute (PRI). Ia adalah Profesor Adjunct di Northwestern University dan menjabat sebagai Direktur Penelitian di Retail Analytics Council, sebuah inisiatif antara Medill School, Integrated Marketing Communications Department, Northwestern University, dan PRI.

Ia juga adalah Co-Founder & Chief Development Officer of RetailPredict.ai, sebuah perusahaan yang fokus pada memungkinkan peningkatan pendapatan dan keuntungan yang berkelanjutan dengan menyediakan model prediksi yang ditenagai oleh AI yang mudah diimplementasikan dan dapat diterapkan dengan cepat

Apa yang awalnya menarik Anda untuk Retail AI?

Saya telah bekerja di bidang analitik ritel selama lebih dari 25 tahun. Industri ini selalu memiliki banyak data, tetapi analitik yang diterapkan untuk mempelajari informasi tersebut untuk mengoperasikan bisnis sangat kurang. Kemampuan untuk mengelola big data adalah perubahan besar pertama, dan kemudian ketika AI menjadi lebih mainstream sekitar lima tahun yang lalu, itu adalah kemajuan alami untuk beralih ke metode komputasi yang lebih maju.

Bisakah Anda membagikan cerita asal RetailPredict.ai?

RetailPredict.ai adalah hasil dari pekerjaan laboratorium saya di Northwestern University, di mana saya mengajar kursus AI ritel. Setiap kuartal, kami bekerja dengan sebuah ritel untuk memecahkan masalah bisnis dengan menerapkan solusi AI. Kasus-kasus tersebut membuktikan bahwa ada permintaan yang ada untuk memecahkan masalah-masalah tersebut dan bahwa kami dapat melakukannya dengan menerapkan AI. Jadi, di laboratorium kami menjalankan POC; di RetailPredict.ai, kami mengambil temuan-temuan tersebut, mengindustrikan model-model tersebut, dan memasukkannya ke dalam produksi komersial.

Mengapa Anda memilih untuk fokus pada Retail AI?

Beberapa alasan, termasuk:

Banyak data. Banyak masalah yang dapat diatasi. Setelah melewati para pemimpin (yaitu, Walmart (WMT ), Target, Home Depot), banyak ritel dengan penjualan di bawah $10M tidak memiliki sumber daya untuk mengembangkan solusi in-house dan menghadapi tantangan untuk menemukan bakat untuk membantu. Jadi, kami melihat banyak peluang untuk membantu.

Bagaimana perusahaan dapat memanfaatkan AI dengan efektif di lingkungan ritel?

Keberhasilan memerlukan adopsi/penerimaan di tingkat kepemimpinan. AI dapat memerlukan cara-cara baru bagi perusahaan untuk mencapai tujuan, dan hambatan budaya untuk perubahan dapat menyajikan tantangan. Jadi, sebuah roadmap diperlukan. Juga, pemahaman tentang apa yang dapat dan tidak dapat dilakukan. Terakhir, fokus pada kemenangan jangka pendek untuk membangun kredibilitas, bukan dengan pendekatan “boil-the-ocean”, sangat membantu.

Jenis apa produktivitas yang telah ditingkatkan dengan implementasi AI di ritel?

Rentang solusi sangat tidak terbatas. Dari perkiraan pesanan online hingga rantai pasokan, rentang kasus penggunaan untuk memecahkan masalah sangat luas. Di RetailPredict.ai, fokus awal kami adalah sekitar optimasi tenaga kerja (memperkirakan lalu lintas toko hingga lima minggu sebelumnya) untuk mematchingkan tenaga kerja dengan pelanggan. Misalnya, mengurangi staf ketika lebih sedikit pelanggan yang diharapkan, mungkin menambahkan lebih banyak ketika lalu lintas pelanggan diharapkan meningkatkan konversi. Juga, perkiraan kami setiap jam memungkinkan manajer toko untuk lebih baik mengelola tugas (yaitu, kami mengharapkan kerumunan pada waktu ini, jadi mari kita tambahkan beberapa orang di checkout). Produk lain kami memperkirakan permintaan produk untuk mengurangi kehabisan stok, menghilangkan investasi berlebihan pada produk yang lambat, menguji permintaan untuk produk baru, dan mengelola penurunan harga sekitar permintaan yang diharapkan dan elastisitas harga.

Apakah ada yang ingin Anda bagikan tentang RetailPredict.ai?

Pendekatan kami unik di pasar. Sangat murah, mudah untuk memulai, model yang spesifik untuk kasus penggunaan yang tidak memerlukan integrasi yang luas dan dapat diluncurkan dengan cepat. Kami menggabungkan ini dengan dasbor yang ramah pengguna untuk interpretasi data yang mudah. Peringatan dapat diprogram untuk menginformasikan manajer tentang perubahan kondisi. Terakhir, kepercayaan diri dalam model sangat penting, jadi kami menggabungkan berbagai metrik kinerja.

Terima kasih atas wawancara, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi RetailPredict.ai.