Steven Keith Platt, Co-Fondatore e Direttore dello Sviluppo di RetailPredict.ai – Serie di Interviste

Steven Keith Platt è Direttore e Ricercatore presso il Platt Retail Institute (PRI). È un Professore Aggiunto alla Northwestern University e svolge il ruolo di Direttore della Ricerca presso il Retail Analytics Council, un’iniziativa congiunta tra la Medill School, il Dipartimento di Comunicazioni di Marketing Integrate, la Northwestern University e il PRI.

È anche il Co-Fondatore e Direttore dello Sviluppo di RetailPredict.ai, un’azienda che si concentra sull’abilitazione di un miglioramento sostenibile dei ricavi e dei profitti fornendo modelli di previsione basati sull’intelligenza artificiale che sono facili da implementare e possono essere distribuiti rapidamente.

Cosa ti ha inizialmente attratto verso l’AI nel retail?

Ho lavorato nel settore dell’analisi dei dati retail per oltre 25 anni. L’industria aveva sempre molti dati, ma le analisi applicate per imparare da queste informazioni e ottimizzare l’attività commerciale erano carenti. La capacità di gestire grandi quantità di dati è stata la prima grande modifica e, circa cinque anni fa, l’intelligenza artificiale è diventata più mainstream, quindi è stato un passaggio naturale verso metodi computazionali più avanzati.

Puoi condividere la storia di come è nata RetailPredict.ai?

RetailPredict.ai è il risultato del mio lavoro di laboratorio alla Northwestern University, dove insegno un corso di intelligenza artificiale nel retail. Ogni trimestre lavoriamo con un dettagliante per risolvere un problema aziendale applicando soluzioni basate sull’intelligenza artificiale. Quei casi di studio hanno dimostrato che c’è una domanda esistente per risolvere quei problemi e che possiamo farlo applicando l’intelligenza artificiale. Quindi, nel laboratorio eseguiamo prove di concept; in RetailPredict.ai prendiamo quei risultati, li industrializziamo e li mettiamo in produzione commerciale.

Perché hai scelto di concentrarti sull’AI nel retail?

Per vari motivi, tra cui:

Molti dati. Molti problemi da affrontare. Una volta superati i grandi player (come Walmart (WMT ), Target, Home Depot), molti dettaglianti con vendite inferiori a 10 miliardi di dollari non hanno le risorse per sviluppare soluzioni in-house e fanno fatica a trovare il talento per aiutarli. Quindi, vediamo molte opportunità per aiutare.

Come le aziende possono sfruttare al meglio l’AI in un ambiente retail?

Il successo richiede l’adozione e l’accettazione a livello di leadership. L’AI può richiedere nuovi modi per le aziende di raggiungere i propri obiettivi, e gli ostacoli culturali al cambiamento possono presentare sfide. Quindi, è necessario un piano di lavoro. Inoltre, è fondamentale capire cosa può e non può fare l’AI. Infine, concentrarsi su risultati a breve termine per stabilire credibilità, piuttosto che un approccio “rivoluzionario”, è utile.

Quali miglioramenti della produttività sono stati osservati con l’implementazione dell’AI nel retail?

La gamma di soluzioni è quasi illimitata. Dalle stime degli ordini online alla catena di approvvigionamento, la gamma di casi di studio da risolvere è vasta. In RetailPredict.ai, la nostra attenzione iniziale si concentra sull’ottimizzazione del lavoro (previsione del traffico in negozio fino a cinque settimane in anticipo) per abbinare meglio il lavoro con i clienti. Ad esempio, ridurre il personale quando si prevede un minor numero di clienti, forse aggiungere personale quando si prevede un aumento del traffico dei clienti per aumentare la conversione. Inoltre, le nostre previsioni orarie consentono ai manager di negozio di gestire meglio le attività (ad esempio, ci aspettiamo un affollamento in questo momento, quindi assicuriamoci di avere personale aggiuntivo alla cassa). Il nostro altro prodotto prevede la domanda di prodotti per ridurre gli stock esauriti, eliminare gli investimenti eccessivi in prodotti lenti, testare la domanda per nuovi prodotti e gestire gli sconti attorno alla domanda prevista e all’elasticità dei prezzi.

C’è qualcos’altro che vorresti condividere su RetailPredict.ai?

Il nostro approccio è unico sul mercato. Molto economico, facile da implementare, modelli specifici per ciascun caso d’uso che non richiedono un’integrazione estensiva e possono essere lanciati rapidamente. Abbiamo inoltre dashboard facili da usare per l’interpretazione dei dati. Gli avvisi possono essere programmati per informare i manager sui cambiamenti delle condizioni. Infine, la fiducia nei modelli è importante, quindi incorporiamo una varietà di metriche di performance.

Grazie per l’intervista, i lettori che desiderano saperne di più possono visitare RetailPredict.ai.