์ธํฐ๋ทฐ
์คํฐ๋ธ ํค์ค ํ๋ซ, RetailPredict.ai์ ๊ณต๋ ์ฐฝ๋ฆฝ์ ๋ฐ ์ต๊ณ ๊ฐ๋ฐ ์ฑ ์์ – ์ธํฐ๋ทฐ ์๋ฆฌ์ฆ
스티븐 키스 플랫은 Platt Retail Institute (PRI)의 디렉터이자 연구 펠로우입니다. 그는 Northwestern University에서 부교수이며, Medill School, Integrated Marketing Communications Department, Northwestern University와 PRI 간의 협력인 Retail Analytics Council의 연구 책임자로도 활동합니다.
그는 또한 RetailPredict.ai의 공동 창립자 및 최고 개발 책임자로, AI 기반 예측 모델을 제공하여 지속 가능한 수익과 이익 개선을 가능하게 하는 회사입니다. 이러한 모델은 구현이 용이하고 빠르게 배포할 수 있습니다.
您最初为什么被零售AI所吸引？
저는 25년 이상零售 애널리틱스 분야에서 일했습니다. 산업은 항상 많은 데이터를 가지고 있었지만, 비즈니스 운영을 위해 이러한 방대한 정보에서 배우기 위한 애널리틱스가 부족했습니다. 빅 데이터를 관리하는 능력은 첫 번째 주요 변화였으며, 이후 약 5년 전 AI가 주류가 되면서 더 발전된 계산 방법으로 이동하는 것이 자연스러운 진행이었습니다.
零售 예측.ai의 기원 이야기를 공유해 주시겠습니까？
零售 예측.ai는 Northwestern University에서 제가 가르치는 零售 AI 과정을 통해 탄생했습니다. 매 분기마다 우리는 한 개의 소매업체와 함께 비즈니스 문제를 해결하기 위해 AI 솔루션을 적용합니다. 이러한 사용 사례는 이러한 문제를 해결하기 위한 수요가 존재하며, AI를 적용하여 이를 달성할 수 있음을 입증했습니다. 따라서 실험실에서 우리는 POCs를 실행하며, 零售 예측.ai에서는 이러한 발견을 산업화하고 상업적 생산으로 전환합니다.
您为什么选择专注于零售AI？
여러 가지 이유가 있습니다.
많은 데이터, 많은 해결할 수 있는 문제가 있습니다. 주요 소매업체를 넘어선 후, 100억 달러 미만의 매출을 기록하는 많은 소매업체는 내부적으로 솔루션을 개발할 수 있는 자원이 부족하며, 이를 도와줄 수 있는 인재를 찾는 데 어려움을 겪습니다. 따라서 우리는 많은 기회를 보입니다.
企業如何在零售 환경에서 AI를 최대한 활용할 수 있습니까？
성공에는 리더십 수준에서의 채택 및 수용이 필요합니다. AI는 公司이 일들을 수행하는 새로운 방식을 요구할 수 있으며, 변화에 대한 문화적 장벽이 도전이 될 수 있습니다. 따라서 로드맵이 필요합니다. 또한 AI가 무엇을 할 수 있고 무엇을 할 수 없는지에 대한 이해가 필요합니다. 마지막으로, 신뢰를建立하기 위한 단기적인 승리에는 보일-the-오션 접근 방식보다 집중하는 것이 유용합니다.
零售 환경에서 AI를 구현한 결과 생산성 향상은 무엇입니까？
해결할 수 있는 사례의 범위는 거의 무한대입니다. 온라인 주문 추정에서 공급망까지, 해결할 수 있는 사례의 범위는 광대합니다. 零售 예측.ai에서는 초기에 노동 최적화(최대 5주간의 매장 트래픽 예측)에 중점을 두고 있으며, 이를 통해 노동력을 고객과 더 잘 일치시킬 수 있습니다. 예를 들어, 예상 고객이 적을 때 직원을 줄이고, 고객 트래픽이 증가할 것으로 예상될 때 더 많은 직원을 추가할 수 있습니다. 또한 매시간 예측을 통해 매장 관리자가 작업을 더 잘 관리할 수 있습니다(예: 이 시간에 러시가 예상되므로 체크아웃에 더 많은 사람들을 둡니다). 우리의 다른 제품은 제품 수요를 예측하여 재고 부족을 줄이고, 느린 이동 제품에 대한 과도한 투자를 제거하며, 새로운 제품에 대한 수요를 테스트하고, 예상 수요 및 가격 탄력성에 따라 마크다운을 관리합니다.
零售 예측.ai에 대해 더 공유하고 싶은 내용이 있습니까？
우리의 접근 방식은 시장에서 독특합니다. 매우 저렴하고, 구현이 용이하며, 광범위한 통합이 필요하지 않으며, 빠르게 시작할 수 있는 사용 사례별 모델입니다. 우리는 이를 사용자 친화적인 대시보드와 함께 제공하여 데이터 해석을 쉽게 할 수 있습니다. 관리자에게 변경 조건을 알리는 알림을 프로그래밍할 수 있습니다. 마지막으로, 모델에 대한 信頼이 중요하므로, 우리는 다양한 성능 지표를 통합합니다.
인터뷰 감사합니다. 더 많은 정보를 배우고 싶은 독자는 零售 예측.ai를 방문하십시오.
