Steven Keith Platt, mede-oprichter en Chief Development Officer van RetailPredict.ai – Interviewreeks

Steven Keith Platt is directeur en onderzoeker bij het Platt Retail Institute (PRI). Hij is een adjunct-professor aan de Northwestern University en fungeert als onderzoeksdirecteur bij de Retail Analytics Council, een initiatief van de Medill School, Integrated Marketing Communications Department, Northwestern University en PRI.

Hij is ook de mede-oprichter en Chief Development Officer van RetailPredict.ai, een bedrijf dat zich richt op het mogelijk maken van duurzame omzet- en winstverbetering door het bieden van AI-gepowered voorspellingsmodellen die eenvoudig te implementeren zijn en snel kunnen worden ingezet

Wat trok je aanvankelijk aan bij Retail AI?

Ik werk al meer dan 25 jaar in de retailanalyse. De industrie had altijd veel data, maar de analysemethode om van deze enorme hoeveelheid informatie te leren en het bedrijf te operationaliseren, ontbrak. Het beheer van big data was de eerste grote verandering en toen AI ongeveer vijf jaar geleden mainstream werd, was het een logische stap om over te stappen op geavanceerdere berekeningsmethoden.

Kunt u het verhaal achter RetailPredict.ai delen?

RetailPredict.ai was een uitvloeisel van mijn laboratoriumwerk aan de Northwestern University, waar ik een cursus retail AI geef. Elk kwartaal werken we met een retailer samen om een bedrijfsprobleem op te lossen door AI-oplossingen toe te passen. Die use cases bewezen dat er een bestaande vraag is om die problemen op te lossen en dat we dit kunnen doen door AI toe te passen. Dus, in het lab voeren we POC’s uit; bij RetailPredict.ai nemen we die resultaten, industrialiseren we de modellen en brengen we ze in commerciële productie.

Waarom koos je ervoor om je te focussen op Retail AI?

Verschillende redenen, waaronder:

Veel data. Veel aanpakbare problemen. Zodra je voorbij de grote spelers (bijv. Walmart (WMT ), Target, de Home Depots) bent, hebben veel retailers met een omzet onder de 10 miljard dollar geen middelen om oplossingen in-house te ontwikkelen en hebben ze moeite om het benodigde talent te vinden. Dus, we zien veel kansen om te helpen.

Hoe kunnen bedrijven AI het beste in een retailomgeving gebruiken?

Succes vereist adoptie op het niveau van het leiderschap. AI kan nieuwe manieren vereisen voor bedrijven om dingen te doen, en culturele belemmeringen voor verandering kunnen uitdagingen opleveren. Dus, een roadmap is vereist. Ook een begrip van wat het kan en niet kan doen. Tenslotte is een focus op korte-termijnwinsten om geloofwaardigheid te vestigen, in plaats van een aanpak waarbij alles tegelijk wordt gedaan, behulpzaam.

Welke soort productiviteitsverbeteringen zijn er gezien door de implementatie van AI in de retail?

Het bereik van oplossingen is vrijwel onbeperkt. Van online bestellingsschattingen tot supply chain, het bereik van use cases om op te lossen is enorm. Bij RetailPredict.ai ligt onze eerste focus op laboratoriumoptimalisatie (het voorspellen van winkelverkeer tot vijf weken van tevoren) om beter overeen te komen met de arbeid en de klanten. Bijvoorbeeld, vermindering van het personeel wanneer minder klanten worden verwacht, misschien meer toevoegen wanneer de klantverkeer wordt verwacht om te toenemen. Bovendien maken onze uurvoorspellingen het mogelijk voor winkelmanagers om beter taken te beheren (bijv. we verwachten een drukte op dit tijdstip, dus laten we wat extra mensen bij de kassa hebben). Ons andere product voorspelt productvraag om uitverkopen te verminderen, overtollige investeringen in langzaam verkoopende producten te elimineren, vraag naar nieuwe producten te testen en markdowns rond verwachte vraag en prijselasticiteit te beheren.

Is er nog iets anders dat u over RetailPredict.ai wilt delen?

Onze aanpak is uniek in de markt. Zeer goedkoop, eenvoudig te onboarden, use case-specifieke modellen die geen uitgebreide integratie vereisen en snel kunnen worden gelanceerd. We combineren dit met gebruikersvriendelijke dashboards voor eenvoudige gegevensinterpretatie. Alerts kunnen worden geprogrammeerd om managers te informeren over veranderende omstandigheden. Tenslotte is vertrouwen in de modellen belangrijk, dus we incorporeren een verscheidenheid aan prestatieparameters.

Bedankt voor het interview, lezers die meer willen leren, kunnen RetailPredict.ai bezoeken.