Steven Keith Platt, medgrunnlegger og Chief Development Officer i RetailPredict.ai – Intervju-serie

Steven Keith Platt er direktør og forskningsfellow ved Platt Retail Institute (PRI). Han er også adjunct professor ved Northwestern University og fungerer som forskningsdirektør ved Retail Analytics Council, en initiativ mellom Medill School, Integrated Marketing Communications Department, Northwestern University og PRI.

Han er også medgrunnlegger og Chief Development Officer i RetailPredict.ai, et selskap som fokuserer på å muliggjøre bærekraftig omsetnings- og fortjenesteøkning ved å tilby AI-drevne prediksjonsmodeller som er enkle å implementere og kan deployeres raskt

Hva var det som først tiltalte deg til Retail AI?

Jeg har arbeidet med retail-analytikker i over 25 år. Bransjen har alltid hatt mye data, men analytikken som ble brukt for å lære av denne enorme mengden informasjon for å operasjonalisere forretningen manglet. Evnen til å håndtere store datamengder var den første store endringen, og så, da AI ble mer mainstream for om lag fem år siden, var det en naturlig utvikling å gå over til mer avanserte beregningsmetoder.

Kan du dele historien bak RetailPredict.ai?

RetailPredict.ai var et resultat av mitt laboratoriumsarbeit ved Northwestern University, der jeg underviser i en retail AI-kurs. Hver kvartal arbeider vi med en detaljhandelsbedrift for å løse et forretningsproblem ved å bruke AI-løsninger. Disse use-caseene viste at det finnes en etterspørsel etter å løse disse problemene, og at vi kan gjøre dette ved å bruke AI. Så, i laboratoriet kjører vi POCer; i RetailPredict.ai tar vi disse funnene, industrialiserer modellene og setter dem i kommersiell produksjon.

Hvorfor valgte du å fokusere på Retail AI?

Flere grunner, inkludert:

Mye data. Mange adresserbare problemer. Når du kommer forbi de store aktørene (dvs. Walmart (WMT ), Target, Home Depot), har mange detaljhandelsbedrifter under 10 milliarder dollar i omsetning ikke ressurser til å utvikle løsninger internt, og de har vanskelig for å finne talent til å hjelpe. Så, vi ser mange muligheter til å hjelpe.

Hvordan kan bedrifter best utnytte AI i en detaljhandelsmiljø?

Suksess krever tilpasning/omfattende ledelse. AI kan kreve nye måter for bedrifter å oppnå ting på, og kulturelle hindringer for endring kan presenteres. Så, en veikart er nødvendig. Også, en forståelse av hva det kan og ikke kan gjøre. Til slutt, en fokus på korttidsgevinster for å etablere troverdighet, i stedet for en boil-the-ocean-tilnærming, er nyttig.

Hvilken type produktivitetsforbedring har vært sett fra implementering av AI i detaljhandel?

Rekkevidden av løsninger er ganske ubegrenset. Fra online bestillings估算 til forsyningskjede, rekkevidden av use-cases å løse er stor. I RetailPredict.ai, vår første fokus er rundt arbeidskraftsoptimalisering (forutsi butikktrafikk opptil fem uker i forveien) for å bedre matche arbeidskraft med kunder. For eksempel, redusere staben når færre kunder er forventet, kanskje legge til flere når kundetrafikken forventes å øke konvertering. Også, våre timeforutsigelser muliggjør butikksjefer å bedre håndtere oppgaver (dvs. vi forventer en rushtid på dette tidspunktet, så la oss ha noen ekstra mennesker ved kassen). Vår andre produkt forutsier produktetterspørsel for å redusere utsolgte varer, eliminere overinvestering i langsomt flytende produkter, teste etterspørsel etter nye produkter og håndtere nedjusteringer rundt forventet etterspørsel og priselasticitet.

Er det noe annet du vil dele om RetailPredict.ai?

Vår tilnærming er unik på markedet. Svært billig, enkel å komme i gang med bruksspesifikke modeller som ikke krever omfattende integrasjon og kan lanseres raskt. Vi kobler dette med brukervennlige dashboards for enkel datafortolkning.Varslinger kan programmeres for å informere ledere om endrede forhold. Til slutt, tillit til modellene er viktig, så vi inkorporerer en rekke ytelsesmetrikker.

Takk for intervjuet, lesere som ønsker å lære mer kan besøke RetailPredict.ai.