Steven Keith Platt, medgründer og utviklingssjef i RetailPredict.ai – Intervjuserie

Steven Keith Platt er direktør og forskningsstipendiat ved Platt Retail Institute (PRI). Han er adjunkt ved Northwestern University og fungerer som forskningsdirektør ved Retail Analytics Council, et initiativ mellom Medill School, Integrated Marketing Communications Department, Northwestern University og PRI.

Han er også medgründer og utviklingssjef for RetailPredict.ai, et selskap som fokuserer på å muliggjøre bærekraftig inntekts- og resultatforbedring ved å tilby AI-drevne prediksjonsmodeller som er sømløse å implementere og som kan distribueres raskt

Hva tiltrakk deg i utgangspunktet til Retail AI?

Jeg har jobbet med detaljhandelsanalyse i over 25 år. Bransjen hadde alltid mye data, men analysene som ble brukt for å lære av denne enorme mengden informasjon for å operasjonalisere virksomheten, manglet. Evnen til å administrere big data var den første store endringen, og da AI ble mer mainstream for rundt fem år siden, var det en naturlig utvikling å gå over til mer avanserte beregningsmetoder.

Kan du dele opprinnelseshistorien bak RetailPredict.ai?

RetailPredict.ai var et resultat av laboratoriearbeidet mitt ved Northwestern University, hvor jeg underviser i et AI-kurs for detaljhandel. Hvert kvartal jobber vi med en forhandler for å løse et forretningsproblem ved å bruke AI-løsninger. Disse brukstilfellene beviste at det er et eksisterende behov for å løse disse problemene, og at vi kan gjøre dette ved å bruke AI. Så i laboratoriet kjører vi POCs; på RetailPredict.ai tar vi disse funnene, industrialiserer modellene og setter dem i kommersiell produksjon.

Hvorfor valgte du å fokusere på Retail AI?

Ulike årsaker, inkludert:

Mye data. Mange løse problemer. Når du kommer forbi de store (dvs. Walmart, Target, Home Depots), har mange forhandlere med under $10B i salg ikke ressursene til å utvikle løsninger internt og blir utfordret til å finne talentet til å hjelpe. Så vi ser mange muligheter til å hjelpe.

Hvordan kan bedrifter best utnytte AI i et detaljhandelsmiljø?

Suksess krever adopsjon/omfavnelse på ledernivå. AI kan kreve nye måter for bedrifter å oppnå ting, og kulturelle hindringer for endring kan by på utfordringer. Så det kreves et veikart. Også en forståelse av hva den kan og ikke kan gjøre. Til slutt, et fokus på kortsiktige gevinster for å etablere troverdighet, i stedet for en koke-havet-tilnærming, er nyttig.

Hvilken type produktivitetsforbedringer har blitt sett fra implementeringen av AI i detaljhandelen?

Utvalget av løsninger er ganske ubegrenset. Fra online ordreanslag til forsyningskjede, utvalget av brukssaker som skal løses er stort. Hos RetailPredict.ai er vårt første fokus rundt arbeidsoptimalisering (forutsi butikktrafikk i opptil fem uker i forveien) for å bedre matche arbeidskraft med kundene. Reduser for eksempel personalet når færre kunder forventes, kanskje legg til flere når kundetrafikken forventes å øke konverteringen. I tillegg gjør våre timebaserte spådommer det mulig for butikksjefer å bedre oppgavehåndtering (dvs. vi forventer et rush på dette tidspunktet, så la oss ha noen ekstra folk i kassen). Vårt andre produkt forutsier produktetterspørsel for å redusere utsolgt av lager, eliminere overflødig investering i saktegående produkter, teste etterspørsel etter nye produkter og håndtere nedgang rundt forventet etterspørsel og priselastisitet.

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

Vår tilnærming er unik i markedet. Svært rimelige, enkle å bruke case-spesifikke modeller som ikke krever omfattende integrasjon og kan lanseres raskt. Vi kobler dette med brukervennlige dashboards for enkel datatolkning. Varsler kan programmeres for å informere ledere om endrede forhold. Til slutt er tillit til modellene viktig, så vi inkorporerer en rekke ytelsesmålinger.

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