Steven Keith Platt, Współzałożyciel i Dyrektor Rozwoju RetailPredict.ai – Wywiad

Steven Keith Platt jest Dyrektorem i Fellowem Badawczym w Platt Retail Institute (PRI). Jest również profesorem nadzwyczajnym na Northwestern University i pełni funkcję Dyrektora Badań w Retail Analytics Council, inicjatywie pomiędzy Medill School, Integrated Marketing Communications Department, Northwestern University i PRI.

Jest również Współzałożycielem i Dyrektorem Rozwoju RetailPredict.ai, firmy zajmującej się umożliwieniem zrównoważonego wzrostu przychodu i zysku poprzez dostarczanie modeli predykcyjnych opartych na sztucznej inteligencji, które są łatwe w wdrożeniu i mogą być wdrożone szybko.

Czym było to, co pierwotnie przyciągnęło Cię do Retail AI?

Pracuję w dziedzinie analityki detalicznej od ponad 25 lat. Branża zawsze miała wiele danych, ale analityka stosowana do nauki z tej ogromnej ilości informacji i operacjonalizacji biznesu była niewystarczająca. Możliwość zarządzania dużymi danymi była pierwszą dużą zmianą, a gdy sztuczna inteligencja stała się bardziej powszechna około pięć lat temu, było to naturalne przejście do bardziej zaawansowanych metod obliczeniowych.

Czy mógłbyś podzielić się historią powstania RetailPredict.ai?

RetailPredict.ai było wynikiem mojej pracy laboratoryjnej na Northwestern University, gdzie prowadzę kurs sztucznej inteligencji w handlu detalicznym. Każdego kwartału pracujemy z detalistą, aby rozwiązać problem biznesowy za pomocą rozwiązań opartych na sztucznej inteligencji. Te studia przypadku udowodniły, że istnieje popyt na rozwiązanie tych problemów i że możemy to zrobić, stosując sztuczną inteligencję. Więc w laboratorium prowadzimy testy; w RetailPredict.ai bierzemy te wyniki, industrializujemy modele i wprowadzamy je do produkcji komercyjnej.

Dlaczego zdecydowałeś się skupić na Retail AI?

Z różnych powodów, w tym:

Wiele danych. Wiele problemów do rozwiązania. Gdy już przekroczymy dużych graczy (tj. Walmart (WMT ), Target, Home Depot), wielu detalistów z obrotem poniżej 10 miliardów dolarów nie ma zasobów, aby rozwijać rozwiązania we własnym zakresie, i mają trudności z znalezieniem talentów, które mogą im pomóc. Więc widzimy wiele możliwości, aby pomóc.

Jak firmy mogą najlepiej wykorzystać sztuczną inteligencję w środowisku detalicznym?

Sukces wymaga przyjęcia/przyjęcia na poziomie kierownictwa. Sztuczna inteligencja może wymagać nowych sposobów, w jaki firmy osiągają cele, a kulturowe przeszkody w zmianie mogą stanowić wyzwanie. Więc potrzebny jest plan. Również zrozumienie, co może i nie może zrobić. Wreszcie, koncentracja na krótkoterminowych zwycięstwach, aby ustanowić wiarygodność, zamiast podejścia “gotuj ocean”, jest pomocna.

Jakie rodzaje usprawnień produktywności zostały zaobserwowane po wdrożeniu sztucznej inteligencji w handlu detalicznym?

Zakres rozwiązań jest bardzo nieograniczony. Od szacunków zamówień online do łańcucha dostaw, zakres przypadków do rozwiązania jest ogromny. W RetailPredict.ai nasz początkowy focus jest wokół optymalizacji pracy (przewidywanie ruchu sklepowego do pięciu tygodni do przodu), aby lepiej dopasować pracę do klientów. Na przykład, zmniejszyć personel, gdy oczekuje się mniej klientów, a może dodać więcej, gdy ruch klientów jest spodziewany, aby zwiększyć konwersję. Ponadto, nasze godzinowe prognozy umożliwiają menedżerom sklepów lepsze zarządzanie zadaniami (tj. oczekujemy napływu w tym czasie, więc miejmy kilka dodatkowych osób przy kasie). Nasz inny produkt przewiduje popyt na produkty, aby zmniejszyć braki w magazynie, wyeliminować nadmiar inwestycji w wolno sprzedawane produkty, przetestować popyt na nowe produkty i zarządzać marżami wokół oczekiwanego popytu i elastyczności cenowej.

Czy jest coś jeszcze, co chciałbyś podzielić się o RetailPredict.ai?

Nasze podejście jest unikalne na rynku. Bardzo tanie, łatwe w wdrożeniu przypadki użycia określonych modeli, które nie wymagają rozległej integracji i mogą być uruchomione szybko. Łączymy to z przyjaznymi dla użytkownika dashboardami do łatwej interpretacji danych. Alerty mogą być zaprogramowane, aby poinformować menedżerów o zmieniających się warunkach. Wreszcie, zaufanie do modeli jest ważne, więc włączamy różne wskaźniki wydajności.

Dziękuję za wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić RetailPredict.ai.