Entrevistas
Steven Keith Platt, Co-Fundador & Diretor de Desenvolvimento da RetailPredict.ai – Série de Entrevistas
Steven Keith Platt é Diretor e Pesquisador Sênior do Platt Retail Institute (PRI). Ele é Professor Adjunto da Northwestern University e atua como Diretor de Pesquisa do Retail Analytics Council, uma iniciativa entre a Medill School, Departamento de Comunicações de Marketing Integrado, Northwestern University e PRI.
Ele também é Co-Fundador e Diretor de Desenvolvimento da RetailPredict.ai, uma empresa focada em permitir uma melhoria sustentável de receita e lucro, fornecendo modelos de previsão impulsionados por IA que são fáceis de implementar e podem ser implantados rapidamente.
O que o atraiu inicialmente para a IA de Varejo?
Eu tenho trabalhado em análise de varejo por mais de 25 anos. A indústria sempre teve muitos dados, mas as análises aplicadas para aprender com essa vasta quantidade de informações para operacionalizar os negócios estavam faltando. A capacidade de gerenciar grandes dados foi a primeira grande mudança e, em seguida, à medida que a IA se tornou mais mainstream há cerca de cinco anos, foi uma progressão natural para métodos computacionais mais avançados.
Pode compartilhar a história de criação da RetailPredict.ai?
A RetailPredict.ai foi um resultado do meu trabalho de laboratório na Northwestern University, onde eu ensino um curso de IA de varejo. A cada trimestre, trabalhamos com um varejista para resolver um problema de negócios aplicando soluções de IA. Esses casos de uso comprovaram que há uma demanda existente para resolver esses problemas e que podemos fazer isso aplicando IA. Então, no laboratório, executamos POCs; na RetailPredict.ai, pegamos essas descobertas, industrializamos os modelos e os colocamos em produção comercial.
Por que você escolheu se concentrar em IA de Varejo?
Vários motivos, incluindo:
Muitos dados. Muitos problemas endereçáveis. Uma vez que você passa pelos principais (ou seja, Walmart, Target, Home Depots), muitos varejistas com menos de $10 bilhões em vendas não têm os recursos para desenvolver soluções internamente e enfrentam desafios para encontrar o talento para ajudar. Então, vemos muitas oportunidades para ajudar.
Como as empresas podem aproveitar melhor a IA em um ambiente de varejo?
O sucesso requer adoção/aceitação no nível de liderança. A IA pode exigir novas maneiras para as empresas realizarem coisas, e impedimentos culturais para a mudança podem apresentar desafios. Então, um plano de ação é necessário. Além disso, uma compreensão do que ela pode e não pode fazer. Finalmente, um foco em vitórias de curto prazo para estabelecer credibilidade, em vez de uma abordagem “fervura no oceano”, é útil.
Que tipo de melhorias de produtividade foram vistas com a implementação da IA no varejo?
A gama de soluções é praticamente ilimitada. Desde estimativas de pedidos online até cadeia de suprimentos, a gama de casos de uso para resolver é vasta. Na RetailPredict.ai, nosso foco inicial é em otimização de mão de obra (previsão de tráfego de loja por até cinco semanas com antecedência) para melhorar a correspondência entre mão de obra e clientes. Por exemplo, reduzir o pessoal quando menos clientes são antecipados, talvez adicione mais quando o tráfego de clientes é esperado para aumentar a conversão. Além disso, nossas previsões horárias permitem que os gerentes de loja gerenciem tarefas melhor (ou seja, esperamos um aumento nesse momento, então vamos ter algumas pessoas extras no checkout). Nosso outro produto prevê a demanda de produtos para reduzir estoques esgotados, eliminar investimentos excessivos em produtos de movimento lento, testar a demanda por novos produtos e gerenciar descontos em torno da demanda esperada e elasticidade de preços.
Há algo mais que você gostaria de compartilhar sobre a RetailPredict.ai?
Nossa abordagem é única no mercado. Muito barato, fácil de integrar modelos de caso de uso específicos que não exigem integração extensiva e podem ser lançados rapidamente. Acoplamos isso com painéis de controle fáceis de usar para interpretação de dados fácil. Alertas podem ser programados para informar gerentes sobre condições em mudança. Finalmente, a confiança nos modelos é importante, então incorporamos uma variedade de métricas de desempenho.
Obrigado pela entrevista, leitores que desejam aprender mais devem visitar RetailPredict.ai.
