Steven Keith Platt, medgrundare och Chief Development Officer på RetailPredict.ai – Intervju-serie

Steven Keith Platt är direktör och forskningsfellow vid Platt Retail Institute (PRI). Han är adjunktprofessor vid Northwestern University och tjänstgör som forskningsdirektör vid Retail Analytics Council, en satsning mellan Medill School, Integrated Marketing Communications Department, Northwestern University och PRI.

Han är också medgrundare och Chief Development Officer på RetailPredict.ai, ett företag som fokuserar på att möjliggöra hållbar intäkts- och vinstförbättring genom att tillhandahålla AI-drivna förutsägelsemodeller som är lätta att implementera och kan distribueras snabbt

Vad var det som initialt drog dig till Retail AI?

Jag har arbetat med retail-analytik i över 25 år. Branschen har alltid haft mycket data, men analytikerna som tillämpades för att lära av denna stora mängd information för att operationalisera verksamheten saknades. Förmågan att hantera stora mängder data var den första stora förändringen och sedan AI blev mer mainstream för cirka fem år sedan, var det en naturlig utveckling att gå vidare till mer avancerade beräkningsmetoder.

Kan du dela med dig av ursprunget till RetailPredict.ai?

RetailPredict.ai var ett resultat av mitt laboratoriearbete vid Northwestern University, där jag undervisar en retail AI-kurs. Varje kvartal arbetar vi med en detaljhandlare för att lösa ett affärsproblem genom att tillämpa AI-lösningar. Dessa användningsfall visade att det finns en befintlig efterfrågan på att lösa dessa problem och att vi kan göra detta genom att tillämpa AI. Så i laboratoriet kör vi POC; på RetailPredict.ai tar vi dessa resultat, industrialiserar modellerna och sätter dem i kommersiell produktion.

Varför valde du att fokusera på Retail AI?

Av olika skäl, inklusive:

Många data. Många hanterbara frågor. När man går förbi de stora (t.ex. Walmart (WMT ), Target, Home Depot), har många detaljhandlare med under 10 miljarder dollar i försäljning inte de resurser som behövs för att utveckla lösningar internt och har svårt att hitta talanger som kan hjälpa. Så vi ser många möjligheter att hjälpa.

Hur kan företag bäst utnyttja AI i en detaljhandelsmiljö?

Lyckade kräver antagande/acceptans på ledningsnivå. AI kan kräva nya sätt för företag att åstadkomma saker, och kulturella hinder för förändring kan presentera utmaningar. Så en vägkarta krävs. Dessutom krävs en förståelse för vad det kan och inte kan göra. Slutligen är en fokus på korta vinsterna för att etablera trovärdighet, snarare än en boil-the-ocean-ansats, hjälpsam.

Vilken typ av produktivitetsförbättringar har setts från implementeringen av AI i detaljhandeln?

Omfattningen av lösningar är ganska obegränsad. Från onlinebeställningar till leveranskedja, är omfattningen av användningsfall för att lösa mycket stor. På RetailPredict.ai är vår initiala fokus runt arbetsoptimering (förutsäga butikstrafik upp till fem veckor i förväg) för att bättre matcha arbete med kunder. Till exempel, minska personalen när färre kunder förväntas, kanske lägga till fler när kundtrafiken förväntas öka konvertering. Dessutom möjliggör våra timvisa förutsägelser att butikschefer bättre hanterar uppgifter (t.ex. vi förväntar oss en rusning vid den här tiden, så låt oss ha några extra personer vid kassan). Vår andra produkt förutsäger produktbehov för att minska slut på lager, eliminera överskottsinvesteringar i långsamma produkter, testa efterfrågan på nya produkter och hantera rabatter runt förväntad efterfrågan och priselasticitet.

Finns det något annat du vill dela om RetailPredict.ai?

Vår ansats är unik på marknaden. Mycket billigt, lätt att komma igång med användningsfallsspecifika modeller som inte kräver omfattande integration och kan lanseras snabbt. Vi kopplar detta med användarvänliga instrumentpaneler för enkel data tolkning. Varningar kan programmeras för att informera chefer om förändrade förhållanden. Slutligen är förtroende för modellerna viktigt, så vi införlivar en mängd prestandamått.

Tack för intervjun, läsare som vill lära sig mer kan besöka RetailPredict.ai.