สัมภาษณ์
Steven Keith Platt, Co-Founder & Chief Development Officer of RetailPredict.ai – Interview Series
Steven Keith Platt เป็น Director และ Research Fellow ที่ Platt Retail Institute (PRI) เขาเป็น Adjunct Professor ที่ Northwestern University และดำรงตำแหน่ง Research Director ที่ Retail Analytics Council ซึ่งเป็นโครงการร่วมระหว่าง Medill School, Integrated Marketing Communications Department, Northwestern University และ PRI
เขายังเป็น Co-Founder & Chief Development Officer ของ RetailPredict.ai ซึ่งเป็นบริษัทที่มุ่งเน้นในการเพิ่มรายได้และกำไรอย่างยั่งยืนโดยการให้บริการแบบจำลองการคาดการณ์ที่ใช้ AI ซึ่งสามารถนำไปใช้ได้อย่างราบรื่นและสามารถใช้งานได้อย่างรวดเร็ว
สิ่งใดที่ดึงดูดคุณเข้าสู่ Retail AI ในตอนแรก?
ฉันทำงานในด้านการวิเคราะห์ข้อมูลค้าปลีกมาเกิน 25 ปี อุตสาหกรรมนี้มีข้อมูลมากมาย แต่วิธีการวิเคราะห์ข้อมูลเพื่อเรียนรู้และนำไปใช้ในการดำเนินธุรกิจยังไม่เพียงพอ ความสามารถในการจัดการข้อมูลขนาดใหญ่เป็นการเปลี่ยนแปลงครั้งแรก และเมื่อ AI กลายเป็นที่นิยมเมื่อประมาณ 5 ปีที่แล้ว เป็นการเปลี่ยนแปลงตามธรรมชาติในการใช้วิธีการคำนวณที่ทันสมัย
คุณสามารถแบ่งปันเรื่องราวเกี่ยวกับการก่อตั้ง RetailPredict.ai ได้หรือไม่?
RetailPredict.ai เป็นผลมาจากการทำงานในห้องปฏิบัติการที่ Northwestern University ซึ่งฉันสอนคอร์ส Retail AI ทุกๆ ไตรมาส เราจะทำงานร่วมกับร้านค้าปลีกเพื่อแก้ปัญหาธุรกิจโดยใช้โซลูชัน AI กรณีศึกษาที่เราได้พิสูจน์แล้วว่ามีความต้องการที่จะแก้ปัญหาเหล่านี้และเราสามารถทำได้โดยใช้ AI ในห้องปฏิบัติการ เราจะทดสอบ POCs และที่ RetailPredict.ai เราจะนำผลการวิจัยเหล่านั้นมาใช้ในการผลิตเชิงพาณิชย์
ทำไมคุณถึงเลือกมุ่งเน้นไปที่ Retail AI?
มีหลายเหตุผล รวมถึง:
มีข้อมูลมากมาย มีปัญหาหลายอย่างที่สามารถแก้ไขได้ เมื่อผ่านพ้นไปจากผู้เล่นหลักๆ (เช่น Walmart, Target, Home Depot) ผู้ค้าปลีกหลายรายที่มีรายได้น้อยกว่า 10 พันล้านดอลลาร์ไม่มีทรัพยากรในการพัฒนาวิธีแก้ปัญหาในองค์กรและต้องเผชิญกับความท้าทายในการหาความสามารถพิเศษในการช่วยเหลือ ดังนั้นเราจึงเห็นโอกาสมากมายในการช่วยเหลือ
บริษัทสามารถใช้ AI ในสภาพแวดล้อมค้าปลีกได้อย่างไร?
ความสำเร็จต้องการการยอมรับและการสนับสนุนจากผู้นำ AI อาจต้องการวิธีการใหม่ๆ สำหรับบริษัทในการทำงาน และอุปสรรคทางวัฒนธรรมในการเปลี่ยนแปลงอาจเป็นความท้าทาย ดังนั้นจึงต้องมีแผนการ นอกจากนี้ยังต้องมีความเข้าใจว่า AI สามารถทำอะไรได้และไม่สามารถทำอะไรได้ สุดท้าย การมุ่งเน้นไปที่การชนะในระยะสั้นเพื่อสร้างความน่าเชื่อถือมากกว่าการใช้แนวทาง boil-the-ocean เป็นประโยชน์
ผลผลิตที่ดีขึ้นประเภทใดที่ได้รับการพิสูจน์แล้วจากการนำ AI ไปใช้ในค้าปลีก?
ช่วงของโซลูชันไม่มีขีดจำกัด ตั้งแต่การคาดการณ์คำสั่งซื้อออนไลน์ไปจนถึงห่วงโซ่อุปทาน ช่วงของกรณีศึกษาที่จะแก้ปัญหาเป็นไปอย่างกว้างขวาง ที่ RetailPredict.ai จุดมุ่งเน้นแรกของเราคือการเพิ่มประสิทธิภาพแรงงาน (การคาดการณ์ปริมาณลูกค้าใน店舗ล่วงหน้า 5 สัปดาห์) เพื่อจับคู่แรงงานกับลูกค้าได้ดีขึ้น ตัวอย่างเช่น ลดพนักงานเมื่อมีลูกค้าน้อยกว่าที่คาดไว้ หรือเพิ่มพนักงานเมื่อมีลูกค้ามากขึ้น นอกจากนี้การคาดการณ์รายชั่วโมงของเรายังช่วยให้ผู้จัดการร้านค้าสามารถจัดการงานได้ดีขึ้น (เช่น เราคาดว่าจะมีลูกค้าเข้ามาในช่วงนี้ ดังนั้นเรามีคนพิเศษที่แคชเชียร์) ผลิตภัณฑ์อื่นๆ ของเราคาดการณ์การต้องการผลิตภัณฑ์เพื่อลดการขาดสต๊อก การกำจัดการลงทุนส่วนเกินในผลิตภัณฑ์ที่เคลื่อนไหวช้า การทดสอบความต้องการผลิตภัณฑ์ใหม่ๆ และการจัดการการลดราคาตามความต้องการและความยืดหยุ่นของราคา
มีอะไรอีกไหมที่คุณต้องการแบ่งปันเกี่ยวกับ RetailPredict.ai?
แนวทางของเรานั้นเป็นเอกลักษณ์ในตลาด ราคาไม่แพง ใช้งานง่าย ไม่ต้องมีการผสานรวมที่ซับซ้อน และสามารถเปิดตัวได้อย่างรวดเร็ว เราได้รวมเข้ากับแดชบอร์ดที่ใช้งานง่ายสำหรับการตีความข้อมูลที่ง่ายดาย อัลกอริทึมสามารถเขียนโปรแกรมเพื่อแจ้งให้ผู้จัดการทราบเกี่ยวกับสภาพที่เปลี่ยนแปลงได้ สุดท้าย ความมั่นใจในแบบจำลองเป็นสิ่งสำคัญ ดังนั้นเราจึงรวมเมตริกการแสดงผลต่างๆ
ขอขอบคุณสำหรับการสัมภาษณ์ ผู้อ่านสามารถเยี่ยมชม RetailPredict.ai เพื่อเรียนรู้เพิ่มเติมได้
