Стівен Кітт Платт, співзасновник та головний директор з розвитку RetailPredict.ai – Інтерв’ю серія

Стівен Кітт Платт є директором і науковим співробітником Інституту роздрібної торгівлі Платта (PRI). Він є ад’юнкт-професором Північно-Західного університету і служить науковим директором Ради роздрібної аналітики, ініціативи між школою Меділла, відділом інтегрованого маркетингу та комунікацій, Північно-Західний університет і PRI.

Він також є співзасновником та головним директором з розвитку RetailPredict.ai, компанії, що зосереджена на забезпеченні сталого зростання доходів і прибутку шляхом надання моделей прогнозування, що працюють на основі штучного інтелекту, які легко впроваджуються і можуть бути розгорнуті швидко

Що спочатку привернуло вашу увагу до роздрібної торгівлі штучного інтелекту?

Я працюю в галузі роздрібної аналітики вже понад 25 років. Індустрія завжди мала багато даних, але аналітика, яку застосовували для вивчення цієї величезної кількості інформації для оптимізації бізнесу, була недостатньою. Спроможність керувати великими даними була першою великою зміною, а потім, коли штучний інтелект став більш популярним близько п’яти років тому, це було природним кроком перейти до більш просунутих обчислювальних методів.

Чи можете ви поділитися історією створення RetailPredict.ai?

RetailPredict.ai є результатом моєї лабораторної роботи в Північно-Західному університеті, де я викладаю курс роздрібної торгівлі штучного інтелекту. Кожного кварталу ми працюємо з роздрібним торгівцем, щоб вирішити бізнес-проблему шляхом застосування рішень штучного інтелекту. Ці випадки довели, що існує попит на вирішення цих проблем, і ми можемо це зробити шляхом застосування штучного інтелекту. Тому в лабораторії ми проводимо дослідження; в RetailPredict.ai ми узагальнюємо результати і переводимо їх у комерційну продукцію.

Чому ви вирішили зосередитися на роздрібній торгівлі штучного інтелекту?

Різні причини, включаючи:

Багато даних. Багато вирішуваних питань. Як тільки ви перейдете за великими роздрібними торгівцями (наприклад, Walmart (WMT ), Target, Home Depot), багато роздрібних торгівців з оборотом менше 10 мільярдів доларів не мають ресурсів для розробки рішень самостійно і стикаються з труднощами у пошуку талантів, які можуть їм допомогти. Тому ми бачимо багато можливостей допомогти.

Як компанії можуть найкраще використовувати штучний інтелект у роздрібній торгівлі?

Успіх вимагає прийняття/прийняття на рівні керівництва. Штучний інтелект може вимагати нових способів виконання завдань компанією, і культурні перепони для змін можуть створити перешкоди. Тому потрібен план. Також потрібне розуміння того, що він може і чого не може зробити. Нарешті, фокус на короткострокових перемогах для встановлення авторитету, а не підхід “кип’ятіння океану”, є корисним.

Який тип покращення продуктивності був помічений після впровадження штучного інтелекту в роздрібній торгівлі?

Діапазон рішень досить великий. Від оцінок онлайн-замовлень до ланцюга постачання, діапазон випадків для вирішення величезний. В RetailPredict.ai наш первинний фокус зосереджений на оптимізації праці (прогнозування трафіку магазину до п’яти тижнів вперед) для кращого збігу праці з клієнтами. Наприклад, зменшити штат, коли очікується менше клієнтів, можливо, додати більше, коли очікується збільшення клієнтів. Крім того, наші годинні прогнози дозволяють менеджерам магазинів краще керувати завданнями (наприклад, ми очікуємо напливу в цей час, тому давайте матимемо додатковий персонал на касі). Наш інший продукт прогнозує попит на товари, щоб зменшити відсутність товарів, ліквідувати надмірну інвестицію в повільно рухомі товари, протестувати попит на нові товари та керувати знижками навколо очікуваного попиту та цінової еластичності.

Чи є щось ще, що ви хотіли б поділитися про RetailPredict.ai?

Наш підхід унікальний на ринку. Дуже дешево, легко впроваджувати випадкові моделі, які не вимагають великої інтеграції і можуть бути запущені швидко. Ми поєднуємо це з користувацькими панелями для легкої інтерпретації даних. Сигнали можуть бути запрограмовані для інформування менеджерів про зміни умов. Нарешті, довіра до моделей важлива, тому ми включаємо різноманітні показники продуктивності.

Дякую за інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати RetailPredict.ai.