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 з роздрібної аналітики, ініціативи між Медільською школою, департаментом інтегрованого маркетингового зв’язку, Північно-Західним університетом і PRI.

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

Що спочатку привернуло вашу увагу до роздрібної торгівлі AI?

Я працюю в галузі роздрібної аналітики 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 стала результатом моєї лабораторної роботи в Північно-Західному університеті, де я викладаю курс роздрібної торгівлі AI. Кожного кварталу ми працюємо з роздрібним торговцем, щоб вирішити бізнес-проблему шляхом застосування рішень AI. Ці випадки довели, що існує попит на вирішення цих проблем, і що ми можемо зробити це шляхом застосування AI. Тому в лабораторії ми проводимо ПОС; в RetailPredict.ai ми приймаємо ці висновки, індустралізуємо моделі та переводимо їх у комерційну експлуатацію.

Чому ви вирішили зосередитися на роздрібній торгівлі AI?

Різні причини, включаючи:

Багато даних. Багато вирішуваних проблем. Як тільки ви перейдете за великими роздрібними торговцями (наприклад, Walmart, Target, Home Depot), багато роздрібних торговців з обігом менше 10 млрд доларів не мають ресурсів для розробки рішень всередині компанії і стикаються з труднощами у пошуку талантів, які можуть допомогти. Тому ми бачимо багато можливостей допомогти.

Як компанії можуть найкраще використовувати AI в роздрібному середовищі?

Успіх вимагає прийняття/прийняття на рівні керівництва. AI може вимагати нових способів здійснення речей, і культурні перепони для змін можуть становити проблеми. Тому потрібен план. Також потрібне розуміння того, що це може і не може зробити. Нарешті, фокус на короткострокових перемогах для встановлення авторитету, а не підхід “кип’ятіння океану”, є корисним.

Який тип підвищення продуктивності був спостережений після впровадження AI в роздрібній торгівлі?

Діапазон рішень досить безмежний. 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 трафіку клієнтів. Крім того, наші годинні прогнози дозволяють менеджерам магазинів краще керувати завданнями (наприклад, ми очікуємо атаку в цей час, тому давайте матимемо деяких додаткових людей 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 розширеної інтеграції і можуть бути запущені швидко. Ми поєднуємо це з користувацькими панелями для легкої інтерпретації даних. Сигнали можуть бути запрограмовані для інформування менеджерів про зміну умов. Нарешті, довіра до моделей важлива, тому ми включаємо різноманітні показники продуктивності.

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