Steven Keith Platt, Đồng sáng lập & Giám đốc Phát triển của RetailPredict.ai – Loạt phỏng vấn

Steven Keith Platt là Giám đốc và Nghiên cứu viên tại Viện Platt Retail (PRI). Ông là Giáo sư kiêm nhiệm tại Đại học Northwestern và giữ vị trí Giám đốc Nghiên cứu tại Hội đồng Phân tích Bán lẻ, một sáng kiến giữa Trường Medill, Khoa Truyền thông Tiếp thị Tích hợp, Đại học Northwestern và PRI.

Ông cũng là Đồng sáng lập & Giám đốc Phát triển của RetailPredict.ai, một công ty tập trung vào việc cho phép cải thiện doanh thu và lợi nhuận bền vững bằng cách cung cấp các mô hình dự đoán được hỗ trợ bởi AI, dễ dàng triển khai và có thể được triển khai nhanh chóng

Điều gì đã thu hút bạn đến Retail AI?

Tôi đã làm việc trong lĩnh vực phân tích bán lẻ trong hơn 25 năm. Ngành công nghiệp này luôn có rất nhiều dữ liệu, nhưng phân tích được áp dụng để học hỏi từ kho thông tin khổng lồ này để vận hành kinh doanh là thiếu. Khả năng quản lý dữ liệu lớn là sự thay đổi lớn đầu tiên và sau đó, khi AI trở nên phổ biến hơn khoảng 5 năm trước, đó là một sự tiến bộ tự nhiên để chuyển sang các phương pháp tính toán tiên tiến hơn.

Bạn có thể chia sẻ câu chuyện về sự hình thành của RetailPredict.ai?

RetailPredict.ai là kết quả của công việc trong phòng thí nghiệm của tôi tại Đại học Northwestern, nơi tôi giảng dạy một khóa học về AI bán lẻ. Mỗi quý, chúng tôi làm việc với một nhà bán lẻ để giải quyết một vấn đề kinh doanh bằng cách áp dụng các giải pháp AI. Những trường hợp sử dụng đó đã chứng minh rằng có nhu cầu hiện có để giải quyết những vấn đề đó và chúng tôi có thể làm điều đó bằng cách áp dụng AI. Vì vậy, trong phòng thí nghiệm, chúng tôi chạy các thử nghiệm; tại RetailPredict.ai, chúng tôi lấy những phát hiện đó, công nghiệp hóa các mô hình và đưa chúng vào sản xuất thương mại.

Tại sao bạn lại chọn tập trung vào Retail AI?

Các lý do bao gồm:

Rất nhiều dữ liệu. Rất nhiều vấn đề cần giải quyết. Một khi bạn vượt qua các nhà bán lẻ lớn (ví dụ: Walmart (WMT ), Target, Home Depot), nhiều nhà bán lẻ có doanh thu dưới 10 tỷ USD không có nguồn lực để phát triển giải pháp trong nhà và gặp khó khăn trong việc tìm kiếm nhân tài để giúp đỡ. Vì vậy, chúng tôi thấy rất nhiều cơ hội để giúp đỡ.

Làm thế nào các công ty có thể tận dụng AI trong môi trường bán lẻ một cách tốt nhất?

Để thành công, cần có sự áp dụng và chấp nhận ở cấp lãnh đạo. AI có thể yêu cầu các công ty thực hiện các việc theo cách mới, và các rào cản văn hóa đối với sự thay đổi có thể gây ra thách thức. Vì vậy, cần có một bản đồ đường dẫn. Ngoài ra, cần có sự hiểu biết về những gì nó có thể và không thể làm. Cuối cùng, tập trung vào các chiến thắng ngắn hạn để thiết lập uy tín, thay vì cách tiếp cận “nấu lại đại dương”, là hữu ích.

Loại cải thiện năng suất nào đã được nhìn thấy từ việc triển khai AI trong bán lẻ?

Phạm vi các giải pháp là khá vô hạn. Từ ước tính đặt hàng trực tuyến đến chuỗi cung ứng, phạm vi các trường hợp sử dụng để giải quyết là rất lớn. Tại RetailPredict.ai, trọng tâm ban đầu của chúng tôi là tối ưu hóa lao động (dự đoán lưu lượng khách hàng trong cửa hàng lên đến 5 tuần trước) để tốt hơn匹配 lao động với khách hàng. Ví dụ, giảm nhân viên khi có ít khách hàng dự kiến, có thể thêm nhiều hơn khi lưu lượng khách hàng dự kiến tăng để chuyển đổi. Ngoài ra, dự đoán hàng giờ của chúng tôi cho phép các nhà quản lý cửa hàng quản lý nhiệm vụ tốt hơn (ví dụ, chúng tôi dự kiến sẽ có một cơn bão tại thời điểm này, vì vậy hãy có một số nhân viên thêm tại quầy thanh toán). Sản phẩm khác của chúng tôi dự đoán nhu cầu sản phẩm để giảm tình trạng hết hàng, loại bỏ đầu tư quá mức vào các sản phẩm chậm, thử nghiệm nhu cầu cho các sản phẩm mới và quản lý giảm giá xung quanh nhu cầu dự kiến và độ co giãn của giá.

Có điều gì khác bạn muốn chia sẻ về RetailPredict.ai?

Phương pháp của chúng tôi là duy nhất trên thị trường. Rất rẻ, dễ dàng lên tàu các mô hình cụ thể cho từng trường hợp sử dụng mà không yêu cầu tích hợp rộng rãi và có thể được ra mắt nhanh chóng. Chúng tôi kết hợp điều này với các bảng điều khiển thân thiện với người dùng để dễ dàng diễn giải dữ liệu. Cảnh báo có thể được lập trình để thông báo cho các nhà quản lý về các điều kiện thay đổi. Cuối cùng, sự tự tin vào các mô hình là quan trọng, vì vậy chúng tôi kết hợp một loạt các chỉ số hiệu suất.

Cảm ơn bạn đã tham gia phỏng vấn, những người đọc muốn tìm hiểu thêm nên truy cập RetailPredict.ai.