Η JJ Food Service χρησιμοποιεί το Azure ML για να προβλέψει τις λίστες αγορών των πελατών ακόμη και πριν ψωνίσουν

JJ Food Service είναι μία από τις μεγαλύτερες ανεξάρτητες εταιρείες παροχής υπηρεσιών φαγητού στο Ηνωμένο Βασίλειο, η οποία παρέχει σε πάνω από 60,000 πελάτες όλα όσα χρειάζονται για τις δικές τους επιχειρήσεις τροφίμων. Οι πελάτες κάνουν παραγγελίες μέσω διαδικτύου ή μιλώντας τηλεφωνικά με εκπροσώπους τηλεφωνικών κέντρων. Οι ομάδες εφοδιαστικής δρομολογούν και ακολουθούν αυτές τις παραγγελίες, οι υπάλληλοι στις αποθήκες στη συνέχεια φορτώνουν τα κατάλληλα προϊόντα στα οχήματα και οι οδηγοί τα πηγαίνουν στις διαδρομές παράδοσης την επόμενη μέρα. Η JJ Food Service χρησιμοποιεί τώρα το Microsoft Dynamics για τις ανάγκες ERP και CRM.

Τώρα, προσθέτουν το Azure ML για να βελτιώσουν τη διαδικασία τους. Χρησιμοποιώντας το σύστημα προτάσεων Azure ML, συμπληρώνουν τη λίστα πρόβλεψης αγορών για τους πελάτες και οι πελάτες λαμβάνουν επίσης συστάσεις για σχετικά προϊόντα που μπορεί να θέλουν να παραγγείλουν.

Οι παραγγελίες πελατών στο JJ Food Service, φυσικά, ποικίλλουν πολύ ως προς το τι αγοράζεται και πότε, το μέγεθος της παραγγελίας, τον τύπο, τη συχνότητα και πολλά άλλα κριτήρια. Κατά την πρόβλεψη των μελλοντικών αναγκών των πελατών, αυτό που χρειάζονταν ήταν προσαρμοσμένες πληροφορίες με βάση τα προηγούμενα μοτίβα παραγγελιών κάθε πελάτη. Για παράδειγμα, ένα συγκεκριμένο εστιατόριο μπορεί να παραγγείλει χόρτα για σαλάτες κάθε μέρα, αλεύρι περίπου κάθε δύο εβδομάδες και μαγειρικό λάδι μία φορά το μήνα. «Για να είμαστε επιτυχημένοι, χρειαζόμασταν να είμαστε σχετικοί για εκείνη την εβδομάδα, εκείνη την ημέρα, εκείνη ακριβώς τη χρονική στιγμή», εξήγησε ο Ahmed.

Η JJ Food Service ήταν πεπεισμένη ότι το Azure ML θα μπορούσε να τους βοηθήσει να αντιμετωπίσουν τις ανάγκες τους με πολύ οικονομικό τρόπο. Άρχισαν να συνεργάζονται με την ομάδα του Microsoft Azure, γράφοντας αρχικά κώδικα για τον ιστότοπό τους για να καταγράψουν τη συμπεριφορά των πελατών και στη συνέχεια χρησιμοποιώντας δεδομένα συναλλαγών τριών ετών για να εκπαιδεύσουν ένα μοντέλο πρόβλεψης Azure ML. Στη συνέχεια, ενσωμάτωσαν τις συστάσεις από αυτό το μοντέλο τόσο στο περιβάλλον του τηλεφωνικού κέντρου όσο και στον ιστότοπό τους, διασφαλίζοντας έτσι ότι οι πελάτες τους που βασίζονται στο τηλέφωνο θα λαμβάνουν τις ίδιες ακριβώς συστάσεις (μέσω εκπροσώπων τηλεφωνικών κέντρων) με αυτές που θα βλέπουν οι διαδικτυακοί πελάτες στον ιστότοπό τους.

Το σύστημα χρειάστηκε μόνο τρεις μήνες για να εφαρμοστεί. Σήμερα, είτε καλούν πελάτες είτε συνδέονται, το σύστημα δημιουργεί τις ίδιες προβλέψεις χρησιμοποιώντας την ανάλυσή του για προηγούμενες αγορές – και στις δύο περιπτώσεις, το πληκτρολόγιο παραγγελιών συμπληρώνεται με τον ίδιο τρόπο και αυτόματα.

Διαβάστε περισσότερα για αυτό εδώ.