JJ Food Service utiliza Azure ML para predecir las listas de compras de los clientes incluso antes de que compren

Servicio de comida JJ es una de las mayores empresas independientes de servicios de entrega de alimentos en el Reino Unido que brinda a más de 60,000 XNUMX clientes todo lo que necesitan para sus propios negocios de alimentos. Los clientes hacen pedidos en línea o hablando por teléfono con los representantes del centro de llamadas. Los equipos de logística enrutan y secuencian estos pedidos, los empleados en los almacenes luego cargan los productos apropiados en los vehículos y los conductores los llevan a las rutas de entrega al día siguiente. JJ Food Service ahora usa Microsoft Dynamics para sus necesidades de ERP y CRM.

Ahora, están agregando Azure ML para optimizar su proceso. Mediante el uso del sistema de recomendaciones de Azure ML, están completando la lista de compras predictiva para los clientes, y los clientes también obtienen recomendaciones de artículos relacionados que podrían querer pedir.

Los pedidos de los clientes en JJ Food Service, por supuesto, varían ampliamente en términos de lo que se compra y cuándo, el tamaño del pedido, el tipo, la frecuencia y muchos otros criterios. Al anticipar las necesidades futuras de los clientes, lo que necesitaban eran conocimientos personalizados basados ​​en los patrones de pedidos anteriores de cada cliente. Por ejemplo, un restaurante en particular podría ordenar ensaladas verdes todos los días, harina aproximadamente cada dos semanas y aceite de cocina una vez al mes. “Para tener éxito, necesitábamos ser relevantes para esa semana, ese día, ese momento exacto”, explicó Ahmed.

JJ Food Service estaba convencido de que Azure ML podría ayudarlos a abordar sus necesidades de una manera muy rentable. Comenzaron a trabajar con el equipo de Microsoft Azure, primero escribiendo código para su sitio web para capturar el comportamiento del cliente y luego usando tres años de datos transaccionales para entrenar un modelo predictivo de Azure ML. Luego, integraron las recomendaciones de este modelo tanto en el entorno de su centro de llamadas como en su sitio web, asegurando así que sus clientes telefónicos obtuvieran exactamente las mismas recomendaciones (a través de los representantes del centro de llamadas) que los clientes en línea verían en su sitio.

El sistema tardó sólo tres meses en implementarse. Hoy, ya sea que los clientes llamen o inicien sesión, el sistema genera las mismas predicciones utilizando su análisis de compras anteriores: en ambos casos, el formulario de pedidos se completa de la misma manera y automáticamente.

Lea más al respecto esta página.