JJ Food Service utilise Azure ML pour prédire les listes de courses des clients avant même qu'ils achètent

Service alimentaire JJ est l'une des plus grandes entreprises indépendantes de services de livraison de nourriture au Royaume-Uni, qui fournit à plus de 60,000 XNUMX clients tout ce dont ils ont besoin pour leurs propres entreprises alimentaires. Les clients passent des commandes en ligne ou en s'adressant aux représentants du centre d'appels par téléphone. Les équipes logistiques acheminent et séquencent ces commandes, les employés des entrepôts chargent ensuite les produits appropriés dans les véhicules et les chauffeurs les acheminent vers les itinéraires de livraison le lendemain. JJ Food Service utilise désormais Microsoft Dynamics pour ses besoins ERP et CRM.

Maintenant, ils ajoutent Azure ML pour rationaliser leur processus. En utilisant le système de recommandation Azure ML, ils remplissent une liste de courses prédictive pour les clients, et les clients obtiennent également des recommandations pour les articles connexes qu'ils pourraient vouloir commander.

Les commandes des clients chez JJ Food Service, bien sûr, varient considérablement en termes de ce qui est acheté et quand, de la taille de la commande, du type, de la fréquence et de nombreux autres critères. Pour anticiper les besoins futurs des clients, ils avaient besoin d'informations personnalisées basées sur les habitudes de commande passées de chaque client. Par exemple, un restaurant particulier peut commander des salades vertes tous les jours, de la farine environ toutes les deux semaines et de l'huile de cuisson une fois par mois. "Pour réussir, nous devions être pertinents pour cette semaine, ce jour-là, ce moment précis dans le temps", a expliqué Ahmed.

JJ Food Service était convaincu qu'Azure ML pouvait les aider à répondre à leurs besoins de manière très rentable. Ils ont commencé à travailler avec l'équipe Microsoft Azure, en écrivant d'abord du code pour leur site Web afin de capturer le comportement des clients, puis en utilisant trois ans de données transactionnelles pour former un modèle prédictif Azure ML. Ensuite, ils ont intégré les recommandations de ce modèle à la fois dans leur environnement de centre d'appels et sur leur site Web, garantissant ainsi que leurs clients par téléphone recevraient exactement les mêmes recommandations (via les représentants du centre d'appels) que ce que les clients en ligne verraient sur leur site.

Le système n'a pris que trois mois à mettre en place. Aujourd'hui, que les clients appellent ou se connectent, le système génère les mêmes prédictions en utilisant son analyse des achats passés - dans les deux cas, le carnet de commandes est rempli de la même manière et automatiquement.

Lire plus à ce sujet ici.