JJ Food Service Menggunakan Azure ML Untuk Memprediksi Daftar Belanja Pelanggan Bahkan Sebelum Mereka Berbelanja

Layanan Makanan JJ adalah salah satu perusahaan layanan pengiriman makanan independen terbesar di Inggris yang menyediakan lebih dari 60,000 pelanggan dengan semua yang mereka butuhkan untuk bisnis makanan mereka sendiri. Pelanggan memesan secara online atau dengan berbicara dengan perwakilan call center melalui telepon. Tim logistik merutekan dan mengurutkan pesanan ini, karyawan di gudang kemudian memuat produk yang sesuai ke dalam kendaraan, dan pengemudi membawanya ke rute pengiriman keesokan harinya. JJ Food Service sekarang menggunakan Microsoft Dynamics untuk kebutuhan ERP dan CRM mereka.

Sekarang, mereka menambahkan Azure ML untuk merampingkan proses mereka. Dengan menggunakan sistem rekomendasi Azure ML, mereka mengisi daftar belanja prediktif untuk pelanggan, dan pelanggan juga mendapatkan rekomendasi untuk item terkait yang mungkin ingin mereka pesan.

Pesanan pelanggan di JJ Food Service tentunya sangat bervariasi dalam hal apa yang dibeli dan kapan, ukuran pesanan, jenis, frekuensi dan banyak kriteria lainnya. Dalam mengantisipasi kebutuhan pelanggan di masa depan, yang mereka butuhkan adalah wawasan yang disesuaikan berdasarkan pola pesanan masing-masing pelanggan di masa lalu. Misalnya, restoran tertentu mungkin memesan salad sayuran setiap hari, tepung setiap dua minggu, dan minyak goreng sebulan sekali. “Agar berhasil, kami harus relevan untuk minggu itu, hari itu, titik waktu yang tepat itu,” jelas Ahmed.

JJ Food Service yakin bahwa Azure ML dapat membantu mereka memenuhi kebutuhan mereka dengan cara yang sangat hemat biaya. Mereka mulai bekerja dengan tim Microsoft Azure, pertama-tama menulis kode untuk situs web mereka untuk menangkap perilaku pelanggan dan kemudian menggunakan tiga tahun data transaksional untuk melatih model prediktif Azure ML. Selanjutnya, mereka mengintegrasikan rekomendasi dari model ini ke dalam lingkungan pusat panggilan dan situs web mereka, sehingga memastikan bahwa pelanggan berbasis telepon mereka akan mendapatkan rekomendasi yang sama persis (melalui perwakilan pusat panggilan) seperti yang akan dilihat pelanggan online di situs mereka.

Sistem ini hanya membutuhkan waktu tiga bulan untuk diterapkan. Hari ini, apakah pelanggan menelepon atau masuk, sistem memunculkan prediksi yang sama menggunakan analisisnya atas pembelian sebelumnya – dalam kedua kasus, pad pesanan diisi dengan cara yang sama, dan secara otomatis.

Baca lebih lanjut tentang hal itu di sini.