JJ Food Service bruker Azure ML for å forutsi kundenes handlelister selv før de handler
2 min. lese
Publisert på
Del denne artikkelen
Forbedre denne veiledningen
Les vår avsløringsside for å finne ut hvordan du kan hjelpe MSPoweruser opprettholde redaksjonen Les mer
JJ Matservice er et av de største uavhengige matleveringsselskapene i Storbritannia som gir over 60,000 XNUMX kunder alt de trenger for sine egne matbedrifter. Kunder legger inn bestillinger på nettet eller ved å snakke med telefonsenterrepresentanter over telefon. Logistikkteam ruter og sekvenserer disse bestillingene, ansatte ved varehus laster deretter de riktige produktene i kjøretøyene, og sjåførene tar det til leveringsrutene neste dag. JJ Food Service bruker nå Microsoft Dynamics for sine ERP- og CRM-behov.
Nå legger de til Azure ML for å strømlinjeforme prosessen. Ved å bruke Azure ML-anbefalingssystemet fyller de ut prediktiv handleliste for kunder, og kunder får også anbefalinger for relaterte varer som de kanskje vil bestille.
Kundebestillinger hos JJ Food Service varierer selvfølgelig mye med hensyn til hva som blir kjøpt og når, ordrestørrelse, type, frekvens og mange andre kriterier. For å forutse kundenes fremtidige behov, var det de trengte skreddersydd innsikt basert på hver kundes tidligere ordremønstre. For eksempel kan en bestemt restaurant bestille salatgrønt hver dag, mel omtrent annenhver uke og matolje en gang i måneden. "For å lykkes, måtte vi være relevante for den uken, den dagen, det nøyaktige tidspunktet," forklarte Ahmed.
JJ Food Service var overbevist om at Azure ML kunne hjelpe dem å møte behovene deres på en svært kostnadseffektiv måte. De begynte å jobbe med Microsoft Azure-teamet, og skrev først kode for nettstedet deres for å fange opp kundeadferd og brukte deretter tre år med transaksjonsdata for å trene en Azure ML prediktiv modell. Deretter integrerte de anbefalingene fra denne modellen i både kundesentermiljøet og nettsiden deres, og sikret dermed at deres telefonbaserte kunder ville få nøyaktig de samme anbefalingene (via kundesenterrepresentanter) som hva nettkunder ville se på nettstedet deres.
Systemet tok bare tre måneder å implementere. I dag, enten kundene ringer inn eller logger på, bobler systemet opp de samme spådommene ved å bruke analysen av tidligere kjøp – i begge tilfeller fylles bestillingsblokken ut på samme måte og automatisk.
Les mer om det her..
