JJ Food Service använder Azure ML för att förutsäga kunders inköpslistor redan innan de handlar
2 min. läsa
Publicerad den
Dela den här artikeln
Förbättra den här guiden
Läs vår informationssida för att ta reda på hur du kan hjälpa MSPoweruser upprätthålla redaktionen Läs mer
JJ Matservice är ett av de största oberoende matleveransföretagen i Storbritannien som förser över 60,000 XNUMX kunder med allt de behöver för sina egna livsmedelsföretag. Kunder gör beställningar online eller genom att prata med callcenterrepresentanter via telefon. Logistikteam dirigerar och ordnar dessa beställningar, anställda på lager lastar sedan in lämpliga produkter i fordonen och chaufförerna tar dem till leveransvägarna nästa dag. JJ Food Service använder nu Microsoft Dynamics för sina ERP- och CRM-behov.
Nu lägger de till Azure ML för att effektivisera sin process. Genom att använda Azure ML-rekommendationssystemet fyller de i prediktiv inköpslista för kunder, och kunder får också rekommendationer för relaterade varor som de kanske vill beställa.
Kundorder på JJ Food Service varierar naturligtvis mycket vad gäller vad som köps in och när, orderstorlek, typ, frekvens och många andra kriterier. För att förutse kundernas framtida behov var det de behövde skräddarsydda insikter baserade på varje kunds tidigare ordermönster. Till exempel kan en viss restaurang beställa grönsallad varje dag, mjöl ungefär varannan vecka och matolja en gång i månaden. "För att bli framgångsrika behövde vi vara relevanta för den veckan, den dagen, den exakta tidpunkten," förklarade Ahmed.
JJ Food Service var övertygad om att Azure ML kunde hjälpa dem att tillgodose sina behov på ett mycket kostnadseffektivt sätt. De började arbeta med Microsoft Azure-teamet, skrev först kod för sin webbplats för att fånga kundbeteende och använde sedan tre års transaktionsdata för att träna en Azure ML-prediktiv modell. Därefter integrerade de rekommendationerna från denna modell i både sin callcentermiljö och sin webbplats, och säkerställde på så sätt att deras telefonbaserade kunder skulle få exakt samma rekommendationer (via callcenterrepresentanter) som vad onlinekunder skulle se på sin webbplats.
Systemet tog bara tre månader att implementera. Idag, oavsett om kunderna ringer in eller loggar in, bubblar systemet upp samma förutsägelser med hjälp av sin analys av tidigare köp – i båda fallen fylls beställningsblocket i på samma sätt och automatiskt.
Läs mer om det här..
