Caso di studio Upserve

Upserve, originariamente noto come Swipely, è un fornitore di software e POS per dispositivi mobili che offre una piattaforma di gestione dei ristoranti basata su cloud ai ristoratori negli Stati Uniti. Il software dell'azienda offre ai ristoratori tutto ciò che devono sapere su un'unica piattaforma, con indicazioni in tempo reale basate su dati di vendita e tendenze. Il software si integra con i sistemi e i terminali dei POS e consente ai ristoratori di interagire con la spesa dei clienti, i social media e altri dati.

Upserve acquisisce i flussi di dati, inclusi i pagamenti con carta di credito e le tendenze dei menu, quindi trasforma i dati in report analitici per i ristoratori. "Ci impegniamo per consentire ai proprietari di ristoranti di servire meglio i propri clienti attraverso i dati", afferma Bright Fulton, Director of Infrastructure Engineering di Upserve. "Oltre a fornire i dati di pagamento e i dati del sistema di prenotazione, integriamo anche i siti di recensioni online ed eseguiamo analisi del sentiment. Raccogliamo tutte queste informazioni e le inseriamo in report fruibili e pannelli di controllo interattivi tramite app per dispositivi mobili. Svolgiamo il ruolo di direttore generale nel cloud per ristoratori impegnati."

Negli ultimi anni, Upserve ha cercato di fornire ai ristoranti un'analisi più predittiva. "Raccontare ai proprietari di ristoranti cosa è successo con le vendite e l'andamento delle proposte sul menu è molto importante, ma dire loro cosa accadrà è ancora più efficace", afferma Fulton. "Volevamo scoprire come offrire le funzionalità di previsione ai nostri utenti sfruttando la tecnologia di machine learning."

Quando l'azienda ha preso in considerazione diverse tecnologie di machine learning (ML), si è subito resa conto che una soluzione basata sul cloud sarebbe stata la scelta migliore. "Grazie alle migliaia di ristoranti che serviamo, sapevamo che un modello di machine learning funzionante per uno avrebbe potuto non funzionare nel prevedere il comportamento dei clienti in un altro", racconta Fulton. "L'idea di creare molti modelli di machine learning personalizzati per ogni cliente sembrava una sfida importante. Dovevamo anche essere in grado di dimensionare facilmente i modelli in base al volume di dati in arrivo. Per questi motivi, abbiamo deciso di esplorare il machine learning as a service."

Upserve ha deciso di avvalersi di HAQM Machine Learning (HAQM ML), il servizio basato sul cloud che fornisce strumenti di visualizzazione e procedure guidate per accompagnare gli sviluppatori nel processo di creazione e addestramento di modelli senza dover apprendere gli algoritmi di ML. "Ci piaceva l'idea di sviluppare rapidamente modelli di ML da soli tramite HAQM ML", afferma Fulton.

Inoltre, Upserve aveva già investito molto nel cloud HAQM Web Services (AWS). L'organizzazione utilizza HAQM EC2 Container Service (HAQM ECS) per il provisioning e la gestione dei container di servizi, Pipeline dei dati AWS, HAQM Elastic Map Reduce (HAQM EMR) per l'elaborazione flessibile in batch, HAQM Simple Storage Service (HAQM S3), HAQM DynamoDB e HAQM Relational Database Service (HAQM RDS) per archiviare ed elaborare centinaia di terabyte di dati sui ristoranti. "Abbiamo un elevato livello di fiducia in AWS, soprattutto quando si tratta di nuovi servizi", racconta Fulton. "Siamo stati i primi ad adottare HAQM ECS e la Pipeline dei dati, entrambe scommesse vincenti. AWS è sempre stata un'ottima scelta per noi."

Upserve ha iniziato a utilizzare HAQM ML per creare modelli predittivi per la sua applicazione Shift Prep. Shift Prep integra la gestione dei tavoli, il POS e altri sistemi per prevedere quante persone ceneranno in una determinata sera e quali proposte sul menu saranno popolari. Utilizzando HAQM ML, Upserve ha sviluppato più di cento modelli di machine learning, che raccolgono dati sui ristoranti, comprese le informazioni sugli ordini e i dati di elaborazione dei pagamenti in tempo reale. I modelli utilizzano fattori come il numero di prenotazioni programmate, le statistiche sulle vendite per lo stesso giorno dell'anno precedente e la cronologia delle spese e delle preferenze dei menu da parte dei clienti. Upserve riaddestra i modelli settimanalmente.

L'azienda include l'analisi del machine learning come parte di un'e-mail giornaliera inviata ai proprietari di ristoranti tramite Shift Prep. "Utilizzando HAQM Machine Learning, prevediamo il numero totale di clienti che entrano dalla nostra porta in una determinata sera", sostiene Fulton. "Di conseguenza, i ristoratori preparano e pianificano meglio il personale per tale sera. Ad esempio, se si prevedono più clienti, i proprietari di ristoranti assumono più dipendenti. Inoltre, si avvalgono dell'analisi che forniamo tramite Shift Prep per pianificare proposte sul menu specifiche in base alla cronologia delle vendite e alla popolarità.

Basandosi su HAQM ML, Upserve è stata in grado di sviluppare e addestrare modelli predittivi in modo rapido e semplice. "Per noi, la velocità di produzione è stata un fattore chiave nella scelta di HAQM Machine Learning, perché volevamo fornire l'analisi predittiva ai ristoratori il più rapidamente possibile", racconta Fulton. "Ci sono volute solo due settimane dalla decisione di utilizzare la tecnologia all'uso dei dati predittivi nelle e-mail quotidiane che inviamo. E abbiamo subito notato che HAQM ML superava lo standard nella previsione dei coperti durante una sera."

Upserve ha potuto utilizzare HAQM ML rapidamente grazie alla facilità d'uso della tecnologia. "La progettazione incentrata sulle API di HAQM Machine Learning ci ha reso molto semplice sviluppare e addestrare i nostri modelli e iniziare a ottenere previsioni", racconta Fulton. "Non era richiesta molta configurazione: abbiamo utilizzato gli strumenti che già conoscevamo. HAQM Machine Learning ha eliminato molte complessità di sviluppo aumentando al contempo la precisione delle nostre previsioni."

L'azienda offre, inoltre, ai propri clienti la possibilità di aumentare la redditività, perché i proprietari dei ristoranti prevedono le serate ad affluenza elevata e spendono in modo più efficiente i costi del lavoro e degli alimenti. "È molto importante capire il cliente e ciò che desidera, e persino anticipare i suoi desideri", sostiene Andy Husbands, chef e proprietario del ristorante Tremont 647 a Boston, Massachusetts. "Upserve ha davvero cambiato il modo in cui vediamo le cose. Per noi è più facile avere uno sguardo nuovo sul passato e prevederne il futuro, capire chi sono i nostri ospiti, rintracciarli e comunicare meglio con loro."

Upserve prevede di espandere l'uso di HAQM ML per sviluppare modelli più predittivi. "Prevediamo di arrivare rapidamente a migliaia di modelli", afferma Fulton. "Alla fine, vorremmo estendere il servizio a tutti i nostri oltre settemila clienti. Siamo molto entusiasti del futuro di questa tecnologia."