sử dụng máy học để ngăn chặn chất thải thực phẩm từ ăn vào lề cửa hàng

lập trình viên quốc tế

Trong khi điều hành Molly's, nhà bán buôn bữa ăn sẵn sàng tại Seattle, ông thành lập, Stefan Kalb đã buồn bã về tỷ lệ hao hụt thực phẩm 28 phần trăm của nó. Cảm thấy rằng số tiền đó là “thiên văn”, ông bắt đầu nghiên cứu cách hạ thấp nó - và đã bị sốc khi phát hiện ra Molly thực sự vượt trội so với mức trung bình của ngành. Đối mặt với lượng thức ăn tuyệt đối bị lãng phí bởi các nhà bán lẻ Mỹ, Kalb và Bede Jordan, sau đó là một kỹ sư của Microsoft, bắt đầu làm việc trên một công cụ dự đoán đơn hàng.

Dự án đã nhanh chóng đưa tỷ lệ phần trăm thực phẩm lãng phí của Molly xuống mức trung niên. "Đó là một trong những điều hoàn hảo nhất mà tôi từng làm trong sự nghiệp của mình", Kalb nói với TechCrunch trong một cuộc phỏng vấn. Được thúc đẩy bởi sự thành công của mình, Kalb và Jordan đã ra mắt Shelf Engine vào năm 2016 để cung cấp công nghệ cho các công ty khác. Hiện đang tham gia Y Combinator, startup đã gây quỹ 800.000 đô la từ vốn đầu tư, công ty đầu tư mạo hiểm được thành lập bởi Alexis Ohanian và Gerry Tan, và hiện đang được sử dụng tại hơn 180 điểm bán lẻ của khách hàng bao gồm WeWork, Bartell Drugs, Natural Cửa hàng tạp hóa và StockBox.

Kệ của động cơ công cụ dự đoán thứ tự phân tích dữ liệu lịch sử và bán hàng lịch sử và đưa ra khuyến nghị về số lượng nhà bán lẻ nên đặt hàng để giảm thiểu chất thải và tăng lợi nhuận. Càng nhiều nhà bán lẻ sử dụng Công cụ Kệ, mô hình học máy của máy càng chính xác. Hệ thống này cũng giúp các nhà cung cấp, bởi vì nhiều hoạt động bán hàng được đảm bảo, hoặc giao dịch dựa trên quét, có nghĩa là họ đồng ý lấy lại và hoàn trả giá mua của bất kỳ sản phẩm nào không bán trước ngày hết hạn của họ. Trong khi điều hành Molly's, Kalb đã học được một điểm đau đớn lớn cho nhà cung cấp. Để giảm bớt điều đó, Công cụ Kệ tự mua lại hàng tồn kho chưa bán được từ các nhà bán lẻ mà nó làm việc với, lấy rủi ro ra khỏi nhà cung cấp của họ.

Kalb, CEO của Shelf Engine, cho biết khách hàng của startup có thể tăng tỷ suất lợi nhuận gộp lên 25% và giảm lượng rác thải từ trung bình ngành từ 30% xuống còn khoảng 16-18% đối với các mặt hàng hết hạn trong vòng 1 đến 5 ngày. (Đối với các mặt hàng có thời hạn sử dụng tối đa 45 ngày, Công cụ Kệ lâu nhất quản lý, nó có thể giảm lượng rác thải xuống còn 3-4%).

Ngành công nghiệp thực phẩm hoạt động trên biên độ khét tiếng chặt chẽ và Công cụ Kệ muốn giảm bớt một số áp lực. Chạy Molly's, nơi cung cấp các cơ sở của công ty, bao gồm Microsoft, Boeing và Amazon, đã cho Kalb một cái nhìn trực tiếp về nghịch lý mà các nhà quản lý bán lẻ phải đối mặt. Mặc dù rất nhiều thực phẩm bị lãng phí, các mặt hàng cũng thường xuyên hết hàng tại các cửa hàng, khách hàng gây phiền nhiễu. Sau đó, có tác động xã hội và môi trường của rác thải thực phẩm - không chỉ làm tăng giá, thực phẩm thối rữa ở các bãi rác là một đóng góp chính cho khí thải mê-tan .

Người quản lý cửa hàng có thể cần đưa ra quyết định đặt hàng về hàng nghìn sản phẩm, để lại ít thời gian để phân tích. Mặc dù có các sản phẩm phần mềm lập kế hoạch tài nguyên doanh nghiệp để bán lẻ thực phẩm, Kalb nói rằng trong các lần ghé thăm cửa hàng, ông nhận thấy một số lượng đáng ngạc nhiên vẫn còn phụ thuộc vào bảng tính Excel hoặc bút và giấy để quản lý các đơn hàng tái diễn. Quá trình này cũng rất chủ quan, với các nhà quản lý đặt hàng sản phẩm dựa trên sở thích cá nhân của họ, đề xuất của khách hàng hoặc những gì họ đã nhận thấy hoạt động tốt tại các cửa hàng khác. Đôi khi các nhà bán lẻ gặp khó khăn trong một chu kỳ quá tải, bởi vì nếu khách hàng phàn nàn về việc bỏ lỡ thứ gì đó, người quản lý yêu cầu hàng tồn kho nhiều hơn, chỉ để kết thúc với lãng phí, sau đó mở rộng quy mô trở lại thứ tự tiếp theo của họ.

"Người Mỹ muốn lựa chọn mọi lúc, chúng tôi rất tức giận khi một sản phẩm được bán hết, nhưng đó là một quyết định thực sự khó khăn để đưa ra bao nhiêu bánh mì challah để chứng khoán vào thứ Hai," Kalb nói. "Tuy nhiên, chúng tôi đang làm điều đó đặc biệt."

Khi các nhà bán lẻ sử dụng động cơ dự đoán của Công cụ Kệ, nó quyết định số lượng đơn vị họ cần và sau đó gửi các đơn đặt hàng đó đến nhà cung cấp của họ. Sau khi sản phẩm tiếp cận ngày bán theo ngày của họ, nhà bán lẻ báo cáo lại cho Công cụ Kệ, chỉ tính phí cho các đơn vị họ bán, nhưng vẫn trả tiền cho nhà cung cấp cho toàn bộ đơn đặt hàng. Theo thời gian, Công cụ Kệ có thể đưa ra các dự đoán chi tiết hơn (ví dụ, cách lượng mưa tương quan với việc bán các mặt hàng cụ thể như nước trái cây hoặc bánh mì).

Ngoài việc cung cấp động lực cho việc tạo ra Công cụ Kệ, Molly còn giúp Kalb và Jordan, CTO của nó, xây dựng mạng lưới phân phối của startup. Kalb nói rằng Shelf Engine đã được hưởng lợi từ hiệu ứng mạng, bởi vì khi một nhà bán lẻ đăng ký, các nhà cung cấp của họ sẽ thường đề cập đến các nhà bán lẻ khác mà họ phục vụ. Kalb cho biết công ty khởi nghiệp hiện đang thuê thêm các kỹ sư và nhân viên bán hàng để giúp Công cụ Kệ tận dụng điều đó và lan truyền thông qua ngành bán lẻ thực phẩm.

"Đó là một thế giới mà tôi đã biết và tôi đã bước vào thế giới mê hoặc với các món ăn lành mạnh và chế biến các bữa ăn ngon miệng", Kalb nói. "Nó trở thành một niềm đam mê với thị trường điên rồ này, mà là rất lớn và vẫn có rất nhiều cơ hội để được tối đa hóa."