सामग्री पर जाएँ
AI / MLSaaS

माँग, जो दिखती है आने से पहले ही।

एक मशीन लर्निंग फ़ोरकास्टिंग प्लेटफ़ॉर्म जो माँग की भविष्यवाणी के लिए बिक्री का इतिहास, मौसमीपन और रियल-टाइम संकेतों को ग्रहण करता है — ताकि टीमें इन्वेंट्री, स्टाफ़ और ख़र्च की योजना अंदाज़े से नहीं, भरोसे के साथ बनाएँ।

98%फ़ोरकास्ट सटीकता
−58%स्टॉक-आउट
−41%अतिरिक्त इन्वेंट्री
क्लाइंटFeelEat समूह
इंडस्ट्रीAI / ML · ऑपरेशंस
प्लेटफ़ॉर्मSaaS · वेब
अनुशासनAI / ML · डेटा · SaaS
ब्रीफ़

ताज़ा भोजन किसी भी अंदाज़े को माफ़ नहीं करता।

क्लाइंटFeelEat समूह
सटीकताप्रोडक्शन में 98%
स्टॉक-आउट−58%
सतहेंSaaS · वेब

एक ताज़ा-भोजन ऑपरेशन कल के आँकड़े पर जीता या मरता है: ज़्यादा पका लो तो मार्जिन कूड़े में जाता है, कम पका लो तो दोपहर तक फ्रिज खाली रह जाते हैं। योजना अनुभव और स्प्रेडशीट पर टिकी थी — अच्छी समझ, पर कोई याददाश्त नहीं, और बढ़ते फ्रिज नेटवर्क पर स्केल करने का कोई तरीका नहीं।

हमने वह प्लेटफ़ॉर्म बनाया जो सब कुछ याद रखता है: दो साल का बिक्री इतिहास, मौसमीपन, मौसम और फ्रिज बेड़े के रियल-टाइम संकेत, प्रति-स्थान और प्रति-व्यंजन माँग के फ़ोरकास्ट में निचोड़े गए। इन्वेंट्री, स्टाफ़ और ख़र्च अब एक ऐसे आँकड़े पर योजनाबद्ध होते हैं जिसने भरोसा अर्जित किया है — प्रोडक्शन में 98% सटीकता।

प्रोडक्शन में, मॉडल किचन के दिन शुरू करने से पहले ही दिन की योजना बना लेता है: 98% फ़ोरकास्ट सटीकता, 58% कम स्टॉक-आउट और 41% कम अतिरिक्त स्टॉक — माँग के बदलने पर भरोसेमंद बने रहने के लिए ड्रिफ़्ट मॉनिटरिंग और नियमित रीट्रेनिंग के साथ।

चुनौती

अंदाज़ा स्केल नहीं करता।

अच्छे प्लानर ऑपरेशन को अनुभव के दम पर चलाते थे — जो अगले दस स्थानों पर कॉपी नहीं होता।

01 — समस्या

कल का आँकड़ा एक अनुमान भर था।

ताज़ा भोजन ग़लती को दोनों दिशाओं में, हर दिन, बिना किसी अपवाद के सज़ा देता है।

  • ज़्यादा उत्पादनहर दिन के अंत में मार्जिन सचमुच कूड़े में फेंका जाता।
  • स्टॉक-आउटदोपहर तक खाली फ्रिज यानी खोया हुआ राजस्व और भरोसा।
  • स्प्रेडशीट जैसी याददाश्तयोजना में मौसमीपन की कोई व्यवस्थित याद नहीं थी।
  • स्थानीय अंदाज़विशेषज्ञता एक प्लानर तक, एक ही स्थान पर सिमटी रहती थी।
02 — समाधान

एक आँकड़ा जिसने भरोसा अर्जित किया।

प्रति-स्थान और प्रति-व्यंजन माँग के फ़ोरकास्ट, इतिहास, मौसमीपन और रियल-टाइम बेड़ा संकेतों से निचोड़े गए।

  • 98% सटीकताप्रोडक्शन-गुणवत्ता की, लगातार मापी गई।
  • इनपुट संकेतबिक्री इतिहास, मौसम, मौसमीपन और फ्रिज टेलीमेट्री।
  • आउटपुट योजना दृश्यइन्वेंट्री, स्टाफ़ और ख़र्च एक ही आँकड़े पर संरेखित।
  • स्व-सुधारात्मकनेटवर्क बढ़ने के साथ स्वचालित रीट्रेनिंग मॉडल को ईमानदार बनाए रखती है।
हमने क्या बनाया

संकेतों से एक योजना तक।

पूरा चक्र — इन्जेशन, भविष्यवाणी, योजना दृश्य और वह रीट्रेनिंग जो सब कुछ ईमानदार बनाए रखती है।

01

संकेत इन्जेशन

बिक्री इतिहास, मौसमीपन, कैलेंडर प्रभाव और रियल-टाइम बेड़ा टेलीमेट्री, सुव्यवस्थित पाइपलाइनों के ज़रिए।

02

डिमांड फ़ोरकास्टिंग मॉडल

प्रति-स्थान और प्रति-व्यंजन भविष्यवाणियाँ, उस होराइज़न पर ढाली गईं जिस पर प्लानर वाकई ख़रीदते हैं।

03

इन्वेंट्री योजना दृश्य

फ़ोरकास्ट को ऑर्डर मात्रा और उत्पादन योजनाओं में अनूदित किया गया — न कि कच्चे कर्व।

04

स्टाफ़ और ख़र्च योजना

वही माँग कर्व टीम की शिफ़्ट और ख़रीद बजट को संचालित करता है।

05

ड्रिफ़्ट मॉनिटरिंग

सटीकता को हक़ीक़त के विरुद्ध लगातार मॉनिटर किया गया, और जब दुनिया बदलती है तो अलर्ट।

06

नियमित रीट्रेनिंग

मॉडल ताज़ा डेटा पर स्वचालित रूप से रीट्रेन होते हैं — सटीकता अगली तिमाही, और उससे अगली तिमाही भी झेल जाती है।

हमने इसे कैसे बनाया

प्लानरों का भरोसा अर्जित करना।

चार चरण — जिनमें इंसानों के साथ-साथ चुपचाप चलते हुए बिताए गए महीने भी शामिल हैं।

1

कॉन्सेप्चुअलाइज़ेशन

ऑपरेटरों के साथ लागत फ़ंक्शन की परिभाषा: एक फेंका गया भोजन बनाम एक खाली फ्रिज।

2

डिज़ाइन

योजना दृश्य जो बताते हैं कि क्या पकाना है — न कि ऐसे डैशबोर्ड जो « निर्भर करता है » जवाब देते हैं।

3

डेवलपमेंट

इन्जेशन, फ़ीचर पाइपलाइन, मॉडल और स्वचालित रीट्रेनिंग चक्र।

4

डिप्लॉयमेंट

इंसानी योजनाओं के विरुद्ध शैडो मोड में परीक्षण, फिर स्थान-दर-स्थान रोलआउट।

मुश्किल हिस्से

जिसने हमारी नींद उड़ा दी।

वे समस्याएँ जो तय करती थीं कि उत्पाद काम करता है या नहीं, बस इतनी सी बात।

01

ऑटोमेशन से पहले भरोसा

प्लानर किसी ब्लैक बॉक्स को नज़रअंदाज़ कर देते हैं। मॉडल इंसानी योजनाओं के विरुद्ध शैडो मोड में तब तक चला जब तक उसके ट्रैक रिकॉर्ड ने — न कि उसके गणित ने — बहस जीत नहीं ली।

02

शून्य से शुरू होने वाले स्थान

नए स्थानों के पास कोई इतिहास नहीं होता। मिलते-जुलते स्थानों से ट्रांसफ़र पहले दिन से ही फ़ोरकास्ट देता है, जो स्थानीय डेटा आने के साथ अभिसरित होते जाते हैं।

03

बदलते नेटवर्क में ड्रिफ़्ट

मेन्यू घूमते हैं, स्थान खुलते हैं, मौसम बदलते हैं। स्वचालित रीट्रेनिंग और सटीकता मॉनिटरिंग समय के साथ 98% को ईमानदार बनाए रखती हैं।

आर्किटेक्चर

टेक स्टैक।

पूरे फ्रिज नेटवर्क पर फैला एक लर्निंग चक्र।

PythonNode.jsMySQLRedisElasticSearch
परिणाम

वे आँकड़े जिन्हें मालिक देखते हैं।

प्लेटफ़ॉर्म ने पहली ही तिमाही में अपनी लागत वसूल ली — फिर इसे डिमांड प्लानिंग तक बढ़ाया गया।

98%सटीकता

एक प्रोडक्शन आँकड़ा, जो वाकई बिकी चीज़ के विरुद्ध मापा गया — न कि किसी टेस्ट सेट की डींग।

−58%स्टॉक-आउट

खाली-फ्रिज वाले पल धराशायी हुए; ग्राहक होने पर लंच मौजूद होता है।

−41%अतिरिक्त इन्वेंट्री

कूड़े के लिए कम ताज़ा भोजन पकाया गया — मार्जिन और टिकाऊपन, एक ही लीवर।

फ़ोरकास्टिंग प्लेटफ़ॉर्म ने पहली ही तिमाही में अपनी लागत वसूल ली। छह महीने बाद, हमने CODT से वही तरीका डिमांड प्लानिंग पर लागू करने को कहा — वे दोनों को एक ही उत्पाद की तरह बरतते हैं।
Yi-Ning Hsiao
इन्वेंट्री प्रमुख · FeelEat
अब आपकी बारी

कोई ऐसी समस्या है जिसे
अच्छी तरह हल करना ज़रूरी है?

हमें अपने प्रोडक्ट, अपनी समयसीमा और अपनी बाधाओं के बारे में बताएँ। हम एक कार्यदिवस के भीतर फ़िट, स्कोप और सही टीम पर एक ईमानदार राय के साथ जवाब देते हैं।