Upserve-Fallstudie

Upserve, ursprünglich bekannt als Swipely, ist ein Anbieter von Software und mobilen Point-of-Sale-Lösungen, der Restaurantbesitzern in den USA eine cloudbasierte Restaurantverwaltungsplattform anbietet. Die Software des Unternehmens bietet Gastronomen alles, was sie wissen müssen, an einem einzigen Ort, mit Anleitungen in Echtzeit, die auf Verkaufs- und Trenddaten basieren. Die Software lässt sich in Kassensysteme und Terminals integrieren und ermöglicht es Gastronomen, mit Kundenausgaben, sozialen Medien und anderen Daten zu interagieren.

Upserve erfasst Datenströme wie Kreditkartenzahlungen und Menütrends und wandelt die Daten dann in Analyseberichte für Gastronomen um. „Wir setzen uns dafür ein, Restaurantbesitzer in die Lage zu versetzen, ihre Kunden mithilfe von Daten besser zu bedienen“, sagt Bright Fulton, Director of Infrastructure Engineering bei Upserve. „Neben der Bereitstellung von Zahlungsdaten und Reservierungssystemdaten integrieren wir auch Online-Bewertungsseiten und führen Stimmungsanalysen durch. Wir erfassen all diese Informationen und setzen sie über mobile Apps in umsetzbare Berichte und interaktive Dashboards um. Wir sind wie ein Geschäftsführer in der Cloud für vielbeschäftigte Gastronomen.“

In den letzten Jahren hat sich Upserve bemüht, Restaurants mit prädiktiveren Analysen zu versorgen. „Es ist sehr wichtig, Restaurantbesitzern zu sagen, was mit den Verkaufs- und Menütrends passiert ist, aber es ist noch wichtiger, ihnen zu sagen, was passieren wird“, sagt Fulton. „Wir wollten herausfinden, wie wir unseren Benutzern Prognosefunktionen zur Verfügung stellen können, indem wir die Technologie des Machine Learnings nutzen.“

Als das Unternehmen verschiedene Technologien für Machine Learning (ML) in Betracht zog, wurde schnell klar, dass eine cloudbasierte Lösung am besten geeignet wäre. „Angesichts der Tausenden von Restaurants, die wir bedienen, wussten wir, dass ein Machine-Learning-Modell, das für das eine Restaurant funktioniert, bei der Vorhersage des Kundenverhaltens in einem anderen möglicherweise nicht funktioniert“, sagt Fulton. „Die Idee, viele benutzerdefinierte Modelle für Machine Learning für jeden Kunden zu erstellen, schien eine große Herausforderung zu sein. Wir mussten auch in der Lage sein, die Modelle auf der Grundlage der eingehenden Datenmenge einfach zu skalieren. Aus diesen Gründen haben wir uns entschieden, Machine Learning als Service in Betracht zu ziehen.“

Upserve entschied sich für Amazon Machine Learning (Amazon ML), einen cloudbasierten Service, der Visualisierungstools und Assistenten bereitstellt, um Entwickler durch den Prozess der Erstellung und des Trainings von Modellen zu führen, ohne ML-Algorithmen erlernen zu müssen. „Die Idee, dass Amazon ML es uns ermöglichen könnte, ML-Modelle schnell selbst zu entwickeln, gefiel uns“, sagt Fulton.

Außerdem war Upserve bereits stark in die Amazon Web Services (AWS) Cloud investiert. Das Unternehmen verwendet Amazon EC2 Container Service (Amazon ECS) für die Bereitstellung und Verwaltung von Servicecontainern, AWS Data Pipeline und Amazon Elastic Map Reduce (Amazon EMR) für die flexible Batch-Verarbeitung und Amazon Simple Storage Service (Amazon S3), Amazon DynamoDB und Amazon Relational Database Service (Amazon RDS), um Hunderte von Terabyte an Restaurantdaten zu speichern und zu verarbeiten. „Wir haben ein hohes Maß an Vertrauen in AWS, insbesondere wenn es um neue Services geht“, sagt Fulton. „Wir waren die ersten Anwender von Amazon ECS und Data Pipeline, die sich beide als gute Entscheidung herausstellten. AWS war schon immer eine gute Wahl für uns.“

Upserve begann, Amazon ML zu verwenden, um prädiktive Modelle für seine Anwendung Shift Prep zu erstellen. Shift Prep integriert Tischmanagement, Point-of-Sale und andere Systeme, um vorherzusagen, wie viele Personen an einem bestimmten Abend speisen werden und welche Menüposten beliebt sein werden. Mithilfe von Amazon ML entwickelte Upserve mehr als 100 Modelle für Machine Learning, die Restaurantdaten, einschließlich Bestellinformationen und Zahlungsabwicklungsdaten, in Echtzeit erfassen. Die Modelle verwenden Faktoren wie die Anzahl der geplanten Reservierungen, Verkaufsstatistiken für denselben Tag des Vorjahres sowie den Verlauf der Kundenausgaben und Menüpräferenzen. Upserve trainiert die Modelle wöchentlich neu.

Das Unternehmen nimmt die Analyse des Machine Learnings in eine tägliche E-Mail auf, die über Shift Prep an Restaurantbesitzer gesendet wird. „Mithilfe von Amazon Machine Learning können wir die Gesamtzahl der Kunden vorhersagen, die an einem Abend durch die Türen eines Restaurants kommen werden“, sagt Fulton. „Dadurch können Gastronomen ihr Personal für diesen Abend besser vorbereiten und planen. Wenn beispielsweise mehr Kunden erwartet werden, könnten Restaurantbesitzer mehr Mitarbeiter hinzuziehen. Darüber hinaus können sie die Analysen, die wir über Shift Prep bereitstellen, verwenden, um bestimmte Menüposten auf der Grundlage des Verkaufsverlaufs und der Beliebtheit zu planen.

Upserve verließ sich auf Amazon ML und war in der Lage, schnell und einfach prädiktive Modelle zu entwickeln und zu trainieren. „Für uns war die schnelle Umsetzbarkeit ein entscheidender Faktor für den Einsatz von Amazon Machine Learning, weil wir Gastronomen so schnell wie möglich prädiktive Analysen zur Verfügung stellen wollten“, sagt Fulton. „Von dem Zeitpunkt, an dem wir uns für den Einsatz der Technologie entschieden haben, bis zu dem Moment, in dem wir anfingen, prädiktive Daten in den täglichen E-Mails, die wir versenden, zu verwenden, vergingen nur zwei Wochen. Und wir sahen sofort, dass Amazon ML die Ausgangsbasis für die Vorhersage der Auslastung am Abend übertraf.“

Upserve war aufgrund der Benutzerfreundlichkeit der Technologie in der Lage, Amazon ML so schnell zum Laufen zu bringen. „Das API-orientierte Design von Amazon Machine Learning machte es uns sehr einfach, unsere Modelle zu entwickeln und zu trainieren und damit zu beginnen, Vorhersagen zu erhalten“, sagt Fulton. „Es war nicht viel Konfiguration erforderlich – wir haben die Tools verwendet, mit denen wir bereits vertraut waren. Amazon Machine Learning hat die Entwicklung erheblich vereinfacht und gleichzeitig die Genauigkeit unserer Prognosen erhöht.“

Das Unternehmen kann seinen Kunden auch die Möglichkeit geben, die Rentabilität zu steigern, da Restaurantbesitzer vorhersagen können, wie voll ihre Restaurants an bestimmten Abenden sein werden. Somit lassen sich die Personal- und Lebensmittelkosten effizienter planen. „Es ist wirklich wichtig, die Kunden und ihre Wünsche zu verstehen und sogar einen Schritt voraus zu sein und zu wissen, was sie wollen, bevor sie es wollen“, sagt Andy Husbands, Koch und Inhaber des Restaurants Tremont 647 in Boston, Massachusetts. „Upserve hat unsere Sichtweise auf die Dinge wirklich verändert. Es macht es für uns einfacher, wirklich unsere Vergangenheit und Zukunft zu sehen, zu verstehen, wer unsere Gäste sind, sie besser zu verfolgen und mit ihnen zu kommunizieren.“

Upserve plant, den Einsatz von Amazon ML auszuweiten, um mehr prädiktive Modelle zu entwickeln. „Wir gehen davon aus, dass wir schnell auf Tausende von Modellen anwachsen werden“, sagt Fulton. „Irgendwann möchten wir dies auf all unsere mehr als 7 000 Kunden ausweiten. Wir freuen uns sehr auf die Zukunft dieser Technologie.“