Étude de cas Upserve

Upserve, anciennement appelé Swipely, est un fournisseur de logiciels et de points de vente mobiles qui propose aux propriétaires de restaurants à travers les États-Unis une plateforme de gestion de restaurants fondée sur le cloud. Le logiciel de cette entreprise fournit aux restaurateurs tout ce dont ils ont besoin en un seul endroit, comme des conseils en temps réel basés sur les ventes ou les données de tendance. Le logiciel s'intègre aux systèmes de points de vente et aux terminaux, et permet aux restaurateurs d'interagir avec les dépenses de leurs clients, les réseaux sociaux et autres données.

Upserve capture les flux de données, notamment les paiements par carte de crédit et les tendances des menus, puis les transforme en rapports analytiques destinés aux restaurateurs. « Nous nous engageons à donner aux restaurateurs les moyens de mieux servir leurs clients grâce aux données », déclare Bright Fulton, directeur de l'ingénierie des infrastructures chez Upserve. « En plus de fournir des données de paiement et des données relatives au système de réservation, nous intégrons également des sites d'évaluation en ligne et nous procédons à une analyse des sentiments. Nous collectons toutes ces informations et les intégrons dans des rapports exploitables et des tableaux de bord interactifs par le biais d'applications mobiles. Nous sommes comparables à un directeur général dans le cloud pour les restaurateurs très occupés. »

Au cours des dernières années, Upserve s'est efforcé de fournir aux restaurants des analyses plus prédictives. « Il est très important d'informer les restaurateurs de l'évolution des ventes et des produits du menu, mais il est encore plus important de leur dire ce qui va se passer », déclare M. Fulton. « Nous souhaitions découvrir comment mettre les capacités de prédiction à la disposition de nos utilisateurs en tirant parti de la technologie de machine learning. »

Alors que l'entreprise envisageait différentes technologies de machine learning (ML), elle s'est rapidement rendu compte qu'une solution basée sur le cloud s'imposerait. « Avec les milliers de restaurants que nous servons, nous savions qu'un modèle de machine learning qui fonctionne pour l'un pourrait ne pas fonctionner pour prédire le comportement des clients d'un autre », explique M. Fulton. « L'idée de créer de nombreux modèles de machine learning personnalisés pour chaque client semblait constituer un défi de taille. Nous devions également être en mesure de facilement mettre à l'échelle les modèles en fonction du volume de données entrant. C'est pourquoi nous avons décidé d'explorer le machine learning en tant que service. »

Upserve a décidé d'utiliser Amazon Machine Learning (Amazon ML), un service basé sur le cloud qui propose des outils et des assistants de visualisation pour guider les développeurs tout au long du processus de création et d'entraînement de modèles sans avoir à apprendre des algorithmes de ML. « Nous avons aimé l'idée qu'Amazon ML puisse nous permettre de développer rapidement des modèles de machine learning par nous-mêmes », explique M. Fulton.

En outre, Upserve avait déjà investi considérablement dans le cloud Amazon Web Services (AWS). L'organisation utilise Amazon EC2 Container Service (Amazon ECS) pour allouer et gérer des conteneurs de services, AWS Data Pipeline et Amazon Elastic Map Reduce (Amazon EMR) pour un traitement par lots flexible, mais aussi Amazon Simple Storage Service (Amazon S3), Amazon DynamoDB et Amazon Relational Database Service (Amazon RDS) pour stocker et traiter les centaines de téraoctets de données de restaurants. « Nous avons une grande confiance dans AWS, surtout lorsqu'il s'agit de nouveaux services », déclare M. Fulton. « Nous avons été parmi les premiers à adopter Amazon ECS et Data Pipeline, deux options qui se sont révélées être des choix pertinents. AWS a toujours constitué un excellent choix pour nous. »

Upserve a commencé à utiliser Amazon ML afin de créer des modèles prédictifs pour son application Shift Prep. Shift Prep intègre la gestion des tables, les systèmes de point de vente et d'autres systèmes pour prévoir le nombre de personnes qui dîneront chaque soir et quels plats du menu auront le plus de succès. À l'aide d'Amazon ML, Upserve a développé plus de 100 modèles de machine learning, qui collectent des données de restaurants, notamment des informations sur les commandes et des données de traitement des paiements en temps réel. Ces modèles utilisent des facteurs tels que le nombre de réservations prévues, les statistiques de vente pour le même jour de l'année précédente et l'historique des dépenses des clients et des préférences des menus. Upserve réentraîne les modèles chaque semaine.

L'entreprise inclut l'analyse de machine learning dans un e-mail envoyé chaque semaine aux restaurateurs via Shift Prep. « Grâce à Amazon Machine Learning, nous pouvons prédire le nombre total de clients qui entreront dans un restaurant donné en une soirée », explique M. Fulton. « Les restaurateurs peuvent ainsi mieux planifier et préparer leur personnel pour cette soirée spécifique. » Par exemple, si l'on attend plus de clients, les restaurateurs pourraient recourir à davantage d'employés. En outre, ils peuvent utiliser l'analyse que nous fournissons via Shift Prep pour planifier des plats spécifiques en fonction de l'historique des ventes et de la popularité.

En s'appuyant sur Amazon ML, Upserve a pu développer et entraîner rapidement et facilement des modèles prédictifs. « Pour nous, la rapidité de production a été un facteur essentiel dans le choix d'Amazon Machine Learning, car nous souhaitions proposer des analyses prédictives aux restaurateurs le plus rapidement possible », explique M. Fulton. « Deux semaines seulement se sont écoulées entre le moment où nous avons décidé d'utiliser la technologie et le moment où nous avons commencé à utiliser les données prédictives dans les e-mails que nous envoyons quotidiennement. En outre, nous avons immédiatement constaté qu'Amazon ML avait dépassé la référence en matière de prévisions de couverts par soirée. »

Upserve a pu être rapidement opérationnel sur Amazon ML grâce à sa facilité d'utilisation. « La conception centrée sur les API d'Amazon Machine Learning nous a permis de développer et d'entraîner nos modèles très facilement, ainsi qu'à commencer à obtenir des prévisions », poursuit M. Fulton. « Peu de configurations étaient nécessaires, alors nous avons utilisé les outils que nous connaissions déjà. Amazon Machine Learning a éliminé une grande partie de la complexité du développement tout en augmentant la précision de nos prévisions. »

L'entreprise peut également donner à ses clients la possibilité d'augmenter leur rentabilité, car les restaurateurs peuvent ainsi prévoir le taux de remplissage de leurs établissements certains soirs et gérer plus efficacement les coûts de main-d'œuvre et de nourriture. « Il est très important de comprendre vos clients et ce qu'ils veulent, et même d'avoir une longueur d'avance et de savoir ce qu'ils souhaitent avant eux », explique Andy Husbands, chef et propriétaire du restaurant Tremont 647 à Boston, dans le Massachusetts. « Upserve a vraiment changé notre façon de voir les choses. Il nous permet de jeter un regard sur le passé et de voir l'avenir, de comprendre qui sont nos clients, de mieux les suivre et de mieux communiquer avec eux. »

Upserve prévoit d'étendre son utilisation d'Amazon ML pour développer davantage de modèles prédictifs. « Nous prévoyons de passer rapidement à des milliers de modèles », déclare M. Fulton. « À terme, nous aimerions étendre ce service à l'ensemble de nos quelque 7 000 clients. Nous sommes très enthousiastes quant à l'avenir de cette technologie. »