Studi Kasus Upserve

Upserve, awalnya dikenal sebagai Swipely, adalah penyedia perangkat lunak dan titik penjualan seluler yang menawarkan platform manajemen restoran berbasis cloud kepada pemilik restoran di seluruh AS. Perangkat lunak perusahaan memberi semua hal yang perlu diketahui oleh para pemilik restoran di satu tempat, dengan panduan waktu nyata berdasarkan data penjualan dan tren. Perangkat lunak ini terintegrasi dengan sistem dan terminal titik penjualan, dan memungkinkan pemilik restoran untuk berinteraksi dengan pengeluaran pelanggan, media sosial, dan data lainnya.

Upserve menangkap aliran data, termasuk pembayaran kartu kredit dan tren menu, lalu mengubah data tersebut menjadi laporan analitis untuk pemilik restoran. “Kami mengabdikan diri untuk memberdayakan para pemilik restoran agar dapat melayani pelanggan mereka dengan lebih baik melalui data,” kata Bright Fulton, director of infrastructure engineering untuk Upserve. “Selain menyediakan data pembayaran dan data sistem reservasi, kami juga mengintegrasikan dengan situs ulasan online dan melakukan analisis sentimen. Kami mengumpulkan semua informasi ini dan memasukkannya ke laporan yang dapat ditindaklanjuti dan dasbor interaktif melalui aplikasi seluler. Kami seperti manajer umum di cloud untuk pemilik restoran yang sibuk.”

Selama beberapa tahun terakhir, Upserve telah berusaha untuk menyediakan analisis yang lebih prediktif bagi banyak restoran. “Memberi tahu pemilik restoran apa yang terjadi dengan tren penjualan dan item menu sangatlah penting, tetapi memberi tahu mereka apa yang akan terjadi adalah hal yang jauh lebih efektif,” kata Fulton. “Kami ingin menemukan cara agar dapat memberikan kemampuan prediksi ke tangan pengguna kami dengan memanfaatkan teknologi machine learning.”

Saat perusahaan mempertimbangkan teknologi machine learning (ML) yang berbeda, perusahaan tersebut menyadari bahwa solusi berbasis cloud adalah yang paling tepat. “Dengan ribuan restoran yang kami layani, kami tahu bahwa model machine learning yang cocok untuk satu restoran mungkin tidak cocok untuk memprediksi perilaku pelanggan di restoran lain,” kata Fulton. “Gagasan untuk membuat banyak model machine learning khusus bagi setiap pelanggan sepertinya merupakan tantangan yang besar. Kami juga harus dapat menskalakan model dengan mudah berdasarkan volume data yang masuk. Untuk alasan ini, kami memutuskan untuk mengeksplorasi machine learning sebagai layanan.”

Upserve memutuskan ingin menggunakan Amazon Machine Learning (Amazon ML), layanan berbasis cloud yang menyediakan alat visualisasi dan wizard untuk memandu developer melalui proses pembuatan dan pelatihan model tanpa perlu mempelajari algoritma ML. “Kami menyukai gagasan bahwa Amazon ML dapat memungkinkan kami untuk mengembangkan model ML sendiri dengan cepat,” kata Fulton.

Selain itu, Upserve sudah banyak berinvestasi di Amazon Web Services (AWS) Cloud. Organisasi ini menggunakan Amazon EC2 Container Service (Amazon ECS) untuk menyediakan dan mengelola kontainer layanan, AWS Data Pipeline, dan Amazon Elastic Map Reduce (Amazon EMR) untuk pemrosesan batch yang fleksibel, dan Amazon Simple Storage Service (Amazon S3), Amazon DynamoDB, dan Amazon Relational Database Service (Amazon RDS) untuk menyimpan dan memproses ratusan terabita data restoran. “Kami memiliki tingkat kepercayaan yang tinggi pada AWS, terutama dalam hal layanan baru,” kata Fulton. “Kami adalah pengguna awal Amazon ECS dan Data Pipeline, kedua layanan ini ternyata merupakan pilihan yang tepat. AWS selalu menjadi pilihan yang tepat bagi kami.”

Upserve mulai menggunakan Amazon ML untuk membuat model prediktif untuk aplikasi Shift Prep miliknya. Shift Prep mengintegrasikan manajemen tabel, titik penjualan, dan sistem lain untuk memprakirakan berapa banyak orang yang akan makan di restoran pada malam tertentu dan item menu apa saja yang akan populer. Berkat Amazon ML, Upserve mengembangkan lebih dari 100 model machine learning, yang mengumpulkan data restoran, termasuk informasi pesanan dan data pemrosesan pembayaran secara waktu nyata. Model tersebut menggunakan faktor-faktor, seperti jumlah reservasi yang dijadwalkan, statistik penjualan untuk hari yang sama pada tahun sebelumnya, serta riwayat pengeluaran pelanggan dan preferensi menu. Upserve melatih kembali model tersebut setiap minggu.

Perusahaan menyertakan analisis machine learning sebagai bagian dari email harian yang dikirim ke pemilik restoran melalui Shift Prep. “Berkat Amazon Machine Learning, kami dapat memprediksi jumlah total pelanggan yang akan datang ke restoran dalam satu malam,” kata Fulton. “Hasilnya, para pemilik restoran dapat mempersiapkan dan merencanakan staf mereka dengan lebih baik untuk malam tersebut. Misalnya, jika diperkirakan akan banyak pelanggan, pemilik restoran dapat merekrut lebih banyak karyawan. Selain itu, mereka dapat menggunakan analisis yang kami sediakan melalui Shift Prep untuk merencanakan item menu tertentu berdasarkan riwayat penjualan dan popularitas.

Dengan mengandalkan Amazon ML, Upserve dapat mengembangkan dan melatih model prediktif dengan cepat dan mudah. “Bagi kami, kecepatan produksi adalah faktor kunci dalam memilih Amazon Machine Learning karena kami ingin mendapatkan analisis prediktif bagi pemilik restoran secepat mungkin,” kata Fulton. “Hanya butuh dua minggu sejak kami memutuskan untuk menggunakan teknologi ini hingga kami mulai menggunakan data prediktif dalam email harian yang kami kirimkan. Dan kami langsung melihat Amazon ML melampaui standar dalam memprediksi penjualan setiap malamnya.”

Upserve dapat aktif dan berjalan di Amazon ML dengan begitu cepat karena kemudahan penggunaan teknologinya. “Desain Amazon Machine Learning yang berpusat pada API memudahkan kami untuk mengembangkan dan melatih model, serta mulai mendapatkan prediksi,” kata Fulton. “Tidak banyak konfigurasi yang diperlukan—kami menggunakan alat yang sudah pernah kami pakai. Amazon Machine Learning menghilangkan banyak kompleksitas pengembangan sekaligus meningkatkan akurasi prediksi kami.”

Perusahaan juga dapat memberi pelanggannya kemampuan untuk meningkatkan profitabilitas karena pemilik restoran dapat memprediksi seberapa penuh restoran mereka pada malam tertentu serta lebih efisien dalam menghabiskan biaya tenaga kerja dan makanan. “Memahami pelanggan dan apa yang mereka inginkan, serta menjadi yang terdepan dan mengetahui apa yang mereka inginkan sebelum mereka menginginkannya adalah hal yang sangat penting,” ujar Andy Husbands, Chef dan Owner restoran Tremont 647 di Boston, Massachusetts. “Upserve benar-benar mengubah cara kami memandang sesuatu. Upserve memudahkan kami untuk benar-benar melihat masa lalu dan masa depan, memahami siapa tamu kami, serta melacak dan berkomunikasi dengan mereka dengan lebih baik.”

Upserve berencana untuk memperluas penggunaan Amazon ML guna mengembangkan model yang lebih prediktif. “Kami berharap dapat tumbuh menjadi ribuan model secepatnya,” kata Fulton. “Pada akhirnya, kami ingin memperluas layanan ini ke lebih dari 7.000 pelanggan kami. Kami sangat bersemangat dengan masa depan teknologi ini.”