Upserve 사례 연구

Upserve(이전 Swipely)는 미국 전역의 레스토랑 소유주에게 클라우드 기반 레스토랑 관리 플랫폼을 제공하는 소프트웨어 및 모바일 POS 제공 업체입니다. 이 회사의 소프트웨어는 레스토랑 경영자가 알아야 할 모든 정보를 한 곳에서 제공하며, 판매 및 트렌드 데이터를 기반으로 실시간 안내합니다. 또한 POS 시스템 및 터미널과 통합된 소프트웨어 사용으로 레스토랑 경영자는 고객 지출, 소셜 미디어 및 기타 데이터와 상호 작용할 수 있습니다.

Upserve는 신용 카드 결제 및 메뉴 트렌드를 비롯한 데이터 스트림을 캡처한 다음, 이 데이터를 레스토랑 경영자를 위한 분석 보고서로 변환합니다. Upserve의 Director of Infrastructure Engineering을 맡고 있는 Bright Fulton은 "저희는 레스토랑 소유주가 데이터를 통해 고객에게 더 나은 서비스를 제공할 수 있도록 최선을 다하고 있습니다."라고 말합니다. "결제 데이터 및 예약 시스템 데이터 제공 외에도 온라인 리뷰 사이트와 통합하여 감정 분석을 수행하고 있습니다. 우리는 이 모든 정보를 수집하고 모바일 앱을 통해 실행 가능한 보고서 및 대화형 대시보드에 반영합니다. 바쁜 레스토랑을 위한 클라우드 상의 총괄 관리자라고 할 수 있습니다."

Upserve는 지난 몇 년 동안 레스토랑에 더 유용한 예측 분석을 제공하기 위해 노력해 왔습니다. Fulton은 "레스토랑 주인에게 판매 및 메뉴 항목 트렌드에 어떤 변화가 있었는지 알려주는 것도 중요하지만, 앞으로 일어날 일을 알려주는 편이 훨씬 더 효과적입니다."라고 말합니다. "우리는 기계 학습 기술을 활용하여 사용자에게 예측 기능을 제공할 수 있는 방법을 찾고 싶었습니다."

회사는 다양한 기계 학습(ML) 기술을 고려하는 과정에서 클라우드 기반 솔루션이 가장 적합함을 금세 깨달았습니다. Fulton은 "우리가 서비스를 제공하는 수천 개의 레스토랑을 통해 어떤 곳에서는 효과가 있는 기계 학습 모델이 어떤 레스토랑의 고객 행동을 예측하는 데는 효과가 없을 수도 있다는 것을 알았습니다."라고 말합니다. "그런 상황에서 각 고객을 위한 다양한 맞춤형 기계 학습 모델을 만들겠다는 발상은 어려운 도전처럼 보였습니다. 또한, 들어오는 데이터의 양에 따라 모델 규모를 쉽게 조정할 수 있어야 했습니다. 이러한 이유로 우리는 서비스형 기계 학습을 살펴보기로 결정했습니다."

Upserve는 개발자가 ML 알고리즘을 배울 필요 없이 시각화 도구 및 마법사를 통해 모델 생성과 훈련 과정을 안내받을 수 있는 클라우드 기반 서비스인 Amazon Machine Learning(Amazon ML)을 사용하기로 결정했습니다. Fulton은 "Amazon ML을 통해 자체적으로 ML 모델을 빠르게 개발할 수 있다는 아이디어가 마음에 들었습니다."라고 말합니다.

또한, Upserve는 이미 Amazon Web Services(AWS) 클라우드에 막대한 투자를 하고 있었습니다. 이 조직은 Amazon EC2 Container Service(Amazon ECS)를 사용하여 서비스 컨테이너를 프로비저닝 및 관리하고, AWS Data Pipeline과 Amazon Elastic Map Reduce(Amazon EMR)을 사용하여 유연하게 일괄적으로 처리하며, Amazon Simple Storage Service(S3), Amazon DynamoDB, Amazon Relational Database Service(RDS)를 사용하여 수백 테라바이트의 레스토랑 데이터를 저장하고 처리합니다. "특히 새로운 서비스 관련하여 AWS에 대한 신뢰도가 높습니다. 우리는 Amazon ECS와 Data Pipeline을 조기에 도입했는데, 둘 다 좋은 선택이었습니다. AWS는 언제나 저희에게 훌륭한 선택지였습니다." Fulton은 이렇게 평가합니다.

Upserve는 Amazon ML을 사용하여 Shift Prep 애플리케이션을 위한 예측 모델을 만들기 시작했습니다. Shift Prep은 테이블 관리, POS 및 기타 시스템을 통합하여 매일 저녁 식사 인원과 인기 메뉴를 예측합니다. Upserve는 Amazon ML을 사용하여 주문 정보 및 결제 처리 데이터를 비롯한 레스토랑 데이터를 실시간으로 수집하는 100개 이상의 기계 학습 모델을 개발했습니다. 이런 모델에서는 예약 건수, 전년도 같은 날짜의 매출 통계, 고객 지출 및 선호 메뉴 기록과 같은 요소를 사용합니다. 게다가 Upserve는 매주 모델을 업데이트합니다.

또한 회사는 Shift Prep을 통해 식당 주인에게 매일 보내는 이메일에 기계 학습 분석 결과를 포함합니다. Fulton은 이를 다음과 같이 말합니다. "Amazon Machine Learning을 사용하면서 저녁 시간대에 레스토랑을 방문할 전체 고객 수를 예측할 수 있게 되었습니다. 결과적으로 레스토랑 경영자는 저녁 시간 직원 배치를 더 잘 준비하고 계획할 수 있습니다. 예를 들어, 손님이 많을 것으로 예상되면 점주는 직원을 더 많이 배치할 수 있죠. 또한, Shift Prep을 통해 제공되는 분석을 사용하여 판매 내역 및 인기에 따라 특정 메뉴를 준비할 수 있습니다."

Upserve는 Amazon ML을 사용하여 예측 모델을 빠르고 쉽게 개발하고 훈련할 수 있었습니다. "Amazon Machine Learning을 선택한 핵심 요소는 바로 속도였습니다. 레스토랑 경영자에게 가능한 한 빨리 예측 분석을 제공하고 싶었습니다."라고 Fulton은 말합니다. "기술을 사용하기로 결정한 시점부터 매일 보내는 이메일에 예측 데이터를 사용하기 시작할 때까지 단 2주밖에 걸리지 않았습니다. 그리고 Amazon ML이 야간 분석 예측의 기준보다 훨씬 앞서는 것을 즉시 확인할 수 있었습니다."

AWS 기술의 사용 편의성 덕분에 Upserve는 Amazon ML에서 매우 빠르게 시작하고 실행할 수 있었습니다. "Amazon Machine Learning의 API 중심 설계 덕분에 모델을 개발 및 훈련하고 예측을 시작하기가 매우 쉬워졌습니다."라고 Fulton은 말합니다. "구성이 많이 필요하지 않았습니다. 이미 익숙한 도구를 사용했으니까요. Amazon Machine Learning 덕분에 개발의 복잡성이 크게 줄어든 반면 예측의 정확도는 높아졌습니다."

또한, 레스토랑 점주가 특정한 날 저녁에 레스토랑이 얼마나 붐빌지 예측하고 인건비와 식재료비를 더 효율적으로 지출할 수 있기 때문에 고객의 수익성도 높아질 수 있습니다. 매사추세츠주 보스턴에 있는 Tremont 647 레스토랑의 주방장 겸 점주인 Andy Husbands는 "고객과 고객이 원하는 바를 이해하고, 심지어 고객이 무엇을 원할지 예측하는 것이 정말 중요합니다"라고 말합니다. "Upserve를 통해 우리의 관점이 완전히 달라졌습니다. 그 덕분에 과거를 돌아보고 미래를 내다보며, 손님이 어떤 사람인지 더 잘 이해하고, 손님의 선호를 추적하며 소통하기가 더 쉬워졌습니다."

Upserve는 Amazon ML 사용을 확대하여 더 많은 예측 모델을 개발할 예정입니다. Fulton은 "모델이 수천 개로 성장할 것"으로 예상합니다. "최종적으로는 이를 7,000명이 넘는 고객 모두로 확대하고 싶습니다. 이 기술의 미래를 크게 기대하고 있습니다."