Domino’s Pizza è tra gli esempi migliori di come la tecnologia applicata ai business tradizionali possa aumentare le vendite, migliorare l’efficienza produttiva e la customer experience.
Infatti Domino’s Pizza ha in passato fatto uso di tecnologie di natural language processing per la creazione di un ChatBot con DialogFlow, una piattaforma di Google per la creazione di assistenti virtuali che apprendono autonomamente.
Vuoi approfondire? Ecco a te il link.
Oggi vediamo invece un caso concreto di applicazione di machine learning in un ambiente inusuale: una franchising di pizzerie.
L’obiettivo è quello di capire perché sia stata scelta questa tecnologia, quali vantaggi abbia conferito rispetto alle soluzioni esistenti, e allenare la nostra mente a individuare casi di applicazione di machine learning, allenare quindi il nostro Business Mindset.
Domino’s Pizza Cognitive Rostering System
Devi sapere che il consumo di pizza non è costante.
In questo momento potresti aver pensato: “Beh ovvio Andrea, poche cose sono costanti!“
Chiarissimo, hai ragione.
Oggi intendo allenare la tua mente a vedere oltre, applicare una mentalità business oriented a una banalità e trasformarla in un’informazione preziosa con cui aumentare gli introiti.
Vedi, questa considerazione apparentemente banale ha risvolti difficilmente gestibili.
Lascia che ti spieghi perché.
Turni di lavoro in Domino’s | Staff rosters
Immedesimati nei panni del manager di una filiale.
Hai abilmente orchestrato i turni di lavoro dei tuoi 10 dipendenti in modo che ci sia sempre un preciso e costante numero di persone nel locale.
Ora, sei intelligente e hai una visione superiore alla media per cui sai che non puoi aspettarti che dal lunedì alla domenica entrino nel locale un ugual numero di clienti.
Nel fine settimana e il Mercoledì (giorno scelto a caso) hai un numero superiore di ordinazioni, quindi aumenti il tuo personale in quei giorni riducendolo altrove.
Questa prima soluzione presenta presto le sue limitazioni: ci sono giorni, apparentemente imprevedibili, in cui il locale è pieno, il telefono squilla costantemente, i clienti e i rider dei servizi di delivery aspettano in coda gli ordini che la tua cucina fatica a gestire.
In altri giorni di calma piatta, l’unico desolante rumore nel locale è quello della legna che arde nel forno con i tuoi tre dipendenti che fanno la guardia alla polvere del locale.
In sintesi:
- Recensioni negative su Google Maps e Trip Advisor, con foto della lunga coda nel locale, che allontanano potenziali clienti
- Cattiva gestione delle risorse, e scarsa efficienza globale
Questa situazione non è sostenibile.
Machine Learning per Domino’s
Decidi di rivolgerti a una azienda specializzata in soluzioni d’intelligenza artificiale e scopri ciò di cui hai bisogno.
Un Cognitive Rostering System capace di prevedere le serate più movimentate.
Un sistema di questo tipo prende in considerazione lo storico di vendite passate, centinaia di milioni di ordini*, la guida TV e le promozioni dell’azienda in corso per prevedere accuratamente i volumi d’ordine.
I clienti e i riders smettono di aspettare ore in coda, il locale e la cucina gestiscono ora un flusso costante di persone nei periodi più movimentati e il personale nei giorni calmi è ridotto al minimo.
*Sebbene un singolo locale difficilmente sia in grado di produrre un simile volume, il sistema sviluppato per Domino’s Pizza può fare affidamento ai dati di migliaia di filiali sparse nel mondo.
This was a challenging problem, with 15-minute prediction periods giving us a very volatile/stochastic target variable – a PITA for forecasting accuracy.
Definitely a fun one to work on, with what turned out to be some nice custom pre/post-processing to get a large uplift over SOTA auto-regressive and deep learning approaches.
Alcune considerazioni
Intendo ragionare con te su alcuni punti chiave che ritengo fondamentali.
Potenziamo il nostro mindest e pensiamo insieme.
ROI e Dati
Un sistema di questo tipo è applicabile tenendo a mente due concetti base che sono:
- Il ROI previsto
- La quantità e l’accessibilità dei dati
Sebbene il problema accomuni migliaia di locali in tutto il mondo, la soluzione di un Cognitvie Rostering System realizzato ad-hoc, non è scalabile.
Per una singola pizzeria sarebbe difficile andare a realizzare un sistema come quello di Domino’s:
- Non ci sarebbero dati a sufficienza per un modello con queste prestazioni;
- il ROI, il ritorno d’investimento inteso come aumento di volumi d’ordine e riduzione costi del personale, potrebbe non giustificare lo sviluppo del sistema (Motivo per cui l’intelligenza artificiale non è sempre indiscriminatamente applicabile)
Si potrebbe però applicare il modello di machine learning a un gestionale online.
In questo modo, con una subscription mensile contenuta anche i piccoli locali potrebbero trarne beneficio.
Magari usando il modello base sviluppato per Domino’s e applicando il transfer learning.
Correlazione
Un particolare che potresti aver tralasciato ma molto importante a mio avviso è la correlazione di fenomeni interni ed esterni.
L’aumento di vendite nel tuo locale, fenomeno interno, potrebbe essere correlato a un evento sportivo, all’uscita di un film o una festa del paese.
Prendere in considerazione i fenomeni esterni si rivela quindi decisivo: ecco perché il modello di Domino’s fa uso dei dati delle guide TV.
Risultati
Infine, i risultati.
Un modello di machine learning è tanto efficace quanto il valore prodotto.
Non mi interessa che abbia un’accuratezza del 98.99% se la previsione è paragonabile o persino di poco inferiore a quella umana: mi tengo il manager.
In altri ambienti questa considerazione potrebbe comunque giustificare un modello di machine learning.
Qual è la differenza?
Se il machine learning riuscisse a rimpiazzare completamente una persona, con prestazioni paragonabili o di poco inferiori, mantenere un sistema online mi costerebbe meno che pagare uno stipendio mensile.
Il ROI giustifica l’investimento.
Il manager di una filiale invece non si occupa solo di organizzare i turni dello staff, ma gestisce molte altre situazioni.
Per questo motivo puntare su una soluzione d’intelligenza artificiale avrebbe senso solo se le prestazioni del modello fossero di molto superiori a quelle umane.
Nel caso di Domino’s, il modello ha prestazioni superiori rispetto alle previsioni di un manager che ha lavorato 20 anni in una filiale.
Questo giustifica lo sviluppo di un modello di machine learning.
Per il momento è tutto.
Per aspera, ad astra
Un caldo abbraccio, Andrea.