Το Freshflow βοηθά τους λιανοπωλητές παντοπωλείων να καταπολεμήσουν τη σπατάλη τροφίμων – TechCrunch

Για χρόνια, οι έμποροι λιανικής πώλησης παντοπωλείων χρησιμοποιούν προβλέψεις βάσει δεδομένων για να τους βοηθήσουν να προβλέψουν τη ζήτηση για να καταλάβουν ποια προϊόντα πρέπει να παραγγείλουν ξανά για να διατηρήσουν τα ράφια τους. -Ισχυρή πλατφόρμα πρόβλεψης για να βοηθήσει τους λιανοπωλητές να βελτιστοποιήσουν την αναπλήρωση των αποθεμάτων φρέσκων, ευπαθών αγαθών —όπως φρούτα και λαχανικά, κρέας, γαλακτοκομικά και προϊόντα αρτοποιίας— προκειμένου να ελαχιστοποιηθούν τα απόβλητα τροφίμων και να μεγιστοποιηθούν τα έσοδα των λιανοπωλητών.

Λέει ότι ο πρώτος πελάτης της σημείωσε μείωση 28% στα απορρίμματα τροφίμων και αύξηση 16% στα έσοδα μετά από περίπου οκτώ μήνες χρησιμοποιώντας το σύστημα τεχνητής νοημοσύνης για την αυτοματοποίηση του ανεφοδιασμού φρέσκων προϊόντων — με τα μέσα ποσοστά μεταξύ των (χούφτων) πρώιμων χρηστών να ανέρχονται σε 30% λιγότερη σπατάλη τροφίμων και αύξηση εσόδων κατά 16,7%.

Μια ιδιορρυθμία του λιανικού εμπορίου παντοπωλείου είναι ότι η αναπαραγγελία φρέσκων προϊόντων συχνά γίνεται ακόμα χειροκίνητα, λέει ο συνιδρυτής του Freshflow, Avik Mukhija, με το προσωπικό του σούπερ μάρκετ να παίρνει αποφάσεις που συχνά ισοδυναμούν με «ενστικτώδεις» αποφάσεις σχετικά με το πόσα φρέσκα προϊόντα πρέπει να ξαναπαραγγείλουν – κάτι που μπορεί να οδηγήσει σε υπερ -παραγγελίες που όχι μόνο πλήττουν τα έσοδα, αλλά οδηγούν σε σπατάλη τροφίμων, καθώς τα απούλητα αντικείμενα χαλάνε γρήγορα και πρέπει να πεταχτούν, καθώς και υποπαραγγελίες – που σημαίνει ότι οι λιανοπωλητές χάνουν επιπλέον έσοδα εάν οι αγοραστές απογοητεύονται από τα άδεια ράφια.

Οι λόγοι για τους οποίους η χειροκίνητη αναπαραγγελία συνεχίστηκε για αυτό το (φρέσκο) τμήμα λιανικής πώλησης παντοπωλείων είναι αμέτρητοι, σύμφωνα με τον Mukhija — συμπεριλαμβανομένων σύντομων (αλλά μη ομοιόμορφων) διατηρησιμότητας, διακύμανσης ποιότητας, εποχικότητας και προϊόντων που πωλούνται συχνά κατά βάρος και όχι κατά κομμάτι, κάτι που περιπλέκει Δεδομένα αποθέματος ERP «Αυτές οι προκλήσεις σε συνδυασμό καθιστούν τα φρέσκα προϊόντα εγγενώς διαφορετικά από τα συσκευασμένα», υποστηρίζει, λέγοντας ότι ήταν σχεδόν «μάντρα λιανικής ότι ένας άνθρωπος μπορούσε να το κάνει χειροκίνητα καλύτερα από ένα σύστημα».

«Και επειδή αυτή είναι η άποψη… μέχρι τώρα, ως επί το πλείστον, οι έμποροι λιανικής απλώς βασίζονταν σε ανθρώπους για να κάνουν αυτό το κομμάτι».

Η υπόθεση του Freshflow είναι ότι η μηχανική εκμάθηση μπορεί να κάνει πολύ καλύτερη, λιγότερο σπάταλη δουλειά στην ανανέωση φρέσκων τροφίμων από το ανθρώπινο μάτι, τη μύτη και το έντερο, καθώς μπορεί να σταθμίσει διάφορους παράγοντες που μπορεί να επηρεάσουν τη ζήτηση (όπως ο καιρός, η εποχή, οι τοπικές εκδηλώσεις). και συγκεντρώνοντας τα διαθέσιμα δεδομένα των λιανοπωλητών για να κάνουμε πιθανοτικές μοντελοποιήσεις και προβλέψεις (όπως η πρόβλεψη της διάρκειας ζωής διαφορετικών προϊόντων) ώστε — συνολικά — να ταιριάζουν με μεγαλύτερη ακρίβεια την προσφορά και τη ζήτηση.

Η Mukhija λέει ότι τα πρώτα αποτελέσματά της (αν και για μικρό αριθμό πελατών) ισχύουν. «Η πρόβλεψή μας είναι σίγουρα καλύτερη από ό,τι έχει γίνει ιστορικά χρησιμοποιώντας την αίσθηση του εντέρου, επειδή μειώσαμε τη σπατάλη και είδαμε σημαντική αύξηση εσόδων».

«Όταν κοιτάτε τα γραφήματα μεταξύ του τι προβλέπουμε όσον αφορά τις πωλήσεις και του τι συμβαίνει στην πραγματικότητα, το παρακολουθεί σχεδόν τέλεια», προσθέτει η συνιδρυτής Carmine Paolino – η οποία, όταν ρωτήθηκε για την ακρίβεια του μοντέλου, μας λέει το «μέσο απόλυτο σφάλμα». για τις μέχρι τώρα προβλέψεις του είναι <1.

Υποθέτοντας ότι η τεχνητή νοημοσύνη της Freshflow μπορεί να διατηρήσει αυτή την πρώιμη απόδοση καθώς κλιμακώνεται για να εξυπηρετεί περισσότερους λιανοπωλητές, η startup φαίνεται να είναι σε κάτι μεγάλο και σημαντικό:Σημειώνεται ότι ο τομέας λιανικής πώλησης παντοπωλείων είναι υπεύθυνος για το 5% περίπου της συνολικής ποσότητας τροφίμων που απορρίπτεται ετησίως, που αντιστοιχεί σε περισσότερους από 4,5 εκατομμύρια τόνους. φρέσκο τρόφιμα που πετιούνται από τους λιανοπωλητές στην περιοχή κάθε χρόνο.

Η σπατάλη τροφίμων συμβάλλει επίσης σε τεράστιο βαθμό στην κλιματική αλλαγή, δημιουργώντας εντελώς περιττές εκπομπές άνθρακα, πράγμα που σημαίνει ότι η συρρίκνωση της σπατάλης εδώ δεν αφορά μόνο τη βελτιστοποίηση των κερδών των λιανοπωλητών – είναι εξαιρετικά σημαντικό εάν η ανθρωπότητα θέλει να αντιμετωπίσει με επιτυχία την κλιματική αλλαγή.

Οι συνιδρυτές του Freshflow Carmine Paolino (L) και Avik Mukhija (Σύστημα εικόνας: Freshflow)

Η startup με έδρα το Βερολίνο, η οποία ιδρύθηκε μόλις πριν από ένα χρόνο, δεν είναι η μόνη που εντόπισε την ευκαιρία να εφαρμόσει τεχνικές μηχανικής μάθησης, όπως η πιθανοτική μοντελοποίηση στις παραγγελίες φρέσκου φαγητού. Συναγωνίζεται με μια σειρά από νεοφυείς εταιρείες στις ΗΠΑ, όπως η Afresh και η Shelf Engine Ενώ, στην Ευρώπη, το πεδίο ανταγωνισμού φαίνεται λίγο πιο λεπτό, αλλά υπάρχουν πιο γενικές πλατφόρμες σχεδιασμού της ζήτησης λιανικής, όπως η Relex — καθώς και, φυσικά, ο γερμανικός γίγαντας ERP SAP — αλλά η Freshflow υποστηρίζει ότι η αφοσιωμένη εστίασή της στα φρέσκα προϊόντα το δίνει ένα πλεονέκτημα για φρέσκα είδη παντοπωλείου έναντι λιγότερο ειδικών προγνωστών ζήτησης.

Πέρα από αυτό, ένας άλλος παράγοντας διαφοροποίησης που ισχυρίζεται είναι η ευκολία ενσωμάτωσης για τους λιανοπωλητές. Η πλατφόρμα της Freshflow έχει σχεδιαστεί για να τοποθετείται ως στρώμα πάνω από τα υπάρχοντα συστήματα ERP των εμπόρων λιανικής — και ο Mukhija λέει ότι οι πελάτες μπορούν να λειτουργήσουν με την πλατφόρμα σε περίπου ένα μήνα .

“Μία από τις βασικές ιδιότητες του Freshflow είναι ότι η ενσωμάτωση είναι εξαιρετικά ελαφριά”, λέει στο TechCrunch. “Συνήθως όταν τα σούπερ μάρκετ ενσωματώνουν νέα συστήματα πληροφορικής, χρειάζεται να συμβεί αρκετούς μήνες ή αρκετά χρόνια χρόνου ενοποίησης. Επειδή έχουν πολύ ξεπερασμένα συστήματα ERP και δεν υπάρχουν σωστά IO/API που έχουν.

“Με το Freshflow είμαστε σε θέση να τα ενσωματώσουμε μέσα σε ένα μήνα — και ο λόγος είναι ότι είμαστε ένα ελαφρύ επίπεδο πάνω από το υπάρχον σύστημα ERP τους, επομένως δεν χρειάζεται να ενσωματωθούν συγκεκριμένα. Λειτουργούμε εκτός αγωγών δεδομένων που μας παρέχουν δεδομένα από Σύστημα.”

Στον όροφο του καταστήματος, το προϊόν έχει τη μορφή μιας εφαρμογής iPad που χρησιμοποιείται από την ομάδα παραγωγής — ενημερώνοντάς τους για τα προτεινόμενα επίπεδα ανεφοδιασμού ανά προϊόν. Αυτή η διαδικασία αναπαραγγελίας προορίζεται να αυτοματοποιηθεί σε μεγάλο βαθμό από την εφαρμογή του Freshflow, αλλά το ανθρώπινο προσωπικό μπορεί να προχωρήσει και να παρακάμψει τη σύσταση του AI για μια συγκεκριμένη παραγγελία προϊόντος, εάν απαιτείται.

Η Freshflow λέει ότι το σύστημά της είναι ζωντανό με έναν από τους μεγαλύτερους λιανοπωλητές παντοπωλείων της Γερμανίας, καθώς και με έναν παίκτη γρήγορου εμπορίου στην Ανατολική Ευρώπη. Δεν κατονομάζει ακόμη πελάτες, αλλά, όταν πατηθεί, μας λέει ότι το SaaS είναι ζωντανό σε τέσσερα καταστήματα συνολικά.

Ανακοινώνει έναν γύρο χρηματοδότησης 1,7 εκατομμυρίων ευρώ σήμερα, με επικεφαλής το γερμανικό επιχειρηματικό ταμείο Capnamic και την ευρωπαϊκή κλιματική τεχνολογία VC, World Fund — με έναν αριθμό στρατηγικών επενδυτών αγγέλων που συμμετέχουν επίσης, συμπεριλαμβανομένου του Alexander Mrozek CEO στο Dr. Oetker Digital και των Jens Fiege and Felix Η Fiege, Διευθύνων Σύμβουλος της FIEGE Logistics — και λέει ότι σκοπεύει να χρησιμοποιήσει τη νέα χρηματοδότηση για να επεκτείνει το αποτύπωμά της στην Ευρώπη με στόχο να φτάσει το SaaS της σε 100 καταστήματα.

Σχολιάζοντας την αύξηση των σπόρων της Freshflow σε μια δήλωση, ο Tim Schumacher, γενικός εταίρος στο Παγκόσμιο Ταμείο, είπε: “Σχεδόν το 40% όλων των τροφίμων που παράγονται παγκοσμίως σπαταλάται και αυτό προκαλεί έξι φορές τον αντίκτυπο στον άνθρακα από ολόκληρη την αεροπορική βιομηχανία παγκοσμίως. Αυτό είναι που κάνει Freshflowοι στόχοι του είναι τόσο αξιοθαύμαστοι και ήταν τόσο βασικός λόγος που εμείς στο Παγκόσμιο Ταμείο θέλαμε να τους υποστηρίξουμε. Η Avik και η Carmine έχουν αναπτύξει έναν πολύ συναρπαστικό υπερσύγχρονο κινητήρα τεχνητής νοημοσύνης που ήδη βλέπει αξιοσημείωτα αποτελέσματα και δεν έχω καμία αμφιβολία ότι το μέλλον είναι πολύ λαμπρό για Freshflow.”

Σε μια άλλη υποστηρικτική δήλωση, η Dorothea Gotthardt, επενδυτική διευθύντρια στην Capnamic Ventures, πρόσθεσε: «Στην Capnamic εντυπωσιαστήκαμε αμέσως από την κλίμακα των φιλοδοξιών όταν πρόκειται για την Avik, την Carmine και την ομάδα της Capnamic FreshflowΗ αντιμετώπιση του ζητήματος της σπατάλης τροφίμων ταυτόχρονα με την ενίσχυση της απόδοσης ενός λιανοπωλητή είναι μια εντυπωσιακή πρόταση και δεδομένων των αποτελεσμάτων μέχρι στιγμής, είναι ξεκάθαρο ότι το αποδίδουν. Όσο πιο γρήγορα μπορούν να επεκταθούν σε ολόκληρη την ήπειρο, τόσο καλύτερα είναι για τους λιανοπωλητές και τους καταναλωτές. Ανυπομονώ να δω πού Freshflow θα πάει τους επόμενους 12 μήνες».

Η Freshflow έλαβε επίσης προηγουμένως κάποια pre-seed χρηματοδότηση μέσω του προγράμματος επιτάχυνσης Entrepreneur First που εδρεύει στο Βερολίνο, όπου οι δύο συνιδρυτές της —οι οποίοι και οι δύο έχουν υπόβαθρο στη μηχανική μάθηση— συναντήθηκαν και αποφάσισαν να ενώσουν τις δυνάμεις τους γύρω από την ιδέα.

«Η τεχνητή νοημοσύνη μας λειτουργεί από έναν συνδυασμό δεδομένων που προέρχονται από τα καταστήματα — από τους λιανοπωλητές — έχουμε δεδομένα πωλήσεων, δεδομένα παραγγελιών, έχουμε συρρικνωθεί [produce wastage] δεδομένα, έχουμε τα δεδομένα για τα προϊόντα… μερικές φορές και διατροφικές πληροφορίες, όλα τα είδη πληροφοριών που λαμβάνουμε από αυτά. Λαμβάνουμε επίσης εξωτερικές πληροφορίες, όπως τα δεδομένα καιρού. Και μερικές φορές επίσης δεδομένα τοποθεσίας — εάν υπάρχουν τοπικά γεγονότα και άλλα. Και τα συνδυάζουμε όλα μαζί στα μοντέλα μηχανικής μάθησης μας», λέει ο Paolino, εξηγώντας πώς το AI συντάσσει τις προβλέψεις ζήτησης.

“Επίσης, χρησιμοποιούμε πιθανοτικό απόθεμα που ουσιαστικά γνωρίζει ποια είναι η διάρκεια ζωής των προϊόντων. Η οποία είναι μια από τις μεγαλύτερες προκλήσεις στον χώρο μας —ειδικά με ευπαθή προϊόντα— επειδή είμαστε σε θέση να μοντελοποιήσουμε τη διάρκεια ζωής στα ράφια με βάση τα δεδομένα που έχουμε προμηθευτείτε από τα σούπερ μάρκετ και αυτό συμβαίνει επειδή κάθε σούπερ μάρκετ χειρίζεται τα φρέσκα προϊόντα με διαφορετικό τρόπο.»

Ο Paolino δίνει το παράδειγμα ενός καταστήματος που αφήνει ένα συγκεκριμένο είδος λαχανικού εκτός ψυγείου (ας πούμε μετά την άφιξή του και πριν τοποθετηθεί στο ράφι ή/και τεθεί σε αποθήκευση στο ψυγείο) ακόμη και για σχετικά σύντομο χρονικό διάστημα, το οποίο μπορεί ωστόσο να επηρεάσει σημαντικά τη συνολική διάρκεια ζωής του αυτό το προϊόν — που σημαίνει ότι είναι μια άλλη μεταβλητή που πρέπει να συνυπολογίσει το σύστημα.

Για να γίνει αυτό, το Freshflow δεν ασχολείται με την επιτήρηση καταστημάτων, αλλά λειτουργεί αντίστροφα από τα σημεία δεδομένων που παρέχουν τα σούπερ μάρκετ ως μέρος των τυπικών διαδικασιών παρακολούθησης προϊόντων — π.χ. πληροφορίες για απούλητα/καθαρισμένα φρέσκα τρόφιμα τα οποία, σε συνδυασμό με δεδομένα για το πότε τα προϊόντα που φτάνουν στο κατάστημα, μπορούν να χρησιμοποιηθούν για την πιθανολογική πρόβλεψη της διάρκειας ζωής.

«Έχουμε λοιπόν αυτό το σύστημα μηχανικής μάθησης που υπολογίζει από μόνο του την ίδια τη ζωή των προϊόντων — τότε έχουμε ένα απόθεμα που είναι πιθανολογικό και γνωρίζουμε λίγο πολύ τι υπάρχει στο απόθεμα και το συνδυάζουμε όλα μαζί στο μοντέλο μηχανικής μάθησης για να ουσιαστικά προβλέπουν τι πρέπει να παραγγείλουν», προσθέτει ο Paolino.

Η Freshflow αναμένει ότι οι προβλέψεις της θα βελτιωθούν περαιτέρω με την πάροδο του χρόνου, καθώς απορροφούν περισσότερα δεδομένα με την ενσωμάτωση περισσότερων πελατών — και καθώς οι πελάτες χρησιμοποιούν το σύστημα και ανατροφοδοτούν περισσότερα σημεία δεδομένων (συμπεριλαμβανομένων, για παράδειγμα, οποιωνδήποτε αποφάσεων του προσωπικού να παρακάμψουν μια πρόταση ανανέωσης αποθεμάτων) — Οι αλγόριθμοι γίνονται καλύτεροι στην κατανόηση της μακροζωίας των ευπαθών αγαθών και στην πρόβλεψη της ανθρώπινης ζήτησης για φρέσκα τρόφιμα.

Επισημαίνει επίσης τη σταθερά αυξανόμενη ζήτηση των καταναλωτών για φρέσκα προϊόντα – ενώ σημειώνει ότι ο χώρος αποθήκευσης ψύξης των σούπερ μάρκετ παραμένει σταθερός – επομένως η ομάδα προβλέπει αυξανόμενη ζήτηση από τους λιανοπωλητές παντοπωλείων για πιο έξυπνες προσεγγίσεις για την αναπλήρωση αυτών των ψαγμένων φρέσκων προϊόντων.

“Ειδικά όταν εξετάζετε τους λιανοπωλητές από τούβλα και κονιάματα, τα έσοδά τους από φρέσκα προϊόντα είναι η μόνη κατηγορία προϊόντων που στην πραγματικότητα αυξάνεται σε σχέση με το Διαδίκτυο επειδή στους ανθρώπους αρέσει να πηγαίνουν μέσα στο κατάστημα και να αγοράζουν φρέσκα πράγματα. Και προφανώς ο χώρος αποθήκευσης παραμένει ο ίδιο μέγεθος», προσθέτει ο Mukhija. «Παρατηρήσαμε ότι με τους υπάρχοντες πελάτες μας, αυτές οι ψυκτικές αποθήκες γεμίζουν πολύ γρήγορα και μετά τα πράγματα πάνε πολύ γρήγορα επίσης, προφανώς».

Το μακροπρόθεσμο όραμα της startup είναι να επεκταθεί από την εξυπηρέτηση των λιανοπωλητών παντοπωλείων που αντιμετωπίζουν πελάτες σε εγκαταστάσεις αποθήκευσης, προμηθευτές και, τελικά, αγρότες — με στόχο την αυτοματοποίηση του συνόλου φρέσκο αλυσίδα εφοδιασμού τροφίμων και μείωση της παγκόσμιας σπατάλης τροφίμων κατά 50%. Ή, λοιπόν, αυτό είναι το φεγγάρι.

Δεν θα μπορούσαν τα σούπερ μάρκετ να κάνουν μόνα τους αυτό το είδος προγνωστικής μοντελοποίησης – δεδομένου ότι διαθέτουν ήδη πολλά από τα βασικά δεδομένα που απαιτούνται για την εκπαίδευση των τεχνητών νοημοσύνης πρόβλεψης στις ιδιοτροπίες των φθαρτών παντοπωλείων;

“Γενικά τα σούπερ μάρκετ κάνουν αυτό που κάνουν καλύτερα και έτσι βλέπουμε το μέλλον στον κόσμο του λιανικού εμπορίου”, απαντά ο Mukhija. “Το ακούμε πάντα αυτό από τους υπεύθυνους καταστημάτων – θέλουν να βεβαιωθούν ότι φροντίζουν τους πελάτες τους. Το τμήμα παραγωγής φαίνεται πολύ ωραίο και ευπαρουσίαστο και γίνεται πολύς ποιοτικός έλεγχος στα ράφια. Αλλά δεν θέλουν να ξοδεύουν χρόνο κάνοντας ανάλυση δεδομένων και δημιουργώντας ομάδες τεχνητής νοημοσύνης στο εσωτερικό τους. Είναι εξαιρετικά ακριβό — ανακαλύπτετε εκ νέου το Και είναι επίσης δύσκολο να προσελκύσεις κορυφαία ταλέντα AI.”

Ο Paolino συμμερίζεται επίσης αυτό λέγοντας ότι η Freshflow σχεδιάζει να πειραματιστεί με την εφαρμογή τεχνολογίας ενίσχυσης εκμάθησης στις προβλέψεις της με τεχνητή νοημοσύνη, τονίζοντας: «Και αυτό είναι πραγματικά, πολύ δύσκολο να γίνει — επίσης για τους λιανοπωλητές».

Leave a Comment