Caso práctico de Upserve

Upserve, originalmente conocido como Swipely, es un proveedor de software y puntos de venta móviles que ofrece una plataforma de administración de restaurantes basada en la nube a los propietarios de restaurantes de EE. UU. El software de la empresa ofrece a los restauradores todo lo que necesitan saber en un solo lugar, con orientación en tiempo real basada en datos de ventas y tendencias. El software se integra con los sistemas y terminales de los puntos de venta y permite a los restauradores interactuar con los gastos de los clientes, las redes sociales y otros datos.

Upserve captura secuencias de datos, incluidos los pagos con tarjeta de crédito y las tendencias de los menús, y luego convierte los datos en informes analíticos para los restauradores. «Nos dedicamos a capacitar a los propietarios de restaurantes para que sirvan mejor a sus clientes a través de los datos», afirma Bright Fulton, director of infrastructure engineering en Upserve. «Además de proporcionar datos de los pagos y datos del sistema de reservas, también nos integramos con sitios de reseñas en línea y realizamos análisis de opiniones. Recopilamos toda esta información y la incluimos en informes procesables y paneles interactivos a través de aplicaciones móviles. Somos como un director general en la nube para los restauradores ocupados».

Durante los últimos años, Upserve se ha esforzado por ofrecer a los restaurantes análisis más predictivos. «Es muy importante contarles a los propietarios de restaurantes lo que ha ocurrido con las ventas y las tendencias en los productos del menú, pero decirles lo que va a pasar es aún más poderoso», explica Fulton. «Queríamos descubrir cómo podíamos poner las capacidades de predicción en manos de nuestros usuarios aprovechando la tecnología de machine learning».

Cuando la empresa consideró diferentes tecnologías de machine learning (ML), rápidamente se dio cuenta de que la mejor opción sería una solución basada en la nube. «Con los miles de restaurantes a los que servimos, sabíamos que un modelo de machine learning que funcione para uno podría no funcionar para predecir el comportamiento de los clientes en otro», dice Fulton. «La idea de crear muchos modelos de machine learning personalizados para cada cliente parecía un gran desafío. También necesitábamos poder escalar fácilmente los modelos en función del volumen de datos entrantes. Por estas razones, decidimos explorar el machine learning como servicio».

Upserve decidió utilizar Amazon Machine Learning (Amazon ML), un servicio basado en la nube que proporciona herramientas y asistentes de visualización para guiar a los desarrolladores en el proceso de creación y entrenamiento de modelos sin necesidad de aprender algoritmos de machine learning. «Nos gustó la idea de que Amazon ML pudiera permitirnos desarrollar rápidamente modelos de ML por nuestra cuenta», explica Fulton.

Además, Upserve ya había realizado una fuerte inversión en la nube de Amazon Web Services (AWS). La organización usa Amazon EC2 Container Service (Amazon ECS) para aprovisionar y administrar contenedores de servicios, AWS Data Pipeline y Amazon Elastic Map Reduce (Amazon EMR) para el procesamiento flexible de lotes, y Amazon Simple Storage Service (Amazon S3), Amazon DynamoDB y Amazon Relational Database Service (Amazon RDS) para almacenar y procesar cientos de terabytes de datos de los restaurantes. «Confiamos mucho en AWS, especialmente cuando se trata de nuevos servicios», afirma Fulton. «Fuimos los primeros en adoptar Amazon ECS y Data Pipeline, y ambos resultaron ser apuestas acertadas. AWS siempre ha sido una excelente elección para nosotros».

Upserve comenzó a usar Amazon ML para crear modelos predictivos para su aplicación Shift Prep. Shift Prep integra la administración de mesas, el punto de venta y otros sistemas para pronosticar cuántas personas cenarán en una noche determinada y qué elementos del menú serán populares. Con Amazon ML, Upserve desarrolló más de 100 modelos de machine learning que recopilan datos de restaurantes, como la información de los pedidos y los datos de procesamiento de pagos, en tiempo real. Los modelos utilizan factores como el número de reservas programadas, las estadísticas de ventas del mismo día del año anterior y los historiales de gastos de los clientes y preferencias de menú. Upserve vuelve a entrenar los modelos cada semana.

La empresa incluye el análisis de machine learning como parte de un correo electrónico diario que se envía a los propietarios de restaurantes a través de Shift Prep. «Con Amazon Machine Learning, podemos predecir la cantidad total de clientes que entrarán por la puerta del restaurante en una noche», dice Fulton. «Gracias a esto, los restauradores pueden preparar y planificar mejor el personal para esa noche. Por ejemplo, si se esperan más clientes, los propietarios de restaurantes podrían traer más empleados. Además, pueden usar el análisis que proporcionamos a través de Shift Prep para planificar elementos específicos del menú en función del historial de ventas y la popularidad.

Al confiar en Amazon ML, Upserve pudo desarrollar y entrenar modelos predictivos de forma rápida y sencilla. «Para nosotros, la velocidad de producción fue un factor clave a la hora de elegir Amazon Machine Learning, porque queríamos ofrecer análisis predictivos a los restauradores lo antes posible», señala Fulton. «Solo pasaron dos semanas desde el momento en que decidimos usar la tecnología hasta el momento en que comenzamos a usar datos predictivos en los correos electrónicos diarios que enviamos. E inmediatamente vimos que Amazon ML superaba el punto de referencia para predecir las coberturas nocturnas».

Upserve pudo comenzar a utilizar Amazon ML con gran rapidez gracias a la facilidad de uso de la tecnología. «Gracias al diseño centrado en las API de Amazon Machine Learning, pudimos desarrollar y entrenar nuestros modelos y empezar a obtener predicciones con gran facilidad», afirma Fulton. «No requirió mucha configuración; utilizamos las herramientas con las que ya estábamos familiarizados. Amazon Machine Learning eliminó gran parte de la complejidad del desarrollo y, al mismo tiempo, aumentó la precisión de nuestras predicciones».

La empresa también puede ofrecer a sus clientes la posibilidad de aumentar la rentabilidad, ya que los propietarios de restaurantes pueden predecir cuánto se llenarán sus restaurantes en noches específicas y gastar de manera más eficiente los costes de personal y alimentos. «Es muy importante entender al cliente y lo que quiere, e incluso ir un paso por delante y saber lo que querrá antes de que lo quiera», explica Andy Husbands, Chef and Owner del restaurante Tremont 647 en Boston, Massachusetts. «Upserve ha cambiado realmente la forma en que vemos las cosas. Nos permite mirar realmente al pasado y ver nuestro futuro, entender quiénes son nuestros clientes, hacerles un mejor seguimiento y comunicarnos con ellos».

Upserve planea ampliar el uso de Amazon ML para desarrollar más modelos predictivos. «Esperamos crecer rápidamente hasta tener miles de modelos», afirma Fulton. «Con el tiempo, nos gustaría ampliar esto a todos nuestros más de 7000 clientes. Estamos muy entusiasmados con el futuro de esta tecnología».