Estudo de caso da Upserve

A Upserve, originalmente conhecida como Swipely, é uma empresa fornecedora de software e pontos de venda móveis que oferece uma plataforma de gerenciamento de restaurantes baseada na nuvem para proprietários de restaurantes nos EUA. O software da empresa oferece aos proprietários de restaurantes tudo o que eles precisam saber em um único local, com orientação em tempo real com base em dados de vendas e tendências. O software se integra aos sistemas e terminais de pontos de venda e permite que os proprietários de restaurantes interajam com informações sobre gastos de clientes, mídias sociais e outros dados.

O software da Upserve captura fluxos de dados, incluindo pagamentos com cartão de crédito e tendências de cardápios, e depois transforma esses dados em relatórios analíticos para os proprietários de restaurantes. “Estamos empenhados em capacitar os proprietários de restaurantes a atender melhor seus clientes com o uso de dados”, diz Bright Fulton, diretor de engenharia de infraestrutura da Upserve. “Além de fornecermos dados de pagamento e dados de sistema de reservas, também nos integramos com sites de avaliações online e fazemos análises de sentimentos. Reunimos todas essas informações e as colocamos em relatórios práticos e painéis interativos por meio de aplicativos móveis. Somos como um gerente geral na nuvem para proprietários de restaurantes ocupados.”

Nos últimos anos, a Upserve tem se esforçado para fornecer análises mais preditivas aos restaurantes. “É muito importante contar aos proprietários de restaurantes o que aconteceu com as tendências de vendas e itens de cardápios, mas é ainda mais poderoso contar a eles o que vai acontecer”, diz Fulton. “Queríamos descobrir como poderíamos colocar os recursos de previsão nas mãos dos nossos usuários aproveitando a tecnologia de machine learning.”

Ao considerar diferentes tecnologias de machine learning (ML), a empresa percebeu rapidamente que uma solução baseada na nuvem seria a melhor opção. “Com os milhares de restaurantes atendidos, sabíamos que um modelo de machine learning que funciona para um pode não funcionar na previsão do comportamento dos clientes em outro”, diz Fulton. “A ideia de criar vários modelos personalizados de machine learning para cada cliente parecia um grande desafio. Também precisávamos ser capazes de escalar esses modelos facilmente com base no volume de dados recebidos. Por esses motivos, decidimos explorar o machine learning como um serviço.”

A Upserve optou por usar o Amazon Machine Learning (Amazon ML), um serviço baseado na nuvem que fornece ferramentas de visualização e assistentes para orientar os desenvolvedores no processo de criação e treinamento de modelos, sem a necessidade de aprender algoritmos de ML. “Gostamos da ideia de que o Amazon ML poderia nos permitir desenvolver modelos de ML rapidamente por conta própria”, diz Fulton.

Além disso, a Upserve já estava investindo fortemente na nuvem Amazon Web Services (AWS). A organização usa o Amazon EC2 Container Service (Amazon ECS) para provisionar e gerenciar contêineres de serviços, o AWS Data Pipeline e o Amazon Elastic Map Reduce (Amazon EMR) para processamento flexível em lotes, bem como o Amazon Simple Storage Service (Amazon S3), o Amazon DynamoDB e o Amazon Relational Database Service (Amazon RDS) para armazenar e processar centenas de terabytes de dados de restaurantes. “Temos um alto nível de confiança na AWS, especialmente quando se trata de novos serviços”, diz Fulton. “Fomos os primeiros a adotar o Amazon ECS e o Data Pipeline, e ambos se revelaram ótimas apostas. A AWS sempre foi uma excelente escolha para nós.”

A Upserve começou a usar o Amazon ML para criar modelos preditivos para sua aplicação Shift Prep. O Shift Prep integra gerenciamento de mesas, pontos de venda e outros sistemas para prever quantas pessoas jantarão em uma determinada noite e quais itens do cardápio serão populares. Usando o Amazon ML, a Upserve desenvolveu mais de 100 modelos de machine learning que coletam dados de restaurantes, incluindo informações de pedidos e dados de processamento de pagamentos em tempo real. Esses modelos usam fatores como o número de reservas feitas, estatísticas de vendas para o mesmo dia no ano anterior e históricos de gastos de clientes e preferências de cardápio. A Upserve repete o treinamento dos modelos todas as semanas.

A empresa inclui análises de machine learning como parte de um e-mail diário enviado aos proprietários de restaurantes por meio do Shift Prep. “Usando o Amazon Machine Learning, somos capazes de prever o número total de clientes que entrarão em um restaurante em uma determinada noite”, diz Fulton. “Como resultado, os proprietários de restaurantes podem preparar e planejar melhor suas equipes para essa noite. Por exemplo, se há expectativa de mais clientes, os proprietários de restaurantes podem contratar mais funcionários. Além disso, eles podem usar as análises que fornecemos por meio do Shift Prep para planejar itens de cardápio específicos com base no histórico de vendas e na popularidade.

Com o suporte do Amazon ML, a Upserve conseguiu desenvolver e treinar modelos preditivos de maneira rápida e fácil. “Para nós, a velocidade de produção foi um fator-chave na escolha do Amazon Machine Learning, pois queríamos levar análises preditivas aos proprietários de restaurantes o mais rápido possível”, diz Fulton. “Demorou apenas duas semanas desde o momento em que decidimos usar a tecnologia até o momento em que começamos a usar dados preditivos nos e-mails diários que enviamos. E vimos imediatamente que o Amazon ML superou a linha de base para prever as coberturas noturnas.”

A Upserve conseguiu colocar o Amazon ML em funcionamento com muita rapidez devido à facilidade de uso da tecnologia. “O design centrado em API do Amazon Machine Learning facilitou muito o desenvolvimento e o treinamento dos nossos modelos e o início da obtenção de previsões”, diz Fulton. "Não foi necessária muita configuração. Usamos as ferramentas com as quais já estávamos familiarizados. O Amazon Machine Learning eliminou grande parte da complexidade do desenvolvimento e, ao mesmo tempo, aumentou a precisão das nossas previsões.”

A empresa também é capaz de oferecer aos seus clientes a capacidade de aumentar os lucros, pois os proprietários de restaurantes podem prever a lotação de seus restaurantes em noites específicas e alocar custos de pessoal e alimentos com mais eficiência. “É muito importante entender o cliente e o que ele quer, e até mesmo estar à frente do jogo e prever essa preferência antes de ele querer", diz Andy Husbands, chef e proprietário do restaurante Tremont 647 em Boston, Massachusetts. “A Upserve realmente mudou a forma como vemos as coisas. Fica mais fácil analisar o passado e prever o futuro, entender quem são nossos clientes e acompanhá-los e nos comunicar com eles de maneira mais eficiente.”

A Upserve planeja expandir o uso do Amazon ML para desenvolver mais modelos preditivos. “Esperamos crescer rapidamente para milhares de modelos”, diz Fulton. “Com o tempo, gostaríamos de expandir isso para todos os nossos mais de 7.000 clientes. Estamos muito entusiasmados com o futuro dessa tecnologia.”