Upserve 案例研究

Upserve (最初稱為 Swipely) 是一家軟體和行動銷售點供應商，為美國各地的餐廳業主提供雲端型餐廳管理平台。該公司的軟體可為餐廳老闆提供他們需要了解的一切資訊，並根據銷售和趨勢資料提供即時指導。該軟體與銷售點系統和終端整合，讓餐廳老闆可以隨時檢視顧客支出、社交媒體和其他資料。

Upserve 會擷取包括信用卡付款和菜單趨勢在內的資料串流，然後依據這些資料編制分析報告供餐廳老闆檢閱。「我們致力於讓餐廳業主能夠利用資料更好地服務顧客。」Upserve 基礎架構工程總監 Bright Fulton 表示，「除了提供付款資料和預訂系統資料之外，我們還與線上評論網站整合，並進行情緒分析。我們會收集所有這些資訊，並透過行動應用程式將其納入可行的報告和交互式儀表板中。對於忙碌的餐廳老闆，我們就像雲端的總經理。」

在過去的幾年中，Upserve 一直致力於為餐廳提供更多的預測性分析。「將銷售情況和菜品趨勢告訴餐廳業主非常重要，但說明未來會發生什麼更為重要。」Fulton 說，「我們想探索如何利用機器學習技術，將預測功能交付到使用者的手中。」

在考慮眾多不同的機器學習 (ML) 技術之後，該公司很快意識到雲端型解決方案是最合適的。「我們為數千家餐廳提供服務，因此非常清楚，適合一家餐廳的機器學習模型可能無法準確預測另一家餐廳的顧客行為。」Fulton 說，「我們想為每位客戶建立多個客製化的機器學習模型，但這個目標似乎很難達成。我們還需要能夠根據傳入的資料量輕鬆擴展模型。基於這些原因，我們決定探索機器學習即服務。」

Upserve 決定使用 Amazon Machine Learning (Amazon ML)，這是一項雲端型服務，提供視覺化工具和精靈來指導開發人員完成建立和訓練模型的流程，而無需學習 ML 演算法。Fulton 說：「Amazon ML 可以讓使用者自行快速開發 ML 模型，我們非常喜歡這個理念。」

此外，Upserve 已經在 Amazon Web Services (AWS) 雲端上投入大量資金。他們使用 Amazon EC2 Container Service (Amazon ECS) 佈建和管理服務容器，使用 AWS Data Pipeline 和 Amazon Elastic Map Reduce (Amazon EMR) 實現彈性批次處理，並使用 Amazon Simple Storage Service (Amazon S3)、Amazon DynamoDB 和 Amazon Relational Database Service (Amazon RDS) 儲存和處理數百 TB 的餐廳資料。「我們高度信任 AWS，尤其是在新服務方面。」Fulton 表示，「我們是較早採用 Amazon ECS 和 Data Pipeline 的組織，事實證明這兩者都是正確的選擇。AWS 一直是我們的絕佳夥伴。」

Upserve 開始利用 Amazon ML 為其 Shift Prep 應用程式建立預測模型。Shift Prep 整合了餐桌管理、銷售點和其他系統，能夠預測在指定夜晚將有多少人用餐，以及哪些菜品會受歡迎。Upserve 使用 Amazon ML 開發了 100 多種機器學習模型，可即時收集餐廳資料，包括訂單資訊和付款處理資料。模型會使用已安排的預訂數、上一年同一天的銷售統計資料，以及顧客支出和菜單偏好歷史記錄等要素。Upserve 每週會重新訓練模型。

該公司在每日透過 Shift Prep 傳送至餐廳業主的電子郵件中，新增機器學習分析相關資訊。「使用 Amazon Machine Learning，我們可以預測晚上前來餐廳用餐的顧客總人數。」Fulton 表示，「因此，餐廳老闆可以更好地準備和計劃當晚的人員安排。例如，如果預期顧客會增加加，餐廳業主可以安排更多員工上班。此外，他們還可以使用我們透過 Shift Prep 提供的分析資訊，根據銷售記錄和受歡迎程度計劃特定菜品。

藉助 Amazon ML，Upserve 能夠快速輕鬆地開發和訓練預測模型。「生產速度是我們選擇 Amazon Machine Learning 的一個關鍵因素，因為我們想要盡速向餐廳老闆提供預測性分析。」Fulton 表示，「從我們決定使用這項技術，到開始在每天傳送的電子郵件中使用預測性資料，只花了兩週時間。而且，我們即刻就發現了 Amazon ML 在預測夜間顧客人數方面，明顯優於同類產品。」

由於 Amazon ML 易於使用，Upserve 能夠快速啟動並執行這項技術。「Amazon Machine Learning 採用以 API 為中心的設計，因此我們可以輕鬆開發和訓練模型並開始獲得預測資料。」Fulton 說道，「不需要太多設定，我們可以使用已經非常熟悉的工具。Amazon Machine Learning 消除了開發過程中的許多複雜事務，同時提高了預測的準確性。」

該公司還能協助其客戶提高盈利能力，因為餐廳業主可以預測餐廳在特定夜晚的客滿程度，並更有效地分配人工和食品成本。「了解顧客及其需求，甚至在顧客需要之前就知道他們想要什麼，這一點非常重要。」馬薩諸塞州波士頓 Tremont 647 餐廳的廚師兼業主 Andy Husbands 表示，「Upserve 切實改變了我們看待事物的方式，讓我們更容易回顧過去和展望未來，了解我們的顧客是誰，進一步追蹤他們，並與他們溝通。」

Upserve 計劃擴大 Amazon ML 的使用，開發更多預測模型。「我們預計會迅速成長，開發出成千上萬個模型。」Fulton 說道，「最終，我們希望將這項技術擴展套用至全部 7,000 多家客戶身上。我們對它的未來非常有信心。」