Ravintolaketjujen arki on täynnä haastavia päätöksiä. Valmistettavien hampurilaisten määrä on tästä hyvä esimerkki: liian vähäinen määrä johtaa toivottua heikompaan kassavirtaan ruuhka-aikoina, ja liian suuri määrä menee hävikkiin. Ongelman toistuessa sadoissa ravintoloissa ja kymmenissä tuotteissa, ovat kerrannaisvaikutukset valtavat.
Hesburgerille rakentamamme Fast Food Forecaster on esimerkki siitä, miten organisaation hiljainen tieto voidaan muuttaa käyttökelpoiseksi dataksi. Koneoppiminen voi tarjota yrityksille parempia ennusteita, joiden pohjalta on helpompi tehdä luotettavia päätöksiä. Tällä on kasvavassa, kansainvälisessä toiminnassa suuri strateginen painoarvo. Ravintolan työntekijän näkökulmasta ennuste on kuin assistentti, joka kertoo paljonko kutakin tuotetta kannattaisi paistaa.
Ravintola-alan ammattilaisilla on paljon hiljaista tietoa. Kokenut ravintolapäällikkö tietää, mitkä illat ovat rauhallisempia kuin toiset, miten tapahtumat ja juhlapyhät vaikuttavat myyntiin tai miten paljon kutakin tuotetta ostetaan tietyn ajanjakson sisällä.
Tieto, joka elää pelkästään ihmisten mielessä ei ole kuitenkaan liiketoiminnan suunnittelun kannalta kovin käyttökelpoista. Aiemmin ratkaisua on haettu historiallisista keskiarvoista. Kun tähän on lisätty hiljainen tieto, ollaan oltu lähempänä totuutta: ilman ymmärrystä arjen muuttujista ennusteet ovat kuin säätiedotus, jossa tuijotetaan pelkkää lämpömittaria. Fast Food Forecasterin tavoite on tuoda tämä intuitiivinen osaaminen osaksi ennustavaa ja ohjattua koneoppimismallia.
Tältä pohjalta lähdimme kouluttamaan mallia suuren myyntiaineiston pohjalta. Se oppii tunnistamaan lainalaisuuksia, joita ihmisen on vaikea havaita. Alusta asti olemme pitäneet kuitenkin tärkeänä päätösten jäljitettävyyttä: malli ei ole musta laatikko, vaan läpinäkyvä työkalu, joka pystyy tarvittaessa perustelemaan päätöstensä logiikan.
Mitä ohjattu koneoppiminen tarkoittaa tässä hankkeessa käytännössä? Yksinkertaistettuna algoritmi toimii niin, että syötämme sille suuren määrän esimerkkejä ("Tiistaina myimme 6 juustohampurilaista annetussa aikaikkunassa lokakuun kampanjan ollessa käynnissä"), joiden pohjalta se muodostaa hiljalleen sääntöverkoston ja soveltaa sitä.
Menekin ennustaminen on pohjimmiltaan klassinen tilastotieteen regressio-ongelma. Perinteinen lineaarinen regressio olettaa, että jos lounasaika lisää myyntiä 10 kappaletta ja kampanja lisää myyntiä 5 kappaletta, niin yhdessä ne lisäävät myyntiä 15 kappaletta. Koska ravintolamyynti on todellisuudessa monimutkaisempaa, tarvitaan epälineaarinen menetelmä, joka osaa tunnistaa vuorovaikutuksia, joissa muuttujien vaikutus riippuu muiden muuttujien arvoista.
Otetaan esimerkiksi seuraava kysymysketju:
"Onko lounasaika?" → Kyllä
"Onko arkipäivä?" → Kyllä
"Onko lokakuu?" → Kyllä
"Onko kampanja käynnissä?" → Ei
Tulos: Vastaavissa tilanteissa on myyty 4 juustohampurilaista
Toimiakseen mallin on tehtävä satoja vastaavia päätöspuita. Jotkut puut painottavat kellonaikaa, toiset tapahtumia, kolmannet vuodenaikaa. Lopullinen ennuste on näiden tulosten yhteenveto.
Miksi tämä ratkaisu sitten toimii paremmin kuin perinteiset menetelmät? Aikasarjaennusteissa tarkastellaan, miten asiat muuttuvat ajan kuluessa. Ravintolamyynnistä halutaan löytää sääntöjä, mutta myös poikkeamia. Päätöspuut ovat hyvä työkalu monimutkaisten vuorovaikutusten kanssa toimimiseen. Ne voivat oppia, että "tiistai + lounasaika + kampanja = 150% normaali myynti", vaikka yksittäisten tekijöiden vaikutus olisi pienempi.
Fast Food Forecaster ei korvaa ihmistä vaan toimii assistenttina ravintolatyöntekijöille, jotka pystyvät tekemään parempia päätöksiä nopeammin ja tarkemmin kuin koskaan aiemmin.
Matka on vasta alussa: mallin ensimmäinen versio kerää jatkuvasti uutta palautetta ja oppii tunnistamaan yhä monimutkaisempia syy-seuraussuhteita.
Liiketoiminnan näkökulmasta Fast Food Forecaster skaalautuu sulavasti nopeankin kasvun mukana. Malli kouluttaa itsensä menekkiin sopivaksi, oli sitten kyseessä yksi tai sata ravintolaa, joista jokainen on kuitenkin oma uniikki toimintaympäristönsä. Ennen kaikkea se muuttaa päätöksentekoa reaktiivisesta ennakoivaksi.
