Waarom AI en ML belangrijke ingrediënten zijn in fastservicerestaurants

Ondanks een toename van afhaalmaaltijden sinds het begin van de pandemie, heeft de fast-casual restaurantindustrie het moeilijk. Arbeidstekorten, problemen met de toeleveringsketen, afnemend winkelverkeer en stijgende kosten hebben de sector in een crisis gestort. Om met deze tegenwind om te gaan, is een nieuwe benadering nodig om de kosten te beheersen, de beschikbare arbeid te beheren en de klantervaring te verbeteren. Kunstmatige intelligentie (AI) en machine learning (ML)-technologieën kunnen helpen door gegevens te gebruiken om snelle serviceprocessen en -activiteiten te optimaliseren. Hieronder vindt u enkele van de belangrijkste gebruiksscenario’s waarin deze technologieën de industrie kunnen helpen.

Verbetering van de ervaring met het gebruik van AI/ML

De meeste fastfood-shoppers hebben de frustrerende ervaring gehad om de verkeerde tas bij het drive-thru-venster te krijgen. In september 2021 was slechts 85 procent van de bestellingen voor express-servicekaarten correct, vergeleken met 87 procent in 2020, maar een AI/ML-systeem kan schijffouten met maar liefst 90 procent verminderen.

LEES MEER: De rit van de toekomst komt eerder dan gepland aan

AI/ML-technologieën kunnen worden getraind om menu’s te leren en kunnen natuurlijke taalverwerking (NLP) gebruiken om spraak te herkennen en spraakopdrachten te correleren. Een goed getraind systeem leidt tot minder misverstanden en fouten bij het invoeren van gegevens. Een geavanceerd AI/ML-systeem kan gezichten van klanten herkennen om gepersonaliseerde orderprompts te genereren voor sneller bestellen, een betere klantervaring en resulterend in meer verkopen. Ten minste twee grote ketens werken al aan dergelijke systemen, die een reeks accenten en talen moeten leren om effectief te zijn.

De inventaris van snelle servicerestaurants aanpassen aan de vraag

AI/ML-technologie kan ook voedselinkoop, levering en voorraadbeheer optimaliseren om verspilling te verminderen, kosten te beheersen en tekorten tijdens piekvraag te voorkomen. Dit is van cruciaal belang in een sector waar de voedselkosten voor de meeste operators zijn gestegen en waar 96 procent van de bedrijven in 2021 te maken kreeg met leveringsvertragingen of -tekorten.

Het systeem kan bijvoorbeeld de voorraadniveaus van onderdelen en leveringen bewaken met behulp van real-time point-of-sale (POS)-systeemgegevens, en leren om artikelen te markeren voor nabestelling op basis van verkoop. AI/ML-oplossingen kunnen ook leren om de verkoop te vergelijken met de ingrediëntenvoorraad om ervoor te zorgen dat medewerkers de juiste porties voor recepten gebruiken, wat resulteert in maaltijden van betere kwaliteit en minder afval. Op de langere termijn kan machine learning pieken in de vraag rond feestdagen, grote evenementen en zelfs weersveranderingen nauwkeurig voorspellen, zodat winkels over de juiste hoeveelheid ingrediënten en benodigdheden beschikken.

Personeelsplanning optimaliseren met machine learning

Personeel is een grote kostenpost voor restaurants en veel merken hebben moeite om personeel te werven en te behouden. Volgens het State of the Restaurant Industry Report 2022 van de National Restaurant Association heeft 78 procent van de operators niet genoeg personeel om aan de vraag te voldoen en heeft de branche meer dan 1 miljoen openstaande vacatures.

AI/ML-technologieën kunnen worden getraind met behulp van historische informatie over werk in verschillende winkels, waarbij rekening wordt gehouden met veel factoren, zoals het vaardigheidsniveau van het personeel, piekuren van de dag en maanden van het jaar, speciale promoties, enzovoort. Een goed opgeleide AI/ML-toepassing kan Quick-serves ten goede komen door hen te helpen de arbeidsbehoeften te voorspellen op basis van de vraag om de uren en arbeidskosten van werknemers dienovereenkomstig te optimaliseren. Voorspellende planning kan ook voordelen opleveren voor werknemers door ervoor te zorgen dat ze op schema blijven wanneer dat nodig is en door tijdige informatie over hun werkuren te verstrekken. Deze eenvoudige planning kan de tevredenheid en het behoud van medewerkers helpen verbeteren.

Krijg beter inzicht in prijzen, acties en kortingen

Terwijl merken werken aan kostenbeheersing in een inflatoire omgeving, kan machine learning-technologie hen helpen bij het implementeren van dynamische prijsstrategieën op basis van veranderende ingrediëntenkosten, prijzen van nabije concurrenten en verwachte prijstoleranties van klanten.

Dit betekent dat dynamische prijsaanpassingen niet altijd opwaarts hoeven te zijn. Een AI/ML-systeem dat voorraadniveaus en houdbaarheidsdatums bijhoudt, kan ook kortingen of promoties op menu-items aanbevelen als er te veel bederfelijke ingrediënten zijn om verspilling te voorkomen. Dit kan bijzonder gunstig zijn, aangezien er 931 miljoen ton voedsel wordt verspild in de detailhandels- en consumptiefase en de gemiddelde kosten van voedselverspilling ongeveer 5,6 procent van de totale verkoop bedragen.

Efficiënter onderhoud van keukenapparatuur

Wanneer keukenapparatuur kapot gaat, krijgen de boven- en onderkant van het restaurant een klap. Kapotte speciaalmachines, zoals espresso- en ijsmachines, kunnen lange wachttijden voor reparaties vergen en negatieve mond-tot-mondreclame genereren. Dit is waar Internet of Things (IoT)-apparaten kunnen helpen. Deze apparaten kunnen belangrijke gegevens naar een gecentraliseerde datacloud sturen. AI/ML-technologieën kunnen deze gegevens vervolgens gebruiken om eerdere storingsparameters te begrijpen en toekomstige storingen te voorspellen, waardoor snelle services voorspellend onderhoud kunnen uitvoeren in plaats van preventief onderhoud of het repareren van een apparaat nadat het defect is geraakt.

Een AI/ML-systeem bouwen voor restaurants met snelle bediening

Het ontwikkelen van het soort intelligente systemen dat deze voordelen kan bieden, vereist toewijding van bovenaf, op bedrijfsniveau, een kampioen die het AI/ML-concept aan interne belanghebbenden zal verkopen en de implementatiestrategie zal bepalen. Klein beginnen, met proefprogramma’s die vanuit een kosten-batenperspectief gemakkelijk succes kunnen garanderen, kunnen succes garanderen en meer steun en participatie genereren.

Zodra de proefprogramma’s zijn opgezet, moeten bedrijven ook rekening houden met de personeelsbehoeften. Een typische snelle service heeft bijvoorbeeld geen data-ingenieurs en wetenschappers, Python-ontwikkelaars of AI/ML-experts, dus ze zullen dat talent moeten zoeken. Met het juiste team is het tijd om gegevens van kassasystemen op verschillende locaties, apps en online bestelsystemen te consolideren en te standaardiseren. Het is ook belangrijk om te overwegen waar de gegevens worden opgeslagen en hoe deze worden geopend.

Zodra de gegevens gereed zijn, is het tijd om modellen te bouwen om de machine learning-algoritmen te trainen. Het kost tijd, testen en verfijning om het ideale nauwkeurigheidsbereik van 90% of beter te bereiken. Op dat moment is het systeem klaar voor kleinschalige tests met echte gegevens voordat het wordt uitgerold naar een pilotprogramma waar het timing-, test- en verfijningsproces wordt herhaald totdat de pilot klaar is voor bredere implementatie en mogelijk meerdere use-cases.

Het grote voordeel van AI- en ML-toepassingen in de fastservice-restaurantruimte is dat we ons nog maar in de vroege ontwikkelingsfasen bevinden, wat enorme voordelen kan bieden, dus de grote spelers investeren tijd, geld en moeite om ze te bouwen. systemen. Naarmate meer bedrijven AI/ML-systemen inzetten, zal hun concurrentievoordeel toenemen, dus snelle servicemanagers die de drukke markt voor willen blijven, moeten nu beginnen met het plannen van hun eigen AI- en machine learning-programma’s, anders lopen ze het risico achter te blijven in termen van kosten besparingen. , omzetgroei, werknemerservaring en klantervaring.

Karthik Suryanarayanan is de directeur van Digital Customer Experience Capgemini Amerika. Hij heeft meer dan 18 jaar digitale advieservaring in verkoop, service, marketing en commercie in snelgroeiende organisaties, met een unieke combinatie van technologische expertise, digitale strategie, creatief ontwerp en digitale technologiemogelijkheden in zowel binnenlandse als internationale markten. Daarnaast helpt hij klanten ook bij het benutten van opkomende trends in de sector, zoals het internet der dingen (IOT), kunstmatige intelligentie (AI), machine learning (ML) en robotprocesautomatisering (RPA).

Shibu Abraham is een applicatiebeheerconsultant op de site Capgemini Amerika. Shibu heeft 11 jaar in de adviesbranche en 22 jaar in de IT-industrie gewerkt. Hij is de afgelopen vijf jaar in QSR werkzaam geweest en heeft met enkele van de grootste merken in de branche gewerkt. Shibu is gevestigd in Chicago, Illinois.

Leave a Comment

Your email address will not be published.