Machine learning sparer tre ud af fire call center-medarbejdere væk hos britisk madpusher

Storbritanniens største fødevareleverandør har øget salget og sikret neddrosling af dyrt call center ved at tilbyde kunderne bestilling af fødevarer på en webportal, som er cloudbaseret og understøttes af machine learning

De fleste business-to-business forretninger med et call-center vil gerne bevæge sig over i portalbaseret selvbetjening for at øge effektiviteten og mindske omkostningerne.

Under finanskrisen i 2008-09 begyndte JJ Foods - Storbritanniens største engros fødevareleverandør til restauranter og kantiner - også at se sig om efter teknologi, der kunne sænke udgifterne til det dyre call-center.

»Det kræver meget mandskab at have et callcenter i drift 12 timer i døgnet. For at overleve i det meget konkurrenceprægede marked, vi opererer i, var vi derfor nødt til at tilbyde en onlinebaseret kundebetjening som erstatning for at man kunne ringe til os,« fortæller Chief Operating Officer Mushtaque Ahmed, JJ Foods i et interview med Version2 for nylig.

Men den manglende personlige betjening, da call centeret blev droslet ned, førte til tab af mersalg og krydssalg i JJ Foods.

»Vi skabte et stort problem for os selv, fordi vi mistede muligheden for at tale med kunden og foreslå andre eller relaterede produkter til deres bestillinger eller at fortælle om tilbud og nye produkter, som de ikke kendte til i forvejen,« siger Mushtaque Ahmed.

Svaret på den problemstilling var at efterligne kendte effekter med mersalg, som stammer fra personlige betjening, også selv om kunden shopper på en netportal.

Det har JJ Foods gjort med machine learning, der gør brug af års indsamling af data om kundeadfærd.

Ud over udfordringen i form af tab af mer- og krydssalg, da man gik over til online kundebetjening, er mange af kunderne ikke specielt teknologikyndige. Derfor skulle webløsningen også være yderst nem og hurtig at anvende.

»Ellers ville vi aldrig få mange af kunderne til at gå væk fra at ringe til os,« siger Mushtaque Ahmed om løsningen, hvor machine learning også er med til at sikre kunderne en hurtig bestilling.

Prædiktiv analyse fra datamodeller

Indsigt i tidligere ordremønstre blev anvendt til at udvikle selvudviklende datamodeller. De anvendes i dag til prædiktiv analyse, som forudser hvad kunden er på vej til at bestille, når han eller hun går online.

»Hvis kunden for eksempel driver en cafe, vil systemet vide på forhånd, når kunden logger på, at der bliver bestilt 10 kg kaffe hver måned, mel hver uge og salat hver dag,« fortæller han.

Chief Operating Officer Mushtaque Ahmed, JJ Foods, har stået i spidsen for en omfattende brug af machine learning til kundebetjening

Eller hvis kunden har en restaurant med en fast menu, er der jo ingen grund til at belaste ham med at vise 3.000 eller 4.000 forskellige varer, når systemet på forhånd ved, at 80 procent af hans daglige indkøb centrerer sig om 50 forskellige produkter.

Og det er netop de 80 procent, som systemet vil foreslå til indkøbskurven allerede når kunden logger ind.

»I stedet for at kunden selv skal søge efter de varer, som de har brug for, så bliver indkøbet mere fokuseret og langt hurtigere at gennemføre. Vores mål har været at kunderne skal bruge så lidt tid på indkøbet som muligt,« siger COO'en.

Udover sådanne prædiktive indsatser, mestrer det machine learning baserede system også at forudse, hvilke andre produkter der med stor sandsynlighed kunne være interessante for kunden - ud fra den ordreprofil, som er gemt.

Det kan medføre nogle forudsigelige forslag, som eksempelvis at hvis man køber meget mælk til kaffe, så vil systemet også foreslå kaffesirup.

Eller hvis man sælger fish and chips, så vil systemet foreslå de krydderier der passer til den hofret.

»Men også sammenhænge som har en dokumenteret track record, men som vi mennesker har vanskeligere ved at gennemskue, dukker op - eksempelvis hvis man søger efter 7UP sodavand, vil systemet foreslå toiletpapir,« siger han med et smil.

Typisk vil systemet foreslå seks relaterede produkter til hvert produkt.

»Vi har faktisk en succesrate på 20 procent, dvs. hver femte produktforslag fører til en ekstra ordre.«

Omfattende data om produkterne til rådighed

Systemet giver også kunderne mulighed for at få omfattende information om ernæringsforhold, emballage, størrelse pr. pakning, risiko for allergier mv.

JJ Foods har med den nye machine learning teknologi opnået ekstraomsætning på godt 20 mio. kroner pr. måned i perioden juli til november 2015.

Samtidig har man kunne drosle callcentret ned med 66 mand, så selskabet nu i dag kun har 25 medarbejdere ansat til telefonbetjening - typisk helt små kaffe- og sandwichudsalg, som ikke anvender computer til forretningsdriften.

At anvende ny teknologi på den måde, lå ikke i kortene hos fødevarevirksomheden.

»Machine learning var ganske nyt for os,« siger Mushtaque Ahmed.

»Vi havde ikke nogen anelse om, hvad der foregik ude i markedet. Vi troede, det ville kræve et stort budget at anvende big data og mange udviklingstimer - en investering, som vi ikke var klar til. Men vi blev klogere,« siger han uden at ville komme ind på investeringens størrelse.

Systemet er baseret på Microsoft Azure ML, som er en cloud-løsning med tilknyttet machine learning.

Løsningen opererer på algoritmer, som oprindeligt er udviklet til Xbox og Bing.

Næste skridt i JJ Foods machine learning-udvikling bliver at anvende systemet til at justere priser mere præcist efter parametre som sæson, efterspørgsel og udbud.

Desuden vil JJ Foods optimere lagerbeholdningen ved at anvende prognoser til at forudse, hvad kunderne formentlig vil købe i nærmeste fremtid.

Tips og korrekturforslag til denne historie sendes til tip@version2.dk

Kommentarer (8)

Robert Winther

Det fremgår af artiklen:

Men den manglende personlige betjening, da call centeret blev droslet ned, førte til tab af mersalg og krydssalg i JJ Foods.

»Vi skabte et stort problem for os selv, fordi vi mistede muligheden for at tale med kunden og foreslå andre eller relaterede produkter til deres bestillinger eller at fortælle om tilbud og nye produkter, som de ikke kendte til i forvejen,« siger Mushtaque Ahmed.

Jesper Tholstrup

Ironi?

Jeg snakkede med computere for et par år siden i USA hos Apple og USPS - det var uden tvivl den mest irriterende kommunikation jeg har haft til dato. Det er inklusiv den kommunikation jeg har haft med mine børn.

Så jeg ved ikke om menneske-computer kontakt er mere "produktiv" end menneske-menneske kontakt. Den er dog, sandsynligvis, billigere for leverandøren.

Personligt sætter jeg pris på at snakke med et menneske når jeg har et problem eller et spørgsmål.

Henning Mølsted Journalist

Hej Michael

Tak for spørgsmål. I første omgang var missionen at spare det dyre call-center væk (helt eller delvist).

JJ Foods lagde i første omgang alle varenumre ud i en webshop/online portal og overlod det til kunderne selv at søge de varer frem, som de skulle bruge.

Det gav imidlertid bagslag - dels var det tidskrævende for kunderne at slå op igen og igen efter samme varer. Husk på at nogle cafeer mv handler dagligt i sådanne engrosselskaber.

Men JJ Foods gik også glip af det mersalg, som den personlige kontakt i callcentret gav som gevinst, og som callcentret altså var ansvarlig for.

Løsningen er machine learning baseret portal som altså både ved, hvad kunden vil have når de logger på (for 80 procents vedkommende) og kan foreslå andre relevante varer.

Som andre læsere har antydet, er det netop it-teknologi af denne art, der nedlægger arbejdspladser, lige som vi også ser det i lufthavnen hvor visse selskaber ikke bare har teknologibetjent check-in men også bagage drop off. Den udvikling er super interessant at belyse - men det er en helt anden historie :)

Mvh Henning Mølsted, redaktør.

Bent Jensen

Tak det forstod jeg af artiklen, selvom det ikke fremgik tydeligt. Man kan sige at du er fange i samme fælde :-)

Når google oversættelsen er for dårligt, så bliver informationsniveauet og "tydelighed" i artiklen mindre. Derfor skal du bagefter bruge tid på opfølgning i stedet for andet arbejde. Hvis google var bedre, samt også kunne give den tvist på artiklen som du gerne ville have. Så havde du tid til andet arbejde, eller også var du arbejdsløs.

Din pointe vil vel også være at at mange mennesker tror at de ikke kan erstattes, med med bedre teknologi så går vi fra at 20% kan erstattes mod de 80% og de sidste 10-15 % kommer også med.
Som med vejr og nyhedsoplæser som (snart) er her.

Log ind eller opret en konto for at skrive kommentarer