PepsiCo, una delle aziende leader a livello mondiale nel settore alimentare e delle bevande, deve bilanciare la domanda dei consumatori per i suoi prodotti con le scorte disponibili in migliaia di negozi negli Stati Uniti. Per passare a un approccio più orientato all’apprendimento automatico e all’analisi predittiva, l’azienda ha implementato Microsoft Azure Machine Learning per ottenere informazioni utili dai suoi vasti archivi di dati e ha iniziato a utilizzarlo per alcuni mercati selezionati negli Stati Uniti.

L’obiettivo dell’azienda è quello di espandersi in modo più ampio ad altri settori e mercati, in base alle conoscenze acquisite da questo test pilota e dai modelli. Nell’esperimento pilota, i collaboratori PepsiCo hanno ricevuto ogni giorno un elenco di priorità per ogni negozio visitato, in modo da poter prevedere meglio gli snack che i singoli negozi devono tenere in magazzino per soddisfare meglio le esigenze di acquisto dei consumatori.

I data scientist che generano gli elenchi utilizzano le funzionalità di apprendimento automatico di Azure Machine Learning per semplificare il processo di sviluppo e di lavoro con i modelli che informano le priorità. Come risultato, i primi segnali stimano uno spostamento di 4.300 giorni di lavoro all’anno da attività di routine ad attività a valore aggiunto.

Mentre le rinfrescanti bevande Pepsi, i gustosi snack Frito-Lay e i salutari alimenti Quaker guidano il lato del business rivolto ai consumatori di PepsiCo, all’interno dell’azienda sono le informazioni a far muovere le cose.

“I dati sono la linfa vitale dell’azienda”, afferma Michael Cleavinger, Senior Director of Shopper Insights Data Science and Advanced Analytics di PepsiCo. “Abbiamo 23 marchi da un miliardo di dollari in diversi segmenti di prodotto. Ci affidiamo alle intuizioni dell’apprendimento automatico per mettere insieme la nostra conoscenza del settore, del mercato e la nostra profonda comprensione delle abitudini di acquisto e delle preferenze dei consumatori. Questo ci permette di prendere decisioni informate che assicurano ai consumatori i prodotti che desiderano, aiutandoci a soddisfare costantemente la domanda dei consumatori e a guidare la crescita di PepsiCo”.

Parte di questa crescita aziendale dipende da relazioni positive con i partner tecnologici di PepsiCo, e anche in questo caso i dati giocano un ruolo fondamentale. “I nostri partner di vendita al dettaglio operano con una mentalità quotidiana”, spiega Evan Shaver, Vice President, Shopper Analytics and Insights di PepsiCo North America. “I giorni in cui si ricevevano dati vecchi di una settimana o di un mese sono in gran parte finiti. Riteniamo che i fornitori in grado di rispondere agilmente saranno quelli a cui i retailer si affideranno per aiutarli a vincere sul mercato”.

Jeff Swearingen, Senior Vice Presidente e Responsabile del Global Demand Accelerator di PepsiCo, aggiunge: “La chiave è disporre di dati significativi e approfonditi. Per certi versi, la proliferazione dei dati rende il processo decisionale più difficile che mai. La capacità di analizzare i dati, di ricavarne rapidamente informazioni utili e di convertirle in una programmazione convincente e personalizzata è fondamentale. I nostri partner di vendita al dettaglio, più che mai, apprezzano questa capacità”.

Trovare nuovi modi per raccogliere e analizzare i dati

PepsiCo genera ogni giorno enormi quantità di dati sui volumi di vendita, sulle scorte e sui modelli di acquisto. L’azienda non vuole limitarsi a dedicare tempo all’organizzazione di questi dati in modi tradizionali e dispendiosi, come la gestione di migliaia di fogli di calcolo separati, file PDF, documenti Word, maschere PowerPoint, database ed e-mail, come faceva in passato. PepsiCo preferisce dedicare il tempo a concentrarsi sulle grandi questioni aziendali e a determinare strategie intelligenti.

“Vogliamo aumentare il livello di utilizzo dei dati”, afferma Cleavinger. “Abbiamo avuto un approccio piuttosto tradizionale, facendo le cose nello stesso modo negli ultimi 20 anni. Con l’avanzare della tecnologia, abbiamo iniziato a cercare metodi alternativi per sfruttare la potenza di calcolo e ottenere informazioni preziose sui processi aziendali critici. Questo ci ha portato all’intelligenza artificiale e al Machine Learning”.

PepsiCo ha trasferito i suoi voluminosi dati sulla piattaforma cloud Microsoft Azure per riunire le numerose fonti di dati dell’azienda ed esaminare i contenuti in modo più costruttivo, iniziando con l’implementazione di Azure Machine Learning. “Volevamo adottare un approccio molto granulare, intelligente e lungimirante, e Azure Machine Learning ci ha aperto molte possibilità”, afferma Cleavinger. “Si può usare qualsiasi linguaggio e qualsiasi algoritmo si voglia, e la piattaforma ci supporta dall’inizio alla fine”.

Accelerare lo sviluppo dell’apprendimento automatico con nuovi strumenti

Un tipico ciclo di vita dell’apprendimento automatico prevede una serie di fasi che si ripetono in un processo di perfezionamento continuo. Gli scienziati dei dati sviluppano modelli che aiutano i computer a imparare dai dati passati per identificare i risultati futuri.

Gli scienziati addestrano quindi questi modelli con i set di dati esistenti, li confezionano, convalidano il comportamento del modello per verificarne la reattività e la conformità alle normative, distribuiscono il modello nel cloud dove elabora i dati in arrivo, monitorano il modello per verificarne il comportamento e il valore aziendale, quindi riqualificano o sostituiscono il modello se necessario per migliorare le prestazioni. L’intero processo può essere strutturato come parte di una pipeline di integrazione continua e consegna continua (CI/CD).

“In PepsiCo utilizziamo Azure come una moderna piattaforma di analisi avanzata di nuova generazione. Abbiamo iniziato con le funzionalità fondamentali di Azure e abbiamo lavorato a stretto contatto con i nostri partner aziendali per aggiungere servizi e funzionalità più avanzate”, afferma Atul Jain, Director, Advanced Analytics di PepsiCo.

“Senza dubbio, le funzionalità operative di apprendimento automatico di Azure Machine Learning hanno facilitato un migliore coordinamento tra il team aziendale di PepsiCo e i team IT di PepsiCo. Siamo stati in grado di muoverci più velocemente e con più forza con i nostri partner commerciali aprendo le capacità al team aziendale, creando un nuovo modo di lavorare”.

Poiché il Machine Learning comporta un processo così specifico e ben definito, non sempre si adatta senza problemi agli strumenti DevOps tradizionali. Per questo motivo, PepsiCo è stata lieta di scoprire che l‘utilizzo di Azure Machine Learning consente di accedere alle funzionalità MLOps (Machine Learning Operations) del servizio, progettate specificamente per lo sviluppo dell’apprendimento automatico.

“Microsoft ha realizzato Azure Machine Learning per supportare un approccio DevOps specifico per l’apprendimento automatico, in modo che il nostro personale possa concentrarsi sull’agilità”, afferma Cleavinger. “I nostri data scientist e sviluppatori monitorano facilmente tutto da un portale centrale e la possibilità di gestire, convalidare e distribuire i modelli da un unico ambiente riduce drasticamente il tempo impiegato, facilita i processi difficili e riduce la complessità del flusso di lavoro”.

Il team di data science di PepsiCo ha inoltre constatato che l’adozione di questo approccio alle operazioni di apprendimento automatico al CI/CD utilizzando Azure Machine Learning ha reso il team molto più efficace, in quanto i membri sono in grado di iterare lo sviluppo dell’apprendimento automatico più facilmente di prima.

“Abbiamo utilizzato le funzionalità MLOps di Azure Machine Learning per semplificare l’intero processo di apprendimento automatico”, spiega Cleavinger. “Questo ci permette di concentrarci maggiormente sulla scienza dei dati e di lasciare che Azure Machine Learning si occupi dell’operatività end-to-end. Questo fa davvero la differenza, perché nel nostro team ci sono persone che non sono sviluppatori esperti. Con Azure Machine Learning e le sue funzionalità MLOps, i nostri data scientist e analisti di dati hanno un punto di ingresso che gli strumenti DevOps tradizionali non forniscono”.

L’utilizzo delle funzionalità operative di Azure Machine Learning per l’automazione delle attività non solo aiuta PepsiCo a concentrarsi maggiormente sulla scienza dei dati, ma ha anche accelerato lo sviluppo e ridotto il tempo dedicato alle attività di routine. Inoltre, aiuta gli sviluppatori e i data scientist a mantenere l’accuratezza e la ripetibilità dei modelli, assicurandosi di non commettere errori involontari. “L’automazione ci aiuta a sollevare e spostare un processo da un progetto all’altro, in modo che la struttura generale sia già completa e sappiamo cosa aspettarci e cosa deve essere modificato”, afferma Cleavinger. “Questo può eliminare settimane di lavoro da un progetto di apprendimento automatico”.

Ottenere grandi vantaggi con funzionalità sofisticate e facili da usare

I dipendenti di PepsiCo hanno apprezzato il fatto che l’adozione delle funzionalità operative di apprendimento automatico di Azure Machine Learning non ha richiesto un grande cambiamento nel modo in cui sono abituati a lavorare.

“Abbiamo essenzialmente eliminato molte cose che non usavamo spesso e ora dedichiamo più tempo a ciò che vogliamo davvero: costruire, distribuire e monitorare i modelli”, afferma Cleavinger. “Poiché le funzionalità MLOps di Azure Machine Learning tengono tutto insieme in un unico punto, non abbiamo bisogno di spostarci tra programmi e piattaforme. Inoltre, funzioni come il ricco registro dei modelli rendono la nostra pipeline più semplice e velocizzano le iterazioni”.

L’azienda ha trovato utili anche altre risorse di Azure. “Con Azure Machine Learning, possiamo integrare i nostri flussi di lavoro di apprendimento automatico in pipeline automatizzate, scalarle e farle avviare nuovi ‘calcoli’ gestiti per l’intero processo”, afferma Cleavinger. “Ci aiuta davvero ad automatizzare il processo e ci rende più facile condividere codice e modelli”.

Per i data scientist di PepsiCo, l’adozione di Azure Machine Learning e delle sue funzionalità operative di apprendimento automatico fornisce un quadro di riferimento per lavorare con i big data e l’IA in un modo che favorisce la collaborazione, accelera il time to market e riduce i problemi associati alla condivisione, al tracciamento dei file e al versioning. “Con le funzionalità di machine learning di Azure Machine Learning, diversi team possono lavorare insieme in modo coordinato”, afferma Ying Feng, Senior Manager, Data Science, Marketing/Shopper Insight di PepsiCo. “Ogni team può lavorare su una parte della soluzione e poi unirla in modo molto fluido. Questo ci fa risparmiare molto tempo. In passato, poteva volerci un anno per portare un modello a livello di produzione, mentre ora possiamo completare il processo in soli quattro mesi”.

Scavare nel DNA dei negozi per soddisfare meglio le aspettative dei clienti

I collaboratori di PepsiCo visitano ogni settimana oltre 200.000 punti vendita statunitensi per rifornire e organizzare i prodotti e gli espositori. Tradizionalmente, i collaboratori sul campo arrivavano in un negozio con un lungo elenco di cose da fare, basato sull’intuizione e sui dati storici degli anni passati. Ma non sempre sapevano a cosa dare priorità in quella determinata settimana. E poiché ogni negozio si rivolge a una varietà di consumatori in regioni diverse, le stesse linee guida che si applicano a un negozio potrebbero non valere per un altro. Le priorità sono influenzate anche da eventi sportivi importanti, orari scolastici e persino dal tempo.

“Ad esempio, quando il nostro collaboratore è arrivato di recente in un negozio del Texas settentrionale, c’erano 85 gradi”, spiega Cleavinger. “Non sapeva che le previsioni per la settimana successiva erano di 105 gradi. Se lo avesse saputo, avrebbe saputo di dover fare scorta di acqua. Vogliamo utilizzare il machine learning per integrare e analizzare i dati provenienti da fonti interne ed esterne, come le previsioni del tempo, per fornire questo tipo di consigli predittivi, quantificare il valore delle raccomandazioni e personalizzare le priorità per ogni punto vendita”.

Le priorità tengono conto delle informazioni interne di PepsiCo sui clienti e sui loro modelli di acquisto. Negozi diversi possono vendere quantità diverse di prodotti e l’azienda vuole che i suoi collaboratori sul campo siano a conoscenza di queste differenze e stabiliscano le loro aspettative su ciò che è probabile che venga venduto di settimana in settimana. La sfida dei dati è enorme, coinvolge miliardi di righe e migliaia di colonne di dati, e incorpora dati demografici, atteggiamenti, dati psicografici, comportamento d’acquisto, affinità di prodotto, eventi locali, meteo e altro ancora.

Per riunire tutti questi dati e fornire raccomandazioni appropriate, PepsiCo ha sviluppato un’applicazione chiamata Store DNA. L’azienda ha utilizzato Azure Machine Learning e le sue capacità operative di Machine Learning per creare modelli di apprendimento automatico che analizzano i dati dei punti vendita e dei clienti e forniscono ai collaboratori sul campo un elenco prioritario delle tre principali azioni da intraprendere quando raggiungono ogni luogo, come ad esempio l’aumento delle scorte di determinati prodotti.

L’azienda sta anche ampliando questi dati granulari per identificare aree di opportunità più ampie, dove esiste una potenziale domanda insoddisfatta da parte dei consumatori, aiutando PepsiCo a definire la strategia e le aree di interesse e a lavorare per raggiungere l’obiettivo finale di soddisfare le esigenze dei consumatori.

“Ora possiamo usare i dati per dire ai nostri collaboratori sul campo quali prodotti avranno il maggiore impatto quella settimana, a cosa i collaboratori devono prestare attenzione e cosa possono fare per assicurarsi di soddisfare davvero le aspettative dei clienti – cose di cui forse non erano a conoscenza prima”, dice Cleavinger. Possono capitalizzare meglio le opportunità di vendita grazie alle intuizioni ricavate tramite Machine Learning dai nostri vasti archivi di dati”. A causa dell’ampiezza e della portata dei dati, fino a poco tempo fa, con strumenti come Azure Machine Learning e le sue funzionalità MLOps, non avremmo potuto nemmeno pensare di svolgere questo tipo di lavoro”.

Espandere la soluzione e fornire approfondimenti granulari

PepsiCo ha effettuato un proof of concept di Store DNA nel mercato del Texas settentrionale, coprendo 700 negozi al dettaglio di grandi dimensioni e ricevendo un feedback positivo dai suoi collaboratori sul campo.

Hanno agito in base a più dell’85% dei suggerimenti dell’applicazione e l’azienda ha stabilito che stava migliorando le previsioni di oltre il 40%. Sulla base del successo del lancio nel North Texas, l’azienda sta espandendo Store DNA a 14 mercati in quattro diverse regioni degli Stati Uniti centrali. Ogni mercato ha i propri modelli di apprendimento automatico, addestrati in base alle idiosincrasie del mercato.

“L’utilizzo di Azure Machine Learning e delle sue funzionalità MLOps ci ha permesso di scalare facilmente la nostra soluzione ai mercati aggiuntivi”, spiega Feng. “Il nostro processo utilizza due modelli per ogni mercato, uno per l’addestramento e uno per l’attribuzione dei punteggi: attualmente stiamo monitorando 28 modelli in tutta la distribuzione”.

Il lancio dello Store DNA preannuncia guadagni di efficienza e produttività per PepsiCo. Sulla base del proof of concept, i primi segnali indicano che l’azienda potrebbe essere in grado di spostare 4.300 giorni di lavoro all’anno da attività banali ad attività più incentrate sull’aggiunta di valore all’azienda: si tratta di quasi 12 anni di lavoro noioso trasformati in tempo significativo.

Gli operatori sul campo non passano più il tempo a cercare di scoprire o ricavare ciò che deve accadere in un negozio, e possono concentrarsi sul lavoro che crea il maggiore impatto. I data scientist risparmiano potenzialmente settimane di tempo grazie alle funzionalità di apprendimento automatico di Azure Machine Learning e all’automazione delle attività che supporta.

Questa automazione ha contribuito a cambiare la dinamica tra i gruppi aziendali e IT di PepsiCo. David Patron, Sr. Director Enterprise Data, ha dichiarato: “Azure Machine Learning è un sistema di apprendimento automatico. Director Enterprise Data, “Azure Machine Learning ha automatizzato molti processi IT, consentendoci di concentrarci sulla strategia con il team aziendale. Ma oltre a questo, riduce anche il tempo per produrre e fornire soluzioni di machine learning/AI in nuovi progetti”.

Gli approfondimenti granulari forniti da Store DNA sono utili non solo agli operatori sul campo, ma anche ai dirigenti di PepsiCo. “Forniamo ai nostri dirigenti ottimi cruscotti modellati in Microsoft Power BI che forniscono informazioni su dove l’azienda dovrebbe spendere tempo e sforzi”, dice Cleavinger. “Possono analizzare gli articoli in un negozio specifico e anche nei negozi circostanti, o scalare per vedere dove si trovano le opportunità e prendere decisioni strategiche di alto livello”.

Con le intuizioni derivate da Azure Machine Learning, PepsiCo ottiene tre vantaggi che ogni azienda apprezza molto. “Poniamo una reale enfasi sulla velocità e sulla qualità, riducendo al contempo i costi”, afferma Swearingen. “Storicamente, si tratta di una tripletta difficile da raggiungere. Tuttavia, crediamo che le nostre nuove capacità sposteranno la curva per consentire una nuova, migliore linea di base”.

Mentre PepsiCo si immerge sempre di più nel Machine Learning, l’azienda si assicura di aderire a politiche di IA responsabili. “Utilizziamo un approccio all’IA incentrato sul consumatore per comprendere e soddisfare meglio le esigenze dei clienti”, spiega Cleavinger. “Con la potenza dell’IA, possiamo generare informazioni preziose senza dover utilizzare informazioni di identificazione personale. Abbiamo anche dei consigli di governance dei dati per garantire che i dati siano utilizzati e protetti in modo appropriato e che ne comprendiamo la provenienza”.

Al momento, Store DNA si concentra sui prodotti PepsiCo a base di bevande, ma man mano che l’azienda diffonde la soluzione in altre aree geografiche, prevede di aggiungere anche gli snack. “Continueremo a impegnarci per far risparmiare tempo al nostro personale sul campo e per fornire loro informazioni migliori e più approfondite”, afferma Cleavinger. “Il supporto che abbiamo ricevuto da Microsoft nell’intraprendere il nostro viaggio nell’apprendimento automatico è stato fantastico e non vediamo l’ora di continuare a lavorare insieme per aumentare quella che ci piace chiamare la nostra ‘quota di stomaco’ e il nostro successo commerciale“.

Da non perdere

Comments are closed.