একটি ব্যয়বহুল খুচরা সমস্যা এখন ডেটা সমস্যায় পরিণত হচ্ছে
তাজা খাবারই সেই জায়গা যেখানে গ্রোসারি দোকানগুলি তাদের সবচেয়ে কঠিন টাকা হারায়। কতটা স্ট্রবেরি, অ্যাভোকাডো, মাংসের কাট, বা প্রস্তুত খাবার মজুত করা উচিত, তা ম্যানেজারদের অনুমান করতে হয়, এর আগেই চাহিদা কমে যায় এবং পচন শুরু হয়। প্যাকেটজাত পণ্যের বিপরীতে, তাজা পণ্য খুব দ্রুত নষ্ট হয়, সমানভাবে মাপা যায় না, এবং প্রায়ই ব্যাক রুম থেকে শেলফে যাওয়ার পর ঠিকমতো ট্র্যাকও করা হয় না।
স্টার্টআপ Afresh মনে করছে, আরও ভালো পূর্বাভাস এই অপচয় কমাতে পারে। Just Climate এবং High Sage Ventures-এর সহ-নেতৃত্বে নতুন funding round-এ কোম্পানিটি $34 মিলিয়ন তুলেছে, এবং বলছে যে তাদের AI টুল ইতিমধ্যে তাজা বিভাগে shrink 20% থেকে 25% কমাতে খুচরা বিক্রেতাদের সাহায্য করছে।
Fast Company রিপোর্ট করা এই funding round গুরুত্বপূর্ণ, কারণ grocery waste কোনো ছোটখাটো অদক্ষতা নয়। নিবন্ধটি অনুমান করছে, যুক্তরাষ্ট্রের grocery stores প্রতি বছর প্রায় চার মিলিয়ন টন খাবার নষ্ট করে, যার খরচ প্রায় $27 বিলিয়ন। ফলে তাজা পণ্যের inventory planning খুচরা খাতে সবচেয়ে গুরুত্বপূর্ণ এবং কম digitized operational problemগুলোর একটি হয়ে উঠেছে।
স্প্রেডশিট আর অনুমান থেকে demand modeling-এ
Afresh-এর উৎপত্তির গল্পটি দেখায়, সম্প্রতি পর্যন্ত food-retail workflow কতটা analog ছিল। সহ-প্রতিষ্ঠাতা Matt Schwartz এবং Nathan Fenner সমস্যা নিয়ে গবেষণা শুরু করলে দেখেন, produce managers printed spreadsheets, rough estimates, এবং pen-and-paper ordering process-এর ওপর নির্ভর করতেন।
ঐতিহাসিকভাবে তা কিছুটা বোধগম্য। তাজা খাবার পরিচালনা shelf-stable products-এর তুলনায় অনেক বেশি কঠিন। ওজন ধরে বিক্রি হওয়া produce evaporated হয়ে ওজন হারাতে পারে। self-checkout error আসল কেনাকাটাকে বিকৃত করতে পারে। নষ্ট হওয়া পণ্য ঠিকমতো নথিভুক্ত না করেই ফেলে দেওয়া হতে পারে। promotions, temperature, আর shipping origin সবই একটি পণ্য কত দ্রুত নষ্ট হবে তা প্রভাবিত করতে পারে।
Afresh-এর software এসব ভ্যারিয়েবলকে একটি forecasting system-এ টানতে চেষ্টা করে। উৎস পাঠ অনুযায়ী, কোম্পানিটি প্রতিটি grocer-এর data বিশ্লেষণ করে, কিছু ক্ষেত্রে শত শত বিলিয়ন transactions-এর ওপর ভিত্তি করে। তাদের models pricing, promotions, shipment origin, weather, এমনকি food-stamp distribution-এর timing-ও বিবেচনায় নেয়। এরপর demand forecast-এর সঙ্গে optimization tools যুক্ত হয়, যা প্রতিটি পণ্যের জন্য order quantity প্রস্তাব করে।
ধারণাটি সহজ: দোকান যদি demand আর perishability আরও নির্ভুলভাবে অনুমান করতে পারে, তাহলে তারা যতটা বিক্রি হবে তার কাছাকাছি পরিমাণে order করতে পারবে।
তাজা বিভাগগুলো কেন আলাদা
বাইরে থেকে দেখলে retail technology বেশ পরিণত মনে হয়, কিন্তু তাজা বিভাগগুলো পরিষ্কার automation-এর প্রতি এখনো বেশ প্রতিরোধী। প্যাকেটজাত খাবার standardized unit, অনুমানযোগ্য shelf life, এবং digital supply chain record নিয়ে আসে। তাজা পণ্য অনেক বেশি noisy। রাস্পবেরির বাক্স আর স্যামনের ট্রে সিরিয়াল বা টুথপেস্টের মতো আচরণ করে না।
এই কারণেই এখানে AI আকর্ষণীয়। এটি store manager ম্যানুয়ালি সামলাতে পারার চেয়ে বেশি ভ্যারিয়েবল ধরতে পারে এবং নতুন data এলে শিখতেও থাকে। কোম্পানির দাবি, এই models সময়ের সঙ্গে উন্নত হয়, যা এমন এক ক্ষেত্রে বিশেষভাবে মূল্যবান যেখানে স্থানীয় পরিস্থিতি অত্যন্ত গুরুত্বপূর্ণ। একটি neighborhood-এর demand pattern, weather shift, আর shopper habit সপ্তাহে সপ্তাহে “সঠিক” inventory কী হবে তা বদলে দিতে পারে।
Afresh নাকি 10 থেকে 20 দোকানে trial শুরু করে এবং একই সময়ে চলা control group-এর সঙ্গে ফলাফল তুলনা করে। Schwartz বলেছেন, তাদের system live হলে সাধারণত shrink 20% থেকে 25% কমে।
যদি এই হ্রাস বড় পরিসরেও বজায় থাকে, তাহলে ব্যবসায়িক যুক্তি পরিষ্কার। পাতলা margin আর দ্রুত ঘুরে যাওয়া food category-তে waste rate-এ সামান্য উন্নতিও উল্লেখযোগ্য সাশ্রয় আনতে পারে।
অর্ডারিংয়ের বাইরেও পরিচালনাগত পরিবর্তন
এই technology-র প্রভাব শুধু purchase order-এ সীমাবদ্ধ নয়। নিবন্ধ অনুযায়ী, grocer-রা Afresh-এর data ব্যবহার করে display পুনর্নকশা করতে এবং পচনের কাছাকাছি থাকা পণ্য কীভাবে সামলাবে তা উন্নত করতে পারে। কিছু দোকানে software এমন produce display চিহ্নিত করেছে যা প্রয়োজনের চেয়ে বড়, ফলে managers সেগুলো ছোট করতে পেরেছেন বা কম আসল ফল রেখে abundance-এর চেহারা বজায় রাখতে dummy display ব্যবহার করতে পেরেছেন।
এটা কসমেটিক মনে হতে পারে, কিন্তু display strategy পরিচালনাগতভাবে গুরুত্বপূর্ণ। কিরানা দোকানগুলো প্রায়ই দৃশ্যমান produce অতিরিক্ত মজুত করে, কারণ পরিপূর্ণ display shopper-দের কাছে freshness আর abundance-এর সংকেত দেয়। যদি software কম physical inventory-র সঙ্গেও সেই অনুভূতি বজায় রাখতে পারে, তাহলে merchandising নষ্ট না করেই waste কমানো যায়।
একই যুক্তি খাদ্য পুনঃব্যবহারেও প্রযোজ্য। দোকানগুলো shelf life-এর শেষদিকে থাকা produce-কে guacamole-এর মতো prepared product-এ রূপান্তর করতে পারে। Afresh deli prepared foods-এ demand forecast করার জন্য আলাদা একটি tool-ও চালু করেছে, আরেকটি এমন বিভাগ যেখানে spoilage আর forecasting error ব্যয়বহুল হতে পারে।
funding কেন গুরুত্বপূর্ণ
খুচরা খাতে AI নিয়ে প্রায়ই consumer-facing flashy tools-এর মাধ্যমে আলোচনা হয়, কিন্তু সবচেয়ে স্থায়ী ব্যবহারগুলোর কিছু back-end operating decision-এ থাকতে পারে। তাজা খাদ্যের অপচয় অর্থনৈতিকভাবে কষ্টদায়ক, পরিবেশগতভাবে ব্যয়বহুল, এবং কেবল শ্রম দিয়ে সমাধান করা কঠিন। এটি ঠিক সেই ধরনের planning problem, যেখানে আরও ভালো prediction measurable gain-এ পরিণত হতে পারে।
Afresh বলছে, তাদের system এখন সারা দেশে 12,500-এরও বেশি grocery store department-এ ব্যবহৃত হচ্ছে, যার মধ্যে Safeway এবং Albertsons-ও আছে। এই footprint দেখায়, কোম্পানিটি pilot-stage curiosity ছেড়ে broad operational testing-এ চলে এসেছে।
নতুন $34 million round তাদের আরও সম্প্রসারণে সাহায্য করবে, কিন্তু এর বড় গুরুত্ব sector-গত। Grocery waste এখন ব্যবসা করার অপরিহার্য খরচ নয়, বরং software problem হিসেবে ধরা পড়ছে। এই reframing সফল হলে, আগামী দশকে retailers কীভাবে inventory system, store operation, আর sustainability effort-এ বিনিয়োগ করবে তা প্রভাবিত করতে পারে।
ভোক্তাদের জন্য এই পরিবর্তন হয়তো অদৃশ্যই থাকবে। শেলফ এখনও পরিপূর্ণ দেখাবে, দোকান এখনও রাতে restock করবে। কিন্তু সেই স্বাভাবিকতার নিচে, সিদ্ধান্তের একটি ক্রমবর্ধমান অংশ আসতে পারে এমন সিস্টেম থেকে, যেগুলো একটি সহজ কিন্তু আশ্চর্যজনকভাবে কঠিন প্রশ্নের উত্তর দিতে তৈরি: পচে যাওয়ার আগে মানুষ আসলে কতটা তাজা খাবার কিনবে?
এই নিবন্ধটি Fast Company-এর রিপোর্টিংয়ের ওপর ভিত্তি করে। মূল নিবন্ধ পড়ুন.
Originally published on fastcompany.com
