किराणा विक्रेते ताज्या अन्नाचा अपव्यय कमी करण्यासाठी AI वापरत असताना Afresh ने $34 दशलक्ष उभारले

महागडी किरकोळ समस्या आता डेटा समस्या बनत आहे

ताजे अन्न हीच ती जागा आहे जिथे किराणा स्टोअर्स आपले सर्वात कठीण पैसे गमावतात. मागणी कमी होऊन नासधूस सुरू होण्यापूर्वी किती स्ट्रॉबेरी, एवोकॅडो, मांसाचे तुकडे, किंवा तयार जेवण साठवायचे, याचा अंदाज व्यवस्थापकांना बांधावा लागतो. पॅकेज्ड वस्तूंपेक्षा ताज्या साठ्याचे स्वरूप अतिशय नाशवंत, असमानरीत्या मोजले जाणारे, आणि अनेकदा बॅक रूममधून शेल्फवर गेल्यावर नीट ट्रॅक न केलेले असते.

कमीअपव्यय होईल अशा चांगल्या forecasting वर Afresh या startup ने आपला डाव लावला आहे. Just Climate आणि High Sage Ventures यांच्या सह-नेतृत्वाखालील नव्या funding round मध्ये कंपनीने $34 दशलक्ष उभारले आहेत, आणि तिची AI tools आधीच ताज्या श्रेणींमध्ये shrink 20% ते 25% पर्यंत कमी करण्यात रिटेलर्सना मदत करत असल्याचे ती म्हणते.

Fast Company ने दिलेल्या या funding round चे महत्त्व असे की grocery waste ही किरकोळ अकार्यक्षमता नाही. लेखानुसार, अमेरिकेतील grocery stores दरवर्षी सुमारे चार दशलक्ष टन अन्न वाया घालवतात, ज्याची किंमत सुमारे $27 अब्ज आहे. त्यामुळे ताज्या साठ्याचे नियोजन हे किरकोळ व्यापारातील सर्वात महत्त्वाच्या आणि कमी digitized ऑपरेशनल समस्यांपैकी एक बनते.

स्प्रेडशीट आणि अंदाजांपासून demand modeling पर्यंत

Afresh ची सुरुवात ही अलीकडेपर्यंत food-retail workflow किती analog होते, याचा एक अभ्यासच म्हणता येईल. सह-संस्थापक Matt Schwartz आणि Nathan Fenner यांनी समस्या अभ्यासायला सुरुवात केली तेव्हा त्यांना आढळले की produce managers printed spreadsheets, rough estimates, आणि pen-and-paper ordering processes वर अवलंबून होते.

ऐतिहासिकदृष्ट्या ते काही प्रमाणात समजण्यासारखे आहे. ताजे अन्न हाताळणे shelf-stable products पेक्षा खूप कठीण असते. वजनावर विकल्या जाणाऱ्या produce मध्ये evaporation मुळे वजन कमी होऊ शकते. self-checkout चुका प्रत्यक्षात काय खरेदी झाले ते बिघडवू शकतात. खराब वस्तू योग्यरीत्या नोंदविल्याशिवाय फेकून दिल्या जाऊ शकतात. promotions, temperature, shipping origin या सगळ्याचा एखादे उत्पादन किती वेगाने खराब होते यावर परिणाम होऊ शकतो.

Afresh चे software या घटकांना एका forecasting system मध्ये आणण्याचा प्रयत्न करते. स्रोत मजकुरानुसार, कंपनी प्रत्येक grocer मधील data चे विश्लेषण करते, काही प्रसंगी शेकडो अब्ज transactions चा वापर करून. तिची models pricing, promotions, shipment origin, weather, आणि food-stamp distribution शी संबंधित timing हेसुद्धा विचारात घेतात. मग demand forecasts optimization tools सोबत जोडले जातात, जे प्रत्येक उत्पादनासाठी order quantities सुचवतात.

मूळ कल्पना सोपी आहे: स्टोअर्सना demand आणि perishability अधिक अचूकपणे अंदाजता आले, तर ते प्रत्यक्षात विकले जाईल त्याच्या जवळपास ऑर्डर करू शकतील.

ताज्या श्रेण्या वेगळ्या का असतात

बाहेरून पाहिल्यास retail technology बरीच परिपक्व वाटते, पण ताजे विभाग स्वच्छ automation साठी अजूनही हट्टीपणे प्रतिरोधक राहिले आहेत. पॅकेज्ड अन्न standardised units, अंदाज करता येणारा shelf life, आणि digital supply chain records घेऊन येते. ताज्या वस्तू अधिक noisy असतात. रास्पबेरीचा डबा आणि सॅल्मनची ट्रे, cereal किंवा toothpaste सारखे वागत नाहीत.

म्हणूनच इथे AI आकर्षक आहे. ते store manager हाताळू शकेल त्यापेक्षा जास्त घटक आत्मसात करू शकते, आणि नवीन data येत राहिले की शिकत राहते. कंपनीचे म्हणणे आहे की ही models काळानुसार सुधारतात, जे स्थानिक परिस्थिती खूप महत्त्वाची असलेल्या क्षेत्रात विशेष मूल्यवान आहे. एखाद्या neighborhood मधील demand patterns, weather shifts, आणि shopper habits आठवड्यानुसार “योग्य” inventory काय असेल ते बदलू शकतात.

Afresh सहसा 10 ते 20 स्टोअर्समध्ये trials सुरू करते आणि त्याच काळात चालणाऱ्या control group सोबत परिणामांची तुलना करते. Schwartz यांनी सांगितले की system live झाल्यावर कंपनीला साधारणपणे shrink मध्ये 20% ते 25% कपात दिसते.

जर ही कपात मोठ्या प्रमाणात टिकून राहिली, तर व्यवसायिक कारण स्पष्ट आहे. कमी मार्जिन आणि जलद turnover असलेल्या food categories मध्ये waste rate मध्ये थोडीशी सुधारणा देखील मोठी बचत देऊ शकते.

ऑर्डरिंगपलीकडील ऑपरेशनल बदल

या technology चा परिणाम खरेदी आदेशांपुरता मर्यादित नाही. लेखानुसार, grocers Afresh च्या data चा वापर करून displays पुन्हा डिझाइन करू शकतात आणि नासू लागलेल्या वस्तू कशा हाताळायच्या हे सुधारू शकतात. काही स्टोअर्समध्ये software ने गरजेपेक्षा मोठे produce displays ओळखले आहेत, ज्यामुळे व्यवस्थापकांना ते लहान करता आले किंवा कमी प्रत्यक्ष फळे ठेवून abundance चा आभास टिकवण्यासाठी dummy displays वापरता आले.

ते वरवर cosmetic वाटू शकते, पण display strategy ऑपरेशनलदृष्ट्या महत्त्वाची आहे. किराणा स्टोअर्स अनेकदा दिसणारा produce जास्त साठवतात, कारण भरलेले display ग्राहकांना freshness आणि abundance चे संकेत देते. कमी physical inventory असूनही software तो आभास टिकवू शकले, तर merchandising न बिघडवता waste कमी करता येतो.

हाच तर्क अन्न पुनर्वापरालाही लागू होतो. स्टोअर्स shelf life च्या अखेरीस असलेला produce prepared products मध्ये रूपांतरित करू शकतात, उदाहरणार्थ एवोकॅडोचे guacamole बनवणे. Afresh ने deli prepared foods मध्ये demand forecast करण्यासाठी स्वतंत्र tool देखील सुरू केले आहे, जिथे spoilage आणि forecasting चुका खर्चिक ठरू शकतात.

funding का महत्त्वाचे आहे

किरकोळ व्यापारात AI बद्दल बहुतेक वेळा consumer-facing चमकदार साधनांच्या माध्यमातून चर्चा होते, पण काही सर्वात टिकाऊ उपयोग back-end operating decisions मध्ये असू शकतात. ताज्या अन्नाचा अपव्यय आर्थिकदृष्ट्या त्रासदायक, पर्यावरणीयदृष्ट्या महाग, आणि केवळ मजुरीने सोडवणे कठीण आहे. हेच असे planning problem आहे जिथे चांगले forecasts measurable gains मध्ये रूपांतरित होऊ शकतात.

Afresh च्या म्हणण्यानुसार, त्याची system आता देशभरातील 12,500 पेक्षा जास्त grocery store departments मध्ये वापरली जाते, ज्यात Safeway आणि Albertsons यांचा समावेश आहे. हा footprint दाखवतो की कंपनी pilot-stage curiosity पलीकडे जाऊन broad operational testing मध्ये पोहोचली आहे.

नवे $34 दशलक्ष तिचा आणखी विस्तार करण्यास मदत करतील, पण मोठे महत्त्व क्षेत्रीय आहे. Grocery waste आता व्यवसाय करण्याचा टाळता न येणारा खर्च नसून software problem म्हणून पाहिला जात आहे. हे reframing यशस्वी झाले, तर पुढील दशकात retailers inventory systems, store operations, आणि sustainability efforts मध्ये कशी गुंतवणूक करतील यावर परिणाम होऊ शकतो.

ग्राहकांसाठी हा बदल कदाचित अदृश्यच राहील. शेल्फ अजूनही भरलेले दिसतील, आणि स्टोअर्स अजूनही रात्री restock करतील. पण त्या नेहमीच्या दृश्यामागे, निर्णयांचा वाढता भाग अशा प्रणालींकडून येऊ शकतो ज्या एका साध्या पण आश्चर्यकारकरीत्या कठीण प्रश्नाचे उत्तर देण्यासाठी तयार केल्या आहेत: नासण्यापूर्वी लोक प्रत्यक्षात किती ताजे अन्न खरेदी करतील?

हा लेख Fast Company च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.