விலை உயர்ந்த ஒரு சில்லறை பிரச்சினை இப்போது ஒரு தரவுப் பிரச்சினையாக மாறுகிறது

பழச்சாறு, அவகாடோ, இறைச்சிக் துண்டுகள் அல்லது தயாரிக்கப்பட்ட உணவுகள் எவ்வளவு அளவில் வைக்க வேண்டும் என்று மேலாளர்கள் ஊகிக்க வேண்டிய இடம் fresh food. கேள்வி உருவாகும் முன்பே, தேவை குறைந்து அழுகல் தொடங்குகிறது. பேக்கேஜ் செய்யப்பட்ட பொருட்களைப் போல அல்லாமல், fresh inventory மிகவும் கெடுபிடியாகும், ஒரே மாதிரியான அளவீடு இல்லாதது, மேலும் back room-இலிருந்து shelf-க்கு சென்ற பிறகு பெரும்பாலும் சரியாக கண்காணிக்கப்படாதது.

மேலும் துல்லியமான முன்னறிவிப்பு இந்த வீணாட்சியை குறைக்க முடியும் என்று Afresh என்ற startup நம்புகிறது. Just Climate மற்றும் High Sage Ventures இணைந்து வழிநடத்திய புதிய funding round-இல் நிறுவனம் $34 மில்லியன் திரட்டியுள்ளது, மேலும் அதன் AI tools ஏற்கனவே fresh categories-இல் shrink-ஐ 20% முதல் 25% வரை குறைக்க உதவுகின்றன என கூறுகிறது.

Fast Company செய்தியாக வெளியிட்ட இந்த funding round முக்கியமானது; ஏனெனில் grocery waste என்பது சிறிய செயல்திறன் குறைபாடு அல்ல. கட்டுரையின் மதிப்பீட்டின்படி, அமெரிக்க grocery stores ஆண்டுக்கு சுமார் நான்கு மில்லியன் டன் உணவை வீணாக்குகின்றன, இதன் மதிப்பு சுமார் $27 பில்லியன். இதனால் fresh inventory planning என்பது retail-இல் மிக முக்கியமான, ஆனால் குறைவாக digitized செய்யப்பட்ட operational problems-இல் ஒன்றாகிறது.

ஸ்ப்ரெட்ஷீட்கள் மற்றும் ஊகங்களிலிருந்து demand modeling-க்கு

Afresh-இன் தோற்றக் கதை, சமீப காலம் வரை food-retail workflows எவ்வளவு analog-ஆக இருந்தன என்பதற்கான ஒரு ஆய்வு போன்றது. இணை நிறுவுநர்கள் Matt Schwartz மற்றும் Nathan Fenner பிரச்சினையை ஆய்வு செய்யத் தொடங்கிய போது, produce managers printed spreadsheets, rough estimates, மற்றும் pen-and-paper ordering processes-ஐ நம்பி செயல்படுவதை கண்டனர்.

வரலாற்று ரீதியாக அது ஒரு அளவு புரிந்துகொள்ளத்தக்கது. fresh foods-ஐ நிர்வகிப்பது shelf-stable products-களைவிட மிகக் கடினம். எடையின் அடிப்படையில் விற்கப்படும் produce, evaporation காரணமாக எடையை இழக்கலாம். self-checkout பிழைகள் உண்மையில் என்ன வாங்கப்பட்டது என்பதைக் குலைக்கலாம். கெட்ட பொருட்கள் சரியாக பதிவு செய்யப்படாமல் குப்பையில் போடப்படலாம். promotions, temperature, shipping origin ஆகியவை ஒரு பொருள் எவ்வளவு வேகமாக கெடுகிறது என்பதைக் கூட பாதிக்கலாம்.

Afresh-இன் software இவை அனைத்தையும் ஒரு forecasting system-க்குள் கொண்டு வர முயல்கிறது. மூல உரையின் படி, நிறுவனம் ஒவ்வொரு grocer-இலிருந்தும் data-வை பகுப்பாய்வு செய்கிறது, சில சந்தர்ப்பங்களில் நூற்றுக்கணக்கான பில்லியன் transactions-ஐ பயன்படுத்துகிறது. அதன் models pricing, promotions, shipment origin, weather, மேலும் food-stamp distribution-க்கு தொடர்பான timing-ஐ கூட கருத்தில் கொள்கின்றன. பின்னர் demand forecasts-ஐ optimization tools-உடன் இணைத்து, ஒவ்வொரு பொருளுக்கும் order quantities-ஐ பரிந்துரைக்கின்றன.

கருத்து எளிது: stores demand மற்றும் perishability-ஐ மேலும் துல்லியமாக கணிக்க முடிந்தால், உண்மையில் விற்கப்போகும் அளவுக்கு நெருக்கமாக order செய்ய முடியும்.

The AP01 is a bit fatter than the typical thumb but also shorter
More in Innovation

நைட்கோர் 22-கிராம் பம்ப், அவுட்டோர் உபகரணங்கள் மாட்யூலார் பவருக்குத் தாவுகின்றன என்பதை காட்டுகிறது

Nitecore AP01, உள்ளமைந்த பேட்டரியை நீக்கி வெளிப்புற மின்சக்தியை பயன்படுத்துவதன் மூலம் ஒரு அவுன்ஸிற்கும் கீழ் இறங்குகிறது; இதன் இலக்கு அல்ட்ராலைட் கேம்பர்கள் மற்றும் பேக் பாக்கர்கள்.

Read article

fresh categories ஏன் வேறுபட்டவை

Retail technology வெளியே இருந்து பார்த்தால் பல நேரங்களில் முதிர்ந்ததாகத் தோன்றுகிறது, ஆனால் fresh departments clean automation-க்கு எதிராக நீண்ட காலமாக கடினமாக இருந்துள்ளன. பேக்கேஜ் செய்யப்பட்ட உணவுகள் standardized units, கணிக்கக்கூடிய shelf life, மற்றும் digital supply chain records-உடன் வருகின்றன. Fresh items சத்தமுள்ளவை. ராஸ்பெர்ரி பெட்டி மற்றும் சால்மன் தட்டு cereal அல்லது toothpaste போன்று நடக்காது.

அதனால்தான் இங்கு AI ஈர்ப்பு பெறுகிறது. அது ஒரு store manager கைமுறையாக கையாளக்கூடியதைவிட அதிக மாறிலிகளை உள்வாங்க முடியும், மேலும் புதிய data வந்துகொண்டே இருக்கும் போது தொடர்ந்து கற்றுக்கொள்ளும். அந்த models காலத்தோடு மேம்படுகின்றன என நிறுவனம் கூறுகிறது, குறிப்பாக உள்ளூர் சூழ்நிலைகள் மிக முக்கியமான ஒரு துறையில் இது மதிப்புடையது. ஒரு neighborhood-இன் demand patterns, weather shifts, shopper habits ஆகியவை வாரந்தோறும் “சரியான” inventory என்ன என்பதைக் மாற்றலாம்.

Afresh பொதுவாக 10 முதல் 20 stores-இல் trials தொடங்கி, அதே காலத்தில் இயங்கும் control group-உடன் முடிவுகளை ஒப்பிடுகிறது என்று தெரிவிக்கப்படுகிறது. அதன் system live ஆகும்போது பொதுவாக shrink-இல் 20% முதல் 25% வரை குறைவு காணப்படுவதாக Schwartz கூறினார்.

அந்த அளவிற்கு reductions நிலைத்தால், business case தெளிவாகிறது. மெல்லிய margins மற்றும் வேகமாக மாறும் food categories-இல் waste rates-இல் சிறிய மேம்பாடுகளே கூட பெரிய சேமிப்புகளை உருவாக்கலாம்.

ஆர்டர் செய்வதைத் தாண்டிய செயல்பாட்டு மாற்றங்கள்

இந்த technology-யின் தாக்கம் purchase orders-க்கு மட்டும் கட்டுப்பட்டது அல்ல. கட்டுரையின்படி, grocers Afresh data-வை பயன்படுத்தி displays-ஐ மறுவடிவமைத்து, அழுகத் தொடங்கும் பொருட்களை கையாளும் முறையையும் மேம்படுத்தலாம். சில stores-இல், software தேவையற்ற அளவில் பெரிய produce displays-ஐ கண்டறிந்து, managers அவற்றை சிறிதாக்கவோ அல்லது கையில் உள்ள உண்மையான பழ அளவை குறைத்தபடியே abundance தோற்றத்தை வைத்திருக்க dummy displays-ஐ பயன்படுத்தவோ உதவியுள்ளது.

அது cosmetic போல தோன்றலாம், ஆனால் display strategy செயல்பாட்டு ரீதியாக முக்கியமானது. Grocery stores பெரும்பாலும் வெளிப்படையாக தெரியும் produce-ஐ அதிகமாக stock செய்கின்றன, ஏனெனில் நிரம்பிய காட்சி shopper-களுக்கு freshness மற்றும் abundance-ஐ உணர்த்துகிறது. software குறைவான physical inventory-யுடனும் அந்த உணர்வை தக்கவைத்தால், merchandising-ஐ இழக்காமல் waste-ஐ குறைக்க முடியும்.

அதே logic உணவைக் yeniden பயன்படுத்துவதற்கும் பொருந்துகிறது. Stores shelf life முடிவை நெருங்கும் produce-ஐ prepared products-ஆக மாற்றலாம், உதாரணமாக avocados-ஐ guacamole-ஆக. Afresh deli prepared foods-இல் demand-ஐ கணிக்க ஒரு தனி tool-ஐயும் வெளியிட்டுள்ளது; இது spoilage மற்றும் forecasting errors மிகச் செலவாகும் இன்னொரு category.

Some of the feathers found, like these, had belonged to a ceremonial headdress
More in Innovation

பெருவில் கண்டறியப்பட்ட பண்டைய கிளி இறகுகள், இன்கா-முன் ஆண்டீஸ் கடந்து சென்ற உயிருள்ள பறவை வர்த்தகத்தைச் சுட்டுகின்றன

ஆராய்ச்சியாளர்கள் டிஎன்ஏ, ஐசோட்டோப் பகுப்பாய்வு மற்றும் இடவியல் மாதிரிப்பை பயன்படுத்தி, பச்சகாமாக்கில் உள்ள ஒரு அடக்கக் கல்லறையிலிருந்து கிடைத்த சடங்கு கிளி இறகுகளை அமேசான் காட்டுப் பறவைகளுடன் இணைத்தனர்; இதனால் இன்காவுக்கு முந்தைய நீண்டதூர வர்த்தக வலைப்பின்னல் வெளிப்பட்டது.

Read article

funding ஏன் முக்கியம்

Retail-இல் AI குறித்து பெரும்பாலும் flashy consumer-facing tools வழியாக பேசப்படுகிறது, ஆனால் மிகவும் நீடித்த பயன்பாடுகள் back-end operating decisions-இல் இருக்கக்கூடும். Fresh food waste பொருளாதார ரீதியாக வலியளிப்பது, சுற்றுச்சூழலுக்கு செலவானது, மற்றும் labor மட்டும் கொண்டு தீர்க்க கடினமானது. அது better predictions measurable gains-ஆக சேரக்கூடிய ஒரு planning problem என்பதற்கு சரியான உதாரணம்.

Afresh கூறுவதன்படி, அதன் system தற்போது நாடு முழுவதும் 12,500-க்கும் மேற்பட்ட grocery store departments-இல் பயன்படுத்தப்படுகிறது; இதில் Safeway மற்றும் Albertsons உள்ளிட்டவை அடங்கும். இந்த footprint, நிறுவனம் pilot-stage curiosity-யைத் தாண்டி broad operational testing-க்குள் நுழைந்துவிட்டதை காட்டுகிறது.

புதிய $34 million round அதை மேலும் விரிவுபடுத்த உதவும், ஆனால் பெரிய முக்கியத்துவம் துறையில் உள்ளது. Grocery waste இப்போது business-இன் தவிர்க்க முடியாத செலவாக அல்ல, software problem-ஆக தெளிவாகப் பார்க்கப்படுகிறது. இந்த மறுபரிமாணிப்பு வெற்றி பெற்றால், அடுத்த தசாப்தத்தில் retailers inventory systems, store operations, மற்றும் sustainability efforts-இல் முதலீடு செய்வதை அது பாதிக்கலாம்.

நுகர்வோருக்கு இந்த மாற்றம் கண்களுக்குத் தெரியாமல் இருக்கலாம். shelves இன்னும் நிரம்பியதாகத் தோன்றும், stores இன்னும் இரவு நேரத்தில் restock செய்யும். ஆனால் அந்த வழக்கத்திற்குள், முடிவெடுப்பின் அதிகரிக்கும் பகுதி ஒரு எளிய ஆனால் ஆச்சரியமான சவாலான கேள்விக்கு பதில் சொல்ல உருவாக்கப்பட்ட அமைப்புகளிலிருந்து வரும்: கெட்டுப்போகும் முன் மக்கள் உண்மையில் எவ்வளவு fresh food வாங்குவார்கள்?

இந்தக் கட்டுரை Fast Company செய்தியினை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையை படிக்கவும்.

Originally published on fastcompany.com