కిరాణా వ్యాపారులు తాజా ఆహార వృథాను తగ్గించేందుకు AI ఉపయోగిస్తున్న వేళ Afresh $34 మిలియన్ సమీకరించింది

ఖరీదైన రిటైల్ సమస్య ఇప్పుడు డేటా సమస్యగా మారుతోంది

తాజా ఆహారం అంటే కిరాణా దుకాణాలు తమ కష్టమైన డబ్బులో కొంత భాగాన్ని కోల్పోయే చోటు. డిమాండ్ తగ్గి పాడవడం ప్రారంభమయ్యేలోపు స్ట్రాబెర్రీలు, అవకాడోలు, మాంసం ముక్కలు, లేదా తయారు చేసిన భోజనాల్లో ఎంత నిల్వ చేయాలో మేనేజర్లు ఊహించాల్సి వస్తుంది. ప్యాకేజ్డ్ గూడ్స్‌తో పోలిస్తే, తాజా నిల్వ అత్యంత త్వరగా పాడయ్యేది, సమానంగా కొలవలేనిది, మరియు షెల్ఫ్‌కి వెళ్లిన తర్వాత తరచూ సరిగ్గా ట్రాక్ చేయబడనిది.

మెరుగైన అంచనాలతో ఈ వృథాను తగ్గించవచ్చని Afresh అనే startup పందెం వేస్తోంది. Just Climate మరియు High Sage Ventures కలిసి నడిపిన కొత్త funding round-లో కంపెనీ $34 మిలియన్ సమీకరించింది, అలాగే తాజా వర్గాల్లో shrink‌ను 20% నుంచి 25% వరకు తగ్గించడంలో తమ AI tools ఇప్పటికే రిటైలర్లకు సహాయపడుతున్నాయని చెబుతోంది.

Fast Company నివేదించిన ఈ funding round ముఖ్యం, ఎందుకంటే grocery waste చిన్న సామర్థ్య లోపం కాదు. వ్యాసం అంచనా ప్రకారం, అమెరికా grocery stores ప్రతి సంవత్సరం సుమారు నాలుగు మిలియన్ టన్నుల ఆహారాన్ని వృథా చేస్తాయి, దీని ఖర్చు దాదాపు $27 బిలియన్. దీంతో తాజా నిల్వ ప్రణాళిక retail-లో అత్యంత కీలకమైన, ఇంకా తక్కువగా digitized అయిన ఆపరేషనల్ సమస్యలలో ఒకటిగా మారుతోంది.

స్ప్రెడ్‌షీట్లు, ఊహాగానాల నుంచి demand modeling వరకూ

Afresh ప్రారంభ కథ, ఇటీవలి కాలం వరకూ food-retail workflows ఎంత analog‌గా ఉన్నాయో చూపించే ఒక అధ్యయనం లాంటిది. సహ-సంస్థాపకులు Matt Schwartz మరియు Nathan Fenner ఈ సమస్యను అధ్యయనం చేయడం మొదలుపెట్టినప్పుడు, produce managers printed spreadsheets, rough estimates, మరియు pen-and-paper ordering processes‌పై ఆధారపడుతున్నారని గుర్తించారు.

చరిత్రాత్మకంగా అది కొంతవరకు అర్థవంతం. తాజా ఆహారాన్ని నిర్వహించడం shelf-stable products కంటే చాలా కష్టం. బరువు ఆధారంగా అమ్మే produce, evaporation వల్ల బరువు కోల్పోతుంది. self-checkout లోపాలు నిజంగా ఏమి కొనుగోలు చేయబడిందో వక్రీకరించవచ్చు. చెడిపోయిన వస్తువులు సరిగ్గా నమోదు చేయకుండానే పారవేయబడవచ్చు. promotions, temperature, shipping origin—all ఒక ఉత్పత్తి ఎంత వేగంగా క్షీణిస్తుందో ప్రభావితం చేయగలవు.

Afresh software ఈ మార్పులను ఒక forecasting system-లోకి తీసుకురావడానికి ప్రయత్నిస్తోంది. మూల పాఠ్యం ప్రకారం, కంపెనీ ప్రతి grocer నుండి data-ని విశ్లేషిస్తుంది, కొన్ని సందర్భాల్లో వందల బిలియన్ల transactions‌ను ఉపయోగిస్తుంది. దాని models pricing, promotions, shipment origin, weather, ఇంకా food-stamp distribution‌కు సంబంధించిన timing‌ను కూడా పరిగణలోకి తీసుకుంటాయి. ఆపై demand forecasts‌ను optimization tools‌తో జతచేసి, ప్రతి ఉత్పత్తికి order quantities‌ను సూచిస్తాయి.

సారాంశం సింపుల్: స్టోర్లు demand మరియు perishability‌ను మరింత కచ్చితంగా అంచనా వేయగలిగితే, నిజంగా అమ్మే పరిమాణానికి దగ్గరగా order చేయగలుగుతాయి.

తాజా వర్గాలు ఎందుకు భిన్నం

రిటైల్ టెక్నాలజీ బయట నుంచి చూసేటప్పుడు పరిణితి చెందినదిగా కనిపించొచ్చు, కానీ తాజా విభాగాలు clean automation‌కు బాగా ప్రతిఘటించాయి. ప్యాకేజ్డ్ ఫుడ్స్ standardized units, అంచనా వేయగల shelf life, మరియు digital supply chain records‌తో వస్తాయి. తాజా వస్తువులు మరింత noisy. రాస్బెర్రీల బాక్స్ మరియు salmon ట్రే cereal లేదా toothpaste‌లా ప్రవర్తించవు.

అందుకే ఇక్కడ AI ఆకర్షణీయంగా మారుతోంది. అది store manager మాన్యువల్‌గా జాగ్రత్తపడే దానికంటే ఎక్కువ variables‌ను గ్రహించగలదు, కొత్త data వచ్చినప్పుడు నేర్చుకుంటూనే ఉంటుంది. కంపెనీ ప్రకారం, ఈ models కాలక్రమేణా మెరుగవుతాయి, ఇది స్థానిక పరిస్థితులు ఎంతో కీలకమైన రంగంలో ప్రత్యేకంగా విలువైనది. ఒక neighborhood యొక్క demand patterns, weather shifts, మరియు shopper habits వారం వారం “సరైన” inventory ఏమిటో మార్చగలవు.

Afresh సాధారణంగా 10 నుంచి 20 stores‌లో trials ప్రారంభించి, అదే కాలంలో నడుస్తున్న control group‌తో ఫలితాలను పోలుస్తుంది. దాని system live అయినప్పుడు సాధారణంగా shrink‌లో 20% నుంచి 25% తగ్గుదల కనిపిస్తుందని Schwartz చెప్పారు.

ఈ తగ్గుదలలు పెద్ద స్థాయిలో కొనసాగితే, వ్యాపార పరమైన కారణం స్పష్టంగా ఉంటుంది. సన్నని margins మరియు వేగంగా తిరిగే food categories‌లో waste rates‌లో చిన్న మెరుగుదలలు కూడా గణనీయమైన savings ఇవ్వగలవు.

ఆర్డరింగ్‌కి మించి ఆపరేషనల్ మార్పులు

ఈ technology ప్రభావం purchase orders‌తో మాత్రమే పరిమితం కాదు. వ్యాసం ప్రకారం, grocers Afresh data‌ను ఉపయోగించి displays‌ను తిరిగి రూపకల్పన చేసి, పాడవబోతున్న వస్తువులను ఎలా హ్యాండిల్ చేయాలో కూడా మెరుగుపరచవచ్చు. కొన్ని stores‌లో, అవసరానికి మించి పెద్దగా ఉన్న produce displays‌ను software గుర్తించింది; దీంతో managers వాటిని చిన్నవిగా మార్చడం లేదా తక్కువ నిజమైన పండ్లతో abundance రూపాన్ని కొనసాగించడానికి dummy displays‌ను ఉపయోగించడం సాధ్యమైంది.

అది cosmetic‌గా అనిపించవచ్చు, కానీ display strategy ఆపరేషనల్‌గా ముఖ్యమైనది. కిరాణా దుకాణాలు తరచూ కనిపించే produce‌ను అధికంగా stock చేస్తాయి, ఎందుకంటే నిండుగా ఉన్న display shopper-లకు freshness మరియు abundance‌ను సూచిస్తుంది. తక్కువ physical inventory‌తో కూడా software ఆ భావనను నిలుపుకోగలిగితే, merchandising‌ను తగ్గించకుండా waste‌ను తగ్గిస్తుంది.

అదే తర్కం ఆహార పునర్వినియోగానికి కూడా వర్తిస్తుంది. stores shelf life ముగింపుకు చేరుతున్న produce‌ను prepared products‌గా మార్చవచ్చు, ఉదాహరణకు avocados‌ను guacamole‌గా. Afresh deli prepared foods‌లో demand‌ను అంచనా వేయడానికి ఒక ప్రత్యేక tool‌ను కూడా ప్రారంభించింది, అక్కడ spoilage మరియు forecasting errors ఖరీదైనవి కావచ్చు.

funding ఎందుకు ముఖ్యం

రిటైల్‌లో AI గురించి ఎక్కువగా consumer-facing tools ద్వారా చర్చ జరుగుతుంది, కానీ మరింత స్థిరమైన ఉపయోగాలు back-end operating decisions‌లో ఉండవచ్చు. తాజా ఆహార వృథా ఆర్థికంగా బాధాకరం, పర్యావరణపరంగా ఖరీదైనది, మరియు కేవలం శ్రామిక శక్తితో పరిష్కరించడం కష్టం. మెరుగైన అంచనాలు measurable gains‌గా మారే planning problem‌కు ఇది సరైన ఉదాహరణ.

Afresh ప్రకారం, దాని system ఇప్పుడు దేశవ్యాప్తంగా 12,500కి పైగా grocery store departments‌లో ఉపయోగంలో ఉంది, అందులో Safeway మరియు Albertsons కూడా ఉన్నాయి. ఈ footprint కంపెనీ pilot-stage curiosity దశను దాటి broad operational testing‌లోకి ప్రవేశించిందని సూచిస్తోంది.

కొత్త $34 మిలియన్ round దాన్ని మరింత విస్తరించడానికి సహాయపడుతుంది, కానీ దీని పెద్ద ప్రాధాన్యత sector-level‌లో ఉంది. Grocery waste ఇక వ్యాపారం చేయడంలో తప్పించుకోలేని ఖర్చుగా కాకుండా software problem‌గా కనిపిస్తోంది. ఈ reframing విజయవంతమైతే, వచ్చే దశాబ్దంలో retailers inventory systems, store operations, మరియు sustainability efforts‌పై ఎలా పెట్టుబడి పెడతారో ప్రభావితం చేయవచ్చు.

వినియోగదారులకు ఈ మార్పు కనిపించకపోవచ్చు. shelves ఇంకా నిండుగా కనిపిస్తాయి, stores ఇంకా రాత్రివేళ restock చేస్తాయి. కానీ ఆ సాధారణత వెనుక, నిర్ణయాలలో పెరుగుతున్న భాగం ఒక సాధారణ కానీ ఆశ్చర్యకరంగా కష్టమైన ప్రశ్నకు సమాధానం చెప్పేందుకు నిర్మించబడిన వ్యవస్థల నుంచి వస్తోంది: పాడవకముందు ప్రజలు నిజంగా ఎంత తాజా ఆహారం కొనుగోలు చేస్తారు?

ఈ వ్యాసం Fast Company నివేదికపై ఆధారపడింది. మూల వ్యాసాన్ని చదవండి.