search
Cloud Блог – Ocado: великі результати завдяки великим даними

Ocado: великі результати завдяки великим даними

Найбільший у світі, виключно мережевий, роздрібний продавець продуктів Ocado підвищує операційну ефективність та турботу про клієнта, використовуючи машинне навчання, посилене хмарною платформою Google.

Результати застосування хмари Google та ML

  • Підвищення швидкості відгуку в 4 рази термінові клієнтські поштові повідомлення
  • Збільшення ефективності контакт-центрів на 7%, що дає можливість представництвам використовувати додатковий час на високопріоритетні завдання.
  • Надання аналітичних результатів у 80 разів швидше та на 33% дешевше, порівняно із застосуванням старого сховища даних Ocado
  • Зменшення IT – витрат при забезпеченій масштабованості та гнучкості.

 

Згідно з маркетинговими дослідженнями фірми Mintel, очікується, що в Сполученому Королівстві популярність on-line продуктових продажів зросте з 6% від сучасного ринку до 9% у 2021 році. . З початку комерційних доставок у 2002, компанія виросла до 600 000 активних покупців, 260 000 тижневих замовлень та 1,39 мільярда фунтів річного доходу.

Ocado відправляє супермаркети у відставку, надаючи можливість покупцям купувати речі on-line за допомогою їх звичних web- та мобільних додатків. Речі збираються та пакуються в автоматизованих складах та відправляються безпосередньо клієнту в період однієї години з моменту вибору. Пунктуальність доставки Ocado становить 95% та її відбиток сервісу лежить більш ніж на 70% населення Великобританії.

“Хмарна платформа Google дає нам гнучкість і здатність вирішувати великі та комплексні завдання за даними, які є унікальними для нашого бізнесу.”

Пол Кларк, технологічний директор Ocado

Компанія досягла свого успіху, створюючи власними силами практично всі технології та виконуючи автоматизацію, що посилює їх повний цикл електронної комерції, виконання робіт та логістичну платформу. Ocado також розробила нову платформу – Ocado Smart Platform (OSP), яка пропонує великим роздрібним продавцям по всьому світу доступ до першокласних рішень on-line продуктових продажів.

Демократизація машинного навчання

Подорож для здійснення роздрібних продуктових покупок on-line значно відрізняється від інших різновидів електронного бізнесу. Покупці часто купують дюжини продуктів за раз, і поодинокі домогосподарства можуть мати кілька покупців, використовуючи декілька пристроїв, а час життя продуктової полиці може становити кілька днів.

“Ми часто говоримо, що побудувавши платформу повного циклу, яка може робити on-line продуктові продажі масштабними та прибутковими, ми можемо робити й інші форми роздрібної торгівлі on-line; але протилежне необов’язково вірно.” – Каже Пол Кларк, технологічний директор Ocado. “Хмарна платформа Google дає нам гнучкість і здатність вирішувати великі та комплексні завдання за даними, які є унікальними для нашого бізнесу”.

Бізнес-модель Ocado використовує перевагу усунення споживчої переваги та встановлює зв’язок між цифровими технологіями та купівельним досвідом.

“Machine Learning Engine хмари Google дає нам гнучкість, якої ми потребуємо. Наші розробники здатні використовувати TensorFlow і бачити на власні очі переваги машинного навчання у хмарі.”

Пол Кларк, технологічний директор Ocado

Компанія вбудовує машинне навчання у свої системи понад п’ять років. До недавнього часу, додаткам машинного навчання Ocado були потрібні фахівці в науці про дані, найчастіше зі ступенем доктора філософії в машинному навчанні, які будували ці рішення з нуля. Також були потрібні фахівці з налаштування систем та дорогої локальної інфраструктури, для навчання та використання цих систем.

Однак, робота з Google як приватним майданчиком для альфа-тестування Machine Learning Engine хмари Google прискорила їх адаптацію до штучного інтелекту.

“Ми розглядали деякий час, як хмара могла б демократизувати штучний інтелект.” – Каже Пол. “Machine Learning Engine хмари Google дає нам гнучкість, якої ми потребуємо. Наші розробники здатні використовувати TensorFlow і бачити на власні очі переваги машинного навчання у хмарі.”

TensorFlow – це відкрита бібліотека машинного навчання, розроблена командою Google Brain. Розробники, інженери та Data Science фахівці Ocado зараз використовують TensorFlow для багатьох своїх проектів з машинного навчання. Вони розгортають моделі, побудовані з використанням Machine Learning Engine, хмари Google, які дозволяють їм навчати їх швидше на серверах, персональних комп’ютерах та мобільних пристроях через єдиний прикладний програмний інтерфейс (API). Додатково Machine Learning Engine хмари Google просто інтегрується з іншими продуктами хмарної платформи Google, які широко використовуються в Ocado.

 

Що справді хочуть покупці?

Перша зі створених в Ocado моделей машинного навчання на основі TensorFlow була система машинного навчання, яка маркувала та каталогізувала поштові повідомлення та виставляла пріоритети щодо відгуку на них. Контактний центр щодня отримує тисячі поштових повідомлень і Ocado хотіла автоматизувати процес визначення того, які з них потребують негайної відповіді, а які можуть зачекати. Наприклад, покупець, що вперше потрапив, який висловлює своє бажання у використанні Ocado, не потребує відповіді також терміново, як покупець, який втрачає продукт із замовлення або який не буде вдома в момент доставки.

“Використання агентів для відповідей замість сортування менш термінових поштових повідомлень, покращує відлікабельність та користувальницький сервіс Ocado.”

Джеймс Донкін, Генеральний директор Ocado

“Ми отримуємо багато поштових повідомлень від покупців зі словами: “Ваш сервіс – прекрасний” або “Кур’єр був дуже чемним”, – говорить Джеймс Донкін, Генеральний директор Ocado. “Однак коли такі речі, як погода чи дорожня ситуація здатні потенційно вплинути на доставку, ми часто отримуємо сплеск термінових питань. Використання агентів для відповідей замість сортування менш термінових поштових повідомлень, покращує відлікабельність та користувальницький сервіс Ocado”.

Використовуючи Machine Learning Engine хмари Google, Tensorflow та великі набори даних, зібрані за роки ручної категоризації клієнтських поштових повідомлень, Ocado експериментувала з видами архітектур нейронних мереж, які найкраще пріоритезували поштові повідомлення. Після тестування своїх моделей Ocado реалізувала найбільш продуктивну з них і отримала можливість відповіді на термінові повідомлення в чотири рази швидше. Компанія також з’ясувала, що 7% її поштових повідомлень не потребують відповіді взагалі, що надає можливість представникам контактного центру приділяти більше часу високопріоритетним повідомленням.

 

“Без Machine Learning Engine хмари Google, було б набагато важче досягти успіху в такому проекті, як класифікація поштових повідомлень”, – говорить Роланд Плазовскі, який донедавна керував кількома проектами та ініціативами за великими даними в Ocado. “Навіть якби ми істотно інвестували в інфраструктуру, їй все одно було б важко керувати через обчислювальну інтенсивність. Це складно та дорого запускати проекти машинного навчання, водночас не маючи інфраструктури, яку ви можете легко масштабувати”.

Також Ocado використовує машинне навчання для передбачення користувальницької поведінки та покращення досвіду. Аналізуючи дані замовлення, Ocado робить покупки максимально зручними. Наприклад, системи замовлень можуть заздалегідь заповнити кошики покупців продуктами, які вони схильні купити; нагадати покупцям про речі, які вони могли забути та повідомити їм комплексні пропозиції в процесі купівлі, наприклад, купуючи один товар, другий виходить безкоштовно. Грунтуючись на машинному навчанні з даних про попередні покупки, система Ocado може також запропонувати нові продукти, які, швидше за все, припадуть до душі покупцю.

“Ви будете регулярно бачити товари, які найбільше підходять вам, замість речей, які пропонуються більш загальним способом”, – говорить Джеймс. “Я — вегетаріанець, і тому мені пропонуються знижки на вегетаріанські продукти, які я зазвичай купую і на нові, які я ніколи раніше не купував. І я, як і раніше, найменше хотів би бачити речі, в яких я не зацікавлений”.

 

Машини та машинне навчання

В Інтернеті Речі (IoT), Ocado шукає можливість покращити їх складські роботи з використанням машинного навчання. Інтегральна частина OSP – тисячі роботів безперервно передають дані в сховище хмари Google і Google BigQuery.

Data Science фахівці Ocado застосовують машинне навчання для створення різновиду роєвого інтелекту, який би дозволив складським роботам працювати кооперативно, для досягнення загальної мети. Проекти включають моделі для пошуку телеметричних даних роботів, таких як працює батарейний блок у стандартних допусках або прошивка успішно завантажена, і для оптимізації розкладів, або виявлення шаблонів у зносах.

 

“Інше питання, яке розглядається нами – це як вбудувати машинне навчання безпосередньо а роботів, для того, щоб вони стали розумнішими в термінах само-тестування, обробки винятків і відновлення після збоїв”, – говорить Пол. “Це складна комбінація IoT, аналітики даних та машинного навчання, для якої, сподіваємося, Google BigQuery та машинне навчання хмари Google найкраще підходить”.

“Старі бази даних були досить швидкими. Ми потребуємо вирішення, яке могло б масштабуватися з урахуванням об’ємів даних, що генеруються нами, і в розумінні того, як ми можемо його використовувати. Хмарне сховище Google і Google BigQuery зараз є хребтом, з точки зору даних, для Ocado Smart Platform”

Пол Кларк, технологічний директор Ocado

 

Масштабування для нового бізнесу

Масштабованість – це також головна причина серед деяких ініціатив Ocado, включаючи міграцію всіх локальних даних у хмару. Ocado хотіла покращити користувальницький досвід, посилити бізнес-команди кращим розумінням і зменшити витрати IT, і тому вона консолідувалася в хмарній платформі Google.

“Старі бази даних не були досить швидкими”, – говорить Пол, – “Ми потребуємо рішення, яке могло б масштабуватися з урахуванням генерованих нами обсягів даних і в розумінні того, як ми можемо його використовувати. Хмарне сховище Google і Google BigQuery зараз є хребтом, з точки зору даних, для Ocado Smart Platform”.

Ocado оцінює свій бізнес, продуктові та транзакційні дані в приблизно два петабайти. Комбінація даних з купівельних та постачальних ланцюжків допомагає як операційним органам Ocado, так і амбіціям компанії в комерціалізації OSP.

“Порівнюючи з іншими можливостями міжнародної експансії, продаж OSP як керованого сервісу дозволяє нам отримати компанії, які могли б бути конкурентами”, – говорить Пол. “Ми хочемо створити OSP і, потім, пропонувати її різним покупцям бізнес-бізнес сегменту”.

Щоразу, коли Ocado додає нового хостинг-клієнта до OSP, вона запускає новий інстанс, що настроюється, для задоволення потреб клієнта. Можливості та продуктивність кожного нового інстансу OSP мають бути швидко-масштабованими як бек-енд платформа для встановлених роздрібних продавців з великим набором продуктів, покупців та транзакцій.

 

 

Перший покупець Ocado – Morrisons – вже отримав перевагу від цього рішення. Morrison – це один із чотирьох найбільших супермаркетів Великобританії і він використовує OSP для посилення роздрібного on-line бізнесу. Використовуючи хмарну платформу Google, Ocado зберегла, обробила та проаналізувала терабайти даних Morrison, використовуючи виділені масиви даних та Google BigQuery.

На додаток до використання хмарної платформи Google для OSP Ocado також адаптувала свої операції в on-line продуктовому роздрібному бізнесі. Ocado вперше використовувала каркаси з відкритим вихідним кодом Apache Spark та Apache Hadoop на Google Compute Engine для їхньої платформи даних. Переміщення на Google BigQuery звільняє бізнес-аналітиків Ocado від складних налаштувань у запитах та робочих потоків асоційованих зі Spark та Hadoop. Плюс, це дозволяє Ocado розподілити аналітиків за даними між постачальниками та партнерами.

Google BigQuery дуже добре інтегрується з TensorFlow на Machine Learning Engine хмари Google та Google Cloud Dataproc, Apache Spark та Apache Hadoop сервісами, що дозволяє Ocado використовувати інструментарій з відкритим вихідним кодом для пакетної обробки, запитів, потокової обробки та машинного навчання. Google Cloud Dataflow та Google Cloud Dataproc забезпечують управління кластерами, і надають легкий у використанні каркас і, таким чином, розробники можуть витрачати менше часу та грошей на адміністрування та більше часу на доставку суттєвих для бізнесу речей.

Перехід із Hadoop на Google BigQuery показав набір цінових та продуктивних покращень. Наприклад, Ocado більше не потребує прийняття рішення про кількість інстансів, для підключення до кластера і в очікуванні їх запуску. Google керує всім.

“Ми просто запустили наші запити і заплатили за ресурси, які використовували”, – додав Роланд. “Одна велика перемога з Google BigQuery – це відсутність необхідності налаштування. Найкраще з того, що ми бачили – це перевага Google BigQuery перед нашим кластером Hadoop у 80 разів на найбільшому наборі даних лише за дві-треті вартості”.