fournisseur d'électricité de détail des États-Unis Instacart fondée en 2012, juste un peu plus de deux ans pour faire l'évaluation de 2 milliards $, et maintenant, Instacart équipe fondatrice et des moyens scientifiques de données (sciences de données) et l'apprentissage machine (machine d'apprentissage) aux entreprises d'aider à optimiser opérations, pour atteindre des flux de trésorerie positif et se déplacent progressivement vers la rentabilité.
Du simple portier pour devenir plus efficace, Instacart peut être en mesure de fournir une référence pour leurs homologues nationaux.
Mode: pas seulement les détaillants PORTER
Instacart lui-même est pas acheté détaillant en ligne de stockage, la coopération Instacart avec les détaillants américains bien connus, ces détaillants pour déplacer les ventes en ligne de produits, y compris Whole Foods, Costco, Marsh et d'autres chaînes de magasins bien connus. Les consommateurs peuvent commander un ordinateur ou un téléphone mobile App, puis l'achat (Shopper) signé par le Instacart aux marchés de certains magasins, la distribution à domicile du consommateur dans un délai d'une heure.
Ci-dessous le consommateur en utilisant un téléphone mobile processus d'achat App:
Instacart de l'achat (Shopper) comme les pilotes Uber, ils peuvent être un temps partiel à temps plein peuvent également profiter du temps de repos. Voici une application avec les commandes d'achat et le processus d'exécution des commandes:
centre de profit économique: pour briser la brûlure de malédiction
Pour ce modèle d'affaires innovant peut être rentable, il est le problème le plus fondamental. Dès 2016, Instacart a été réalisé un bénéfice de l'unité économique (unité d'économie).
Le soi-disant unité économique (UnitEconomics), fait référence au modèle d'affaires, afin de refléter un certain revenu d'unité opérationnelle minimum et les relations de coûts. Dans Instacart, qui est chaque commande d'un client, comme indiqué ci-dessous, dans lequel chaque commande, le revenu peut apporter quatre catégories: frais de livraison, des conseils, des partenaires de produits, partenaires de vente au détail, et de la somme du coût de chacun: des frais de transaction (carte de crédit et d'assurance), l'achat et le temps de livraison. Si vous pouvez compresser le temps d'achat et le temps de livraison, puis, Instacart peut être rentable dans l'unité économique.
Dans l'unité modèle économique Instacart en, tant que la durée moyenne de l'ordre peut être rentable à 70% du temps maximum, et maintenant ils ont atteint cet objectif, Instacart d'atteindre un flux de trésorerie positif en 2016, et devrait en 2017 atteindre financière profit.
L'importance des prévisions précises
Pour parvenir à l'entreprise rentable et bien gérée, la demande des clients avec précision les prévisions et les besoins des clients de répondre est très important.
Instacart pour faire face à tous les dizaines de jours de milliers de commandes des consommateurs, ces commandes sont nécessaires à la livraison complète dans le temps indiqué sur le client, comment attribuer ces commandes à des milliers d'achat de la même personne, qui commande l'achat de chaque connexion et le câblage que vont en ligne aux points de vente désignés dans chaque magasin, comment trouver rapidement des produits spécifiques, après l'achat, quelle ligne de prendre la distribution à chaque consommateur ...... ces besoins et à la planification des prévisions précises.
(Illustrated: supermarché Instacart achète un schéma de circuit de l'optimisation par achat)
Instacart doit être responsable de leur exactitude prévisions, si le taux de précision de la prédiction est faible, alors le résultat est des retards dans les commandes des clients, ce qui se traduira non seulement par l'augmentation du coût d'une chaussure unique, il fait l'insatisfaction des clients et le résultat de la perte de clients.
l'apprentissage de la machine pour aider à améliorer
Pour relever ces défis, Instacart a choisi d'utiliser des données scientifiques (Science de données) et l'apprentissage machine (Machine Learning).
La première étape est de construire grande plate-forme de données. En Instacart, pour faire face à tous les jours et faire face à une énorme données à partir d'une large gamme, par exemple, seules les informations de positionnement GPS achat chaque jour il y a environ 1 Go. la classification des données Instacart doit être déployé, puis utilisez RabbitMQ à la communication poignée entre les différentes bases de données, PostgreSQL faire avec la base de données de production, faire une analyse de données hors ligne par Amazon Redshift.
Instacart va créer une variété de modèles de prévision pour prédire les besoins des clients, le temps de shopping supermarché, le délai de livraison et ainsi de suite. Chaque modèle sera examiné avec beaucoup de données de test historique, l'algorithme d'optimisation continue. Modèle faire une formation répétitive chaque jour pour améliorer la précision de la prédiction.
Lorsque le temps mauvais temps ou les situations d'urgence, il y aura le modèle d'avertissement de départ, Instacart ont une équipe pour suivre l'évolution du marché, ils ajusteront de prédire avec sa propre interface à ce moment. équipe scientifique de données Instacart travaille pour automatiser la partie de réglage du travail.
Répartition gradient prédire le temps de promouvoir le modèle d'optimisation
modèle avance gradient GBM (renforcement gradient) est une technologie d'apprentissage de la machine, ce qui peut améliorer la précision des modèles prédictifs existants.
Par exemple, dans le bureau de région de San Francisco Instacart, des milliers de commandes des clients à remplir en quelques heures, puis, comment donner un programme optimisé, avec un minimum de main-d'uvre et de temps pour remplir ces commandes il? Un besoin évident de prédire avec plus de précision l'achat de chaque voie possible à chaque fois. Dans ce cas, le modèle GBM est utile. Plus de prévisions précises peuvent permettre au système d'obtenir des algorithmes optimaux d'optimisation de l'utilisation pour terminer le programme de commande, qui peut être complété les commandes des clients plus rapidement que jamais.
Traitement automatique du langage naturel (NLP) afin d'améliorer l'expérience utilisateur
méthode de traitement du langage naturel PNL (traitement du langage naturel) pour obtenir une communication efficace entre l'ordinateur et le langage naturel humain. L'utilité ici est d'analyser les achats passés de l'utilisateur, puis recommander la vente crédible un seul produit à l'utilisateur.
la coopération Instacart avec les États-Unis des centaines de détaillants, de marchandises Dans l'ensemble, le nombre de jusqu'à plusieurs millions est énorme. Les commandes distribution de fréquence de ces produits sont la distribution à longue queue, alors comment pouvons-nous recommander un produit unique qu'ils ont vraiment besoin et pas seulement la vente aux utilisateurs? Instacart utiliser des techniques de PNL pour résumer, alors, si souvent recommande pas que les clients achètent mais des biens utiles. Par exemple, un utilisateur achètent souvent la bière, du lait, des couches et des produits de jeu, le système pourrait recommander une « nourrice d'une auto-culture » pour lui.
Jouent également l'apprentissage en profondeur
Instacart utilise également des technologies d'apprentissage en profondeur (apprentissage en profondeur), comme l'apprentissage de la profondeur de l'équipe de catalogue de produits pour le traitement de l'image d'utilisation, ainsi que l'achat à l'endroit du centre commercial, les achats en ligne de réarranger et de l'inventaire. La technologie de l'apprentissage en profondeur pour résoudre de nombreux problèmes difficiles dans le passé, l'apprentissage de la machine, qui a apporté de nouvelles opportunités pour améliorer le service.
Enfin, nous examinons les médias une technologie de pointe aux États-Unis interviews TechCrunch sur la vidéo Instacart pour voir rapidité avec laquelle ils traitent tous les jours et complété des dizaines de milliers de commandes de clients:
(Auteur: Zhenglun, contactez le numéro micro-canal « observation sur le terrain AgriReview » public Cet article a paru dans les « opérateurs de réseaux du monde » reproduit s'il vous plaît préciser, réimpression commerciale s'il vous plaît contacter l'auteur)
