Guac, soutenu par Y Combinator, forme des algorithmes pour prédire la demande en épicerie

Guac, soutenu par Y Combinator, forme des algorithmes pour prédire la demande en épicerie

Une mauvaise prévision de la demande en épicerie est responsable de plus de gaspillage qu’on ne pourrait le croire.

Selon une source, les épiceries américaines jettent 10 % des quelque 44 milliards de livres de nourriture que le pays produit chaque année. Ce n’est pas seulement mauvais pour l’environnement – le gaspillage alimentaire est une source majeure d’émissions de carbone – mais aussi coûteux pour les épiciers. Selon Retail Insights, les distributeurs de produits alimentaires et d’épicerie perdent jusqu’à 8 % de leur chiffre d’affaires en raison d’une disponibilité insuffisante des stocks.

Les entrepreneurs Euro Wang et Jack Solomon disent qu’ils ont fait l’expérience directe des effets microéconomiques du problème de prévision dans leur supermarché local, qui était souvent en rupture de stock de leur guacamole préféré.

« Il s’avère que même les plus grands détaillants ont du mal à prévoir la demande future et qu’ils ont souvent des stocks excédentaires ou insuffisants », a déclaré M. Wang à TechCrunch lors d’un entretien par courrier électronique. « Avec des conditions météorologiques plus extrêmes ces dernières années, il y a de plus en plus de pénuries d’aliments frais. Il est donc d’autant plus important d’allouer efficacement l’offre limitée. En outre, les pressions inflationnistes et l’augmentation des coûts de main-d’œuvre menacent de plus en plus les marges des épiciers. »

Inspirés par l’idée de s’attaquer au problème par la technologie, Wang et Solomon ont cofondé Guac, une plateforme qui utilise l’IA pour prédire le nombre d’articles que les épiciers vendront chaque jour, par article, dans un magasin donné. Guac a récemment levé 2,3 millions de dollars dans le cadre d’un tour d’amorçage mené par 1984 Ventures avec la participation de Y Combinator et du Collaborative Fund.

A lire aussi  OpenAI affirme que les poursuites du NY Times en matière de droits d'auteur sont sans fondement

« Le gaspillage alimentaire et la sécurité alimentaire sont des questions qui nous tiennent à cœur, à Jack et à moi, et nous étions très enthousiastes à l’idée de nous attaquer au problème du gaspillage alimentaire dans son essence même », a déclaré M. Wang.

Auparavant, M. Wang a travaillé au Boston Consulting Group, tandis que M. Solomon a fait des recherches sur l’IA dans le domaine de la logistique des produits alimentaires. Tous deux ont obtenu un diplôme de premier cycle à l’Université d’Oxford, où ils se sont rencontrés.

Chez Guac, Wang, Solomon et les deux ingénieurs de Guac élaborent des algorithmes personnalisés qui anticipent les quantités commandées pour les produits d’épicerie, en tenant compte de variables telles que la météo, les événements sportifs et les cotes de paris, et même les données d’écoute de Spotify pour tenter d’appréhender le comportement d’achat des consommateurs. Les clients de Guac bénéficient de recommandations telles que la durée de conservation, les quantités minimales de commande, les promotions et les délais de livraison des fournisseurs, qui sont intégrées dans leur logiciel de commande d’inventaire et leurs flux de travail existants.

« Traditionnellement, les prévisions sont effectuées à l’aide de formules Excel ou de modèles de régression simples », explique M. Wang. « Mais pour les aliments frais qui se périment rapidement, il faut quelque chose de mieux… Comme nous utilisons un grand nombre de variables externes, nous sommes en mesure d’identifier les variables du monde réel qui provoquent les changements de la demande. »

Guac n’est certainement pas la seule startup à se lancer dans la prévision de la demande alimentaire. Il y a Crisp, qui fournit une plateforme de données ouvertes pour chaque maillon de la chaîne d’approvisionnement alimentaire, et Freshflow, qui construit un outil de prévision alimenté par l’IA pour aider les détaillants à optimiser le réapprovisionnement des stocks de produits frais et périssables.

A lire aussi  La nouvelle école de musique en ligne de Studio utilise l'IA pour créer des programmes d'études personnalisés

Mais Wang affirme que Guac se différencie à la fois par son attachement à la transparence et par l’affinement intense de ses modèles de prévision.

« Notre modèle d’apprentissage automatique n’est pas une boîte noire qui prédit mystérieusement une augmentation de 20 % de la demande. Cette augmentation de 20 % est due à la tenue d’une conférence à proximité », a déclaré M. Wang. « Même si un détaillant utilise déjà l’apprentissage automatique, nous pouvons encore améliorer ses prévisions grâce à notre accès à beaucoup plus d’ensembles de données externes. Lorsque nous supprimons les variables externes uniques que nous utilisons et que nous n’incluons que les ensembles de données de base (par exemple, la météo et les jours fériés), nous constatons que l’erreur de prévision double. »

Certains des premiers clients semblent convaincus que Guac peut apporter une valeur ajoutée. La société travaille avec des détaillants, y compris des sociétés de livraison de produits alimentaires en Amérique du Nord, en Europe et au Moyen-Orient, dont une chaîne de supermarchés anonyme comptant environ 300 sites. Guac génère déjà des revenus et prévoit d’agrandir son équipe d’ingénieurs au cours de l’année à venir.

« Le secteur de l’épicerie résiste assez bien aux ralentissements économiques », explique M. Wang. « Tout le monde doit manger, et lorsque l’économie ralentit, les gens achètent plus de produits alimentaires parce qu’ils mangent moins au restaurant. De plus, la pandémie a accéléré la numérisation des épiceries, ce qui nous a permis d’intégrer plus facilement nos prédictions aux systèmes des clients. En ce qui concerne la pandémie, les consommateurs se sont comportés très différemment pendant la pandémie, ce qui signifie qu’il est beaucoup plus difficile pour les épiciers de se contenter des trois dernières années de données historiques sur les ventes pour prédire la demande future. Grâce à notre algorithme, nous sommes en mesure d’ajuster les données de vente en 2020 et 2021 en fonction de la pandémie, et même des effets résiduels de la pandémie par la suite.

A lire aussi  OpenAI lance un réseau de red teaming pour rendre ses modèles plus robustes

IA