রেস্টুরেন্টে মেশিন লার্নিং ব্যবহার করে লাখ টাকা সেভ

Data Meets the Kitchen: Use of Analytics to Cut Wastage by 60%

.

.

অন্যান্য দিনের মত আজকেও সিজার হাজির তার ধানমন্ডির প্রিয় রেস্টুরেন্টে। সিজার একটি প্রাইভেট ইউনিভার্সিটিতে কম্পিউটার সায়েন্সের ফাইনাল ইয়ারের ছাত্র। এই চার বছরে প্রায় প্রতিদিনই ওর লাঞ্চ প্লেস ছিলো এই রেস্টুরেন্ট, মোটামুটি সবাই এখন চেনা পরিচিত।

.

আজকেও ঢুকে তার প্রিয় টেবিলে জায়গা দখল করে নেয়, এখানে বসেই থিসিসের কাজ একটু আক্টু আগানোর প্ল্যান, সাথে লাঞ্চটাও হয়ে যাবে। কিন্তু ঝামেলা লাগে লাঞ্চের বিল দিতে যেয়ে।

.

কাউন্টার এ গিয়েই সিজার খেয়াল করলো মালিক আজ বেশ ক্ষ্যাপা, ম্যানেজারকে খুব ঝাড়ছেন। তাদের কথাবার্তার সারসংক্ষেপ অনেকটা এমন যে –– প্রতি সপ্তাহে প্রায় ৩০-৩৫ হাজার টাকার খাবার নষ্ট হচ্ছে। মাসে প্রায় দেড় লাখ টাকা, হিউজ রাইট?

.

প্রতিদিন হিসাব মত একই পরিমাণ কাঁচামাল কিনেও এই বিপাকের রহস্য এদিকে ম্যানেজার সাহেবও ধরতে পারছেন না। একদিন বিক্রি কম বেশি হবে স্বাভাবিক, কিন্তু তাই বলে দেড় লাখ টাকার লস, সত্যি কি মানা যায়?

.

কোনভাবে বিলটা দিয়ে সিজার কেটে পড়ে, এই ঘটনা আর মাথায় থাকার কথা না। কিন্তু থিসিস এর রিসার্চ করতে যেয়ে খুব ইন্টারেস্টিং বিষয় চোখে পড়ে— Use of Data analytics in Food industry.

.

McDonald’s-Starbucks এর মত বড় বড় কোম্পানিগুলো প্রতিনিয়তই ডেটা ব্যবহার করে এরকম প্রবলেমগুলো solve করছে, to be honest they are doing something much bigger.

.

যেমন Starbucks এর ক্ষেত্রে তাদের app data একটা সোনার খনি। এখান থেকে customer preference data নিয়ে তাদের market campaign থেকে শুরু করে new menu, what to offer whom, even what to offer in which season, which location – সব fix করে। They’ve literally named their AI system a specific name, “Deep Brew”

.

McDonald’s এর ক্ষেত্রেও ঘটনা একই। Machine learning mode ব্যবহার করে তারা calculate করে নেয়–

.

How many customers will visit at certain times/days.

.

What items are most likely to be ordered (breakfast vs lunch vs dinner).

.

How much raw material (like beef, buns, and lettuce) should be stocked at each location

.

.

After thorough research, সিজার সিদ্ধান্ত নেয় যে ও একবার ট্রাই করে দেখবে, ইনপুট ডেটা হিসেবে দরকার হবে— প্রতিদিনের কাস্টমাররা কি কি অর্ডার করছে, কি খাচ্ছে আর দৈনিক কি রকম কাচামাল কিনতে হচ্ছে। তাহলে একটা Time Series Analysis করে মেশিন লার্নিং মডেল দিয়ে সপ্তাহে কোনদিন কিরকম খাবারের কাচামাল কেনা লাগবে সেটা প্রেডিক্ট করা পসিবল। সাথে Weather forecasts, Local events, আর Holidays include করতে পারলে বেশ accurate result আনা যাবে, খাবারের অপচয় নষ্ট হওয়ার পরিমাণ অনেকটাই কমবে। আর best thing— এটাকে তার থিসিস টপিকও বানানো সম্ভব।

.

ক্লাস শেষ করেই সিজার দৌড় দিলো প্রথম ধাপ কমপ্লিট করতে, “ডেটা কালেকশন”। ডেটা কালেকশন এর জন্য মালিককে মেশিন লার্নিং বুঝানো, তারপর রাজি করানো কিন্তু সহজ কাজ না। But his case studies and informative research helped. মালিক proven case দেখে রাজি না হয়ে যাবে কই?

.

ম্যানেজার থেকে ডেইলি মাছ, মুরগী, মাংস থেকে শুরু করে তেল, পেয়াজ, রসুন এবং অন্যান্য মসলার কেনাকাটার হিসাব গুলো নিয়ে বানানো হল ডেটা সেট। আরেকটা ডেটাসেটে থাকলো কাস্টমাররা কোন দিন কোন আইটেম choose করছেন।

.

Statistical Analysis করে এই ডেটাগুলো থেকে বের হয়ে এল the wanted results–”pattern”, ভিজুয়ালাইজ করে সেখান থেকেই তৈরি হল Statistical modeling। সাথে যোগ করলো Time Series Analysis। Final insight? শুক্রবার আর রবিবার থেকে বুধবার কাস্টমার সংখ্যা থাকে সবচেয়ে বেশি।

.

একই সাথে সিজার তাদের অর্ডার ডেটা থেকে ফিল্টার করে টপ আইটেমগুলো বের করলো। মেশিন লার্নিং মডেল দিয়ে এখান থেকেই তৈরি করলো মাসের সপ্তাহ আর তারিখ অনুযায়ী একটা প্রেডিকশন মডেল। পারফরম্যান্স মেট্রিক্স wise R Square ভ্যালু আসে ৮০% এর মত। এরর কমাতে আবারো কয়েকবার ফাইন টিউনিং করা হয়।

.

এইবার রেজাল্ট নিয়ে সে মালিকের কাছে হাজির। সপ্তাহ হিসাবে, দিন হিসাবে কোন কোন আইটেমগুলো বেশি চলে, কোন কাচামাল কবে অর্ডার করে আনা উচিত, কোন গুলো রিজার্ভ করা যাবে আর কোনগুলো যাবে না— সব মালিককে বুঝিয়ে বলে।

.

কিন্তু সিজার জানে এরকম বাচ্চাকাচ্চার কথা মালিক শুনবেন না– এটাই স্বাভাবিক। তাই কষ্টে সষ্টে মাত্র দুই সপ্তাহ দেখার জন্যে সে রাজি করায়, এত কষ্টের মডেল কতটুক কাজ করে দেখতে সে নিজেও আগ্রহী।

.

১ম সপ্তাহে তেমন কোন ভালো আউটপুট আসে না, কিন্তু দ্বিতীয় সপ্তাহে মালিক দেখেন তার লস আসলেই কম হচ্ছে। দুইজন মিলে সিদ্ধান্ত নেন যে আরো ২/৩ সপ্তাহ দেখা যাক।

.

এদিকে সিজারের থিসিস এর ডেটও কাছাকাছি চলে, নিজের পেপার রেডি করতেই সে ব্যস্ত হয়ে পড়ে।

.

রেস্টুরেন্টে ব্যাক করা হয় থিসিস প্রেজেন্টেশনের ২ দিন পর। লাঞ্চ করতে ঢুকতেই মালিক দৌড়ে এসে জানান যে গত মাসে তার লস কমেছে প্রায় ৬০পার্সেন্ট। দেড় লাখের ৬০ পার্সেন্টও তো অনেক তাই না?

.

সত্যি বলতে সিজার নিজেও অবাক, বাইরের দেশের এত এত প্রুভেন কেস থাকলেও আমাদের দেশে এসবের প্রয়োগ বেশ কম— কিন্তু একটুখানি ভিন্ন ভাবে করলেই দেখেন কত ডিফারেন্ট রেজাল্ট আনা সম্ভব।

.

আর ভবিষ্যতে আমরা এরকম ভিন্ন approach গুলোই দেখবো আশা করি। কারণ এরকম ডেটার যুগে Manufacturing, RMG, Service বা Telco industry গুলোয় যেমন ডেটা এনালাইসিস দরকার, তেমনি দরকার যেকোন বিজনেসের গ্রোথেও।

.

এরকম ভবিষ্যতের প্রস্তুতি কিন্তু নিতে হবে এখন থেকেই, কিভাবে নিবেন?

শুরুটা করতে পারেন আমাদের Akaademy কোর্সগুলো থেকেি। আজই ঘুরে আসুন এবং আপনাদের স্কিলগুলো পরবর্তী স্তরে নিয়ে তৈরি থাকুন আমাদের সাথে।

#datascience #datanalytics #dataanalysis #MachineLearning #deepcleaning #Statistics