Til forsiden
Når kundene dine har sine viktigste åpningstider mens du har stengt butikken, kan det by på utfordringer. Hansa Borg Bryggerier løste dette med en netthandelsløsning som bruker datainnsikt til å minne kundene på når varehyllene er tomme.
Hansa Borg Bryggerier
Datadrevet innovasjon
Hele landet
Skreddersydd kundeportal på nett

Tradisjonelt sett har Hansa Borg Bryggeriers kunder i utelivsmarkedet tatt opp bestillinger over telefon i gitte arbeidstider, eller når behov ble synlig for kunder. Det var ikke alltid at kundene, gjerne kveldsåpne utsalg som utesteder og kafeer, så behovene innenfor Hansa Borgs egne åpningstider. Ofte  oppdaget de at de var tomme først når bunnen på ølfat eller kjøleskap var nådd.

– Vi ønsker å være en god partner for kundene våre, på alle mulige måter. Ved lansering av vår kundeportal kan kunden nå oss til alle døgnets tider. Vi jobber stort sett fra 8-16, mens kundene jobber kveld og helg. Beviset på hvor nødvendig dette var ser vi allerede ved at portalen vår benyttes 24/7, sier Hansa Borg sin IT-sjef Ken Bernes.

– Men vi ønsker også noe mer. Vi ønsker å benytte data til å hjelpe kunden til en rask og preferansetilpasset handleopplevelse. I tillegg ser vi for oss at vi kan være til hjelp for kunden med å minne dem om hva de sannsynligvis behøver eller kanskje nærmer seg tomt.

Hansa Borg kontaktet Atea om hvordan de best mulig kunne utnytte kundedataen for deres kunder, og bruke kunstig intelligens til å tilpasse seg brukerpreferanser.

I nettbutikken finnes det 500 produkter til omtrent 2000 kunder. Sammenlignet med forbrukeraktører som Amazon og Finn.no er dette små tall hvor en vanlig anbefalingsmotor ikke ville gi like stor gevinst. Atea så også at Hansa Borg ikke trengte å skape en løsning gjennom mersalg, men gjennom å forutse kundens behov for å kjøpe.

– Ordrehistorikken viste at kundene bestilte ad-hoc – altså da de så at de trengte det. Samtidig har de fleste kundene ganske forutsigbare adferdsmønstre og bestiller det samme hver gang, selvsagt med sesongvariasjoner som til jul og når uteserveringen setter i gang. De vil allikevel først og fremst fylle på hyller når det begynner å nærme seg tomt, sier Bernes.

En brukervennlig kundeportal-løsning

I løsningen har Hansa Borg salg av forbruksvarer med sannsynlighetsberegning som forteller når en kunde oftest har behov for et gitt produkt. Varene som det bestilles mest av, ligger lengst fremme på siden for kunden, mens sesongavhengige forbruksvarer vil fremmes til aktuelle tider.

Nå går ballen videre til Hansa Borg og webutvikler, som skal bruke tallene til å styre innholdet, basert på Ateas prediksjonsmodell. Selskapets største motivasjon har vært brukervennlighet, sier Bernes:

– Verdien kommer i at det er enkelt å bruke og tilpasse seg preferanser hos kunden. 

Ønsker å forstår kundepreferanser

Bernes spår også litt om hvor de ønsker å løfte plattformen i fremtiden:

– Vi ønsker å gjøre det enkelt for kunden å fylle handlekurven. Men ikke bare det. Vi ønsker å forstå unike kundepreferanser slik at vi best mulig kan hjelpe kundene våre, også i en digital betydning. Med bedre utnyttelse av datagrunnlaget kan det kanskje påvirke andre ting som for eksempel vår samlete leveringsdyktighet. 

Om Hansa Borg Bryggerier

Hansa Borg Bryggerier er Norges nest største bryggeri- og drikkevareaktør. Hansa Borg består av Borg Bryggeri i Sarpsborg, Hansa Bryggeri i Bergen og et produksjons- og tappeanlegg for Olden naturlig mineralvann i Oldedalen i Nordfjord.

Høsten 2013 ble det Grimstadbaserte småbryggeriet Nøgne Ø en del av deres bryggerifamilie og høsten 2021 inngikk Hansa Borg en avtale om oppkjøp av Vinestor - en av Norges ledende vinimportører. 

Om leveransen
  • Atea utviklet analytisk infrastruktur i Azure Databricks, og produksjonsatte den hos Hansa Borg Bryggerier tidlig i 2019.
  • Leveransen består hovedsakelig av kode, skrevet i programmeringsspråket Scala.
  • Maskinlæring brukes til å generere en prediksjon for hvert kundeprodukt (som oppfyller et sett med kriterier). Løsningen genererer i overkant av 20.000 individuelle prediksjoner hver uke; takket være Apache Spark skjer dette veldig fort, det tar under fire minutter å estimere en ordre-sannsynlighet for alle kvalifiserte kundeprodukter.
  • Prediksjonene kan så definere hva slags produkter som skal presenteres gjennom brukergrensesnittet for hver enkelt kunde.