Zo helpen data-inzichten Picnic en diens klanten

Picnic is een relatief jonge speler in de Nederlandse markt. In 2015 begon het bedrijf heel voorzichtig in Amersfoort. Daar ontstonden snel wachtlijsten van mensen die erom stonden te springen om klant te worden. Inmiddels is het bedrijf in 120 steden en dorpen actief. Ondertussen bezorgen ook grootgrutters als Jumbo en Albert Heijn op een dergelijke manier, maar Picnic behoudt een enorme voorsprong omdat in de kern de business radicaal anders wordt aangepakt dan bij andere supermarkten met gratis levering terwijl de prijs van de producten gewoon laag blijven. En die kern draait om data.

Van bestelling tot bezorging

Het hele proces, van de bestelling in de app tot aan de levering aan de deur, is datagedreven. Het begint al in de app, waar analytics worden gebruikt om de klant te laten vinden wat hij of zij zoekt. Nieuwe features, producten en recepten worden met een a/b-test geprobeerd om te zien wat werkt bij welke klant. Geen algemeen besluit meer als ‘in maand x willen klanten product y’ maar ‘op dit moment wil klant x product y’. Tegelijkertijd peilt Picnic de interesse van klanten in nieuwe producten en als er voldoende interesse is, wordt het assortiment daarmee uitgebreid. Picnic heeft door die verzamelde gegevens fijnmazig inzicht in zijn klanten, op een manier die bij traditionele supermarkten ontbreekt.

Maar ook het leveringsproces is gedreven door data. Picnics Data Engineering Lead Iliana Iankoulova legt uit dat het afleverproces aan de hand van sensoren wordt gemonitord. ‘We gebruiken bij elke trip tenminste één sensor om de temperatuur te monitoren,’ vertelt Iankoulova. ‘Als we een patroon ontdekken in dalende temperaturen in de kratten, nemen we corrigerende actie, bijvoorbeeld door koelelementen toe te voegen.’ Picnic gebruikt daarnaast meteorologische vooruitzichten om de impact van de omgevingstemperatuur mee te wegen. Zo blijft de levering gedurende de keten gekoeld.

Sturen op datagedreven doelen

Een startup kan sneller bewegen dan een traditionele supermarkt, mede omdat legacy van oude systemen ze geen parten speelt. Maar als een bedrijf van startup naar scaleup gaat, krijgt het te maken met uitdagingen die in grote omgevingen ook spelen. Hoe schaal je efficiënt en blijf je het experimentele ontwikkelen van de startup-periode behouden? ‘Het is belangrijk om de balans te vinden tussen langetermijnontwikkeling aan de ene kant en de direct noodzakelijke eisen van de business,’ zegt Iankoulova. Technologie kan daar een rol in spelen, maar het is essentieel om die balans te vinden tussen ontwikkeling en de bestaande bedrijfsvoering. ‘In sommige organisaties zie je daar een spanning tussen, maar er hoeft geen conflict te zijn tussen de twee. Ze kunnen zelfs elkaar goed complementeren met goed design en prototypes te ontwikkelen.’

Samenspel business en ontwikkeling

Een voorbeeld van het samenspel tussen business en ontwikkeling draait om het rapporteren van Picnics belangrijkste kpi’s, zoals tijdigheid, volledigheid, versheid en klanttevredenheid. ‘We monitoren honderden statistieken per week en je kunt als engineeringteam niet snel genoeg zijn om ze allemaal te implementeren om aan de business door te geven.’ Picnic bouwde daarom een framework waarmee delen van de business zelf op de gewenste kpi’s kunnen sturen door gegevens op te vragen, zonder dat de ontwikkelaars daar onnodig mee worden belast. Op die manier gaan de lopende bedrijfsvoering en ontwikkeling hand in hand.

Een van die belangrijke kpi’s is bijvoorbeeld tijdigheid. Klanten ontvangen een bericht met een tijdsbestek van twintig minuten waarin de bezorger aan de deur verschijnt. Voor dit aspect is het datawarehousing-systeem cruciaal, want data is leidend. Hoeveel minuten meer kost het een bezorger om kratten naar de zesde verdieping in een flat te brengen dan naar de deur van een rijtjeshuis? Hoe verhoudt een nieuwe bezorger zich met een ervaren bezorger? Hoe groot is de impact van de route? Op zulke gegevens en meer wordt machine learning gebruikt om die levertijd te optimaliseren. ‘We hebben deze statistieken, we hebben één leidende bron en onze data-scientists kunnen sql-query’s schrijven voor analyse van ad hoc situaties, bijvoorbeeld voor extreme weersomstandigheden.’

Lees ook: Verbeter je business en haal voordeel uit een data marketplace

Scheiding ontwerp en technologie

Wat andere organisaties wellicht kunnen leren, is om analytisch databeheer op te zetten op een lichte en pragmatsiche manier, bijvoorbeeld door technologieneutraal te ontwerpen. ‘Technologie ontwikkelt zich heel snel en evolueert vlug. Als je een architectuur bouwt die tien a vijftien jaar meegaat, moet je geen technische schuld opbouwen en zo licht mogelijk ontwerpen,’ zegt Iankoulova. ‘Scheidt het concept van de technologie en ontwerp een architectuur waarbij je systemen kunt wisselen met iets wat beter past.’

Zo gebruikte Picnic in een eerder stadium Redshift, een populair datawarehousingsysteem van Amazon. ‘Maar we wilden graag meer mensen in het bedrijf toegang geven tot de ruwe gegevens,’ legt Iankoulova uit. Dat levert een uitdaging op. Redshift deelt namelijk resources, waardoor als alle gebruikers op die data werken, het hele systeem traag wordt. Als bijvoorbeeld één datascientist een grote tabel moet raadplegen, hebben andere gebruikers binnen het bedrijf daar last van. ‘Je wilt operationele analytische processen niet benadelen vanwege handmatige zoekopdrachten.’

Migratie naar efficiëntie

Het bedrijf had daarom een platform nodig dat het delen en onderzoeken van data op een schaalbare manier aanbood. ‘Dat loste Snowflake voor ons op. Ze scheiden de opslag van de gegevens van de resources. Je kunt dus één analist met een virtuele toepassing zijn gang laten gaan en een andere zware gebruiker met een andere toepassing zit die dan niet in de weg.’ In Snowflake kan de opgeslagen data automatisch worden opgenomen via Snowpipe. Zo kan Picnic meer waarde toevoegen aan de business met een datasysteem dat klaar is voor snelle groei.

Om efficiënt op te kunnen schalen, stapte Picnic over op een systeem dat is gestoeld op Snowflake voor het behandelen van data, Python om gegevens uit verschillende bronnen flexibel te verenigen en Argo voor orkestratie. Deze migratie van de systemen die de online supermarkt in zijn begintijd hanteerde was een Herculestaak, maar nodig om efficiënt in te kunnen spelen op eisen tijdens de schaalvergroting. Tools die in de begintijd prima werkten voor een kleinere basis, zijn niet altijd toereikend als je wilt groeien. Voor groei is en dataplatform dat flexibel en interoperabel is cruciaal.