nextmv mengambil $ 2,7 juta untuk mengoptimalkan dan menguji model keputusan untuk industri logistik

nextmv mengambil $ 2,7 juta untuk mengoptimalkan dan menguji model keputusan untuk industri logistik

nextmv mengambil $ 2,7 juta untuk mengoptimalkan dan menguji model keputusan untuk industri logistik

 

nextmv mengambil $ 2,7 juta untuk mengoptimalkan dan menguji model keputusan untuk industri logistik
nextmv mengambil $ 2,7 juta untuk mengoptimalkan dan menguji model keputusan untuk industri logistik

Optimasi. Efisiensi. Keputusan berdasarkan data. Jika saya memiliki nikel untuk setiap kali saya mendengar kata-kata ini dari pendiri saya akan lama pensiun.

Namun, proses yang terlibat dalam mencapai optimalisasi sumber daya, efisiensi dan membuat keputusan yang benar-benar didorong oleh data sulit untuk dikatakan, dan biasanya melibatkan sejumlah besar bakat dan sumber daya.

Dan kemudian ada nextv .

Perusahaan yang didukung YC, dipimpin oleh Carolyn Mooney dan Ryan O’Neil, baru-baru ini mengumpulkan putaran benih 2,7 juta dolar dari FirstMark Capital dan Dynamo, dengan partisipasi dari XFactor, Atypical dan 2048. Premisnya adalah untuk memberikan blok bangunan ramah-pengembang untuk mengoptimalkan. model keputusan dan mengujinya, dengan fokus khusus pada industri operasi logistik.

“Ini sangat banyak permainan demokratisasi,” kata Matt Turck,yang memimpin kesepakatan untuk FirstMark. “Dunia bisnis penuh dengan masalah optimisasi, tetapi Operations Research telah menjadi sudut yang agak berdebu, di mana Anda membutuhkan gelar PhD dalam matematika untuk mengoperasikan perangkat lunak yang mahal, dan bakat bahkan lebih jarang daripada dalam ilmu data. Visi Nextmv adalah bahwa, jika Anda menghilangkan kompleksitas, dan menawarkan optimasi dan simulasi sebagai alat pengembang yang bermain bagus dengan arsitektur perangkat lunak modern dan terintegrasi dengan ML / AI, Anda membuka peluang besar di sejumlah vertikal dan kasus penggunaan (a la Stripe, Twilio, Plaid dan drama serupa). ”

Mooney dan O’Neil berasal dari GrubHub, di mana mereka memimpin sebuah tim yang tumbuh menjadi 40 orang, membangun simulasi untuk GrubHub untuk menguji dan mengoptimalkan model keputusan mereka saat pengiriman. Sebelum GrubHub, Mooney mengembangkan simulasi untuk Lockheed Martin. Jika kedengarannya rumit, itu memang benar. Dan itu intinya.

Ketika startup (atau perusahaan besar) menjalankan operasi logistik, mereka membangun model pengambilan keputusan tentang bagaimana fungsi bisnis itu.

Para pendiri melihat ini langsung di GrubHub tetapi skenario yang sama memainkan bisnis logistik apa pun.

Untuk mengotomatiskan operasi, sebuah perusahaan dapat mengatakan bahwa pengemudi terdekat dengan restoran harus mengantarkan makanan. Mereka kemudian dapat menambahkan ketentuan bahwa ada kemungkinan besar restoran lain terdekat akan menerima pesanan dengan jangka waktu tertentu, sehingga pengemudi harus menunggu lima menit untuk mengambil pesanan lain sebelum pergi ke pengiriman. Aturan-aturan ini dapat berubah berdasarkan waktu, atau geografi, atau ratusan faktor lainnya. Akhirnya, model keputusan ini menjadi sangat rumit, terutama pada skala.

Bagaimana perusahaan mengetahui apakah aturan-aturan ini merupakan kombinasi terbaik dari tujuan untuk operasi mereka, dan apakah mereka mengoptimalkan atau tidak tujuan-tujuan utama bisnis, apakah itu meningkatkan margin, kepuasan pelanggan, dll?

Nextmv mengembangkan Hop untuk memungkinkan bisnis mengoptimalkan model keputusan mereka, memastikan bahwa kombinasi aturan bisnis yang terlibat dalam operasi mereka selaras karena mungkin dengan tujuan keseluruhan dan proposisi nilai mereka. Ini memungkinkan pengembang untuk melihat semua konfigurasi yang berbeda dari aturan bisnis yang mungkin, dan menemukan kombinasi yang tepat yang sesuai dengan masalah mereka.

Mari kita gunakan mengemas truk sebagai contoh. Mungkin ada ratusan aturan bisnis seputar cara pengiriman truk pengemasan berdasarkan pengoptimalan jarak tempuh dan penggunaan bahan bakar dan produk mana yang harus dikemas di atas atau di bawah yang lain, dan daftarnya terus bertambah. Bahkan dengan semua aturan itu, mungkin ada jutaan kemungkinan konfigurasi tentang bagaimana truk itu harus dikemas.

Sementara aturan bisnis adalah IP perusahaan, pemecah yang melihat jutaan konfigurasi dan membantu

menemukan yang terbaik adalah IP berikutnya.

“Anda tidak harus membuat solver karena itu bukan inti dari proposisi nilai Anda kepada pelanggan Anda,” kata Mooney. “Grubhub tidak perlu pergi membuat pemecah yang menghasilkan semua skenario ini dan mencarinya dengan sangat cepat. Mereka pada dasarnya harus mendedikasikan satu set insinyur inti untuk mengelola waktu penuh itu. Dan tidak ada cara, bentuk atau bentuk apakah itu memberikan nilai bagi pengunjung atau restoran mereka. ”

Teknologi tanpa server ini dilengkapi dengan templat yang memungkinkan pengembang untuk plug and play aturan bisnis untuk mengoptimalkan model mereka sendiri.

Bersama Hop, nextmv juga telah mengembangkan produk yang disebut Dash. Dash adalah kerangka kerja simulasi yang memungkinkan pengembang menguji model mereka dalam situasi dunia nyata tanpa biaya dunia nyata yang sama. Pada dasarnya, pengembang dapat menguji model keputusan mereka seperti halnya mereka menguji perangkat lunak itu sendiri.

Mooney menggunakan Uber sebagai contoh. Jika Uber membuat perubahan algoritma, satu-satunya cara aman

untuk menguji perubahan itu adalah dengan membangun simulasi dunia nyata dan membiarkan algo berjalan bebas dalam simulasi itu. Sekali lagi, membangun simulasi bukanlah inti dari bisnis atau proposisi nilai Uber. Pilihan lainnya adalah untuk menguji algoritma baru di dunia nyata. Biaya yang terkait dengan sesuatu yang salah – misalkan setiap Uber membutuhkan waktu 10 menit alih-alih tiga menit untuk sampai pada pengendara mereka dengan algoritma baru – bisa sangat tinggi.

Pemutar video

00:00
00:13

Dash memungkinkan Uber, atau bisnis lain, untuk menguji algoritme pembuatan keputusan mereka menggunakan data dunia nyata tanpa biaya dunia nyata yang terkait.

Nextmv mengenakan biaya per kursi tetapi belum membagikan harga secara publik.

“Tantangan terbesar kami sebenarnya adalah salah satu faktor pembeda kami pada saat yang sama,” kata Mooney.

“Dan itu kegunaan. Kami benar-benar mengincar kegunaan yang ada di bilah yang sangat tinggi karena pengembang memiliki bilah yang sangat tinggi. Kami telah membuat beberapa langkah besar di bagian depan itu, tetapi saya pikir itu akan terus menjadi tantangan bagi kami untuk bertemu dan meningkatkan standar itu dari waktu ke waktu. ”

Mooney menambahkan bahwa, sementara platform ini saat ini dioptimalkan untuk pengembang, insinyur sistem dan ilmuwan data, ia membayangkan masa depan di mana ini bisa menjadi alat kode rendah atau tanpa kode bagi siapa pun dalam organisasi untuk bermain-main dengan aturan bisnis dan mengujinya .

Putaran terakhir ini membawa total dana perusahaan menjadi $ 3,4 juta.

Baca Juga: