巨無霸養(yǎng)成記，麥當(dāng)勞是如何利用大數(shù)據(jù)的？

大數(shù)據(jù) 麥當(dāng)勞巨無霸大數(shù)據(jù)

三千客智能餐飲 | 2016-06-23 15:12

【數(shù)據(jù)猿導(dǎo)讀】麥當(dāng)勞目前在全國已經(jīng)擁有超過34000家餐廳，日常客戶流量是6200萬，每秒大約賣出75個漢堡。麥當(dāng)勞每天都會產(chǎn)生海量的數(shù)據(jù)，那他們是如何利用這些數(shù)據(jù)呢？巨無霸養(yǎng)成內(nèi)后藏著什么秘密

巨無霸養(yǎng)成記，麥當(dāng)勞是如何利用大數(shù)據(jù)的？

麥當(dāng)勞是一個大型全球性食品服務(wù)零售商，在各地?fù)碛谐^34000家餐廳，每天服務(wù)118個國家的6900多萬消費(fèi)者。他們的日常客戶流量是6200萬，每秒大約賣出75個漢堡。麥當(dāng)勞作為一家年收益270億美元，有超過75萬雇員的大公司，光是美國人每年就在麥當(dāng)勞消費(fèi)十億磅牛肉。顯然他們會產(chǎn)生大量數(shù)據(jù)，但是他們?nèi)绾卫眠@些數(shù)據(jù)呢?

在過去的數(shù)年里，麥當(dāng)勞變成了一個數(shù)據(jù)驅(qū)動決策的信息中心化組織。為了實(shí)現(xiàn)這一目標(biāo)，他們創(chuàng)建了一個項(xiàng)目開發(fā)數(shù)據(jù)分析模型，這構(gòu)成了他們團(tuán)隊的主要內(nèi)容，但不是最核心部分。正如我之前討論過的，麥當(dāng)勞創(chuàng)建了多學(xué)科團(tuán)隊去發(fā)現(xiàn)、開發(fā)和部署新型跨部門解決方案。

在探索階段他們試圖大量提出想法并孵化，他們有一套諸如此類的技術(shù)方案集合。例如運(yùn)籌學(xué)，信息技術(shù)，分析學(xué)和工程學(xué)。而在開發(fā)階段他們會額外增加人資，培訓(xùn)，金融等領(lǐng)域的技術(shù)，以便獲得正確的認(rèn)識并推進(jìn)這些新的計劃。最終，在部署階段會有更多不同的部門被牽涉進(jìn)來，例如市場或設(shè)計部門。運(yùn)籌學(xué)雜志的主編Mike Cramer建議用一種側(cè)重商業(yè)的跨職能方法去實(shí)現(xiàn)巨大成功，特別是在大數(shù)據(jù)和數(shù)據(jù)分析領(lǐng)域。

用數(shù)據(jù)驅(qū)動型文化把公司變得更加信息中心化，這也是麥當(dāng)勞采用的發(fā)展策略。過去存在的問題是，各個門店提供給基層管理者的數(shù)據(jù)是基于測評的均值，這讓門店的對比和采取旨在優(yōu)化結(jié)果的行動變得困難。因此麥當(dāng)勞從使用平均值變?yōu)橼厔莘治?，這為實(shí)時了解各個門店狀況提供了更多場景。他們整合了多組數(shù)據(jù)并讓它們可視化，以便更好的理解門店之間的差異形成的原因和影響。換句話講，他們整合了多個圖表去理解其相關(guān)性。這些相關(guān)性被用來采取更清晰、中肯和可行的舉措，從而節(jié)省整個企業(yè)的經(jīng)費(fèi)和時間。

這種組合測評的案例之一是麥當(dāng)勞如何使用大數(shù)據(jù)優(yōu)化得來速的用戶體驗(yàn)。他們基于三個不同的因素進(jìn)行分析和優(yōu)化：得來速的設(shè)計，消費(fèi)者使用得來速過程中收到的信息以及在得來速排隊等待點(diǎn)餐的人群。一大家子人在一個小貨車?yán)稂c(diǎn)一大堆東西會給那些排在后面只想點(diǎn)杯奶昔的單個顧客造成不良體驗(yàn)。因此麥當(dāng)勞會分析這種需求的節(jié)奏從而預(yù)測它的發(fā)生。

從預(yù)測分析中提取的信息被用于設(shè)計、信息和人員操作的迭代更新。麥當(dāng)勞然后使用數(shù)據(jù)分析去發(fā)現(xiàn)變化產(chǎn)生的節(jié)點(diǎn)，從而發(fā)現(xiàn)設(shè)計、信息和人員的最優(yōu)方案。麥當(dāng)勞這套持續(xù)不斷的流程同樣被用在公司的其他方面，并被部署在麥當(dāng)勞的各個分公司和世界各地的門店。不僅如此，麥當(dāng)勞還監(jiān)測和分析大量的信息變量從而改進(jìn)公司和消費(fèi)者體驗(yàn)。他們監(jiān)測店內(nèi)人流量，顧客互動，得來速里的流動性，點(diǎn)餐節(jié)奏，銷售網(wǎng)點(diǎn)數(shù)據(jù)，視頻數(shù)據(jù)和傳感器數(shù)據(jù)。從這些數(shù)據(jù)中提取的信息被用于餐廳設(shè)計、菜單更新、培訓(xùn)項(xiàng)目和供應(yīng)鏈優(yōu)化的迭代。正因?yàn)槿绱?，盡管世界各地的麥當(dāng)勞看起來一個模樣，但其實(shí)每個餐廳之間有著輕微不同，因?yàn)樗麄儽划?dāng)?shù)氐氖袌鰯?shù)據(jù)分析優(yōu)化過。

另外，麥當(dāng)勞還使用操作數(shù)據(jù)實(shí)現(xiàn)漢堡坯檢驗(yàn)的自動化和最優(yōu)化，從而確保漢堡坯上完美的芝麻分布和誘人色澤。

總而言之，麥當(dāng)勞利用大數(shù)據(jù)為他們的顧客創(chuàng)造最好的體驗(yàn)，讓他們的組織更加強(qiáng)大和有效率，這沒什么好奇怪的。

作為小福利，請欣賞下面這張根據(jù)每家門店之間的距離制作的全美麥當(dāng)勞門店分布信息圖。盡管身為藝術(shù)家和科學(xué)家的Stephen Von Worley2009年就制作了該圖，但它仍然保持著無所不在的快餐連鎖所呈現(xiàn)出的巨大視覺沖擊力。