提起麥當勞，大家首先想到的是什么?可能更多是“巨無霸”漢堡，而非大數(shù)據(jù)吧?但這一切將很快發(fā)生變化：快餐業(yè)巨頭正在以一種規(guī)�？捎^的方式熱情擁抱機器學習技術(shù)。

麥當勞公司即將公布收購 Dynamic Yield 的交易協(xié)議內(nèi)容。這是一家從事個性化推薦的創(chuàng)業(yè)公司，專門為零售商提供算法驅(qū)動型“決策邏輯”技術(shù)。具體來講，當用戶將商品添加到在線購物車中時，這項技術(shù)能夠向買家推薦其他客戶購買過的相關(guān)產(chǎn)品。根據(jù)報道，其動態(tài)產(chǎn)值近來已達數(shù)億美元;而熟悉麥當勞交易內(nèi)幕的消息人士指出，收購報價實際超過 3 億美元——這也成為麥當勞公司自 1999 年收購 Boston Market 以來，金額最高的一筆收購交易。

麥當勞的數(shù)據(jù)

有近八十年歷史的麥當勞，有著世界上最大的供應鏈之一，每天平均完成 7100 萬個訂單，積累下 100T+ 的數(shù)據(jù)，這個數(shù)據(jù)量還繼續(xù)不斷增長。作為全球最大的快餐連鎖企業(yè)，麥當勞在 188 個國家開展了業(yè)務(wù)，每天服務(wù)著約 6800 萬人，占全球人口總數(shù)的 1%。

在麥當勞的官方介紹里，有這么一段文字：“麥當勞已經(jīng)走過了飛速發(fā)展的時期，全球市場已被它收入囊中，再想進行橫向拓展只有去火星了。集中采購所能帶來的原材料成本也到了下限，單單靠壓低成本、增加銷量已經(jīng)無法提升利潤空間了。麥當勞需要新的商業(yè)模式來面對狹小的上升空間，以及增長乏力的業(yè)績。“雖然之前他們認為無法再提升利潤，但是現(xiàn)在，顯而易見的是麥當勞已經(jīng)瞄向了“數(shù)據(jù)”，通過挖掘數(shù)據(jù)去進一步提升業(yè)績，這些數(shù)據(jù)的使用也可能會產(chǎn)生非常強大的效果。

麥當勞于去年上半年推出了手機 App，這個數(shù)字化門店正在創(chuàng)造大量的豐富數(shù)據(jù)。麥當勞有 34000 分店，而將這些分店看成一個整體，整合建立起全球化的數(shù)據(jù)倉庫也十分可觀。

 

 

通過轉(zhuǎn)向云計算和新的 ETL 解決方案，麥當勞還集成了自己的智能化平臺，供 100 多個商家使用，包括第三方供應商。

 

 

如何利用數(shù)據(jù)

麥當勞收集的大量數(shù)據(jù)，就是進行大數(shù)據(jù)決策的基礎(chǔ)。在麥當勞之前進行的實驗驗證中，他們發(fā)現(xiàn)個性化營銷活動對同店銷售的影響比傳統(tǒng)營銷活動的影響高 3-5 倍。麥當勞宣稱，收購后將從“汽車餐廳”開始，逐漸將技術(shù)應用到多個領(lǐng)域，如自助點餐和移動 App 上。

汽車餐廳

麥當勞每天為大約 6800 萬客戶提供服務(wù)。其中相當一部分其實享受的是“得來速”汽車餐廳服務(wù)，即不需要下車而通過直通窗口下單并拿取食物。就在這里，麥當勞認為 Dynamic Yield 的加盟將為其帶來巨大收益。

過去幾年以來，大家在使用汽車餐廳窗口點餐時，可能已經(jīng)注意到其餐廳內(nèi)的顯示器迎來了全面數(shù)字化轉(zhuǎn)型。而這，僅僅是麥當勞及其特許經(jīng)營商總負責人 Steve Easterbrook 自 2015 年接掌快餐巨頭以來的重點投入方向之一。該公司還推出了一款移動應用，并與 Ubert Eats 送餐服務(wù)合作，同時亦對自家基礎(chǔ)設(shè)施做出一系列改進。麥當勞甚至在不到一年之前，將總部從郊區(qū)遷移到了充滿活力的芝加哥西城區(qū)附近，旨在吸引更多年輕人才加入進來。

著眼于 Dynaimc Yield 收購案，我們可以看出這一切并不是麥當勞數(shù)字化轉(zhuǎn)型的開始，而是轉(zhuǎn)型過程中的一劑催化劑。

Easterbrook 在接受采訪時表示，“我們還沒有實現(xiàn)的目標，在于將這項技術(shù)與原有業(yè)務(wù)聯(lián)系在一起，并確保各個部分得以相互交流。我們該如何從大規(guī)模營銷轉(zhuǎn)向大規(guī)模個性化營銷?要做到這一點，我們必須以真正有益于客戶的方式解鎖整個生態(tài)系統(tǒng)中的數(shù)據(jù)資產(chǎn)。”

而這也已經(jīng)開始體現(xiàn)在實踐層面：今天，當用戶開車到麥當勞汽車餐廳并慢慢停向窗口時，數(shù)字顯示器會通過一些提示橫幅或者促銷版塊的方式表示歡迎。而在開始下單的同時，顯示器開始轉(zhuǎn)換為完整的菜單。目前，這兩種顯示內(nèi)容都是靜態(tài)的硬性編制內(nèi)容——換言之，除了早餐到午餐的切換之外，其它顯示內(nèi)容并不能根據(jù)用戶的喜好及時改變。

但在邁阿密麥當勞餐廳的一個試點項目中，由 Dynamic Yield 技術(shù)支持的宣傳方案擁有更為可觀的靈活性水平。算法會處理大量相關(guān)數(shù)據(jù)，包括周邊天氣、時間、當?shù)亟煌ā⒏浇�活動以及歷史銷售數(shù)據(jù)等等，且范圍涵蓋世界各地的特許經(jīng)營店。

在麥當勞的這套新型機器學習范例當中，他們嘗試使用重要的展示空間向顧客播放當?shù)卣�在流行的其它食品選項，從而激發(fā)興趣以實現(xiàn)潛在的餐品加點效果——也許您突然有興趣買一份歡樂兒童餐嘗嘗，或者是想加瓶雪碧路上喝喝。

Easterbrook 表示，“我們在業(yè)務(wù)運營當中從未遭遇過數(shù)據(jù)短缺的問題。而現(xiàn)在，我們正在從中提取洞察見解與商業(yè)智慧。”

麥當勞公司并不打算公開截至目前他們所收集到的具體洞察見解，或者個性化引擎對于銷售的實際影響。但在這里，我們不難設(shè)想出一些可能的情況。例如有人想在下午 5 點訂購兩份歡樂兒童餐，這樣的訂單很可能是父母買給孩子們的;在這樣的背景下，在顯示器上展示咖啡或者甜點，往往會激發(fā)他們弄點提神飲料或者吃吃甜食的愿望。與任何機器學習系統(tǒng)一樣，真正的收益可能出乎我們的預料。

麥當勞公司執(zhí)行副總裁兼全球首席信息官 Daniel Henry 指出，“當我們查看這套決策引擎提供的答案時，剛開始可能會覺得有些摸不著頭腦。但對于客戶而言，這一切確實是有意義的。這不僅僅與個人相關(guān)，引擎還會從其他客戶那里獲取訓練信息。隨著與客戶之間交互次數(shù)的增加，它會變得越來越聰明、越來越智能。”

麥當勞對客戶收益做出了廣泛定義。有多位高管指出，如果汽車餐廳的點餐隊列前進緩慢，那么菜單會動態(tài)切換為準備速度更快的食物，以立足潛意識加快隊列的處理進度。同樣的，在不那么忙碌的時段，顯示器則可能展示制作工藝較為復雜的三明治食品。與一切原有在線購物體驗一樣，直通窗口應該不會提示顧客當前訂單中的食物太多，恐怕吃不完。畢竟客戶滿意度雖然重要，但麥當勞的這一切努力最終都是為了增加收入。

再來看看餐廳本身。像麥當勞這樣長年積累數(shù)據(jù)資產(chǎn)的企業(yè)，自然也擁有多種引入算法的可行途徑。Easterbrook 指出，“最終，大家會看到我們將有能力利用預測分析技術(shù)處理聯(lián)網(wǎng)廚房實時產(chǎn)生的實時信息，并進一步掌控我們的整體供應鏈。我相信這一切都將成為現(xiàn)實。雖然目前的這項技術(shù)還沒有將其納入進來，但隨著我們逐步將客戶需求預測與餐廳 / 廚房的庫存水平聯(lián)系起來，整個供應鏈的運作無疑將更為精確。”他同時強調(diào)稱，畢竟麥當勞是一家高銷量、低利潤的企業(yè);任何有助于減少浪費的舉措都會產(chǎn)生巨大的積極影響。

 

 

憑借著巨大的經(jīng)營規(guī)模，麥當勞公司對于供應鏈體系做出的任何轉(zhuǎn)變，都會給整個食品行業(yè)帶來影響。而這，也讓我們更加期待此次收購背后代表的深層變革。

服務(wù)個性化

大家可能已經(jīng)想到，花費 3 億多美元收購一家機器學習企業(yè)，麥當勞公司當然會想辦法榨干它的每一分技術(shù)驅(qū)動力。

Henry 表示，他希望未來三個月內(nèi)麥當勞能夠在 1000 家門店部署這項技術(shù)，并最終將其推廣到該公司的 1 萬 4 千家美國餐廳乃至全世界。大家還可以期待，麥當勞公司在廣泛并深入整合這一全新機器學習智能的同時，也會同時加快其應用速度。

Henry 表示，“與其它技術(shù)成果一樣，除了能夠在店內(nèi)發(fā)揮作用，它還可以管理廚房、移動訂單以及付費操作等等。但為了保持專注并一舉拿下首個目標，我們必須先選定最重要的實驗范圍。”

作為其中的一大重點，麥當勞公司必須弄清如何運用其個性化引擎中的“個性化”部分。雖然其已經(jīng)開始在店面當中對展示產(chǎn)品進行調(diào)整，但 Easterbrook 對其有著更為精細的設(shè)想。“如果客戶愿意表明自己的喜好——他們有多種方法能夠做到這一點——那么我們能夠為其提供更多幫助，包括直接展示他們個人最喜歡的餐點。”當然，Easterbrook 強調(diào)稱，麥當勞一直非常重視隱私問題。

至于最終可能采取的形式，Easterbrook 提出了一些可能性。麥當勞公司已經(jīng)開始在其商店周邊使用地理圍欄來了解移動應用客戶何時接近以及點選自己的訂單。Easterbrook 表示他們可以使用某種信標技術(shù)，并以明確的提示詢問客戶是否加入識別�；蛘�，也可以在門店附近設(shè)置車牌識別系統(tǒng)，從而認出特定客戶并根據(jù)他們的購買歷史相應調(diào)整數(shù)字菜單內(nèi)容。

我們很難想象消費者對于這種追蹤性質(zhì)的服務(wù)到底是歡迎還是厭惡，特別是考慮到近年來人們對于個人數(shù)據(jù)的價值與敏感度的認知正在快速攀升。Easterbrook 指出，“隨著我們的推進，我們會以非常謹慎的態(tài)度進行學習。我認為時間不斷推移之后，我們將能夠用自己的行動證明我們可以向愿意敞開心扉的客戶提供服務(wù)價值。”

關(guān)于 Dynamic Yield 公司

下面來看看關(guān)于 Dynamic Yield 公司的情況。這家企業(yè)創(chuàng)立于 2011 年，總部設(shè)在紐約與特拉維夫，且擁有一份相當堅實的客戶名單——其中包括宜家、絲芙蘭以及 Urban Outfitters。即使在收購之后，他們?nèi)詫⒗^續(xù)保持獨立運營，并計劃在麥當勞的管理之外發(fā)展其它業(yè)務(wù)。

Dhynamic Yield 公司聯(lián)合創(chuàng)始人兼 XEO Liad Agmon 表示，“我們?nèi)詫⒗^續(xù)保持積極的心態(tài)。我認為我們的客戶將從多個方面通過此次收購受益。首先就是不必擔心投資風險——我們不再需要尋求資金，而能夠?qū)Ｗ⒂趧?chuàng)新發(fā)展。此外，被麥當勞招至麾下，也意味著 Dynamic Yield 徹底擺脫了被某些傳統(tǒng)軟件廠商吞并的風險。”

麥當勞公司此前曾對大約 30 家提供類似個性化引擎服務(wù)的公司時行了審查，并在完成邁阿密試點項目后決定選擇 Dynamic Yield。Henry 表示，“促使我們做出決策的可能不在于產(chǎn)品本身，而是 Dynamic Yield 所擁有的數(shù)據(jù)科學家、大量人才以及他們與我們類似的快速行動能力。”

Dynamic Yield 公司在本質(zhì)上相當為麥當勞的技術(shù)堆棧添加了個性化層。為顯示器提供展示素材的軟件會對每份訂單進行 API 調(diào)用，并由 Dynamic Yield 返回結(jié)果。這種無縫性對接的另一大優(yōu)勢，在于麥當勞幾乎不需要進行任何額外的財政投入。換言之，真正花錢的地方，其實就是這一塊廠牌而已。

另外，每天接待 6800 萬快餐客戶的需求并不會給 Dynamic Yield 帶來太大壓力。Agmon 指出，與網(wǎng)絡(luò)購物世界相比，麥當勞的這一業(yè)務(wù)量不會給系統(tǒng)施加太多壓力，畢竟其系統(tǒng)原本就充斥著海量的訂單與待排序項目。更重要的是，這樣的聯(lián)系使如今物理世界與數(shù)字世界間的界限變得愈發(fā)模糊。

Agmon 表示，“設(shè)想一下人們?nèi)绾卧趯嶓w店內(nèi)購買，以及如何在網(wǎng)上商店中購物，就會發(fā)現(xiàn)他們的購物方式其實有所不同。當然，從實體店中獲得的洞察見解也同樣適用于網(wǎng)絡(luò)商店國;反之亦然，我們也可以利用網(wǎng)絡(luò)商店的數(shù)據(jù)指導實體店中的商品準備。我認為二者已經(jīng)成為一種連續(xù)的體系，而非彼此獨立的不同體驗。”

也正是基于這樣的理由，很多人才將當下的麥當勞視為一家科技公司，并將此次收購看作其二十年以來最重要的一筆交易。從現(xiàn)在開始，我們在網(wǎng)上的每一次購物都將包含決策邏輯，而這種決策邏輯也將存在于我們在實體店中購買的套餐里。

Easterbrook 指出，“我們的業(yè)務(wù)非常簡單。如果顧客想要吃點什么或者喝點什么，他們就會來找我們。我們并不打算利用技術(shù)改變?nèi)藗兊纳�活，而只是想讓人們生活得更舒適。”

參考鏈接：

https://www.wired.com/story/mcdonalds-big-data-dynamic-yield-acquisition/

https://www.wgfund.com.my/project/mcdonalds

https://www.infoq.cn/article/utq5tpoURUTy7SOLR-Xt

標簽： [db:TAGG]

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。