麦当劳在全球范围内拥有超过34,000家门店，旗下75万名员工每天在118个国家接待超过6900万的顾客，平均每秒钟售出75个汉堡。麦当劳年收入270亿美元。这些就是麦当劳大数据决策的基础。

麦当劳的数据从哪儿来？

麦当劳收集数据的目的是为了更好地预测变化，以及什么样的因素会改变客户的期待、行为和趋势。

麦当劳将餐厅看成一个整体系统，从34,000多家分店整合数据建立起全球化的数据仓库。

其日常决策所使用的数据包括：

除此之外，麦当劳还开发了APP，便于前来用餐的客人选择最近的店，还能在到店之前就在移动设备上点餐，不仅节约了时间，也帮助麦当劳沉淀了大量用户数据。

麦当劳的数据怎么用？

分析各门店的差异

对于连锁品牌而言，可以用多店汇总得来的平均数据做管理决策，但并没有办法反映每个单店的真实情况。因此连锁品牌就需要对分店进行“个性化”管理。

比如位于芝加哥的一个分店需要配置一个冷饮机，但位于休斯顿机场的分店因为候机客流量很大可能需要六个这样的机器。

麦当劳将数据整合，通过可视化更好地帮助分店经理或公司管理人员了解造成门店之间差异的原因。分析人员会提供给单店经理和管理者一个可视化描述平台，经理通过iPad操作，迅速而准确的随时了解他们的运营情况。

（麦当劳位于维吉尼亚州的PentagonCity分店业绩可视化界面）

左侧为社交媒体指数排行、

近三个月以来的粉丝增量。

主干部分包括本月总销售额/增长趋势、

食品新鲜程度以及销售预算比例、

与目标之间的差距。

此外还有区域单店汇总数据：

年内总销售额、客户满意度、员工参与度。

用模型模拟未来经营状况

管理者还可简单操作交互式的可预测模型，将不同参数输入这个模型，然后进行数据化模拟分析。

比如，如果增加几名员工会带来怎样的结果，成本会提升多少，盈利会变动多少等。系统自动每15分钟更新分店的经营数据，经理可以随时快速决定应改进的事项。

（麦当劳位于维吉尼亚州的Pentagon City店预测模型的交互界面）

右侧为反映业绩的主要变量。

当员工数量增加至5人，收银窗口使用4个，

推出2个新品1号、1个新产2号、5个新产3号时，

总满意度达到2.5%（上涨1.7个百分点），

回头客增加2个百分点，

成本下降5%，以及盈利上升4%。

可见，预测性分析不仅可以直观展现每家店的营业状况、客户和员工管理情况，还可以做未来的规划，不需要交“学费”就可以直观地看到更改后的结果。

比如，根据某一商超店周边环境和客流量预测最佳进货时间和员工分配，当周边新开一家公司或新建一栋写字楼，本店应多增加几名员工，进货时间是否需要提前，如果附近公司年轻员工较多，是否需要增加咖啡机、冷饮机等。

用眼球跟踪技术搞懂客户

作为模拟模型的一部分，麦当劳还使用眼球跟踪技术学习客户如何观察一家餐厅。他们捕捉的信息包括：

★ 他们进入门店的路线是什么?★ 与点餐人员有哪些互动？★ 是否会看内部厨房还有点餐板？★ 点餐之后都做些什么？

此外，视频分析可以用来跟踪顾客在店内就餐或不停车点餐中花费的时间。

合理设计不停车点餐路线和服务

另一个麦当劳使用大数据的成功案例是优化汽车餐厅（“得来速”）的体验。

他们分析三个重要因素：

★ 驾车行驶车道的设计★ 客人驾车通过时提供给他们的信息★ 客人排队等候时间

举例而言，一位顾客只想点份奶昔，不巧排在一个全家人点餐的中型轿车后面，奶昔顾客就会很不开心。因此麦当劳需要对需求模式进行分析。

麦当劳采取的办法是：

使用店外摄像头捕捉周围交通状况，将室内外数据结合，利用视频分析和餐厅外车辆行驶模式的3D模拟来判断客流量和点餐等候效率，从而优化驾车行驶车道和售卖窗口的设计，提升不入店客户的就餐体验。

麦当劳将此工具优化后制作成分析平台，运营商就可以在平板电脑中进行可视化互动，用3D模拟把车辆驶入车道加入到模型中，学习不同特点（如年龄段、种族、车辆分类）人们的驾驶习惯和行为。