摘要
美国大数据公司 Civis Analytics 于 2017 年底与麦当劳北美市场营销和数据科学团队建立了数据技术合作伙伴关系，经过一年半的努力，近期在纽约广告周上共同展示了一些重要的学习成果。
麦当劳客户数据科学总监 David Galinsky 和麦当劳媒体科学经理 Emma Higgins 都是麦当劳的代表，在广告周的会晤中他们谈到了经验、学到了什么以及为公司回报了什么。谈话的完整视频在这里，简短的视频在这里。
Civis 为麦当劳团队提供了 Civis 平台，为客户数据科学团队提供的云托管数据科学堆栈，而 David 和 Emma 的团队提供了洞察力和实现。以下内容概述了他们在合作过程中的关键步骤，以及供其他企业参考的经验教训。
正文
麦当劳是一家超过 1000 亿美元的企业，在数字化转型过程中，为了应对日益激烈的竞争和不断变化的消费者需求，麦当劳创造了一个新的（现在非常流行）移动应用程序，并从一开始就用数字售货亭的概念重新设计了很多它的门店，目前这些新的数字化技术正在创造大量丰富的客户数据。
对于麦当劳以及其他类似数字化转型期的企业而言，营销人员应该如何利用这些新的数据源来提高营销效果？
在广告周的谈话中，David 和 Emma 描述了麦当劳的营销运作是如何从一个传统、市场研究主导的组织，转变为一个创新、数字化的第一方数据和数据科学主导的组织。如今，麦当劳利用 360 度客户数据库来设计、发布和度量了高度个性化的营销活动，这些活动则推动了可量化的同店销售增长。例如，在最近的一次市场试验中，他们发现个性化营销活动对同店销售的影响比传统营销活动的影响高 3-5 倍，这个数字意味着很大的改善。
David 和 Emma 在广告周谈话中分享了以下六条经验：
1. 一如既往，从数据开始：在云中构建一个轻量级的“单一客户事实来源”
第一步很简单：麦当劳团队首先将来自每个客户相关的数据筒仓（店内数据、市场调查数据、位置数据、移动应用程序交易数据及其他来源）整合到 Civis 平台上的单一数据库中。在云中这样做可以提高速度，让 IT 团队始终专注于核心的生产技术。
下一步就不那么简单了：麦当劳团队仔细并持续地创建了单一的“客户 ID”数据库，通过它来展示客户个体与麦当劳每个部分从市场印象到购买的完整互动。与数据仓库不同，麦当劳为每个客户都生产了一个 360 度的视图。通过这个数据库麦当劳可以回答基本的问题（谁在买什么？）以及更复杂的因果问题（在新的营销活动之后谁买了什么？），它形成了数字化客户业务像锚一样稳固的基底。
2. 制定成功的规则：通过购买行为来衡量营销活动带来的影响，削弱传统营销活动（如“印象”）指标的重要度
一旦将所有这些数据放在一个地方，就有机会摆脱“印象”这类无法准确衡量业务价值的虚荣指标。关键业绩指标（KPI）应该关联销售及进店访问是很早的一个共识，现在可以通过分析实际客户数据来实现。凭借在全国范围内和麦当劳客户之间进行额外研究的能力，还能够衡量品牌认知和态度的变化。
3. 向市场营销实施者提供数据：利用网络化工具，使营销和代理团队能够根据第一方数据削减自己的目标清单，也取代了过度紧张的数据科学团队来回的邮件和不眠的夜晚
麦当劳希望根据顾客过去的购买情况来确定营销目标，数据科学团队有能力查询原始购买数据，但在谁生成清单和谁实际上使用清单之间造成了瓶颈。David 和 Civis 在 Civis 平台中构建了一个简单的“list-cutting”应用程序，使营销人员能够根据过去的购买情况直接从客户数据库中提取清单，并将其直接发送给数字化合作伙伴进行激活。
4. 仪表板 > 幻灯片：为领导层生成部署重点客户的度量及营销性能仪表板，在手机上向下滑动就能阅读
信息依赖于单一事实来源这点至关重要，领导能很舒适地获得它。像 David 一样的数据科学家在这个平台上生成 Tableau 报表给领导层查看，事实上，麦当劳美国的总裁打开手机就能看到这样的 Tableau 报表。
5. 像一个团队一样测试、学习和扩展使用：数据科学、市场营销和麦当劳机构共同设计体验来测试个性化需求，在企业层面上对想要的结果收放自如
如上所述，麦当劳在第一方数据驱动产品细分市场上测试了更个性化的媒体体验，David 和 Emma 成立了一个控制小组，接受了麦当劳常规媒体的轮番采访，并针对几组顾客进行了测试，顾客会收到更符合他们产品偏好的广告（给“爱鸡人”有关鸡的广告，等等）。他们发现，收到基于这些新产品细分的目标广告的人群，同店销售额增长了 3-5 倍。更好的销售和客户接受他们喜欢的资讯是双赢的。
6. 从第一天起建立倡导者的支持，并用成果来推动体系进步
他们这次谈话最重要的一点是从跨职能利益相关者那里获得认同，麦当劳的“度量未来”团队包括市场营销、财务和 IT，因此把数据当成指导原则，这些利益相关者可以用来在整个组织内布道。每个人都在使用相同的数据、工具并构建预测模型，这加快了采用的速度并保持动力。
评论