интересный кейс о том, как компании работают с данными и какие выводы строят на их основе

журналист WIRED запросил свои данные у Макдональдса и получил файл на 515 (!!) страниц. файл был крайне запутанным, смог разобраться только с ии. и что он там увидел?

📍 ожидаемые данные –  док был полон истории заказов: время, дата, место заказа, позиции, средняя сумма заказа, любимый продукт

📍 интересные данные – расчитывали сколько раз человек, вероятно, придет в следующие 6 недель — 2,16 раза для нашего автора. и как продолжение – сколько потратит в этот период

– указали вероятность, что перестанет быть клиентом. у автора – 0, похоже большие скидки и заманчивые оферы его точно не ждут

– отнесли его к какой-то внутренней группе – CV2. интересно, какой анализ использовали: типа RFM, RFV, LTV или свой собственный

📍 очень интересные данные – на основе данных Мак подбирал подходящие поведенческие сценарии. так, журналист относится к группам «перекус во второй половине дня» или «обед на ходу в спешке». это только группы автора, а сколько их еще? а сколько в отчете вообще не будет указано?

⚡️ заметьте, ни слова про соцдем!

то есть компания не просто знает, что вы покупали. она пытается понять, зачем вы вообще приходите и зачем, почему выбираете именно Мак, а не тот же Чипотл

💬 мне кажется, в основе этих групп лежит JTBD в миксе с собственной методикой, а уже по итогам анализа его можно выявить конкурентные преимущества компании и за счет чего можно клиента вернуть (и стоит ли возвращать)

📍 как маркетолога, этот кейс вдохновляет и хочется повторить его у себя, но как обычного покупателя – напрягает, что на основе данных можно выстроить распорядок моей жизни

❓ что думаете о такой персонализации? какие категории были бы у вас?

у меня – «применяет максимально число акций» и наиболее вероятной покупкой стал бы Бик Мак (ну или Биг Хит, если по-русски)