alimentando o algoritmo

Analytics avançada, alimentada por uma variedade de fontes de dados, está transformando a indústria após a indústria, da tecnologia em serviços financeiros em bens industriais. Com algumas exceções notáveis, no entanto, os restaurantes têm sido mais lentos de se mover - o que é irônico, considerando a quantidade de dados que as marcas de restaurantes têm disponível e a variedade de maneiras que podem usar. Toda a organização pode acessar ou a capacidade de usar algoritmos de análise preditiva para gerar decisões de negócios automaticamente. Nem uma única marca auto-identificada como fluente em técnicas de análise avançada, como inteligência artificial, aprendizado de máquina, chatbots ou pedidos habilitados para voz.

BCG’s 2018 digital maturity survey of top restaurant brands found that four in five brands can access a wealth of data from multiple sources, but only one in five has in place a comprehensive big data strategy, an integrated customer master data set that the entire organization can access, or the ability to use predictive analytics algorithms to drive business decisions automatically. Not a single brand self-identified as fluent in advanced analytics techniques such as artificial intelligence, machine learning, chatbots, or voice-enabled ordering.

Esta é uma grande oportunidade para as marcas que se movem rapidamente. Vimos programas de dados e análises produzirem um aumento de 5% a 10% na receita, reduções de 10% a 15% nos custos operacionais no nível da loja e melhorias de 10% a 20% no EBITDA. Um desenvolvimento ainda mais significativo: o retorno total dos acionistas dos líderes digitais nos últimos três anos ultrapassou o de outros restaurantes em 12 pontos percentuais e quase dobrou o do S&P 500 (consulte o Anexo 1.) | As empresas que se movem lentamente podem ser mais importantes. Como muitas ferramentas avançadas de análise requerem treinamento, e porque os dados usados ​​no treinamento podem ser proprietários ou usurpados por agregadores (como podem talentos técnicos), marcas que constroem leads iniciais em recursos de análise avançada serão difíceis de capturar. As marcas que atrasam podem se encontrar no lado perdedor da divisão de dados.

As notable as these results are, the threat to restaurant companies that move slowly may be more important. Because many advanced analytics tools require training, and because the data used in training can be proprietary or usurped by aggregators (as can technical talent), brands that build early leads in advanced analytics capabilities will be difficult for others to catch. Brands that delay could find themselves on the losing side of the data divide.

A maioria das empresas de restaurantes está atacando peças do quebra -cabeça de dados. Aqui está como os líderes estão se movendo rapidamente para montar o quebra -cabeça completo. As forças disruptivas incluem tecnologias nas lojas, novas interfaces de consumidores e insurgentes de terceiros, como serviços de entrega e agregadores ativados digitalmente. O surgimento de tecnologias avançadas, como a IA, redefinirá ainda mais a maneira como as marcas interagem com os consumidores, bem como as fontes de vantagem competitiva. (Ver

Digital Disruption Intensifies

In our 2017 restaurant industry report, we detailed how digital technologies are disrupting every segment of the restaurant value chain. The disruptive forces include in-store technologies, new consumer interfaces, and third-party insurgents, such as digitally enabled delivery services and aggregators. The emergence of advanced technologies such as AI will further redefine the way brands interact with con­sumers, as well as the sources of competitive advantage. (See A nova realidade digital para restaurantes , BCG Focus, novembro de 2017.) Como previmos, as forças disruptivas aceleraram apenas nos últimos 12 meses. De junho de 2016 a junho de 2018, as sessões de aplicativos móveis de entrega de restaurantes aumentaram quase 400%, com os maiores aumentos acumulados para os agregadores. (Consulte o Anexo 2.)

Aggregators continue to make inroads. From June 2016 to June 2018, restaurant delivery mobile app sessions increased by almost 400%, with the biggest increases accruing to aggregators. (See Exhibit 2.)

Uber Eats is gaining traction especially quickly. Its business grew 20-fold over that period, and the dollar value of the meals that it delivers already exceeds $6 billion on an annual basis—more than the sales of the US’s largest pizza brand. (See “How Data Powers Delivery for Uber Eats”)

Meanwhile, loyalty programs, another contributor to digital disruption, continue to build membership. US restaurant loyalty programs now have a combined 130 million members, more than double their 2015 level, making dining the fastest-growing indus­try for loyalty programs. More than two-thirds of restaurant users are members of at least one such program, and 25% cite membership in three or more programs.

Customers’ expectations for the digital experience keep rising as well. Four in five restaurant app users cite ease of ordering as the app’s most important attribute. The amount of time customers expect to devote to placing an order has fallen from about 5.5 minutes in 2017 to about 3.5 minutes in 2018, primarily because of the proliferation of easy-to-use interfaces from aggregators and leading brands. One ­result is that customer retention has become a struggle: for most restaurant brands, the average percentage of people who remain active 30 days after downloading an app is only about 10%. That said, for brands that get it right, the rewards continue to be substantial: 40% of app users say that they increased their visit frequency ­after downloading the app, and we typically see an increase of from 10% to 30% in ticket size for digital orders, depending on the brand.

As we documented last year, scale is becoming a prerequisite for many companies if they are to make the substantial investments they need in digital technologies and data and analytics. The industry has seen a flurry of acquisitions—more than $30 billion in M&A activity since the start of 2017. For example, JAB Holdings and Roark Capital have made a number of deals that added scale to their portfolios and digital and data know-how to their capabilities. JAB continues to snap up coffee and breakfast brands, including Peet’s Coffee & Tea, Krispy Kreme, Panera, Au Bon Pain, and Pret A Manger. Early in 2018, Roark Capital created Inspire Brands to combine Arby’s, Buffalo Wild Wings, and Rusty Taco. It announced acquisition of the Sonic quick-serve chain in September 2018.

Jogadores de tecnologia de restaurantes também estão buscando escala por meio de fusões e aquisições, com mais de 20 acordos anunciados nos últimos 18 meses, incluindo várias aquisições de tecnologia da Grubhub-entre eles, LevelUp e Tapingo. "Acho que grande parte da consolidação é impulsionada pelo acesso à tecnologia", disse Recentemente, o CEO do Wendy, CEO da Wendy. “No mundo da tecnologia, a informação é tudo - como você se conecta melhor aos consumidores e muda seu comportamento?”

Dados, dados, em todos os lugares

One of the major consequences of this digital revolution is a fundamental change in how companies source, analyze, and ultimately use data. The underlying management challenges that face restaurant brands today haven’t changed: marketing the brand, optimizing labor productivity in the store, and managing the supply chain remain the same priorities they have always been. But digital technologies, particularly as they relate to data, have enabled new solutions to old problems; and for brands that embrace these capabilities, the technologies have empowered managers to generate much greater value with their decisions and investments. Here are some of the major shifts that have occurred recently in the way that leading restaurant brands think about data.

Explosão de fontes. Além de seus próprios dados de clientes, as marcas agora podem acessar fontes externas, como postagens de mídia social, provedores de telecomunicações (para dados locacionais) e serviços climáticos, tráfego e eventos. Mais e mais marcas estão acessando seus próprios dados operacionais - por exemplo, dados de dados de serviço provenientes de sistemas de gerenciamento de cozinha. Restaurants have access to much more data and many more data sources than ever before: internal and external, commercial and operational, and structured and unstructured. In addition to their own customer data, brands can now access outside sources such as social media posts, telecom providers (for locational data), and weather, traffic, and event services. More and more brands are accessing their own operational data—for example, speed of service data coming from kitchen management systems.

De uma perspectiva comercial, as marcas estão mudando de uma visão centrada na transação para uma centrada no cliente que suporta uma perspectiva mais completa sobre o valor da vida útil do cliente. As marcas também estão se expandindo a partir de dados estruturados tradicionais (em um formato consistente e familiar) para novas fontes de dados não estruturados (como o texto das análises on -line). A explosão resultante de tipos e fontes de dados requer novas maneiras de armazenar e manipular, mudando do armazém de dados tradicional para um data lake mais flexível e escalável.

Sofisticação de ferramentas analíticas. Mas os avanços na inteligência artificial, incluindo algoritmos de auto-aprendizagem (como florestas aleatórias e redes neurais), proporcionam um poder analítico muito aumentado. Como resultado, a potencial profundidade e detalhes da análise aumentam exponencialmente, desde a análise de vendas semanais até a investigação em vendas horárias por restaurante e produto. Historically, restaurant brands have used Excel-­based modeling to gain insight from data. But advances in artificial intelligence, including self-learning algorithms (such as random forest and neural networks), deliver vastly increased analytical power. As a result, the potential depth and detail of analysis increases exponentially, from analyzing weekly sales to delving into hourly sales by restaurant and product.

Integração nos processos de negócios. Tome segmentação do cliente. No passado, as marcas podiam analisar dados de transações para identificar personas específicas do cliente (segmentos de clientes aumentados com dados comportamentais comuns ou compartilhados) e depois usar essas informações para informar a estratégia. Agora, as marcas podem rastrear o comportamento em nível individual, executá -lo através de um algoritmo de otimização para encontrar a oferta perfeita para um cliente específico e entregar que se oferece diretamente ao aplicativo móvel do cliente - tudo sem intervenção humana. Crescimento. A maioria das principais marcas fez investimentos: nossa avaliação de maturidade digital mais recente entre os principais players do setor indica que 100% têm equipes dedicadas à inteligência e relatórios de negócios, 90% têm recursos focados em análises de CRM e 70% têm grupos dedicados a buscar ciência de dados e análises avançadas. Comparado com outros recursos digitais, no entanto, o nível geral de maturidade para dados e análises permanece baixo, com todas as marcas, exceto algumas, dando -se notas moderadas nessa área. (Veja o Anexo 3.) Várias marcas estão ficando desencorajadas à medida que os investimentos retornam menos do que o esperado ou os períodos de retorno de três ou mais anos de preensão presos. Em várias indústrias, o BCG observou o surgimento de um "paradoxo da IA": embora seja enganosamente fácil de lançar pilotos de IA e obter resultados iniciais poderosos, é diabolamente difícil de avançar em direção à IA aplicada em escala. nível alfabetizado. A imagem pode variar de acordo com o caso de uso, mas uma aplicação importante de dados - como as marcas usam dados para melhorar sua previsão de demanda - ilustra o estado atual de jogo. As marcas alfabetizadas baseiam previsões diárias de vendas no nível individual de restaurantes em dados históricos e tendências recentes; Essas previsões informam a programação do trabalho e a ordem do inventário. Os artistas (apenas alguns dos quais existem até agora, especialmente em relação aos dados), usam previsões de vendas no produto do menu e nos níveis de detalhes da hora do dia, com base em vários pontos de dados internos e externos, como eventos esportivos programados e previsões meteorológicas. Os verdadeiros líderes digitais e de dados (que ainda são mais raros ainda) dão um passo adiante, atualizando as informações de previsão em tempo real e vinculando automaticamente esses dados a ferramentas que atualizam os cronogramas de mão -de -obra e reabastecimento sem intervenção humana. Por exemplo, as marcas poderiam identificar vendas lentas em uma loja específica em uma determinada tarde em tempo real (via Analytics sempre ativadas, AI-habilitadas) e enviar automaticamente ofertas promocionais personalizadas para os clientes na área. As ferramentas de análise podem então alimentar a taxa de resposta de volta à previsão da demanda, e o algoritmo poderia atualizar automaticamente as necessidades de mão -de -obra e produto da loja. The true power of data emerges when it ceases to be backward looking and explanatory and instead becomes predictive, prescriptive, and fully integrated into business processes. Take customer segmentation. In the past, brands might analyze transaction data to identify specific customer personas (customer segments augmented with common, or shared, behavioral data) and then use those insights to inform strategy. Now, brands can track behavior at an individual level, run it through an optimization algorithm to find the perfect offer for a specific customer, and deliver that offer directly to the customer’s mobile app—all without human intervention.

The best brands will achieve a data flywheel effect in which data accumulation and data analysis fuel improvements in products and business processes, which stimulates growth, which leads to more data accumulation, which drives more growth.

Moderate Progress…

A fairly steep maturity curve is already emerging in how restaurant brands use data. Most major brands have made investments: our most recent digital maturity assessment among major players in the industry indicates that 100% have teams dedi­cated to business intelligence and reporting, 90% have resources focused on CRM analytics, and 70% have groups dedicated to pursuing data science and advanced analytics. Compared with other digital capabilities, however, the overall maturity level for data and analytics remains low, with all but a few brands giving themselves moderate grades in this area. (See Exhibit 3.) A number of brands are becoming discouraged as investments return less than expected or presage lengthy payback periods of three or more years.

This is not unusual. Across multiple industries, BCG has noted the emergence of an “AI paradox”: although it is deceptively easy to launch AI pilots and achieve powerful initial results, it is fiendishly difficult to move toward AI applied at scale.

In our client work and our research in the restaurant industry, we see four stages of digital capability taking shape—passive, literate, performer, and leader—with most brands today clustered at the digital literate level. The picture can vary by use case, but one important data application—how brands use data to improve their demand forecasting—illustrates the current state of play.

Passive brands (which include many smaller companies and individual franchisees at larger brands) rely on gut feel at the store level to forecast sales for the upcoming week, scheduling labor and placing product orders on that basis. Literate brands base daily sales forecasts at the individual restaurant level on historical data and ­recent trends; these forecasts inform labor scheduling and inventory ordering. Performers (only a few of which exist so far, especially with respect to data) use sales forecasts at the menu product and hour-of-day levels of detail, based on various inter­nal and external data points, such as scheduled sporting events and weather forecasts. True digital and data leaders (which are rarer still) go a step further, updat­ing forecasting information in real time and automatically linking this data to tools that update labor and replenishment schedules without human intervention.

For digital leaders, the next step is within reach: linking forecasts to the commercial engine. For example, brands could identify slow sales at a particular store on a given afternoon in real time (via always-on, AI-enabled analytics) and automatically send personalized promotional offers to customers in the area. Analytics tools could then feed the response rate back into the demand forecast, and the algorithm could automatically update the store’s labor and product needs.

… e muitas armadilhas

Ao criar suas capacidades de dados, muitas empresas estão em conflito com falsas partidas e armadilhas comuns que têm uma ampla gama de causas subjacentes. Embora os KPIs e as métricas sejam certamente importantes, o desbloqueio do valor real dos dados envolve a alimentação automática da saída da análise na tomada de decisão. Até que a mentalidade afaste do uso de dados para explicar o que aconteceu e para empregar análises integradas para prever o comportamento do cliente e informar decisões prospectivas, as oportunidades permanecerão limitadas. O sucesso requer um foco implacável no valor, o que significa priorizar e executar casos de uso que podem mostrar resultados precoces e sustentados. Essa abordagem é particularmente problemática na IA, que aprende indutivamente com dados e necessidade de acesso a sistemas em toda a organização. Sem um plano claro para incorporar a capacidade de IA em toda a empresa, dados e análises se tornam difíceis de escalar, mesmo quando os pilotos iniciais demonstram sucesso. Mas a perfeição nunca é viável. É melhor aconselhado que as empresas procurem maneiras iniciais de gerar valor dos dados disponíveis e usar a ativação de casos de uso específicos para determinar quais dados precisam para entrar em seu ecossistema e quando provavelmente precisarão dele. A velocidade e a flexibilidade são importantes, mas não devem se tornar desculpas para se deslocar entre os sabores do dia. Nossa pesquisa de maturidade do setor indica que apenas uma em cada cinco marcas tem uma estratégia abrangente de big data. Por outro lado, um estudo recente dos usuários de IA descobriu que 90% dos pioneiros da IA ​​em todos os setores têm uma estratégia clara para o uso da IA. (Ver

Misalignment on What Data Means. We often see brands confuse business intelligence with advanced analytics. Although KPIs and metrics are certainly important, unlocking the real value of data involves automatically feeding the output of analytics into decision making. Until the mindset shifts away from using data to explain what has happened and toward employing integrated analytics to predict customer behavior and inform forward-looking decisions, opportunities will remain limited.

Technology-Led vs. Business-Led Organization. Technical and data science skills are important in the organization, but ownership of the data and analytics capability must rest with the business. Success requires a relentless focus on value, which means prioritizing and executing use cases that can show early and sustained results.

Ignoring Technology Implications. Some brands pilot analytics use cases without forethought about their implications for technology infrastructure. This approach is particularly problematic in AI, which learns inductively from data and needs access to systems throughout the organization. Without a clear plan in place to embed the AI capability throughout the business, data and analytics become difficult to scale, even when initial pilots demonstrate success.

Perfection as the Enemy of the Good. Too many brands are unwilling to act on data until it is complete, cleansed, and sorted. But perfection is never achievable. Companies are better advised to look for early ways to drive value from the available data and to use the activation of specific use cases to determine what data they need to pull into their ecosystem and when they are likely to need it.

Random Walk. On the other side of the coin, we see brands leaping from use case to use case and from technology to technology, without a clear underlying strategy. Speed and flexibility are important, but they should not become excuses for flitting among the flavors of the day. Our industry maturity survey indicates that only one in five brands has an overarching big data strategy. In contrast, a recent study of AI users found that 90% of AI pioneers across all industries have a clear strategy for AI usage. (See A inteligência artificial nos negócios fica real , um relatório de MIT Sloan Management Review e BCG, setembro de 2018.)

Dependência do fornecedor. corrente. O ambiente fragmentado resultante dificulta a obtenção de uma verdadeira visão de 360 ​​graus dos clientes da marca e requer uma abordagem mais atenciosa para a implementação de dados e análises. Cada vez mais, as principais marcas estão sendo o controle dos dados de fornecedores de terceiros e construindo seus próprios recursos de análise interna. o estágio piloto. Entre os passivos da IA ​​incluídos no Many restaurant brands use multiple third-party providers (marketing agencies, digital marketing specialists, loyalty program and CRM providers, app developers, and business intelligence vendors) across the data value chain. The resulting piecemeal environment makes it hard to get a true 360-degree view of the brand’s customers and requires a more thoughtful approach to data and analytics implementation. Increasingly, leading brands are wresting control of the data from third-party providers and building their own in-house analytics capabilities.

Inadequate Senior Leadership Support. Unless the C-suite champions them, data initiatives that need support from a diverse, cross-functional set of stakeholders (technology, analytics, marketers, and operators, for example) often cannot move beyond the pilot stage. Among AI passives included in the MIT Sloan Management Review Estudo citado acima, 60% identificaram a falta de apoio da liderança como uma grande barreira à adoção da IA; O número correspondente para os pioneiros da IA ​​foi inferior a 20%. Em nosso trabalho com as principais marcas, identificamos mais de 50 casos de uso de dados e análises que podem agregar valor. (Consulte o Anexo 4.)

How Leaders Climb the Maturity Curve

Leaders that use data to fundamentally change the ways in which they work generally begin with a use-case-centric approach. In our work with leading brands, we have identified more than 50 data and analytics use cases that can add value. (See Exhibit 4.) 

Os seguintes casos de uso são representativos: || 3787

• The more than 15 commercial use cases we have identified relate to menu, product, and store design, as well as to the full set of customer interactions. For example, McDonald’s digital menu boards update in real time in response to the weather, highlighting comfort food when it is cold outside and lighter fare on hot days. The company reported a sales increase of more than 3% during the initial pilot. Dickey’s Barbeque Pit sends geotargeted personalized push notifications to customers when a store is experiencing low traffic. Its system automatically updates with refreshed data every 20 minutes, enhancing both inventory management and the brand’s ability to test new concepts.
• Observamos mais de 25 casos de uso de operações, abrangendo tarefas como planejamento da demanda, programação de trabalho e gerenciamento de operações. O Domino construiu um algoritmo para prever quanto tempo levará para fazer e entregar uma pizza, dado o número e a posse de funcionários do restaurante, entre outros fatores. Isso produz um "tempo de promessa" preciso para o cliente e otimiza a mão-de-obra na loja. A Panera agrega informações sobre os pedidos em todos os canais digitais (aplicativo, site, terceiros) para ajudar a planejar as necessidades de mão-de-obra e produto na loja. Agora ele recebe 250.000 pedidos digitais por dia e mudou seu modelo operacional de loja para lidar com o volume. Por exemplo, a Starbucks usa geoanalísicos e análise de aberturas de lojas anteriores para otimizar seu processo de seleção de localização para novas lojas. Na ausência de uma visão do que eles querem alcançar, as empresas podem se sentir cegadas pelas possibilidades que as novas ferramentas "transformacionais" oferecem. Os líderes, por outro lado, adotam uma abordagem estratégica e abrangente, definindo a visão de onde desejam ir e depois projetar a jornada para incluir etapas para gerar sucessos iniciais, fornecer financiamento e mostrar o caminho para o resto da organização. (Consulte o Anexo 5.)
• The more than 10 corporate use cases we found include business intelligence, financial forecasting, and site selection for new locations. For example, Starbucks uses geoanalytics and analysis of past store openings to optimize its process of location selection for new stores.

The sheer volume and variety of potential use cases can be as much a problem as an opportunity. Absent a vision of what they want to achieve, companies may find themselves blinded by the possibilities that the “transformational” new tools offer. Leaders, on the other hand, take a strategic and comprehensive approach, setting the vision for where they want to go and then designing the journey to include steps to generate early successes, provide funding, and show the way to the rest of the organization. (See Exhibit 5.)

Defina a visão

Líderes Começando dados e análises aspirações que são firmemente vinculadas ao links para o fato de serem vinculados ao Bravy. Eles então identificam sistematicamente o universo dos casos de uso de dados e análises para a marca que apoiará essa aspiração. Sistemas herdados fragmentados, como sistemas de ponto de venda (POS), podem dificultar o movimento rápido e reduzir os benefícios finais. A realidade pode ter um desempenho abaixo das expectativas de marcas que não reconhecem essas restrições. Casos

At the same time, these companies honestly assess their starting points, with a particular focus on technology infrastructure, including what data they have available, how full a picture it provides, and how well integrated their analytics tools are with the data sources. Fragmented legacy systems, such as multiple point-of-sale (POS) systems, can hinder quick movement and reduce the ultimate benefits. Reality can far under­perform expectations for brands that don’t acknowledge such constraints.

On the basis of these inputs, leading brands then select a handful of “lighthouse use cases” that are linked to the overall brand strategy and can show value in the near term while illuminating the way for the brand to build foundational data and technology capabilities.

Demonstrate Value with Lighthouse Use Cases

As marcas principais começam buscando casos de uso do Lighthouse, empregando um modelo ágil baseado em equipes multifuncionais e iterações rápidas. As maneiras ágeis de trabalho são projetadas para colocar um produto mínimo viável no mercado rapidamente e testar, aprender e aumentar a partir daí. Para a maioria das empresas (não apenas restaurantes), isso representa uma maneira radicalmente diferente de trabalhar, e é importante não subestimar a dificuldade da transição. (Para exames de ágil em duas indústrias relacionadas, consulte “ Ágil ao resgate no varejo , ”BCG Artigo, outubro de 2018 e“ Ágil ao resgate em bens de consumo ,” BCG article, May 2018.) But a cross-functional organizational approach is all but a prerequisite for companies looking to solve today’s challenges. Agile methodologies have extended beyond software precisely because they comprehend a set of organizational principles that successfully address many inefficiencies of the modern organization.

Done properly, agile increases employee and customer engagement while reducing time spent on planning and administration (in As reuniões, por exemplo, e isso coloca mais recursos em atividades orientadas para o cliente. Serviços e recursos internos em 100% a 200%.

Uma marca de pizza líder usa metodologias Agile para construir suas próprias plataformas digitais internas. Seus departamentos de TI e marketing trabalham juntos em conjunto para gerenciar a experiência digital do cliente, dividindo projetos em pequenos passos e processos distintos, para que as melhorias da experiência do cliente e a TI que lhes permita avançar no bloqueio. As inovações incluem permitir que os clientes rastreem pedidos por meio de preparação e entrega e redução do número de etapas envolvidas na ordem de mais de 25 para apenas 5.

Construa a base para o futuro

In parallel with activating lighthouse use cases, leading organizations carefully plot how to scale the data-driven, agile mindset across the organization. These companies typically pursue this effort at four levels: digital ecosystem, technology architecture, talent and capabilities, and organization and operating models.

ecossistema digital. Os dados do cliente geralmente são a primeira prioridade, e é aí que o ecossistema digital entra em jogo. As principais marcas se concentram em aplicativos móveis, programas de fidelidade e outras interfaces digitais como seus principais pontos de coleta de dados do cliente. Por exemplo, o McDonald's está oferecendo batatas fritas gratuitas toda sexta -feira até o final do ano para clientes que baixam seu aplicativo. Desenhar clientes para o ecossistema digital de propriedade não apenas reduz o atrito na jornada do cliente, mas também permite que o McDonald's aprenda mais sobre clientes específicos e ofereça uma experiência cada vez mais personalizada. Na ausência de vínculos explícitos do cliente por meio de plataformas digitais ou de um programa de fidelidade, as marcas podem usar concurso rastreável (como dados do cartão de crédito) para vincular transações do sistema de ponto de venda a clientes específicos. (Ver " Access to data is essential, of course, as is the ability to manipulate and use both structured and unstructured data from multiple sources. Customer data is often the first priority, and that is where the digital ecosystem comes into play. Leading brands focus on mobile apps, loyalty programs, and other digital inter­faces as their primary customer data collection points. For example, McDonald’s is offering free fries every Friday through the end of the year to customers who down­load its app. Drawing customers into the owned digital ecosystem not only reduces friction in the customer journey, but also allows McDonald’s to learn more about specific customers and to offer an increasingly personalized experience. In the absence of explicit customer linkages via digital platforms or a loyalty program, brands may use traceable tender (such as credit card data) to link transactions from the point-of-sale system to specific customers.

BCG has written about the power of digital ecosystems to create enormous value, partly as a result of the data flywheel effect. (See “ Ficando físico: a ascensão dos ecossistemas híbridos , ”Artigo do BCG, setembro de 2017 e“ Como os ecossistemas de dados da IoT transformarão a competição B2B ,” BCG article, July 2018.) Restaurants that interact regularly with customers in both physical and digital channels are well placed to orches­trate ecosystems. Access to proprietary operations data (such as store traffic, store labor, preparation times, and delivery times) puts restaurants in an enviable position to marry their own data with data from external sources (weather, events, and traffic, for example) for marketing and other purposes. So far, however, the leading Os players do ecossistema são empresas de tecnologia e novos participantes, como Amazon, Uber, Facebook e OpenTable. O estado atual de muitos sistemas de TI de restaurantes - em particular, aqueles que são fragmentados em vários sistemas de PDV ou soluções de pontos de fornecedor - apresenta desafios. O problema dos sistemas fragmentados é especialmente comum em redes fortemente franqueadas. Nossa pesquisa de maturidade digital descobriu que metade dos entrevistados tinha dois a cinco sistemas de PDV e 10% tinham mais de cinco. Além disso, muitas marcas não capturaram historicamente dados de seus sistemas de fundo da casa (o sistema de gerenciamento de cozinha, por exemplo), que pode ser uma força poderosa na ativação da análise operacional. Uma coisa é costurar dados para alimentar um piloto; Outra coisa é industrializar um caso de uso em todo o sistema, integrando saídas de análise com um conjunto multicanal de interfaces voltadas para clientes e operadores. Para apoiar esse nível de industrialização, os líderes adaptam sistemas herdados ou, mais frequentemente, descartam-os a favor de uma pilha de tecnologia digital atualizada que seja centrada no cliente, modular, capaz de lidar com múltiplas fontes de dados e múltiplos "inquilinos" (para empresas multibrands) e o sistema de brotamentos de múltiplos canais de saída (como o aplicativo móvel, o site, o sistema posterial e os sistemas posteriores. Várias empresas passam para sistemas baseados em nuvem que evitam grandes investimentos de capital inicial e são fáceis de personalizar e atualizar à medida que novos casos de uso emergem e à medida que a tecnologia avança.

Technology Architecture. The current state of many restaurant IT systems—in particular, those that are fragmented across multiple POS systems or vendor point solutions—presents challenges. The problem of fragmented systems is especially common in heavily franchised networks. Our digital maturity survey found that half of respondents had two to five POS systems, and 10% had more than five. In addition, many brands have not historically captured data from their back-of-house systems (the kitchen management system, for example), which can be a powerful force in activating operational analytics.

A modern technology platform is critical for scaling use cases beyond the pilot phase, and connections between systems become increasingly important as the data and analytics grow more interdependent. It is one thing to stitch together data to power a pilot; it is quite another to industrialize a use case across the system, integrating analytics outputs with a multichannel set of customer- and operator-facing interfaces. To support this level of industrialization, leaders adapt legacy systems or, more often, scrap them in favor of an up-to-date digital technology stack that is customer-­centric, modular, capable of handling multiple sources of data and multiple “tenants” (for multibrand companies), and flexibly linkable to multiple output channels (such as the mobile app, the website, the POS system, and the back-of-house system). A number of companies move to cloud-based systems that sidestep large up-front capital investments and are easy to customize and update as new use cases emerge and as technology advances.

Our digital maturity survey showed that digital leaders invest 50% more resources in platform development (e-commerce, loyalty, and restaurant technology) than digi­tal literate brands do, relative to overall brand size. The investment can be substantial: digital performers and digital leaders are investing more than $10 million annually in technology, and several are investing more than $50 million a year. Building a modern technology architecture is a multiyear effort—which is one reason why it’s important to show value from the lighthouse use cases along the way.

talento e recursos. Os primeiros já estão em falta, pois as empresas de muitos setores procuram construir ou aumentar suas habilidades técnicas. Existem muitos tipos de habilidades técnicas (ciência de dados versus aprendizado de máquina versus aprendizado profundo, por exemplo, ou python versus r versus sql) e recursos funcionais (marketing digital versus otimização de operações). A terceirização de algumas atividades de dados pode ser necessária, mas traz seus próprios problemas, incluindo a garantia de propriedade de dados e gerenciamento do ecossistema de fornecedores. Essas pessoas entendem os impulsionadores do valor dos negócios e têm um conhecimento prático de análises - e, portanto, são capazes de liderar os esforços para transformar informações sobre os resultados operacionais. Os integradores podem trabalhar com líderes empresariais e pessoal técnico (interno ou terceirizado) para identificar e priorizar os casos de uso de maior valor, desenvolver os ativos de dados necessários e incorporar análises nos processos de negócios. Os integradores devem ter um bom entendimento de estatísticas e análises. Eles podem ter experiência anterior na indústria de restaurantes, mas o requisito mais importante são fortes habilidades de solução de problemas. Dessa forma, eles garantem o nível de foco certo e a capacidade de atrair e desenvolver talentos. Vimos empresas inicialmente abrigam sua operação de dados em uma incubadora separada até que atinja escala suficiente para serem integrados à organização mais ampla. As empresas que usam o modelo da incubadora geralmente giram executivos de negócios por meio da incubadora para que possam obter uma experiência valiosa em entrega ágil e trabalhar em equipes multifuncionais. Então, quando eles retornam à unidade de negócios ou funcionários, eles podem ajudar a promover maneiras ágeis de trabalhar. Em uma pesquisa recente de 3.000 executivos em 29 indústrias, o BCG descobriu que 95% acreditam que as técnicas avançadas de análise criarão um valor comercial substancial nos próximos cinco anos, em comparação com 45% que estão vendo valor realizado hoje. Embora a maioria das marcas gerem menos de 5% de suas vendas de canais digitais hoje, a maioria espera que esse número suba acima de 10% nos próximos cinco anos. Além disso, o crescimento explosivo (e a ameaça) dos agregadores continua - o investimento de quase US $ 800 milhões em DoorDash em duas rodadas de financiamento apenas em 2018. Primeiro, alcançar o alinhamento em toda a equipe de liderança em uma definição e visão comuns para dados - reconhecendo -se com bastante valor aos pools de valor criados quando as análises são usadas para fins além da inteligência de negócios. Segundo, complete uma avaliação rápida dos dados e maturidade da tecnologia da marca. Esta avaliação deve incluir uma declaração da visão geral; a documentação e priorização de casos avançados de uso de análises; uma perspectiva de olhos claros sobre o estado da infraestrutura tecnológica, incluindo interfaces digitais, sistemas de restaurantes e a arquitetura corporativa subjacente; e uma avaliação da organização e seus recursos para apoiar uma estratégia de dados. Terceiro, sintetize os resultados da avaliação, juntamente com a visão da marca para dados, em um roteiro simplificado que se dobra (ou termina) esforços relacionados. To operate at advanced levels of data and analytics, restaurant companies need new types of capabilities, including technical expertise and businesspeople who can help integrate technical know-how. The former are already in short supply as companies across many industries look to build or augment their technical skills.

It’s also challenging for brands to know what kind of talent they need. There are many types of technical skills (data science versus machine learning versus deep learning, for example, or Python versus R versus SQL) and functional capabilities (digital marketing versus operations optimization). Outsourcing some data activities may be necessary, but it brings its own issues, including ensuring data ownership and managing the vendor ecosystem.

Restaurants tackling this challenge may want to study companies in other industries, some of which are hiring or developing “integrators.” These people understand the drivers of business value and have a working knowledge of analytics—and so are able to lead efforts to turn data insights into operational results. Integrators can work with business leaders and technical personnel (internal or outsourced) to identify and prioritize the highest-value use cases, develop the necessary data ­assets, and incorporate analytics into business processes. Integrators must have a good understanding of statistics and analytics. They may have previous experience in the restaurant industry, but the more important requirement is strong problem-­solving skills.

Organization and Operating Model. We see a variety of organizational models for data and analytics, but most leaders start by centralizing the critical data and technology functions under a chief data officer as they build their broader capabilities. In this way, they ensure the right level of focus and the ability to attract and develop talent. We have seen companies initially house their data operation in a separate incubator until it reaches sufficient scale to be integrated into the broader organization. Companies using the incubator model often rotate business executives through the incubator so they can gain valuable experience in agile delivery and working in cross-functional teams. Then, when they return to the business unit or staff function, they can help promote agile ways of working.

Data or Bust

We expect these trends to continue building momentum across multiple sectors. In a recent survey of 3,000 executives in 29 industries, BCG found that 95% believe that advanced analytics techniques will create substantial business value in the next five years, compared with 45% who are seeing value realized today.

In the restaurant industry specifically, the trends behind the increased importance of data are only accelerating, and digital sales will continue to gain steam. Although most brands generate less than 5% of their sales from digital channels today, most expect that figure to rise above 10% within the next five years. Moreover, the explosive growth (and threat) from aggregators continues—witness the investment of nearly $800 million in DoorDash in two rounds of funding during 2018 alone.

For brands looking to start or reset their data journey, we recommend four initial steps. First, reach alignment across the leadership team on a common definition and vision for data—explicitly recognizing the value pools created when analytics are used for purposes beyond business intelligence. Second, complete a rapid assessment of the brand’s data and technology maturity. This assessment should include a statement of the overall vision; the documentation and prioritization of advanced analytics use cases; a clear-eyed perspective on the state of technology infrastructure, including digital interfaces, in-restaurant systems, and the underlying enterprise architecture; and an evaluation of the organization and its capabilities to support a data strategy. Third, synthesize the results of the assessment, along with the brand’s vision for data, into a streamlined roadmap that folds in (or terminates) related efforts.

Finalmente, e criticamente, mantenha a vigilância dos dados, mesmo que a marca ainda não esteja pronta para seguir o caminho da transformação completa dos dados. Está ficando cada vez mais claro que possuir dados do cliente será uma fonte de vantagem competitiva daqui para frente. Para muitas marcas, isso pode exigir relações e contratos existentes. No mínimo, em quaisquer novas negociações de contrato com terceiros - sejam parceiros tradicionais (como agências de marketing) ou potenciais concorrentes (como agregadores de entrega) - as marcas devem priorizar a propriedade dos dados do cliente ou o risco de serem desinteressados. Ele fornecerá a moeda que mantém os ecossistemas unidos e os meios pelos quais as empresas se conectam com seus clientes. As marcas que não criaram os recursos para encurralar e gerenciar dados se encontrarão marginalizados, observando de fora, à medida que mais concorrentes alfabetizados por dados obtêm o crescimento e os lucros que o setor tem a oferecer.

---

In the restaurant industry of the near future, data will be as important as—if not more important than—cash. It will provide the currency that holds ecosystems together and the means by which companies connect with their customers. Brands that have not built the capabilities to corral and manage data will find themselves marginalized, watching from outside as more data-literate competitors grab the growth and profits that the sector has to offer.