از زمانی که دوران کووید شروع شد و مردم را برای مدت طولانی از غذا خوردن خارج کرد، مصرفکنندگان در همه جا به طور فزایندهای به برنامههای سفارش و تحویل رستوران برای قرار دادن غذا برای خود و خانوادهشان روی میز متکی هستند.
برای پرداختن به پویایی در حال تغییر مصرف مواد غذایی، یام! تیم های دیجیتال و فناوری برندها سرمایه گذاری قابل توجهی در توسعه یا بهبود چنین برنامه هایی برای رستوران های ما، از جمله KFC، Pizza Hut، Taco Bell و The Habit Burger Grill کرده اند.
به خصوص برای KFC-USA، مفهوم برنامه سفارش رستوران نسبتاً جدید بود. برای تشویق مشتریان KFC به دانلود و استفاده از برنامه، باید اطمینان حاصل کنیم که “مرتبط، آسان و متمایز” است – یا همانطور که مدیر عامل قبلی ما، گرگ کرید، دوست داشت بگوید RED.
اما برای تضمین واقعاً قرمز بودن آن، به معیارهایی نیاز داشتیم. ما باید بدانیم که آیا این برنامه واقعاً روند سفارش مرغ سوخاری را آسانتر کرده است یا خیر. آیا مردم از اپلیکیشن راضی هستند؟ آیا الگوهای تکراری در بین مشتریانی که برنامه را دوست داشتند (یا آن را دوست نداشتند) وجود داشت؟ آیا نسخههای خاصی از برنامه بهتر از سایرین عمل میکنند؟
اینها از جمله سوالاتی بود که باید برای آنها پاسخ می یافتیم. در حالی که هم اپل و هم اندروید امکان دسترسی به رتبهبندیها و نظرات کاربران را فراهم میکنند، اما به معنای بررسیها برای یک محصول را بررسی نمیکنند. بنابراین به Domo و ابزاری که سس مخفی ما شد روی آوردیم: Jupyter Workspaces.
Jupyter Workspaces ما را قادر می سازد به این داده های کیفی دسترسی پیدا کرده و آن را تجزیه و تحلیل کنیم. در تجربه من با سایر پلتفرم های BI، تجزیه و تحلیل متن به تعداد کلمات و ابر کلمات محدود می شود.
از سوی دیگر، Jupyter Workspaces تجزیه و تحلیل متن را به سطح بعدی می برد و به پزشکان اجازه می دهد قابلیت های پیشرفته پردازش زبان طبیعی (NLP) پایتون را با مجموعه داده ها به طور مستقیم در Domo ترکیب کنند. همچنین به نوتبوکهای Jupyter اجازه میدهد تا بهعنوان DataFlows برنامهریزی شوند تا بهطور خودکار دادههای شما را تازهسازی کنند. با استفاده از پایتون و Domo به صورت پشت سر هم، KFC اکنون می تواند کارهای زیر را انجام دهد:
| پایتون | دومو |
| نظرات مشتریان را مستقیماً از فروشگاههای اپل و اندروید وارد کنید و آنها را در یک مجموعه داده واحد ترکیب کنید | یک به روز رسانی خودکار روزانه نوت بوک Jupyter را برنامه ریزی کنید |
| از مدلهای پردازش زبان طبیعی برای شناسایی احساسات مشتری نسبت به برنامه در هر بررسی استفاده کنید | یک مجموعه داده ایجاد کنید که می تواند در سراسر سازمان به اشتراک گذاشته شود |
| معیارهای مهمی مانند زمان نگارش نظر و رتبه بندی ستاره کاربر را مشخص کنید | با استفاده از برندسازی شرکت و تجسم های تعاملی، نتایج و معیارها را به شیوه ای قانع کننده نشان دهید |
همه این ویژگیها به استخراج بینش برای تیم برنامه تلفن همراه KFC کمک میکنند. اکنون تیم میتواند تشخیص دهد که چه چیزی برای مشتریان مفید است و چه چیزی مناسب نیست، و ایدههایی را برای بهبود برنامههای آینده پرورش دهد – همه اینها نشان میدهد که وقتی مشتریان KFC صحبت میکنند، ما گوش میدهیم. و این، البته، کلید موفقیت بلندمدت برند و محصول است.