案例解析|餐饮行业如何让数字价值收益最大化

本文涉及的产品
云原生数据仓库AnalyticDB MySQL版,基础版 8ACU 100GB 1个月
全局流量管理 GTM,标准版 1个月
云原生数据库 PolarDB PostgreSQL 版,标准版 2核4GB 50GB
简介:

数字化让餐饮更精准

  2020年突如其来的新冠肺炎疫情,对餐饮业的打击首当其冲。据2月12日中国烹饪协会发布的《2020年新冠肺炎疫情对中国餐饮业影响报告》,相比去年春节,疫情期间,78%的餐饮企业营收损失达100%以上;9%的企业营收损失达到九成以上;7%的企业营收损失在七成到九成之间;营收损失在七成以下的仅为5%。
  这次疫情之变,将会改变很多消费形态,有的其实一直在变化,只是这次之后会加速;有的可能我们还没有想到过,因为疫情,也会带来一些新的变化。
  我们看到,过去一段时间里,有一些餐饮企业根据客户画像数据分析,提早准备了年夜饭送到家的服务,现在这段时间,有一些餐饮企业又正好腾出手来,可以集中解决系统的效率问题、数据的精准性问题以及流量高峰期资源弹性的问题,正所谓“磨刀不误砍柴工”,相信将来线上、线下业务高峰期是必然会如约而至的,也许那就是这些企业发力的时候,年度整体营收变得可期。
  当人们越来越认同上云是应对业务波动危机最好办法的同时,也将更多精力放到了上云后如何利用云上的大数据以及人工智能的工具,让营销更快更准,一场更加激烈的线上竞争或许正在悄然布局和拓展。

客户痛点及诉求

  企业A主要为餐饮店提供点餐和收银服务,为餐饮商户提供运营服务,全国范围内有数百加盟连锁商户,在餐饮/点餐管理领域位于全国前列。当前在业务发展过程中,存在如下三个问题:
1. 大数据分析耗时长,效率不高
  商户会根据每天的运营情况来做供货商及库存管理等,统计数据越及时误差越小,库存损耗率越低。原分析系统各自使用Hive,HBase,Kylin,TiDB等处理海量数据,服务分散且执行效率不高,商户需要隔天才能拿到运营数据,导致连锁商户的资源调配有滞后性,分析业务效率亟待提升。
2. 需要用户的精准营销
  商户希望能够通过大数据提供更精准的用户画像,比如年龄段,消费习惯,消费层次等,用来及时的调整餐饮服务(套餐,打折券,满减券等)。基于顾客的用户画像推荐发起特定广告才是精准营销,针对顾客的特定需求发起的活动,响应率才高,顾客体验才更好。
3. 流量高峰期资源弹性不够,影响业务
  节假日等点餐高峰时段(比如,元旦、圣诞、七夕、情人节),业务量会飙升至平时的4倍甚至更高,因为核心数据库资源无法及时弹性扩容,导致高峰期顾客点餐/付账时服务响应很慢甚至超时失败,严重影响到业务。

上云方案

  针对企业A的几个痛点问题,阿里云通过对客户实际情况进行调研和分析,提出如下图的一个云上架构方案来解决客户面临的痛点。
TB1MgGowQT2gK0jSZFkXXcIQFXa-864-831.png

图1 云上架构示意图


  PolarDB是阿里云自研的下一代关系型云数据库,2019年“世界互联网领先科技成果”,兼容MySQL、PostgreSQL、Oracle语法,存储最高100TB,单库可扩展至16个节点,适用于企业多样化的应用场景。企业A将核心数据库切换为阿里云的PolarDB,不仅可以在5分钟内最高可弹性扩容出百倍资源,应对业务峰值。业务峰值结束后又可以及时缩容,满足业务和成本的需要。
  分析型数据库AnalyticDB,是阿里巴巴自主研发的海量数据实时高并发在线分析云计算服务,使得客户可在毫秒级针对千亿级数据进行即时的多维分析透视和业务探索。企业A将原来分散的各类分析业务服务集中更新为AnalyticDB,可以准时实时输出/分析报表;再将业务库数据通过DTS实时同步至AnalyticDB,商户运营报表可以做到5分钟更新一次,极大的加快了商户库存管理的及时性。
基于AnalyticDB构建用户标签系统,企业A用极小的代价就开发了用户画像分析业务。

客户价值

技术能力带来的产品能力提升,创收的同时增加商户粘性

  • 推出商户报表VIP套餐,支持1小时更新一次报表
  • 基于用户画像包装提供精准营销服务

顺畅支持业务峰值

  • 2019七夕,点餐数量同比增加50%的情况下,未遇卡顿,平均下单时间仅需2秒

案例涉及产品

目录
相关文章
|
24天前
|
数据采集 存储 监控
数据治理怎么做才是价值最大化的呢?
在数据驱动时代,数据成为企业的核心资产,其治理直接影响决策效率、创新能力和市场竞争力。数据治理是一项系统工程,涵盖策略、流程和技术,确保数据准确、一致、安全、可访问且合规,从而最大化价值。为实现这一目标,企业需明确治理战略、建立治理架构、制定质量标准、强化安全保护、推动数据文化,并持续优化与创新。这些综合措施将充分释放数据潜力,推动企业发展。
|
5月前
|
数据采集 机器学习/深度学习 人工智能
数字KPI:衡量转型成功的秘诀
数字KPI:衡量转型成功的秘诀
|
6月前
|
存储 数据可视化
Fama French (FF) 三因子模型和CAPM模型分析股票市场投资组合风险/收益可视化
Fama French (FF) 三因子模型和CAPM模型分析股票市场投资组合风险/收益可视化
Fama French (FF) 三因子模型和CAPM模型分析股票市场投资组合风险/收益可视化
|
6月前
|
数据采集 数据可视化 数据挖掘
三大方法快速发现商业规律
三大方法快速发现商业规律
|
12月前
|
供应链 数据管理
带你读《基于数据资产全生命周期估值与实践报告》——2. 数据资产价值评估的核心因子说明(2)
带你读《基于数据资产全生命周期估值与实践报告》——2. 数据资产价值评估的核心因子说明
105 0
|
12月前
|
存储 数据采集 运维
带你读《基于数据资产全生命周期估值与实践报告》——2. 数据资产价值评估的核心因子说明(1)
带你读《基于数据资产全生命周期估值与实践报告》——2. 数据资产价值评估的核心因子说明
175 0
【业务架构】价值实现、价值定位、价值创造
【业务架构】价值实现、价值定位、价值创造
|
存储 监控 计算机视觉
谈谈企业数据价值计量的一个可行方法【航空公司案例】
当有人指出“数据是宝贵的企业资产”时,通常每个人都会点头表示赞同。但没有多少人有实际方法来证明和展示数据的实际价值。
谈谈企业数据价值计量的一个可行方法【航空公司案例】
|
机器学习/深度学习 人工智能 供应链
能否利用数据产生的巨大价值,正逐步拉大企业间的差距
北美和南美经营业务的黄金生产商Goldcorp拥有大量的地质数据,但因数据异构性太强而难以访问和使用。
能否利用数据产生的巨大价值,正逐步拉大企业间的差距
|
数据采集 存储 编解码
数据估值的6大难点
数据的价值是什么?与他人分享数据有什么价值?这些看似简单的问题,但数据不是简单的资产。数据的独特属性使其比传统资产更难估值。
数据估值的6大难点