你猜怎么着无论数十亿美元的广告业务应该如何发展，或者消费者应该如何评价不同的菜单，麦当劳都在用大数据做决策！
麦当劳在全球拥有超过34000家门店，其75万名员工每天在118个国家接待超过6900万名顾客，平均每秒售出75个汉堡。麦当劳的年收入为270亿美元。这些都是麦当劳大数据决策的基础。
01麦当劳的数据从哪里来？
麦当劳收集数据的目的是为了更好地预测变化，以及哪些因素会改变顾客的预期、行为和趋势。
把麦当劳餐厅看成一个整体系统，整合34000多家门店的数据，构建一个全球数据仓库。
日常决策中使用的数据包括：
此外，麦当劳还开发了一款APP，方便前来就餐的客人选择最近的门店，并可以在到达门店前在移动设备上点餐，不仅节省了时间，还帮助麦当劳沉淀了大量的用户数据。
02如何使用麦当劳的数据？
1.分析店铺之间的差异。
对于连锁品牌来说，从多个门店收集的平均数据可以用来做管理决策，但是没有办法反映每个单店的真实情况。所以连锁品牌需要把分店“个性化”。
例如，芝加哥的一个分支机构需要配备冷饮机，但休斯顿机场的分支机构可能需要6台这样的机器，因为等待流量很大。
整合麦当劳的数据，通过可视化的方式帮助分店经理或公司经理更好地了解门店之间差异的原因。分析师会为单店经理和管理者提供可视化的描述平台，管理者可以通过iPad操作随时快速准确的了解自己的经营情况。
比如：今天员工的作息时间，谁请了病假，早餐时间卖了多少包，采购了多少斤/袋的肉饼、香肠、土豆饼，做了多少斤薯条，每餐平均速度用了几分钟等等。
麦当劳弗吉尼亚五角星城分店的绩效可视化界面
按左边的社交媒体指数排名，过去三个月的粉丝增量。
主要部分包括本月总销售额/增长趋势、食品的新鲜度、销售预算所占比例以及与目标的差距。
此外还有区域单店汇总数据：年内总销售额、顾客满意度、员工参与度。
2.使用模型模拟未来的业务情况。
管理者也可以简单地操作交互式可预测模型，在这个模型中输入不同的参数，然后进行数值模拟分析。
比如增加几个员工，会怎么样，成本增加多少，利润变化多少等等。系统每15分钟自动更新一次分行的业务数据，经理可以随时快速决定需要改进的地方。
弗吉尼亚州麦当劳五边形城市门店预测模型的交互界面
为了反映右侧的主要绩效变量，当员工人数增加到五人时，将使用四个收银窗口。
推出2款新品1号、1款新品2号、5款新品3号时，总满意度达到2.5%(上升1.7个百分点)。
回头客增加2个百分点，成本下降5%，利润增加4%。
此外，由于员工数量的调整，事件处理的效率也会提高。
利润总额和订货效率的相应变化也一目了然。
可以看出，预测分析不仅可以直观的展现各个门店的经营状况、客户和员工管理情况，还可以做出未来的规划。不用交“学费”就能直观的看到改变的结果。
比如根据某超市的周边环境和客流量，预测最佳购买时间和员工分布。超市周边建了新公司或者新办公楼，门店就要多增加几个员工。购买时间需要提前吗？如果附近公司年轻员工较多，是否需要增加咖啡机、冷饮机等。
3.利用眼球追踪技术了解顾客
作为模拟模型的一部分，麦当劳还使用眼球追踪技术来学习顾客如何观察一家餐厅。他们获取的信息包括：
他们进店的路线是什么？
与点餐人员有哪些互动？
你能看看内部厨房，拿些食物盘子吗？
点餐后做什么？
此外，视频分析可用于跟踪顾客在店内用餐或不停点餐的时间。
4.合理设计直达订餐路线和服务。
麦当劳利用大数据的另一个成功例子是优化免下车餐厅(“免下车”)的体验。
他们分析了三个重要因素：
行车道设计
当客人开车经过时提供给他们的信息。
客人排队等候时间
举个例子，如果一个顾客只是想点一杯奶昔，恰好坐在全家人点的一辆中型车的后排，奶昔顾客就会很不高兴。所以麦当劳需要分析需求模型。
麦当劳的做法是：
利用店外摄像头捕捉周边交通状况，结合室内外数据，利用视频分析和餐厅外车辆行驶模式的3D模拟，判断点餐的客流和等待效率，从而优化行车道和销售窗口的设计，提升无法进店顾客的用餐体验。
在麦当劳对这一工具进行优化并使之成为一个分析平台后，操作员可以在平板电脑上进行可视化交互，通过3D模拟将车辆添加到模型中，并学习不同特征(如年龄、种族和车辆分类)的人的驾驶习惯和行为。
比如开跑车的年轻司机，会以更快的速度驶入车道，在点餐窗口猛踩刹车，这样他们就可能看不到车道入口处为排队的客人展示的新产品推广标志。
大中型车辆的司机可以停车，远离销售窗口。够不到窗口的刷卡器可能会开门甚至下车，这样会花更多的时间。
大家庭的孩子可能需要更多的时间来确定自己想吃什么，有些家长会耐心等待孩子确认后再点菜。
10月25日晚，某公司的
更名消息让社交圈炸开了锅——工商信息数据显示，今年8月24日，麦当劳（中国）有限公司的投资者名称从“麦当劳中国管理有限公司”变更为“金拱门中国管理有限公司”。10月12日，公司名称也已变更为“金拱门（中国）有限公司”。随后网友发来贺电：
