Starbucks non è un’azienda del caffè – è una società di tecnologia dei dati
Sono un esempio da manuale di come utilizzare strategicamente i dati per rimanere competitivi
Starbucks non vende semplicemente un numero enorme di bevande calde e fredde in tutto il mondo, ma raccoglie anche enormi quantità di dati da oltre 100 milioni di transazioni a settimana. Come usa questi dati? E quale ruolo svolgono AI e Internet of Things (IoT) in questo?
Il modo in cui Starbucks utilizza i dati e la tecnologia moderna a vantaggio della concorrenza è istruttivo per tutte le aziende, indipendentemente dalle dimensioni. Ad esempio, è un pioniere nella combinazione di sistemi di fidelizzazione, carte di pagamento e app mobili. Ma questo graffia solo la superficie.
Questo articolo mette in evidenza cinque degli esempi più interessanti di come Starbucks utilizza i dati, l’IA e l’IoT per un vantaggio competitivo. Suggeriscono che potrebbe esserci un argomento convincente secondo cui Starbucks non è più un’azienda del caffè, ma ora è una società di tecnologia dei dati nel settore degli alimenti e delle bevande.
Starbucks dimostra la relazione tra dati, tecnologia e business meglio di molti altri
Starbucks non è a corto di dati. Ha oltre 30.000 negozi in tutto il mondo e completa quasi 100 milioni di transazioni a settimana. Questo gli dà una visione completa di ciò che i suoi clienti consumano e godono. Ma forse sorprendentemente, si concentra sul valore di questi dati solo per poco più di un decennio.
Non è che non abbia usato i dati prima di allora. Ma, come con molti grandi cambiamenti in un’azienda, una crisi ha causato il cambiamento. In questo caso, era il blip finanziario del 2008 e le chiusure dei negozi associati. La lezione di Howard Schultz, allora amministratore delegato, fu che l’ uso di dati da parte di Starbucks doveva essere più analitico, in particolare nel decidere le posizioni dei negozi.
Prima di questo, le decisioni di Starbucks erano – come molte altre organizzazioni – guidate dall’uomo, basate su esperienza e giudizio. I dati erano ovviamente importanti, ma non erano sistematici come potevano essere. C’è poco scritto a riguardo, ma sembra essere stato l’approccio convenzionale di utilizzare i dati per convalidare e informare idee e decisioni umane.
Ciò che fa eccezionalmente bene è provare tutti i tipi di nuove idee usando dati e tecnologia, quindi usare più dati per capire quali portare avanti.
Oltre al settore immobiliare, l’utilizzo dei dati da parte di Starbucks oggi si estende naturalmente anche a una serie di attività di marketing e di prodotto. Questo a sua volta porta all’intelligence su come gestisce la sua catena di approvvigionamento. Un elemento fondamentale di questo è il programma di fidelizzazione Starbucks Rewards, anch’esso avviato nel 2008.
Ciò che è meno comune è il modo in cui l’uso dei dati da parte di Starbucks abbraccia Internet delle cose, in particolare le operazioni in negozio. Questo è iniziato con le macchine da caffè e ora si sta estendendo ad altre attrezzature in negozio come i forni.
Cinque esempi di come Starbucks utilizza dati, AI e IoT per un vantaggio competitivo
Potremmo riempire un libro con i dettagli di come Starbucks utilizza i dati e le tecnologie correlate, in comune con molte altre grandi società moderne. Ciò che fa eccezionalmente bene è provare tutti i tipi di nuove idee usando dati e tecnologia, quindi usare più dati per capire quali portare avanti.
Tra i tanti grandi esempi, ho scelto cinque punti salienti. Ho scelto questi perché dimostrano come l’utilizzo dei dati abbia migliorato il business di Starbucks, insieme a tecnologia come AI, IoT e il cloud:
Targeting per clienti con promozioni e offerte personalizzate
Sviluppo di prodotti basato sull’intuizione, anche attraverso canali
Sofisticata pianificazione immobiliare
Creazione e regolazione di menu dinamici
Manutenzione della macchina ottimizzata
Esempio 1: promozioni personalizzate
L’uso classico dei dati dei clienti è la personalizzazione della tua offerta in base alle preferenze di un singolo consumatore e Starbucks non è diverso. Con oltre 16 milioni di membri solo negli Stati Uniti, il suo programma di fidelizzazione rappresenta quasi la metà di tutte le transazioni di negozi negli Stati Uniti.
Conoscere le preferenze degli ordini dei singoli clienti e i modelli di acquisto consente a Starbucks di inviare offerte personalizzate più probabili. L’uso dell’IA per determinare tali campagne sta diventando un’applicazione standard dell’intelligenza artificiale e Starbucks lo fa dal 2017 con il suo programma “Volano digitale”.
Un focus importante di questo tipo di lavoro è suggerire nuovi prodotti che un consumatore potrebbe apprezzare, in base a cos’altro ordina.
Ma non si tratta solo di promozioni personalizzate. Gran parte sta ancora offrendo campagne di massa convenzionali, ma dirette a ciascun consumatore nel segmento target. Questi potrebbero includere bevande fredde nei giorni caldi, lancio di prodotti o menu stagionali.
Esempio 2: prodotti Insight-driven
Le promozioni personalizzate sono senza dubbio efficaci, ma altrettanto importante per Starbucks è l’uso dei dati dei clienti nello sviluppo della sua gamma di prodotti.
Un modo efficace in cui Starbucks utilizza i dati deriva dalle abitudini di acquisto di grandi quantità di consumatori. Gli approfondimenti di questi dati suggeriscono variazioni e sviluppi rispetto ai prodotti esistenti. Ad esempio, oltre 15 anni fa c’è stata un’idea carina di introdurre bevande al gusto di zucca ad Halloween. Questa è diventata un’intera gamma di prodotti globali ispirati alla zucca. Un risultato è un enorme picco di calpestio durante i mesi autunnali.
Un secondo tipo sta usando i dati attraverso i canali. L’esempio più significativo di ciò è probabilmente la spinta dell’azienda nello spazio del caffè a casa nel 2016. Questo è stato il lancio principale di prodotti nei supermercati, per consentire ai clienti di preparare il caffè a casa. I dati in negozio hanno fornito una solida base per decidere quali prodotti scegliere come target per il bevitore domestico. Potrebbe persino testare su strada prodotti da portare a casa come il caffè istantaneo nei negozi normali.
Ha anche aggiunto prodotti come versioni non zuccherate dei prodotti per la casa. Un’altra variazione suggerita dai dati sul consumo in negozio è stata la versione con e senza latte.
Esempio 3: sofisticata pianificazione immobiliare
Pianificare dove aprire un negozio Starbucks è ora una complessa analisi dei dati. Il modo in cui Starbucks utilizza i dati per questo copre tutti i fattori immaginabili che ti aspetteresti. E considera anche alcuni che probabilmente non faresti.
Il supporto AI per la pianificazione del negozio modella i fattori economici di una sede. Questi includono popolazione, livelli di reddito, traffico, presenza dei concorrenti e così via. Lo utilizza per prevedere entrate, profitti e altri aspetti della performance economica.
Il sistema considera anche la posizione delle prese Starbucks esistenti. Considera l’impatto di un nuovo negozio proposto sui ricavi esistenti nelle aree vicine.
La tecnologia AI al centro di questa applicazione è l’analisi basata sulla posizione. Questo è anche noto come mapping o GIS (Geospatial Information Systems).
Esempio 4: menu dinamici
Una delle implicazioni degli esempi sopra è che Starbucks ha la capacità di perfezionare e adattare continuamente le sue offerte. Il modo in cui Starbucks utilizza i dati significa che può apportare revisioni in base al cliente, alla posizione e al tempo. Ciò influisce su prodotti, promozioni e prezzi.
Tuttavia, se visualizzi le tue offerte in negozio su schede di menu stampate sopra il bancone, c’è una disconnessione con la possibilità di regolare continuamente le cose. Questo è uno dei motivi per cui le soluzioni lo-fi come le lavagne rimangono popolari tra i rivenditori. Ma per Starbucks, la risposta è un lancio di segnaletica digitale nei negozi, con display a menu impostati dal computer.
Ciò completa una catena che consente ai cambiamenti possibili altrove nell’esperienza del cliente di riflettersi nel negozio.
Ovviamente ci sono molte domande che questo pone, e c’è molto spazio per complicare troppo le cose. Tuttavia, a partire dalla metà del 2018, Starbucks lo stava testando in una manciata di negozi. Ha concentrato gli sforzi sulla spinta dei prodotti selezionati in base a circostanze locali come il tempo o l’ora del giorno.
Esempio 5: ottimizzazione della manutenzione della macchina
Il nostro esempio finale è la manutenzione delle macchine da caffè e le macchine in negozio in generale.
La tipica transazione in negozio Starbucks è relativamente a basso costo e di breve durata. Alti volumi di throughput dei clienti sono la chiave del successo di un negozio. Quindi, se una macchina si guasta, può compromettere significativamente le prestazioni aziendali.
Starbucks non mantiene gli ingegneri sul posto per guasti. Invece, li inviano per occuparsi delle riparazioni e, naturalmente, eseguono la manutenzione programmata. Quindi ottenere rapidamente ingegneri su macchine rotte fa la differenza.
Esistono approcci convenzionali a questo problema. Questo in genere significa raccogliere dati su guasti, utilizzo della macchina, riparazioni richieste e così via. L’analisi regolare dei dati è efficace nel trovare tendenze e modelli. L’intelligenza artificiale può aiutare a raggiungere questo livello, prevedendo guasti e necessità di manutenzione.
Laddove Starbucks ha fatto progressi, lo sviluppo di una nuova macchina da caffè, la Clover X, è attualmente utilizzato solo nei flagship e nei concept store . Oltre ad essere all’avanguardia nella sua capacità di fare il caffè, è anche connesso al cloud. Ciò non consente solo una raccolta più completa di dati operativi. Consente inoltre la diagnostica remota dei guasti e persino le riparazioni remote.
Concetti simili si applicheranno ad altre macchine. Ad esempio, i negozi hanno ora un forno standard, anch’esso controllato da un computer, per una preparazione coerente per i prodotti caldi a livello globale. Tuttavia, le macchine attuali devono essere aggiornate dall’unità USB. Ciò accade ogni volta che si verifica un cambiamento nella configurazione della macchina, ad esempio nuovi prodotti. In futuro, questo diventerà senza dubbio una connessione cloud diretta, creando anche maggiori opportunità di intelligenza artificiale.
Starbucks è un esempio abbastanza tipico di un’azienda globale moderna all’avanguardia. Il modo in cui Starbucks utilizza i dati è un esempio della gestione dei dati e della tecnologia con grande efficacia. Non c’è nulla di sorprendentemente drammatico nel suo uso dei dati e dell’IA. Non ci sono innovazioni mozzafiato sull’IA o sull’analisi.
Ma il modo in cui Starbucks utilizza i dati è un esempio da manuale di come iniziare un viaggio per utilizzare i dati in modo strategico, eseguendo i piani in modo sistematico e completo. L’innovazione appare, ma in ciò che fai nel tuo core business a causa dell’IA, non necessariamente nell’IA stessa. E l’IoT è solo un’estensione naturale di questo, insieme al cloud.
Un’altra lezione è che l’IA sembra far parte del percorso di apprendimento di Starbucks sull’uso dei dati. Non è qualcosa che è accaduto a causa di un ardente desiderio di usare l’IA. Era proprio la prossima cosa da fare in ogni area quando fosse il momento giusto.
Il risultato finale dell’esame del suo viaggio è il modo in cui scala le soluzioni. In questo caso, non è solo questione di ingrandirsi una volta che un concetto è stato dimostrato. La natura globale del business aggiunge complessità regionali.
La maggior parte di noi non confronta la nostra organizzazione con Starbucks e non vede molto in comune. Ma ciò cambia se restringiamo la nostra visione a come Starbucks utilizza i dati. È anche istruttivo vedere come questo si è evoluto in applicazioni efficaci dell’intelligenza artificiale.
Come Starbucks, molti di noi non si considerano nel settore dell’intelligenza artificiale o dei dati. Ma ciò non significa che questi non stanno diventando fondamentali per le nostre organizzazioni. E solleva domande su quale attività commerciale stai effettivamente svolgendo – è semplicemente su ciò che vendi di più o cosa fai meglio?
