Η McDonald’s τηρεί φάκελο για κάθε πελάτη

Δημοσιογράφος του WIRED ζήτησε από τη McDonald’s αντίγραφο των προσωπικών του δεδομένων και έλαβε ένα έγγραφο πολύ πιο εκτενές από ένα συνηθισμένο ιστορικό παραγγελιών. Εκτός από πληροφορίες για τις αγορές, η εταιρεία δημιούργησε ένα συμπεριφορικό προφίλ του πελάτη και, με τη βοήθεια αλγορίθμων, προέβλεψε πότε θα επιστρέψει, πόσα θα ξοδέψει και τι είναι πιθανότερο να παραγγείλει την επόμενη φορά.

Σύμφωνα με την έκθεση των 515 σελίδων που έλαβε ο δημοσιογράφος, η McDonald’s προέβλεψε 2,16 επισκέψεις μέσα στις επόμενες έξι εβδομάδες, μέση δαπάνη περίπου $13,49 και συνολικές δαπάνες περίπου $29,15. Το σύστημα προσδιόρισε επίσης το πιθανότερο επόμενο αγαπημένο προϊόν του — μια μεγάλη Diet Coke. Η πιθανότητα να αποχωρήσει ο πελάτης από την αλυσίδα, αντίθετα, έλαβε την τιμή 0. Με άλλα λόγια, ο αλγόριθμος σχεδόν δεν περίμενε ότι το συγκεκριμένο άτομο θα σταματούσε να πηγαίνει στη McDonald’s.

Ιδιαίτερα αποκαλυπτικό είναι το γεγονός ότι το σύστημα δεν ανέλυε μόνο τις ίδιες τις αγορές. Ο πελάτης ταξινομήθηκε σε συμπεριφορικές κατηγορίες όπως «σνακ το δεύτερο μισό της ημέρας» και «γεύμα στο πόδι, βιαστικά». Σε ξεχωριστό σύστημα αξιολόγησης, η McDonald’s κατήρτισε λίστα με τα προϊόντα που είναι πιθανότερο να ενδιαφέρουν τον συγκεκριμένο επισκέπτη: εκτός από μια μεγάλη Diet Coke, σε αυτή περιλαμβάνονταν ένα Snack Wrap, τηγανητές πατάτες, cheeseburger και McNuggets.

Δεν πρόκειται για «παρακολούθηση κάθε μπέργκερ», αλλά για μια πολύ πιο ενδιαφέρουσα τεχνολογία

Από marketing άποψη, εδώ συντελείται η κλασική μετάβαση από την ανάλυση της προηγούμενης συμπεριφοράς στην πρόβλεψη της μελλοντικής. Η εταιρεία γνωρίζει τι αγόραζε κάποιος στο παρελθόν, πόσο συχνά ερχόταν, ποιες προσφορές άνοιγε ή χρησιμοποιούσε, πού πραγματοποιούσε τις αγορές του και πώς αλληλεπιδρούσε με την εφαρμογή. Στη συνέχεια, αυτά τα δεδομένα μετατρέπονται σε ένα πιθανοτικό μοντέλο: τι μπορεί να θέλει ο πελάτης στη συνέχεια και πόσο μεγάλη είναι η πιθανότητα να επιστρέψει.

Γι’ αυτό το πρόγραμμα επιβράβευσης σήμερα δεν είναι απλώς ένας μηχανισμός «μάζεψες πόντους → πήρες δωρεάν μπέργκερ». Στην πραγματικότητα, είναι ένα εργαλείο εξατομίκευσης που επιτρέπει στην εταιρεία να κατανοεί καλύτερα τις συνήθειες του κάθε πελάτη.

Μάλιστα, η ίδια η McDonald’s αναφέρει ρητά στην ισχύουσα πολιτική απορρήτου της ότι συλλέγει δεδομένα για τα μέλη του MyMcDonald’s Rewards, συμπεριλαμβανομένων του ιστορικού αγορών, των ενεργειών στην εφαρμογή, της αλληλεπίδρασης με τις ψηφιακές τεχνολογίες στα εστιατόρια και, όταν είναι ενεργοποιημένες οι σχετικές ρυθμίσεις της συσκευής, των δεδομένων τοποθεσίας. Η εταιρεία αναφέρει επίσης ότι μπορεί να δημιουργεί, με βάση αυτά τα δεδομένα, προφίλ και συμπεράσματα σχετικά με τις προτιμήσεις, τα χαρακτηριστικά και τη συμπεριφορά ενός ατόμου, καθώς και να χρησιμοποιεί τις πληροφορίες για την εξατομίκευση προσφορών και την εκπαίδευση αλγορίθμων και μοντέλων AI.

Το σημαντικότερο εδώ δεν είναι οι 515 σελίδες

Ο όγκος της έκθεσης φαίνεται τρομακτικός, όμως ο ίδιος ο αριθμός των 515 σελίδων δεν σημαίνει ότι η McDonald’s έγραψε 515 σελίδες κειμένου για ένα συγκεκριμένο άτομο. Το έγγραφο συγκεντρώνει ένα μεγάλο σύνολο καταγραφών: συναλλαγές, αλληλεπιδράσεις με την εφαρμογή, μπόνους, προσφορές και άλλα δεδομένα.

Πολύ πιο ενδιαφέρον είναι κάτι άλλο: η εταιρεία δεν αποθηκεύει απλώς γεγονότα, αλλά εξάγει συμπεράσματα από αυτά.

Μια μεμονωμένη αγορά μιας μεγάλης κόλα σχεδόν δεν λέει τίποτα για έναν άνθρωπο. Αν όμως προστεθούν σε αυτήν δεκάδες προηγούμενες παραγγελίες, οι ώρες των επισκέψεων, η συχνότητα των αγορών, η μέση αξία της παραγγελίας, η αντίδραση στις προσφορές και η γεωγραφική κατανομή των επισκέψεων, ο αλγόριθμος μπορεί πλέον να δημιουργήσει ένα αρκετά ακριβές μοντέλο συμπεριφοράς.

Αυτό ακριβώς το σημείο θεωρούν οι ειδικοί σε θέματα ιδιωτικότητας ως το σημαντικότερο. Σύμφωνα με τους ειδικούς, το πρόβλημα δεν βρίσκεται απαραίτητα σε κάθε μεμονωμένο στοιχείο πληροφορίας, αλλά στο γεγονός ότι ο συνδυασμός τους επιτρέπει την εξαγωγή πολύ πιο λεπτομερών συμπερασμάτων για ένα άτομο.

Γιατί αυτό συμφέρει τις επιχειρήσεις

Για τη McDonald’s, ένα τέτοιο σύστημα έχει προφανή εμπορική αξία. Αν ο αλγόριθμος κατανοεί ότι ένας συγκεκριμένος πελάτης έρχεται συνήθως μετά το μεσημεριανό και σχεδόν πάντα παίρνει ένα συγκεκριμένο ρόφημα, μπορεί να του εμφανίσει τη σχετική προσφορά ακριβώς την κατάλληλη στιγμή.

Αντί για ένα καθολικό μήνυμα «Δοκιμάστε το νέο μας προϊόν», ο πελάτης μπορεί να λάβει μια προσφορά σχεδιασμένη ειδικά για τις συνήθειές του.

Αυτό αυξάνει την πιθανότητα αγοράς και ταυτόχρονα βοηθά την εταιρεία να διατηρήσει τον πελάτη. Γι’ αυτό ο δείκτης «πιθανότητας αποχώρησης» στην έκθεση του δημοσιογράφου είναι ιδιαίτερα ενδιαφέρων: η επιχείρηση προσπαθεί να αξιολογήσει όχι μόνο τι αγοράζει κάποιος, αλλά και πόσο πιθανό είναι να σταματήσει εντελώς να αγοράζει.

Ο πελάτης έχει επίσης δικαιώματα

Η McDonald’s δηλώνει ότι παρέχει στους χρήστες δυνατότητες διαχείρισης των προσωπικών τους δεδομένων. Στις ΗΠΑ, τα μέλη του προγράμματος Rewards μπορούν να αποχωρήσουν από αυτό, ενώ σε περίπτωση αιτήματος διαγραφής των προσωπικών πληροφοριών, οι πόντοι και οι ανταμοιβές που συνδέονται με τον λογαριασμό παύουν επίσης να είναι διαθέσιμοι.

Η ιστορία του WIRED αναδεικνύει με αρκετά παραστατικό τρόπο ένα παράδοξο της ψηφιακής οικονομίας: όσο πιο εύχρηστη είναι η εφαρμογή και το πρόγραμμα επιβράβευσης, τόσο περισσότερα δεδομένα για τη συμπεριφορά σας αποκτά η εταιρεία.

Ο χρήστης βλέπει έκπτωση, πόντους μπόνους και τη δυνατότητα να ολοκληρώσει γρήγορα μια παραγγελία. Η εταιρεία βλέπει τη διαδοχή των ενεργειών, τη συχνότητα των αγορών, τις προτιμήσεις και την πιθανότητα της επόμενης αγοράς.

Και ενώ ο άνθρωπος σκέφτεται ποιο μπέργκερ θα παραγγείλει σήμερα, ο αλγόριθμος μπορεί ήδη να υπολογίζει τι είναι πιθανότερο να παραγγείλει σε μερικές εβδομάδες.

Στην περίπτωση του δημοσιογράφου, η πρόβλεψη αποδείχθηκε ιδιαίτερα διασκεδαστική: το σύστημα ήταν σχεδόν βέβαιο ότι δεν θα έφευγε. Για να δοκιμάσει τον αλγόριθμο, μετά την παραλαβή της έκθεσης ζήτησε τη διαγραφή των δεδομένων του και αποφάσισε να σταματήσει να πηγαίνει στη McDonald’s — αποκλειστικά και μόνο για να αποδείξει στο σύστημα ότι τελικά μπορεί να κάνει λάθος