Каталог
совместимости российского программного обеспечения

«Бургер Кинг» — один из лидеров в сфере быстрого питания

В России у бренда более чем в 200 городах открыто 800+ ресторанов с ежедневной посещаемостью более 11 млн человек. В «Бургер Кинг» работает около 22 000 сотрудников.

У компании много цифровых активов и большой потенциал с точки зрения Data Driven подхода и осмысленного использования данных для роста бизнеса. На момент старта проекта в «Бургер Кинге» уже существовали отдельные ИТ-решения: BI-система для сбора отчетности, несколько разрозненных баз и хранилищ данных. Также появлялись новые бизнес-ориентированные решения на базе искусственного интеллекта. Вдобавок было более 100 ТБайт исторических данных, объем которых постоянно рос.

Необходимость единого источника правды для перехода к Data Driven

На старте проекта данные хранились в различных не связанных или слабо связанных между собой системах — локальных базах данных и дополнительных сервисах. Это увеличивало время работы с data-продуктами: на подготовку отчетности уходило несколько дней, а сбор данных был затруднен в связи с повышенной нагрузкой на бизнес-сервисы.

Со временем управлять качеством и безопасностью данных становилось все сложнее. Все чаще стали образовываться «бутылочные горлышки», росла нагрузка на команду, в отдельных случаях начали проявляться проблемы с достоверностью данных — была сложность с интерпретацией и сопоставлением данных из некоторых источников.

Еще одним сложным моментом являлся вопрос масштабирования. Бизнес-процессы генерируют большое количество данных, объем которых растет экспоненциально. Поэтому при проектировании будущего корпоративного хранилища необходимо было учесть потенциал такого роста.

Поиск стратегического партнера для реализации и дальнейшего развития проекта

В 2022 году мы начали разработку единой методологии и стратегии развития для перехода на новые процессы. Изначально была ориентация на работу в облаке — это решало вопрос масштабирования и обеспечения безопасности, а также давало возможность реализовать проект с учетом производительности внутренней команды.

В качестве основной технологии для построения DWH рассматривалась Open Source СУБД Greenplum. Однако главным ее недостатком для наших процессов было отсутствие стабильной и быстрой поддержки. Поскольку ресурс внутренней команды ограничен, вопрос сервиса поддержки стабильной работы СУБД и низкоуровневого администрирования для нашей компании был критичным. Кроме того, запуск на базе Open Source-решения требовал глубоких знаний по доработке и внедрению продукта, которых не было внутри компании.

После анализа предложений на рынке в качестве решения выбрали управляемый сервис Arenadata DB в облаке VK Cloud.

Основные критерии выбора:

• стоимость решения — соответствие ценовым параметрам;
• гибкость партнера — возможность глубокого погружения в проект, а также учет специфики ИТ-ландшафта компании;
• зрелость решения — уровень опыта в работе с Greenplum и Arenadata DB, наличие компетенций и подтвержденный опыт реализации аналогичных проектов;
• стратегический подход к развитию системы — выпуск новых сервисов для работы с данными и машинным обучением.

Запуск одного из самых крупных в РФ хранилищ данных на базе облачного сервиса Arenadata DB совместно с VK Cloud

После разработки единой методологии стартовал проект миграции данных и систем в облако. Были выбраны около 50 ключевых показателей: выручка, доходы от программ лояльности, себестоимость продукции и другие. Данные были приведены к единообразию согласно новому подходу и загружены в централизованное хранилище данных. Результатом стало создание хранилища данных объемом более 100 ТБайт. На сегодняшний день это одна из самых больших инсталляций Arenadata DB в облаке на российском рынке.

Отдельно запущен процесс рефакторинга самых востребованных бизнес-приложений и data-продуктов. Всего их около 800, и среди них можно выделить три основных типа:

• интеграционные — отвечают за интеграцию систем;
• трансформационные — обеспечивают трансформацию данных при миграции;
• визуальные — помогают отображать нужные данные в дашбордах.

Следующим этапом мы провели интеграцию рекомендательных систем с централизованным хранилищем данных. В результате получили первые необходимые унифицированные данные для бизнеса. На текущий момент используется большое количество решений на основе ИИ, которые анализируют информацию и предлагают готовую гипотезу для оптимизации бизнес-процессов. Например, рекомендательная система, которая сейчас работает в облаке VK Cloud, предлагает клиентам блюда исходя из их прошлых заказов и других поведенческих признаков, хранящихся в базе данных.

Примером аналогичного интеллектуального data-продукта является система для автоматизации процесса закупок. Такое решение анализирует данные по складским остаткам и предлагает оптимальные варианты пополнения склада для минимизации простоя или перезакупки.

Рост эффективности бизнеса и снижение времени подготовки отчетности

Основной эффект от проекта — снижение нагрузки на бизнес-критичные системы и источники данных, а также автоматизация аналитики и запуска ИИ-решений. До внедрения новых подходов ежемесячно приходилось ограничивать доступ к BI-системе на несколько дней для выгрузки отчетности. На текущий момент BI-система доступна постоянно, а время подготовки отчетности сократилось до нескольких часов.

Другой пример — ускорение системы Workflow Management, которая рассчитывает оптимальное количество сотрудников на смене. После запуска пилотного проекта на расчет рекомендаций по пяти ресторанам уходило до двух недель. За счет применения новых подходов расчет для значительно большего количества ресторанов сократился до нескольких часов.

Решение о миграции на ADB позволило, с одной стороны, заместить дорогое зарубежное решение. С другой — переложить нагрузку с источников данных на хранилище, оптимизировать и автоматизировать процессы.

Результаты:

• перевод функции отчетности с источников данных на централизованное хранилище DWH;
• снижение нагрузки на системы-источники;
• экономия на инфраструктурных затратах.

Уровень доверия к данным со стороны бизнеса существенно вырос, что открыло большие перспективы для тестирования бизнес-гипотез и принятия решений на основе данных. Таким образом, через несколько месяцев практической эксплуатации мы добились роста эффективности CRM благодаря персонализации и релевантности предложений, а также смогли добиться значимого повышения производительности бизнес-процессов в ресторанной части.

Планы

Реализация облачного хранилища позволила заложить фундамент для внедрения новых инструментов. Уже сейчас виден огромный потенциал для повышения прибыльности за счет Data Driven подхода к решению задач, планируется большое количество инициатив для развития в этом направлении. Для этого разрабатываем проект по построению Data Lake для сырых данных объемом более 500 ТБайт. Это позволит достичь более глубокого внедрения технологии машинного обучения и ИИ в процессы и, как следствие, повысить прибыльность и эффективность бизнеса в целом.