top of page

二維碼點餐生意更少?

為香港管理專業協會(HKMA)設計5個晚上的15小時行政人員證書課程正式結束了。一直以來不太喜歡教授這種大課,因為覺得責任太大,特別是要面對「數字化」這個還在高速演變中的課題。若要做到理論與實際結合,說實話,所花費的精力遠大於為一間大公司作顧問。最讓我頭痛的是,如何讓課堂中的工作坊既能達到預期效果,具啟發性又好玩,還要配合主題。 老實說,以往我在國內教過很多課程,包括清華、北大及浙大,都從未做過工作坊,其中原因是工作實在太忙。今次是真的希望為香港企業數碼化略盡綿力,所以這次課程的收益,都捐給了大數據治理公會及Hong Kong Data Club作未來經費。藉此亦想感謝參與第一期的同學,讓我有機會教學相長,繼續優化課程。 為引證我的新想法,在微信發了一條問題給朋友:如果你是茶餐廳老闆,最近安裝了WiFi,並開始使用二維碼點餐。上周的營業額降了20%,你覺得是什麼問題引起? 我把收集回來的答案分成兩類,分別是直覺及數據驅動,其中直覺類別的答案總結如下(排名不分先後):人流量少了、單價低了、客人長時間霸佔座位、點餐有困難、數碼化後客人少付貼士、老人家不來、天氣、競爭對手、人手不足、食物質素下降、WiFi網絡慢、宏觀經濟疲弱等。 至於較傾向數據驅動思維朋友的反饋,我總結為以下幾點: • 周邊食肆是否也用二維碼點餐及其使用率 • 自己餐廳透過二維碼點餐和傳統點餐方式的比率 • 客戶每次用手機點餐時,從掃碼到確認訂單所需時間 • WiFi網絡是否穩定 • 使用二維碼前後早午晚生意的分布 • 在二維碼系統下,廚房由接單到出菜所需時間 • 店員數目在實行二維碼前後的分別 • 客人進店但沒光顧便離開的數字 • 使用二維碼與傳統點餐的客人平均消費額 • 安裝WiFi前後的平均用餐時間、翻桌率變化 兩者相比,大家應該會覺得後者更具操作性(可量),但別忘了其實直覺與數字之間是可以互相啟發的,例如貼士和食物質素在後者不太被關注,其中一個原因是傾向數據思考(右腦思維)的朋友,通常習慣抑制較感性的答案,所以如何激發多角度思考,是未來工作坊的方向。

Recent Posts

See All
選擇胖模型還是胖鞍具?

打開任何人工智能(AI)方案,你會看到兩種完全不同的產品策略在較量:一種叫做胖模型(Fat Model),另一種叫做胖鞍具(Fat Harness)。 胖模型的信念很直白:以更大的大腦解決更多的問題。參數多、數據龐大、算力強,模型自然顯得聰明。這驅動了ChatGPT、Claude和Grok之間的競賽──每一代都宣稱新產品比上一代更強,而企業只要付費就能直接使用,代價是你的AI能力完全綁定在供應商的

 
 
慎防智能代理「無聲」脫軌

試想想,人工智能(AI)系統已在生產環境中完成部署,但究竟要如何防止AI「悄然失靈」?過去3個月,全球超大規模企業在AI基礎設施上的資本支出達到一個前所未有的量級。單憑這一數據,人們或許會得出結論:AI的生產化部署正在全力推進,市場充滿信心。 然而,7月份第一周,來自不同領域的幾個訊號同時浮現,揭示出一個更為複雜的真相。一邊是史無前例的基礎設施投資;另一邊是一群深諳「系統可靠性」的專家──那些專門

 
 
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
bottom of page