Splunk használati eset: Domino sikertörténete

Míg sok vállalat és szervezet használta a Splunkot az operatív hatékonyság érdekében, ebben a blogbejegyzésben arról fogok beszélni, hogy a Domino's Pizza hogyan használta fel a Splunkot a fogyasztói magatartás elemzésére az adatközpontú üzleti stratégiák felépítéséhez. Ez a Splunk használati eset megmutatja, hogy a Splunk hogyan használható széles körben bármely tartományban.A kereslet mivel az iparban jártas szakemberek magasan szárnyalnak, mindenféle vállalat aktívan használja a Splunkot, és ugyanahhoz tanúsított szakembereket keres.

Splunk használati eset: Domino's Pizza

Lehet, hogy tisztában van azzal, hogy a Domino's Pizza egy e-kereskedelmi cum gyorsétterem óriás, de lehet, hogy nincs tisztában azzal a nagy adatkihívással, amellyel szembesültek. Meg akarták érteni az ügyfelek igényeit, és hatékonyabban ki akarták szolgálni őket a Big Data használatával. Itt jött a segítségére Splunk.

Nézze meg az alábbi képet, amely azokat a körülményeket ábrázolja, amelyek a Domino-nál nagy adatproblémákat okoztak.

miért kellene megtanulnom az sql-t

Sok strukturálatlan adat keletkezett, mert:

• Minden csatornán vettek részt az értékesítés ösztönzésében
• Óriási ügyfélkörrel rendelkeztek
• Számos érintkezési pontjuk volt az ügyfélszolgálathoz
• Több rendszert biztosítottak a szállításhoz: rendeljen ételt boltban, rendeljen telefonon, weboldalukon és platformokon keresztüli mobilalkalmazásokon keresztül
• Új eszközzel frissítették mobilalkalmazásaikat, amelyek támogatják a „hangrendelést” és lehetővé teszik megrendeléseik nyomon követését

A keletkezett többletadatok a következő problémákat vetették fel:

• A manuális keresések unalmasak és hibára hajlamosak
• Kevésbé látható a vásárlói igények és preferenciák változó jellege
• Felkészületlenség és ezáltal reaktív módban történő munka bármilyen probléma megoldására

Domino úgy vélte, hogy ezekre a problémákra egy olyan eszköz rejlik, amely könnyen feldolgozhatja az adatokat. Ekkor hajtották végre a Splunk-ot.

Turner megemlítette, hogy a Splunk használata az operatív intelligenciához egy hagyományos APM eszköz helyett segített abban, hogy csökkentse a költségeket, gyorsabban keressen az adatokban, figyelemmel kísérje a teljesítményt, és jobb betekintést nyerjen abba, hogy az ügyfelek hogyan lépnek kapcsolatba a Domino-val. Ha megnézi az alábbi képet, megtalálja azokat a különféle alkalmazásokat, amelyeket a Splunk megvalósításával állítottak be.

• Interaktív térképek, az USA-szerte érkező megrendelések valós időben történő megjelenítésére. Ez a munkavállalók elégedettségét és motivációját hozta
• Valós idejű visszajelzés, az alkalmazottak számára, hogy folyamatosan lássák, mit mondanak az ügyfelek, és megértsék elvárásaikat
• Irányítópult, amelyet a pontok megtartására és a célok kitűzésére használnak, összehasonlítva teljesítményüket az előző hetekkel / hónapokkal és más üzletekkel összehasonlítva
• Fizetési folyamat a különböző fizetési módok sebességének elemzéséhez és a hibamentes fizetési módok azonosításához
• Promóciós támogatás annak azonosítására, hogy a különféle promóciós ajánlatok hogyan hatnak valós időben. A Splunk bevezetése előtt ugyanaz a feladat egy egész napot igénybe vett
• Teljesítményfigyelés, a Domino házon belül kifejlesztett értékesítési rendszereinek teljesítményének figyelemmel kísérésére

A Splunk annyira hasznosnak bizonyult a Domino számára, hogy az informatikai részlegen kívüli csapatok elkezdték feltárni a Splunk használatának lehetőségét, hogy betekintést nyerhessenek adataikba.

Splunk a promóciós adatokról

Bemutatok egy hipotetikus Splunk használati eset forgatókönyvet, amely segít megérteni a Splunk működését. Ez a forgatókönyv bemutatja, hogy a Domino's Pizza hogyan használta a promóciós adatokat annak érdekében, hogy jobban tisztázzák, melyik ajánlat / kupon működik a legjobban a különböző régiók, a rendelési bevételek nagysága és egyéb változók szempontjából. .

* Megjegyzés: A promóciós adatokra alkalmazott példa jellegzetes jellegű, és előfordulhat, hogy a jelen lévő adatok nem pontosak.

A Domino-nak nem volt egyértelmű láthatósága arról, hogy melyik ajánlat működik a legjobban - a következők tekintetében:

• Az ajánlat típusa (függetlenül attól, hogy ügyfeleik 10% -os vagy 2 USD átfogó kedvezményt részesítettek előnyben?)
• Kulturális különbségek regionális szinten (A kulturális különbségek szerepet játszanak-e az ajánlatválasztásban?)
• Termékek vásárlásához használt eszköz (a megrendeléshez használt eszközök szerepet játszanak-e az ajánlatválasztásban?)
• Vásárlás ideje (Mi a legjobb időpont a megrendelés életben tartására?)
• Megrendelésből származó bevétel (az ajánlatváltozás a megrendelés bevételének méretére változik?)

Amint az alábbi képen látható, a promóciós adatokat mobil eszközökről, webhelyekről és a Domino's Pizza különféle üzlethelyiségeiből gyűjtötték (a Splunk Forwarders segítségével), és elküldték őket egy központi helyre (Splunk Indexers).

A Splunk szállítmányozók valós időben küldik el a promóciós adatokat. Ezek az adatok információkat tartalmaztak arról, hogy az ügyfelek hogyan reagáltak ajánlataik megadásakor, más változókkal együtt, például a demográfiai adatokkal, az időbélyegzővel, a rendelésből származó bevétel nagyságával és a használt eszközzel együtt.

Az ügyfeleket két csoportra osztották az A / B teszteléshez. Minden készlet más és más ajánlatot kapott: 10% kedvezményes ajánlat és 2 dolláros átalány ajánlat. Válaszukat elemezték annak meghatározására, hogy melyik ajánlatot részesítik előnyben az ügyfelek.

Az adatok tartalmazzák azt az időpontot is, amikor az ügyfelek válaszolnak, és ha inkább bolti vásárlást kívánnak, vagy inkább online rendelnek. Ha online tették, akkor a vásárláshoz használt eszköz is benne volt. Ami a legfontosabb, hogy a Rendelés bevétel adatait tartalmazta - annak megértéséhez, hogy az ajánlat válasza változik-e a megrendelés bevételének méretével.

A nyers adatok továbbítása után a Splunk Indexer úgy lett konfigurálva, hogy kinyerje a releváns információkat és azokat helyben tárolja. Lényeges információ: az ügyfelek, akik válaszoltak az ajánlatokra, azok megválaszolásának ideje és a kuponok / ajánlatok beváltására használt eszköz.

Általában az alábbi információkat tárolták:

• Rendelési bevétel az ügyfél válasza alapján
• A termékek vásárlásának ideje
• Az ügyfelek által preferált eszköz a megrendelés leadásához
• Felhasznált kuponok / ajánlatok
• Értékesítési számok a földrajz alapján

Az indexelt adatok különféle műveleteinek végrehajtásához a Search headet használták. Ez az a komponens, amely grafikus felületet ad az Indexerekben tárolt adatok kereséséhez, elemzéséhez és megjelenítéséhez. A Domino's Pizza a Search fej által biztosított vizualizációs irányítópultok segítségével szerezte meg az alábbi betekintést:

• USA-ban és Európában az ügyfelek 10% -os kedvezményt részesítettek előnyben 2 dolláros ajánlat helyett. Míg Indiában az ügyfelek inkább hajlandóak voltak egy 2 dolláros átfogó ajánlatra
• 10% -os diszkont kuponokat használtak fel, ha a rendelésből származó bevétel nagysága nagy volt, míg a lapos 2 dolláros kuponokat inkább akkor használták fel, amikor a rendelés bevétele kicsi volt.
• Az esti órákban a mobilalkalmazások voltak a legkedvezőbbek a megrendeléseknél, a weboldalról érkező megrendelések pedig a déli órákban. Míg a boltban történő rendelés a reggel folyamán volt a legmagasabb

A Domino's Pizza összegyűjtötte ezeket az eredményeket az ajánlatok / kuponok testreszabása érdekében, az adott földrajzi földrajzi területről érkező vásárlók rendelési bevételeinek nagysága szempontjából. Megállapították azt is, hogy melyik a legjobb alkalom az ajánlatok / kuponok megadására, és az általuk használt eszköz alapján célozták meg az ügyfeleket.

Számos más is létezikSplunk használati esettörténetek, amelyek azt mutatják, hogy a különféle vállalatok milyen előnyökkel jártak és növelték üzleti tevékenységüket, növelték termelékenységüket és biztonságukat. További ilyen történeteket olvashat itt .

adatvezérelt keretrendszer a szelén webdriverben

Szeretné megtanulni a Splunkot és megvalósítani az üzleti életében? Nézze meg a mi oldalunkat itt oktatók által vezetett élő képzés és valós projekt-tapasztalat jár.

Ez a Splunk felhasználási eset blog tisztességes képet adott volna a Splunk működéséről. Olvassa el a következő blogomat a Splunk architektúráról, hogy megtudja, mi a különféle Splunk összetevő és hogyan hatnak egymással.