Splunk lietošanas gadījums: Domino veiksmes stāsts

Lai gan daudzi uzņēmumi un organizācijas ir izmantojuši Splunk darbības efektivitātei, šajā emuāra ziņā es runāšu par to, kā Domino’s Pizza izmantoja Splunk, lai analizētu patērētāju uzvedību, lai izveidotu uz datiem balstītas biznesa stratēģijas. Šis Splunk lietošanas gadījums parāda, kā Splunk var plaši izmantot jebkurā domēnā.Pieprasījums pēc Tā kā prasme šajā nozarē strauji pieaug, visu lielumu uzņēmumi aktīvi izmanto Splunk un meklē sertificētus profesionāļus.

Splunk lietošanas gadījums: Domino's Pizza

Jūs, iespējams, zināt, ka Domino Pizza ir e-komercijas ātrās ēdināšanas gigants, taču jūs, iespējams, nezināt par lielo datu izaicinājumu, ar kuru viņi saskārās. Viņi vēlējās izprast klientu vajadzības un efektīvāk apmierināt viņus, izmantojot Big Data. Šeit Splunk nāca palīgā.

Apskatiet attēlu zemāk, kurā attēloti apstākļi, kas izveidojās, lai radītu lielas datu problēmas Domino.

Tika ģenerēts daudz nestrukturētu datu, jo:

• Viņiem bija visu kanālu klātbūtne pārdošanas veicināšanai
• Viņiem bija milzīga klientu bāze
• Viņiem bija vairāki saskares punkti klientu apkalpošanai
• Viņi piegādei piegādāja vairākas sistēmas: pasūtiet pārtiku veikalā, pasūtiet pa tālruni, izmantojot savu vietni un izmantojot dažādu platformu mobilās lietojumprogrammas
• Viņi jaunināja savas mobilās lietotnes ar jaunu rīku, lai atbalstītu balss pasūtīšanu un ļautu izsekot saviem pasūtījumiem

Radīto datu pārpalikums radīja šādas problēmas:

• Manuālā meklēšana ir garlaicīga un pakļauta kļūdām
• Mazāk redzamība par to, kā mainās klientu vajadzības / vēlmes
• Nesagatavotība un tādējādi darbs reaktīvā režīmā, lai novērstu jebkuru problēmu

Domino uzskata, ka šo problēmu risinājums būs rīks, kas var viegli apstrādāt datus. Tas bija tad, kad viņi ieviesa Splunk.

Tērners minēja, ka Splunk izmantošana operatīvai izlūkošanai tradicionālā APM rīka vietā palīdzēja viņam samazināt izmaksas, ātrāk meklēt datus, pārraudzīt veiktspēju un iegūt labāku ieskatu par to, kā klienti mijiedarbojas ar Domino. Apskatot zemāk redzamo attēlu, jūs atradīsit dažādas lietojumprogrammas, kas tika iestatītas, ieviešot Splunk.

• Interaktīvās kartes, lai reāllaikā parādītu pasūtījumus no visas ASV. Tas radīja darbinieku apmierinātību un motivāciju
• Reāllaika atsauksmes, lai darbinieki varētu nepārtraukti redzēt klientu teikto un saprast viņu cerības
• Informācijas panelis, ko izmanto, lai saglabātu rādītājus un uzstādītu mērķus, salīdzinātu to veiktspēju ar iepriekšējām nedēļām / mēnešiem un salīdzinājumā ar citiem veikaliem
• Maksājumu process, lai analizētu dažādu maksājuma veidu ātrumu un identificētu bez kļūdām maksājuma veidus
• Reklāmas atbalsts, lai noteiktu, kā dažādi reklāmas piedāvājumi reāllaikā ietekmē. Pirms Splunk ieviešanas tas pats uzdevums aizņēma visu dienu
• Veiktspējas pārraudzība, lai uzraudzītu Domino iekšēji izstrādāto tirdzniecības vietu veiktspēju

Splunk izrādījās tik izdevīgs Domino’s, ka komandas ārpus IT nodaļas sāka izpētīt iespēju izmantot Splunk, lai gūtu ieskatu no saviem datiem.

Splunk reklāmas ieskatiem

Es iepazīstināšu ar hipotētisku Splunk lietošanas gadījuma scenāriju, kas palīdzēs jums saprast, kā darbojas Splunk. Šis scenārijs parāda, kā Domino's Pizza izmantoja reklāmas datus, lai iegūtu lielāku skaidrību par to, kurš piedāvājums / kupons darbojas vislabāk attiecībā uz dažādiem reģioniem, pasūtījumu ieņēmumu lielumiem un citiem mainīgajiem .

* Piezīme. Izmantoto reklāmas datu piemērs ir reprezentatīvs, un esošie dati var nebūt precīzi.

Domino’s nebija skaidri redzams, kurš piedāvājums darbojas vislabāk - attiecībā uz:

• Piedāvājuma veids (neatkarīgi no tā, vai viņu klienti izvēlējās 10% atlaidi vai vienotu 2 USD atlaidi?)
• Kultūras atšķirības reģionālā līmenī (vai kultūras atšķirībām ir nozīme piedāvājuma izvēlē?)
• Ierīce, ko izmanto produktu pirkšanai (vai ierīcēm, ko izmanto pasūtīšanai, ir nozīme piedāvājuma izvēlē?)
• Pirkšanas laiks (kāds ir labākais laiks, lai pasūtījums būtu tiešsaistē?)
• Pasūtījuma ieņēmumi (vai piedāvājuma atbilde mainīsies pēc pasūtījuma ieņēmumu lieluma?)

Kā redzams no zemāk redzamā attēla, reklāmas dati tika savākti no mobilajām ierīcēm, vietnēm un dažādām Domino’s Pizza tirdzniecības vietām (izmantojot Splunk Forwarders) un nosūtīti uz centrālo vietu (Splunk Indexers).

Splunk ekspeditori nosūtīs reāllaikā ģenerētos reklāmas datus. Šie dati saturēja informāciju par to, kā klienti reaģēja, kad viņiem tika sniegti piedāvājumi, kā arī citus mainīgos, piemēram, demogrāfiskos datus, laika zīmogu, pasūtījuma ieņēmumu lielumu un izmantoto ierīci.

A / B testēšanai klienti tika sadalīti divos komplektos. Katram komplektam tika dots atšķirīgs piedāvājums: 10% atlaides piedāvājums un vienots 2 ASV dolāru piedāvājums. Viņu reakcija tika analizēta, lai noteiktu, kuram piedāvājumam klienti dod priekšroku.

Dati ietvēra arī laiku, kad klienti atbildēja un vai viņi gribētu pirkt veikalā vai pasūtīt tiešsaistē. Ja viņi to darīja tiešsaistē, tika iekļauta arī ierīce, kuru viņi izmantoja pirkuma veikšanai. Vissvarīgākais ir tas, ka tajā bija dati par pasūtījuma ieņēmumiem - lai saprastu, vai piedāvājuma atbilde mainās atbilstoši pasūtījuma ieņēmumu lielumam.

tablo, kā izveidot komplektu

Kad neapstrādātie dati tika pārsūtīti, Splunk Indexer tika konfigurēts, lai iegūtu nepieciešamo informāciju un saglabātu to lokāli. Būtiska informācija ir klienti, kuri atbildēja uz piedāvājumiem, laiks, kurā viņi atbildēja, un kupona / piedāvājumu izpirkšanai izmantotā ierīce.

Parasti tika saglabāta šāda informācija:

• Pasūtījumu ieņēmumi, pamatojoties uz klientu reakciju
• Produktu iegādes laiks
• Ierīce, kuru klienti dod priekšroku pasūtījuma veikšanai
• Izmantotie kuponi / piedāvājumi
• Pārdošanas numuri, pamatojoties uz ģeogrāfiju

Veicot dažādas darbības ar indeksētajiem datiem, tika izmantota Search head. Tas ir komponents, kas nodrošina grafisko interfeisu, lai meklētu, analizētu un vizualizētu indeksatoros saglabātos datus. Domino’s Pizza ieguva tālāk sniegto ieskatu, izmantojot vizualizācijas paneļus, ko nodrošināja Search head:

• ASV un Eiropā klienti izvēlējās 10% atlaidi, nevis 2 USD piedāvājumu. Savukārt Indijā klienti bija vairāk tendēti uz vienotu 2 ASV dolāru piedāvājumu
• 10% atlaižu kuponi tika izmantoti vairāk, ja pasūtījuma ieņēmumu lielums bija liels, savukārt plakanie 2 USD kuponi tika izmantoti vairāk, ja pasūtījumu ieņēmumu lielums bija mazs.
• Mobilās lietotnes bija vēlamā ierīce pasūtīšanai vakara laikā, un pasūtījumi no vietnes bija visvairāk pusdienlaikā. Tā kā pasūtījums veikalā bija visaugstākais rīta laikā

Domino’s Pizza apkopoja šos rezultātus, lai pielāgotu piedāvājumus / kuponus attiecībā uz pasūtījumu ieņēmumu lielumiem klientiem no noteiktas ģeogrāfiskās vietas. Viņi arī noteica, kurš ir labākais laiks piedāvājumu / kuponu sniegšanai, un mērķēja klientus, ņemot vērā viņu izmantoto ierīci.

Ir vairāki citiSplunk lietošanas gadījumsstāsti, kas parāda, kā dažādi uzņēmumi ir guvuši labumu un attīstījuši savu biznesu, palielinājuši savu produktivitāti un drošību. Jūs varat lasīt vairāk šādu stāstu šeit .

Vai vēlaties iemācīties Splunk un ieviest to savā biznesā? Pārbaudiet mūsu šeit tas nāk ar instruktoru vadītu tiešraides apmācību un reālās dzīves projektu pieredzi.

Šis Splunk lietošanas gadījumu emuārs būtu devis jums labu priekšstatu par to, kā Splunk darbojas. Izlasiet manu nākamo emuāru par Splunk arhitektūru, lai uzzinātu, kas ir dažādi Splunk komponenti un kā tie mijiedarbojas viens ar otru.