Splunk Use Case: Dominon menestystarina

Vaikka monet yritykset ja organisaatiot ovat käyttäneet Splunkia toiminnan tehostamiseksi, puhun tässä blogiviestissä siitä, kuinka Domino's Pizza käytti Splunkia kuluttajien käyttäytymisen analysointiin datapohjaisten liiketoimintastrategioiden rakentamiseksi. Tämä Splunk-käyttötapaus osoittaa, kuinka Splunkia voidaan käyttää laajasti millä tahansa toimialueella.Kysyntä alan ammattitaito on nousemassa korkealle kaiken kokoisten yritysten kanssa, jotka käyttävät aktiivisesti Splunkia ja etsivät sille sertifioituja ammattilaisia.

mikä on java

Splunk-käyttötapaus: Domino's Pizza

Saatat olla tietoinen siitä, että Domino's Pizza on sähköisen kaupankäynnin cum-pikaruokajätti, mutta et ehkä ole tietoinen heidän kohtaamastaan ​​big data -haasteesta. He halusivat ymmärtää asiakkaidensa tarpeet ja palvella heitä tehokkaammin käyttämällä Big Data -palvelua. Täällä Splunk tuli apuun.

Katso alla olevaa kuvaa, joka kuvaa olosuhteita, jotka muodostuivat aiheuttamaan suuria dataongelmia Dominolla.

Paljon strukturoimattomia tietoja tuotettiin, koska:

• Heillä oli omni-kanava läsnäolo myynnin lisäämiseksi
• Heillä oli valtava asiakaskunta
• Heillä oli useita asiakaspalvelupisteitä
• He toimittivat useita toimitusjärjestelmiä: Tilaa ruokaa myymälästä, tilaa puhelimitse, verkkosivustonsa kautta ja alustojen välisten mobiilisovellusten kautta
• He päivittivät mobiilisovelluksensa uudella työkalulla, joka tukee äänitilausta ja mahdollistaa tilausten seurannan

Luodut ylimääräiset tiedot aiheuttivat seuraavia ongelmia:

• Manuaaliset haut ovat tylsiä ja alttiita virheille
• Vähemmän näkyvyyttä siitä, miten asiakkaiden tarve / mieltymykset vaihtelevat
• Valmistautumattomuus ja työskentely siten reaktiivisessa tilassa ongelmien korjaamiseksi

Dominon mielestä ratkaisu näihin ongelmiin on työkalussa, joka voi helposti käsitellä tietoja. Silloin he ottivat käyttöön Splunkin.

Turner mainitsi, että Splunkin käyttö operatiiviseen tiedusteluun perinteisen APM-työkalun sijasta auttoi häntä alentamaan kustannuksia, etsimään tietoja nopeammin, seuraamaan suorituskykyä ja saamaan paremman käsityksen siitä, miten asiakkaat olivat tekemisissä Dominon kanssa. Jos tarkastelet alla olevaa kuvaa, löydät erilaiset sovellukset, jotka on määritetty toteuttamalla Splunk.

• Interaktiiviset kartat, jotta voit näyttää tilauksia reaaliajassa kaikkialta Yhdysvalloista. Tämä toi työntekijöiden tyytyväisyyttä ja motivaatiota
• Reaaliaikainen palaute, jonka avulla työntekijät näkevät jatkuvasti asiakkaiden sanat ja ymmärtävät heidän odotuksensa
• Kojelauta, jota käytetään pitämään pisteet ja asettamaan tavoitteet, vertaamaan niiden suorituskykyä edellisiin viikkoihin / kuukausiin ja muihin myymälöihin
• Maksuprosessi eri maksutapojen nopeuksien analysointiin ja virheettömien maksutapojen tunnistamiseen
• Kampanjatuki, jolla tunnistetaan, kuinka erilaiset kampanjatarjoukset vaikuttavat reaaliajassa. Ennen Splunkin käyttöönottoa sama tehtävä kesti koko päivän
• Suorituskyvyn seuranta, jolla seurataan Dominon sisäisten kehitettyjen myyntipisteiden suorituskykyä

Splunk osoittautui niin hyödylliseksi Dominolle, että IT-osaston ulkopuoliset ryhmät alkoivat tutkia mahdollisuutta käyttää Splunkia saadakseen oivalluksia datastaan.

Splunk myynninedistämistietoihin

Esitän hypoteettisen Splunk-käyttötapausskenaarion, joka auttaa sinua ymmärtämään Splunkin toimintaa. Tämä skenaario osoittaa, kuinka Domino's Pizza käytti kampanjatietoja saadakseen paremman selvyyden siitä, mikä tarjous / kuponki toimii parhaiten eri alueilla, tilaustulojen kooissa ja muissa muuttujissa .

* Huomaa: Käytetty kampanjatietojen esimerkki on luonteeltaan edustava, ja tiedot eivät välttämättä ole tarkkoja.

Dominolla ei ollut selkeää näkyvyyttä siitä, mikä tarjous toimii parhaiten:

• Tarjoustyyppi (Oliko heidän asiakkaansa mieluummin 10%: n alennus vai kiinteä $ 2: n alennus?)
• Kulttuurierot alueellisella tasolla (Onko kulttuurieroilla merkitystä tarjousvalinnassa?)
• Tuotteiden ostamiseen käytetty laite (Onko tilaamiseen käytetyillä laitteilla merkitystä tarjousvalinnoissa?)
• Ostohetki (mikä on paras aika tilauksen julkaisulle?)
• Tilauksen tuotot (muuttuuko tarjouksen vastaus tilauksen tulojen kokoon?)

Kuten alla olevasta kuvasta voit nähdä, myynninedistämistiedot kerättiin mobiililaitteilta, verkkosivustoilta ja Domino's Pizzan eri myyntipisteistä (käyttäen Splunk Forwarders) ja lähetettiin keskeiseen sijaintiin (Splunk Indexers).

Splunk-kuormatraktorit lähettävät tarjotut tiedot reaaliajassa. Nämä tiedot sisälsivät tietoja siitä, miten asiakkaat reagoivat tarjousten saamisen yhteydessä, sekä muita muuttujia, kuten väestötiedot, aikaleima, tilaustulojen koko ja käytetty laite.

Asiakkaat jaettiin kahteen sarjaan A / B-testausta varten. Jokaiselle sarjalle annettiin erilainen tarjous: 10% alennustarjous ja kiinteä 2 dollarin tarjous. Heidän vastaustaan ​​analysoitiin sen selvittämiseksi, mikä tarjous asiakkaille oli paras.

Tiedot sisälsivät myös ajan, jolloin asiakkaat vastasivat ja haluaisivatko he mieluummin ostaa myymälän vai tilaavatko ne verkossa. Jos he tekivät sen verkossa, mukana oli myös laite, jolla he tekivät ostoksen. Mikä tärkeintä, se sisälsi tilaustulotietoja - jotta saataisiin selville, muuttuvatko tarjousten vastaukset tilaustulojen koosta.

Kun raakatiedot lähetettiin, Splunk Indexer määritettiin purkamaan tarvittavat tiedot ja tallentamaan ne paikallisesti. Asiaankuuluvat tiedot ovat tarjouksiin vastanneet asiakkaat, vastausaika ja kuponkien / tarjousten lunastamiseen käytetty laite.

Tyypillisesti seuraavat tiedot tallennettiin:

• Tilaustuotot perustuvat asiakkaan vastaukseen
• Tuotteiden ostoaika
• Asiakkaiden suosima laite tilauksen tekemiseen
• Käytetyt kuponit / tarjoukset
• Myyntinumerot maantieteellisen sijainnin perusteella

Indeksoitujen tietojen eri toimintojen suorittamiseen käytettiin hakupäätä. Se on komponentti, joka antaa graafisen käyttöliittymän indeksoijiin tallennettujen tietojen etsimiseen, analysointiin ja visualisointiin. Domino's Pizza sai alla olevat oivallukset käyttämällä hakupään tarjoamia visualisointipaneeleja:

kuinka heittää kaksinkertainen int java

• Yhdysvalloissa ja Euroopassa asiakkaat suosivat 10 prosentin alennusta 2 dollarin tarjouksen sijaan. Intiassa asiakkaat olivat taipuvaisempia kiinteään 2 dollarin tarjoukseen
• 10% alennuskuponkeja käytettiin enemmän, kun tilaustulojen koko oli suuri, kun taas kiinteitä 2 dollarin kuponkeja käytettiin enemmän, kun tilaustulojen koko oli pieni.
• Mobiilisovellukset olivat ensisijainen laite tilaamiseen illan aikana, ja verkkosivustolta tulevat tilaukset olivat eniten keskipäivällä. Varaus myymälässä oli korkeinta aamulla

Domino's Pizza keräsi nämä tulokset räätälöimään tarjouksia / kuponkeja tietyn maantieteellisen alueen asiakkaiden tilaustulojen koon mukaan. He päättivät myös, mikä oli paras aika tarjota tarjouksia / kuponkeja, ja kohdensivat asiakkaat heidän käyttämänsä laitteen perusteella.

On olemassa useita muitaSplunk-käyttölaukkutarinoita, jotka osoittavat, kuinka erilaiset yritykset ovat hyötyneet ja kasvaneet liiketoimintaansa, parantaneet tuottavuuttaan ja turvallisuuttaan. Voit lukea lisää tällaisia ​​tarinoita tässä .

Haluatko oppia Splunkin ja ottaa sen käyttöön yrityksessäsi? Katso meidän täällä mukana tulee ohjaajan vetämä live-koulutus ja tosielämän projektikokemus.

Tämä Splunk-käyttötapablogi olisi antanut sinulle hyvän käsityksen Splunkin toiminnasta. Lue seuraava blogini Splunk-arkkitehtuurista saadaksesi tietää, mitkä ovat Splunkin eri komponentit ja miten ne ovat vuorovaikutuksessa toistensa kanssa.