Splunk Use Case: Domino's Success Story

Zatímco mnoho společností a organizací použilo Splunk pro provozní efektivitu, v tomto příspěvku na blogu budu hovořit o tom, jak Domino’s Pizza použila Splunk k analýze chování spotřebitelů k vytvoření obchodních strategií založených na datech. Tento případ použití Splunk ukazuje, jak lze Splunk rozsáhle použít v jakékoli doméně.Poptávka po jako dovednost v oboru stoupá vysoko u společností všech velikostí, které aktivně používají Splunk a hledají certifikované profesionály.

Případ použití Splunk: Domino’s Pizza

Možná si uvědomujete, že Domino’s Pizza je gigant rychlého občerstvení v oblasti elektronického obchodování, ale možná si neuvědomujete, jaký velký problém s daty mají. Chtěli porozumět potřebám svých zákazníků a efektivněji jim vyhovět pomocí Big Data. Tady přišel Splunk na pomoc.

Podívejte se na obrázek níže, který zobrazuje okolnosti, které se vytvářely a způsobovaly velké problémy s daty v Domino's.

Bylo vygenerováno mnoho nestrukturovaných dat, protože:

• Měli všekanálové zastoupení pro podporu prodeje
• Měli obrovskou zákaznickou základnu
• Měli několik kontaktních bodů pro zákaznický servis
• Poskytli několik systémů pro doručování: Objednávejte potraviny v obchodě, objednávejte telefonicky, prostřednictvím svých webových stránek a prostřednictvím mobilních aplikací pro různé platformy
• Upgradovali své mobilní aplikace pomocí nového nástroje, který podporoval „hlasové objednávání“ a umožňoval sledování jejich objednávek

Přebytek generovaných dat vedl k následujícím problémům:

• Ruční vyhledávání je zdlouhavé a náchylné k chybám
• Menší přehled o tom, jak se liší potřeby a preference zákazníků
• Nepřipravenost a tedy práce v reaktivním režimu k vyřešení jakéhokoli problému

Domino se domnívalo, že řešení těchto problémů spočívá v nástroji, který může snadno zpracovávat data. Tehdy implementovali Splunk.

Turner zmínil, že použití Splunk pro Operational Intelligence místo tradičního nástroje APM mu pomohlo snížit náklady, rychleji prohledávat data, sledovat výkon a získat lepší přehled o interakcích zákazníků s Domino. Pokud se podíváte na obrázek níže, najdete různé aplikace, které byly nastaveny implementací Splunk.

jak nainstalovat php na Windows 7

• Interaktivní mapy pro zobrazování objednávek v reálném čase z celých USA. To přineslo spokojenost a motivaci zaměstnanců
• Zpětná vazba v reálném čase, aby zaměstnanci neustále viděli, co zákazníci říkají, a porozuměli jejich očekáváním
• Dashboard, který slouží k udržování skóre a stanovení cílů, porovnává jejich výkon s předchozími týdny / měsíci a proti ostatním obchodům
• Platební proces, pro analýzu rychlostí různých platebních režimů a identifikaci bezchybných platebních režimů
• Propagační podpora pro identifikaci dopadu různých propagačních nabídek v reálném čase. Před implementací Splunku trval stejný úkol celý den
• Monitorování výkonu, pro sledování výkonu vlastních vyvinutých prodejních systémů společnosti Domino

Splunk se ukázal být pro Domino natolik přínosný, že týmy mimo IT oddělení začaly zkoumat možnost použít Splunk pro získání poznatků z jejich dat.

Splunk pro informace o propagačních datech

Představím hypotetický scénář použití Splunk, který vám pomůže pochopit, jak Splunk funguje. Tento scénář ukazuje, jak společnost Domino’s Pizza použila propagační data k získání lepší srozumitelnosti ohledně toho, která nabídka / kupón funguje nejlépe s ohledem na různé regiony, velikosti výnosů objednávek a další proměnné .

* Poznámka: Příklad použitých propagačních údajů je svou povahou reprezentativní a přítomná data nemusí být přesná.

Společnost Domino’s neměla jasný přehled o tom, která nabídka funguje nejlépe - z hlediska:

• Typ nabídky (Ať už jejich zákazníci upřednostňovali 10% slevu nebo paušální slevu 2 $?)
• Kulturní rozdíly na regionální úrovni (Hrají kulturní rozdíly roli při výběru nabídky?)
• Zařízení používané k nákupu produktů (Hrají zařízení použitá k objednání roli při výběru nabídek?)
• Čas nákupu (Jaký je nejlepší čas pro aktivaci objednávky?)
• Výnosy z objednávky (Změní se odpověď nabídky na velikost výnosů z objednávky?)

Jak můžete vidět na následujícím obrázku, propagační data byla shromážděna z mobilních zařízení, webů a různých prodejen Domino’s Pizza (pomocí Splunk Forwarders) a odeslána do centrálního umístění (Splunk Indexers).

Splunk forwarders, by posílat propagační data generovaná v reálném čase. Tato data obsahovala informace o tom, jak zákazníci reagovali na nabídky, spolu s dalšími proměnnými, jako jsou demografické údaje, časové razítko, velikost výnosů z objednávky a použité zařízení.

Zákazníci byli rozděleni do dvou sad pro A / B testování. Každá sada dostala jinou nabídku: 10% sleva a paušální nabídka 2 $. Jejich reakce byla analyzována, aby se zjistilo, která nabídka byla preferována zákazníky.

předávání hodnoty vs předávání referencí java

Data také obsahovala dobu, kdy zákazníci odpověděli a zda by raději nakupovali v obchodě nebo si raději objednávali online. Pokud to udělali online, bylo zahrnuto také zařízení, které použili k nákupu. Nejdůležitější je, že obsahoval údaje o výnosech z objednávky - abychom pochopili, zda se reakce nabídky mění s velikostí výnosu z objednávky.

Jakmile byla surová data předána, byl Splunk Indexer nakonfigurován tak, aby extrahoval relevantní informace a uložil je lokálně. Relevantní informace jsou zákazníci, kteří odpověděli na nabídky, čas, kdy odpověděli, a zařízení použité k uplatnění kupónů / nabídek.

Obvykle byly uloženy níže uvedené informace:

• Výnosy z objednávky na základě reakce zákazníků
• Čas nákupu produktů
• Zařízení preferované zákazníky pro zadání objednávky
• Použité kupóny / nabídky
• Čísla prodejů na základě geografie

Pro provádění různých operací s indexovanými daty byla použita vyhledávací hlava. Jedná se o komponentu, která poskytuje grafické rozhraní pro vyhledávání, analýzu a vizualizaci dat uložených v indexerech. Domino’s Pizza získala níže uvedené poznatky pomocí vizualizačních řídicích panelů poskytovaných vyhledávací hlavicí:

• V USA a Evropě upřednostňovali zákazníci 10% slevu namísto nabídky 2 $. Zatímco v Indii byli zákazníci více nakloněni paušální nabídce 2 $
• 10% slevové kupóny byly použity více, když byla velikost výnosů z objednávky velká, zatímco ploché kupóny ve výši 2 $ byly použity více, když byla velikost výnosů z objednávek malá.
• Preferovaným zařízením pro objednávání během večera byly mobilní aplikace a objednávky přicházející z webu byly většinou v poledne. Zatímco objednávka v obchodě byla nejvyšší během rána

Společnost Domino’s Pizza shromáždila tyto výsledky, aby přizpůsobila nabídky / kupóny s ohledem na velikost výnosů z objednávek pro zákazníky z konkrétní geografie. Rovněž určili, který byl nejlepší čas na poskytnutí nabídek / kupónů, a cílili na zákazníky na základě zařízení, které používali.

Existuje několik dalšíchSplunk případ použitípříběhy, které ukazují, jak různé společnosti měly prospěch a rozrostly své podnikání, zvýšily jejich produktivitu a bezpečnost. Můžete si přečíst více takových příběhů tady .

Chcete se naučit Splunk a implementovat ho do svého podnikání? Podívejte se na naše zde přichází s živým tréninkem vedeným instruktorem a zkušenostmi z reálných projektů.

Tento blog o použití Splunk by vám poskytl věrnou představu o tom, jak Splunk funguje. Přečtěte si můj další blog o architektuře Splunk, kde se dozvíte, jaké jsou různé komponenty Splunk a jak spolu interagují.