Splunk Use Case: Domino edulugu

Selles Splunki kasutamise juhtumite ajaveebis saate aru, kuidas Domino Pizza kasutas Splunki, et saada teadmisi tarbijate käitumise kohta. Ja sõnastage oma äristrateegiad.

Kui paljud ettevõtted ja organisatsioonid on kasutanud Splunki tegevuse tõhususe huvides, siis selles blogipostituses räägin sellest, kuidas Domino Pizza kasutas Splunki, et analüüsida tarbijate käitumist andmepõhiste äristrateegiate loomiseks. See Splunki kasutamise juhtum näitab, kuidas Splunki saab ulatuslikult kasutada mis tahes domeenis.Nõudlus Kuna selle valdkonna oskus on hüppeliselt tõusnud, igas suuruses ettevõtted, kes kasutavad aktiivselt Splunki ja otsivad sama sertifitseeritud spetsialiste.

Splunki kasutamise juhtum: Domino Pizza

Võib-olla olete teadlik, et Domino's Pizza on e-kaubanduse kiirtoidu hiiglane, kuid te ei pruugi olla teadlik suurte andmete väljakutsest, millega nad silmitsi seisid. Nad tahtsid Big Data abil mõista oma klientide vajadusi ja neid tõhusamalt rahuldada. Siin tuli Splunk appi.





Vaadake allolevat pilti, mis kujutab asjaolusid, mis tekkisid Domino juures suurte andmeprobleemide tekitamiseks.

splunk kasuta splunki rakendavaid case-dominos



Tekkis palju struktureerimata andmeid, kuna:

  • Neil oli müügi suurendamiseks kõikkanaliline kohalolek
  • Neil oli tohutu kliendibaas
  • Neil oli klienditeeninduse jaoks mitu puutepunkti
  • Nad pakkusid kohaletoimetamiseks mitut süsteemi: tellige toitu poest, tellige telefoni teel, oma veebisaidi ja platvormidevaheliste mobiilirakenduste kaudu
  • Nad täiendasid oma mobiilirakendusi uue tööriistaga, mis toetab häälkäsklust ja võimaldab tellimuste jälgimist

Tekkinud liigne andmestik tekitas järgmisi probleeme:

  • Käsitsi tehtud otsingud on tüütud ja veaohtlikud
  • Vähem nähtavust kliendi vajaduste / eelistuste erinevuse osas
  • Ettevalmistamatus ja seega reaktiivses režiimis töötamine mis tahes probleemi lahendamiseks

Domino leidis, et nende probleemide lahendus peitub tööriistas, mis võimaldab andmeid lihtsalt töödelda. See oli siis, kui nad rakendasid Splunki.



'Kuni Splunki juurutamiseni oli ettevõtte rakenduste ja platvormiandmete haldamine peavalu ning suur osa logifailidest oli tohutu segadus' - nende saidi töökindluse ja insenerihalduri Russell Turneri sõnul

Turner mainis, et Splunki kasutamine operatiivteabe jaoks traditsioonilise APM-i tööriista asemel aitas tal kulusid vähendada, andmeid kiiremini otsida, jõudlust jälgida ja paremini mõista, kuidas kliendid suhtlevad Domino omadega. Kui vaatate allolevat pilti, leiate erinevad rakendused, mis loodi Splunki juurutamisel.

  • Interaktiivsed kaardid, et näidata tellimusi reaalajas kogu USA-st. See tõi töötajate rahulolu ja motivatsiooni
  • Reaalajas tagasiside, et töötajad saaksid pidevalt näha klientide öeldut ja mõista nende ootusi
  • Armatuurlaud, mida kasutatakse skooride hoidmiseks ja eesmärkide seadmiseks, nende toimivuse võrdlemiseks eelmiste nädalate / kuude ja teiste kauplustega
  • Makseprotsess erinevate makseviiside kiiruste analüüsimiseks ja veatute makseviiside tuvastamiseks
  • Reklaamitoe, et tuvastada, kuidas erinevad sooduspakkumised reaalajas mõjutavad. Enne Splunki juurutamist kulus sama ülesandel terve päev
  • Performance Monitoring, et jälgida Domino ettevõttesiseselt välja töötatud müügisüsteemide toimivust

Splunk osutus Domino jaoks nii kasulikuks, et IT-osakonna välised meeskonnad hakkasid uurima võimalust kasutada Splunki oma andmetest ülevaate saamiseks.

Splunk reklaamiandmete ülevaate jaoks

Esitan hüpoteetilise Splunki kasutamise juhtumi stsenaariumi, mis aitab teil mõista, kuidas Splunk töötab. See stsenaarium näitab, kuidas Domino's Pizza kasutas reklaamiandmeid suurema selguse saamiseks selles, milline pakkumine / kupong toimib kõige paremini erinevate piirkondade, tellimuste tulude suuruste ja muude muutujate suhtes .

* Märkus: kasutatud reklaamandmete näide on oma olemuselt tüüpiline ja olemasolevad andmed ei pruugi olla täpsed.

Domino’sil ei olnud selget nähtavust, milline pakkumine kõige paremini töötab:

  • Pakkumise tüüp (kas nende kliendid eelistasid 10% allahindlust või kindlat $ 2 allahindlust?)
  • Kultuurilised erinevused piirkondlikul tasandil (kas kultuurilised erinevused mängivad pakkumiste valikul rolli?)
  • Toodete ostmiseks kasutatav seade (kas tellimisel kasutatavad seadmed mängivad pakkumise valikus rolli?)
  • Ostmise aeg (mis on parim aeg tellimuse avaldamiseks?)
  • Tellimuse tulu (kas pakkumise vastus muutub tellimuse tulu suuruseks?)

Nagu allolevalt pildilt näha, koguti reklaamiandmeid mobiilseadmetest, veebisaitidelt ja Domino Pizza erinevatest müügikohtadest (kasutades Splunk Forwardereid) ja saadeti kesksesse asukohta (Splunk Indexers).

Splunk forvarderid saadaksid reaalajas loodud reklaamiandmeid. Need andmed sisaldasid teavet selle kohta, kuidas kliendid pakkumiste saamisel reageerisid, koos muude muutujatega, nagu demograafiline teave, ajatempel, tellimustulu suurus ja kasutatud seade.

Kliendid jagati A / B testimise jaoks kahte komplekti. Igale komplektile anti erinev pakkumine: 10% sooduspakkumine ja kindel 2 dollari suurune pakkumine. Nende vastust analüüsiti, et teha kindlaks, millist pakkumist kliendid eelistasid.

Andmed sisaldasid ka aega, millal kliendid reageerisid ja kas nad eelistaksid poest osta või eelistaksid nad veebist tellida. Kui nad tegid seda veebis, siis oli kaasas ka seade, millega nad ostu tegid. Mis kõige tähtsam, see sisaldas tellimuse tulude andmeid - et mõista, kas pakkumise vastus muutub tellimuse tulu suurusega.

Kui algandmed on edastatud, konfigureeriti Splunk Indexer asjakohase teabe väljavõtmiseks ja kohapeal salvestamiseks. Asjakohane teave on pakkumistele vastanud kliendid, vastamise aeg ja kupongide / pakkumiste lunastamiseks kasutatud seade.

Tavaliselt salvestati järgmine teave:

mis on nimeruum c ++
  • Tellimuse tulu põhineb kliendi reageerimisel
  • Toodete ostmise aeg
  • Kliendi poolt tellimuse esitamiseks eelistatud seade
  • Kasutatud kupongid / pakkumised
  • Müüginumbrid põhinevad geograafial

Indekseeritud andmetega erinevate toimingute tegemiseks kasutati otsingupead. See on komponent, mis annab graafilise liidese indeksite salvestatud andmete otsimiseks, analüüsimiseks ja visualiseerimiseks. Domino's Pizza sai otsingupea pakutavate visualiseerimise juhtpaneelide abil allpool toodud ülevaate:

  • USA-s ja Euroopas eelistasid kliendid 2-dollarise pakkumise asemel 10% allahindlust. Kui Indias olid kliendid pigem 2-dollarise kindla pakkumise poole
  • 10% sooduskuponge kasutati rohkem, kui tellimuse tulu suurus oli suur, samas kui kindlaid 2-dollariseid kuponge kasutati rohkem, kui tellimuse tulu suurus oli väike.
  • Mobiilirakendused olid õhtu jooksul tellimise eelistatud seade ja veebisaidilt saabunud tellimused olid kõige rohkem keskpäeval. Kusjuures poest tellimine oli kõige suurem hommikul

Domino's Pizza koondas need tulemused pakkumiste / kupongide kohandamiseks vastavalt tellimustulude suurusele kindlast geograafiast pärit klientidele. Samuti tegid nad kindlaks, milline on parim aeg pakkumiste / kupongide andmiseks ja sihtisid kliente kasutatava seadme põhjal.

Neid on veel mituSplunk kasutamise juhtumlood, mis näitavad, kuidas erinevad ettevõtted on oma äritegevusest kasu saanud ja kasvatanud, tootlikkust ja turvalisust suurendanud. Selliseid lugusid saate rohkem lugeda siin .

Kas soovite õppida Splunki ja seda oma ettevõttes rakendada? Vaadake meie siin on kaasas juhendajate juhitud elav koolitus ja reaalse elu projektikogemus.

See Splunki kasutamise juhtumite ajaveeb oleks teile andnud aimu Splunki toimimisest. Lugege minu järgmist Splunki arhitektuuri ajaveebi, et teada saada, mis on Splunki erinevad komponendid ja kuidas need üksteisega suhtlevad.