Докато много компании и организации са използвали Splunk за оперативна ефективност, в този пост в блога ще разкажа как Domino’s Pizza използва Splunk за анализ на поведението на потребителите за изграждане на бизнес стратегии, базирани на данни. Този случай на използване на Splunk показва как Splunk може да се използва широко във всеки домейн.Търсенето на тъй като уменията в бранша се покачват високо с компании от всякакъв мащаб, които активно използват Splunk и търсят сертифицирани специалисти за същото.
Splunk Use Case: Domino’s Pizza
Може би сте наясно, че Domino’s Pizza е гигант за бързо хранене с електронна търговия, но може да не сте наясно с предизвикателството за големи данни, пред което са били изправени. Те искаха да разберат нуждите на клиентите си и да се погрижат за тях по-ефективно, като използват Big Data. Тук Splunk се притече на помощ.
Погледнете изображението по-долу, което изобразява обстоятелствата, които се натрупват, за да създадат проблеми с големи данни в Domino’s.
предаване по стойност и преминаване по референтен java
Генерирани са много неструктурирани данни, защото:
- Те имаха многоканално присъствие за стимулиране на продажбите
- Те имаха огромна клиентска база
- Те имаха няколко допирни точки за обслужване на клиенти
- Те предоставиха множество системи за доставка: Поръчайте храна в магазина, поръчайте по телефона, чрез уебсайта си и чрез мобилни приложения на различни платформи
- Те надстроиха своите мобилни приложения с нов инструмент за поддръжка на „гласова поръчка“ и активиране на проследяването на техните поръчки
Генерираните излишни данни породиха следните проблеми:
- Ръчните търсения са досадни и склонни към грешки
- По-малка видимост на това как се различават потребностите / предпочитанията на клиентите
- Неподготвеност и по този начин работа в реактивен режим за отстраняване на всеки проблем
Домино смята, че решението на тези проблеми ще бъде в инструмент, който може лесно да обработва данни. Това беше, когато те внедриха Splunk.
„До внедряването на Splunk управлението на данните за приложенията и платформата на компанията беше главоболие, с голяма част от нейните регистрационни файлове в гигантска бъркотия“ - според техния мениджър за надеждност и инженеринг на сайта, Ръсел Търнър
Търнър спомена, че използването на Splunk за оперативно разузнаване вместо традиционния инструмент за APM му е помогнало да намали цената, да търси данните по-бързо, да следи производителността и да получи по-добра представа за това как клиентите взаимодействат с Domino’s. Ако погледнете изображението по-долу, ще намерите различните приложения, които са били настроени чрез внедряване на Splunk.
- Интерактивни карти, за показване на поръчки в реално време, идващи от всички краища на САЩ. Това донесе удовлетворение и мотивация на служителите
- Обратна връзка в реално време, за служителите постоянно да виждат какво казват клиентите и да разбират техните очаквания
- Таблото, използвано за запазване на резултати и задаване на цели, сравнява тяхната ефективност с предходните седмици / месеци и спрямо други магазини
- Процес на плащане, за анализ на скоростите на различните режими на плащане и идентифициране на режими на плащане без грешки
- Промоционална поддръжка за идентифициране на влиянието на различните промоционални оферти в реално време. Преди да приложите Splunk, същата задача отнемаше цял ден
- Мониторинг на ефективността, за да се следи работата на вътрешно разработените системи за продажби на Domino
Splunk се оказа толкова полезен за Domino’s, че екипите извън ИТ отдела започнаха да проучват възможността да използват Splunk за получаване на прозрения от техните данни.
Splunk за промоционални данни
Представям хипотетичен сценарий за използване на Splunk, който ще ви помогне да разберете как работи Splunk. Този сценарий показва как Domino’s Pizza използва Промоционални данни, за да получи по-голяма яснота коя оферта / купон работи най-добре по отношение на различните региони, размерите на приходите от поръчките и други променливи .
* Забележка: Примерът на използваните промоционални данни е представителен по своята същност и наличните данни може да не са точни.
Domino’s няма ясна видимост коя оферта работи най-добре - по отношение на:
- Тип оферта (Независимо дали техните клиенти са предпочели 10% отстъпка или фиксирана отстъпка от 2 $?)
- Културни различия на регионално ниво (Културните различия играят ли роля при избора на оферта?)
- Устройство, използвано за закупуване на продукти (Устройствата, използвани за поръчка, играят ли роля при избора на оферти?)
- Време на покупка (Кое е най-доброто време за поръчката да бъде активна?)
- Приходи от поръчки (Ще се промени ли отговорът на предложението в размер на приходите от поръчката?)
Както можете да видите от изображението по-долу, промоционалните данни бяха събрани от мобилни устройства, уебсайтове и различни обекти на Domino’s Pizza (с помощта на Splunk Forwarders) и изпратени до централно място (Splunk Indexers).
Спедиторите Splunk ще изпращат промоционалните данни, генерирани в реално време. Тези данни съдържаха информация за това как клиентите реагираха, когато им бяха дадени оферти, заедно с други променливи като демографски данни, времеви клеймо, размер на приходите от поръчки и използвано устройство.
Клиентите бяха разделени на два комплекта за A / B тестване. На всеки комплект беше дадена различна оферта: 10% отстъпка и плоска оферта от 2 $. Отговорът им беше анализиран, за да се определи коя оферта е предпочитана от клиентите.
Данните също така съдържаха времето, когато клиентите отговориха и дали предпочитат да купуват в магазина или предпочитат да поръчват онлайн. Ако са го направили онлайн, тогава е включено и устройството, с което са направили покупката. Най-важното е, че съдържаше данни за приходите от поръчки - за да разберете дали отговорът на офертата се променя с размера на приходите от поръчката.
След като суровите данни бяха препратени, Splunk Indexer беше конфигуриран да извлича съответната информация и да я съхранява локално. Съответната информация са клиентите, които са отговорили на оферти, времето, в което са отговорили и устройството, използвано за осребряване на купони / оферти.
Обикновено се съхраняваше следната информация:
- Приходи от поръчки въз основа на отговора на клиента
- Време на закупуване на продукти
- Устройство, предпочитано от клиентите за извършване на поръчката
- Използвани купони / оферти
- Номера на продажбите въз основа на географията
За извършване на различни операции с индексираните данни се използва главата за търсене. Това е компонентът, който дава графичен интерфейс за търсене, анализ и визуализиране на данните, съхранявани в Indexers. Domino’s Pizza получи по-долу прозрения, като използва таблата за визуализация, предоставени от главата за търсене:
- В САЩ и Европа клиентите предпочитат 10% отстъпка вместо оферта от 2 $. Докато в Индия клиентите са по-склонни към плоска оферта от 2 долара
- Купони с 10% отстъпка бяха използвани повече, когато размерът на приходите от поръчката беше голям, докато фиксираните купони от $ 2 бяха използвани повече, когато размерът на приходите от поръчката беше малък.
- Мобилните приложения бяха предпочитаното устройство за поръчки през вечерта, а поръчките, идващи от уебсайта, бяха най-много през обяд. Докато поръчките в магазина бяха най-високи през сутринта
Domino’s Pizza събра тези резултати, за да персонализира офертите / купоните по отношение на размера на приходите за поръчки за клиенти от определена география. Те също така определиха кой е най-добрият момент за даване на оферти / купони и насочиха клиентите въз основа на устройството, което използваха.
Има няколко другиСлучай за използване на Splunkистории, които показват как различни компании са се възползвали и разраснали бизнеса си, повишили производителността и сигурността си. Можете да прочетете още такива истории тук .
java програми за поредица на Фибоначи
Искате ли да научите Splunk и да го внедрите във вашия бизнес? Вижте нашите тук това идва с обучение под ръководството на инструктори на живо и опит в реалния живот на проекти.
Този блог за случаи на използване на Splunk би ви дал добра представа за това как работи Splunk. Прочетете следващия ми блог за архитектурата на Splunk, за да научите кои са различните компоненти на Splunk и как те взаимодействат помежду си.