Splunk-Anwendungsfall: Dominos Erfolgsgeschichte

Während viele Unternehmen und Organisationen Splunk aus Gründen der betrieblichen Effizienz eingesetzt haben, werde ich in diesem Blogbeitrag darüber sprechen, wie Domino's Pizza Splunk zur Analyse des Verbraucherverhaltens zur Entwicklung datengesteuerter Geschäftsstrategien verwendet hat. Dieser Splunk-Anwendungsfall zeigt, wie Splunk in jeder Domäne umfassend verwendet werden kann.Die Nachfrage nach Als eine Fähigkeit in der Branche steigt die Zahl der Unternehmen jeder Größe, die Splunk aktiv nutzen und dafür zertifizierte Fachkräfte suchen.

Splunk-Anwendungsfall: Domino's Pizza

Sie sind sich vielleicht bewusst, dass Domino's Pizza ein E-Commerce-Riese mit Fast-Food ist, aber Sie sind sich möglicherweise der Big-Data-Herausforderung nicht bewusst, mit der sie konfrontiert waren. Sie wollten die Bedürfnisse ihrer Kunden verstehen und sie mithilfe von Big Data effektiver bedienen. Hier kam Splunk zur Rettung.

Schauen Sie sich das Bild unten an, das die Umstände zeigt, die sich bei Domino zu Big-Data-Problemen entwickelt haben.

Was ist in Java serialisierbar

Viele unstrukturierte Daten wurden generiert, weil:

• Sie hatten eine Omni-Channel-Präsenz, um den Umsatz zu steigern
• Sie hatten einen riesigen Kundenstamm
• Sie hatten mehrere Berührungspunkte für den Kundenservice
• Sie stellten mehrere Systeme für die Lieferung bereit: Bestellen Sie Lebensmittel im Geschäft, bestellen Sie telefonisch, über ihre Website und über plattformübergreifende mobile Anwendungen
• Sie haben ihre mobilen Apps mit einem neuen Tool aktualisiert, das die Sprachbestellung unterstützt und die Verfolgung ihrer Bestellungen ermöglicht

Die generierten überschüssigen Daten führten zu folgenden Problemen:

• Manuelle Suchen sind mühsam und fehleranfällig
• Weniger Einblick in die unterschiedlichen Kundenbedürfnisse / -präferenzen
• Unvorbereitetheit und somit im reaktiven Modus arbeiten, um jedes Problem zu beheben

Domino war der Ansicht, dass die Lösung für diese Probleme in einem Tool liegen würde, mit dem Daten problemlos verarbeitet werden können. Zu diesem Zeitpunkt haben sie Splunk implementiert.

Turner erwähnte, dass die Verwendung von Splunk for Operational Intelligence anstelle eines herkömmlichen APM-Tools ihm dabei half, die Kosten zu senken, die Daten schneller zu durchsuchen, die Leistung zu überwachen und bessere Einblicke in die Interaktion der Kunden mit Domino zu erhalten. Wenn Sie sich das folgende Bild ansehen, finden Sie die verschiedenen Anwendungen, die durch die Implementierung von Splunk eingerichtet wurden.

• Interaktive Karten zum Anzeigen von Bestellungen aus allen Teilen der USA in Echtzeit. Dies brachte Zufriedenheit und Motivation der Mitarbeiter
• Echtzeit-Feedback, damit Mitarbeiter ständig sehen, was Kunden sagen, und ihre Erwartungen verstehen
• Das Dashboard, mit dem Punktzahlen gespeichert und Ziele festgelegt werden, vergleicht die Leistung mit den vorherigen Wochen / Monaten und mit anderen Geschäften
• Zahlungsprozess zur Analyse der Geschwindigkeit verschiedener Zahlungsmodi und zur Identifizierung fehlerfreier Zahlungsmodi
• Werbeunterstützung, um zu ermitteln, wie sich verschiedene Werbeangebote in Echtzeit auswirken. Vor der Implementierung von Splunk dauerte dieselbe Aufgabe einen ganzen Tag
• Leistungsüberwachung, um die Leistung der von Domino selbst entwickelten Point-of-Sales-Systeme zu überwachen

Splunk erwies sich für Domino als so vorteilhaft, dass Teams außerhalb der IT-Abteilung nach Möglichkeiten suchten, Splunk zu verwenden, um Erkenntnisse aus ihren Daten zu gewinnen.

Splunk für Werbedatenerkenntnisse

Ich werde ein hypothetisches Splunk-Anwendungsszenario vorstellen, das Ihnen hilft, die Funktionsweise von Splunk zu verstehen. Dieses Szenario zeigt, wie Domino's Pizza Werbedaten verwendet hat, um eine bessere Klarheit darüber zu erhalten, welches Angebot / welcher Gutschein in Bezug auf verschiedene Regionen, Auftragsumsatzgrößen und andere Variablen am besten funktioniert .

* Hinweis: Das Beispiel der verwendeten Werbedaten ist repräsentativer Natur und die vorhandenen Daten sind möglicherweise nicht korrekt.

Domino hatte keine klare Vorstellung davon, welches Angebot am besten funktioniert - in Bezug auf:

• Angebotsart (Ob ihre Kunden einen Rabatt von 10% oder einen Pauschalrabatt von 2 USD bevorzugten?)
• Kulturelle Unterschiede auf regionaler Ebene (Spielen kulturelle Unterschiede eine Rolle bei der Angebotsauswahl?)
• Gerät zum Kauf von Produkten (Spielen Geräte zum Bestellen eine Rolle bei der Angebotsauswahl?)
• Kaufzeitpunkt (Was ist die beste Zeit für die Bestellung, um live zu sein?)
• Auftragserlöse (Wird die Antwort auf die Größe des Auftragserlöses geändert?)

Wie Sie auf dem folgenden Bild sehen können, wurden Werbedaten von Mobilgeräten, Websites und verschiedenen Verkaufsstellen von Domino's Pizza (mithilfe von Splunk-Weiterleitungen) gesammelt und an einen zentralen Ort (Splunk-Indexer) gesendet.

Splunk-Spediteure würden die generierten Werbedaten in Echtzeit senden. Diese Daten enthielten Informationen darüber, wie Kunden reagierten, als sie Angebote erhielten, sowie andere Variablen wie Demografie, Zeitstempel, Größe der Auftragserlöse und verwendetes Gerät.

Die Kunden wurden für A / B-Tests in zwei Gruppen unterteilt. Jedes Set erhielt ein anderes Angebot: 10% Rabattangebot und ein Pauschalangebot von 2 USD. Ihre Antwort wurde analysiert, um festzustellen, welches Angebot von den Kunden bevorzugt wurde.

Die Daten enthielten auch den Zeitpunkt, zu dem Kunden geantwortet haben und ob sie lieber im Geschäft kaufen oder lieber online bestellen möchten. Wenn sie es online gemacht haben, war auch das Gerät enthalten, mit dem sie den Kauf getätigt haben. Am wichtigsten war, dass es Auftragsumsatzdaten enthielt - um zu verstehen, ob sich die Antwort auf das Angebot mit der Auftragsumsatzgröße ändert.

Nach der Weiterleitung der Rohdaten wurde Splunk Indexer so konfiguriert, dass die relevanten Informationen extrahiert und lokal gespeichert werden. Relevante Informationen sind die Kunden, die auf Angebote geantwortet haben, der Zeitpunkt, zu dem sie geantwortet haben, und das Gerät, mit dem die Gutscheine / Angebote eingelöst wurden.

In der Regel wurden die folgenden Informationen gespeichert:

• Bestellumsatz basierend auf Kundenantwort
• Zeitpunkt des Kaufs der Produkte
• Gerät von Kunden für die Bestellung bevorzugt
• Gutscheine / Angebote verwendet
• Verkaufszahlen basierend auf Geographie

Für die Ausführung verschiedener Operationen an den indizierten Daten wurde der Suchkopf verwendet. Diese Komponente bietet eine grafische Oberfläche zum Suchen, Analysieren und Visualisieren der in den Indexern gespeicherten Daten. Domino's Pizza hat die folgenden Erkenntnisse mithilfe der vom Suchkopf bereitgestellten Visualisierungs-Dashboards gewonnen:

• In den USA und in Europa bevorzugten Kunden einen Rabatt von 10% anstelle eines Angebots von 2 USD. Während in Indien die Kunden eher zu einem Pauschalangebot von 2 USD neigten
• 10% Rabatt-Gutscheine wurden häufiger verwendet, wenn der Auftragserlös groß war, während flache 2-Dollar-Gutscheine häufiger verwendet wurden, wenn der Auftragserlös groß war.
• Mobile Apps waren das bevorzugte Gerät für Bestellungen am Abend, und Bestellungen von der Website gingen am häufigsten am Mittag ein. Während die Bestellung im Laden am Morgen am höchsten war

Domino’s Pizza hat diese Ergebnisse zusammengestellt, um die Angebote / Gutscheine in Bezug auf die Bestellumsatzgrößen für Kunden aus einer bestimmten Region anzupassen. Sie bestimmten auch, wann der beste Zeitpunkt für die Abgabe von Angeboten / Gutscheinen war, und richteten sich anhand des von ihnen verwendeten Geräts an die Kunden.

Es gibt mehrere andereSplunk-AnwendungsfallGeschichten, die zeigen, wie verschiedene Unternehmen von ihrem Geschäft profitiert und es ausgebaut haben, ihre Produktivität und Sicherheit gesteigert haben. Sie können mehr solche Geschichten lesen Hier .

Aufruf als Referenz in c ++

Möchten Sie Splunk lernen und in Ihrem Unternehmen implementieren? Schauen Sie sich unsere Hier geht es um von Lehrern geführtes Live-Training und praktische Projekterfahrung.

Dieser Splunk-Anwendungsfall-Blog hätte Ihnen eine gute Vorstellung davon gegeben, wie Splunk funktioniert. Lesen Sie meinen nächsten Blog über Splunk-Architektur, um zu erfahren, was die verschiedenen Splunk-Komponenten sind und wie sie miteinander interagieren.