Walaupun banyak syarikat dan organisasi telah menggunakan Splunk untuk kecekapan operasi, dalam catatan blog ini saya akan membincangkan bagaimana Domino's Pizza menggunakan Splunk untuk menganalisis tingkah laku pengguna untuk membina strategi perniagaan berdasarkan data. Kes penggunaan Splunk ini menunjukkan bagaimana Splunk dapat digunakan secara meluas dalam domain apa pun.Permintaan untuk sebagai kemahiran dalam industri ini melambung tinggi dengan syarikat dari semua saiz aktif menggunakan Splunk dan mencari profesional yang diperakui untuk perkara yang sama.
Kes Penggunaan Splunk: Domino's Pizza
Anda mungkin menyedari bahawa Domino's Pizza adalah gergasi makanan segera dan e-dagang, tetapi anda mungkin tidak menyedari cabaran data besar yang mereka hadapi. Mereka ingin memahami keperluan pelanggan mereka dan melayani mereka dengan lebih berkesan dengan menggunakan Big Data. Di sinilah Splunk datang untuk menyelamatkan.
apa __init__
Lihat gambar di bawah yang menggambarkan keadaan yang sedang berkembang sehingga menyebabkan masalah data besar di Domino's.
Banyak data tidak berstruktur dihasilkan kerana:
- Mereka mempunyai kehadiran omni-channel untuk mendorong penjualan
- Mereka mempunyai pangkalan pelanggan yang besar
- Mereka mempunyai beberapa titik sentuh untuk perkhidmatan pelanggan
- Mereka menyediakan banyak sistem untuk penghantaran: Memesan makanan di kedai, memesan melalui telefon, melalui laman web mereka dan melalui aplikasi mudah alih lintas platform
- Mereka meningkatkan aplikasi mudah alih mereka dengan alat baru untuk menyokong 'pesanan suara' dan membolehkan penjejakan pesanan mereka
Lebihan data yang dihasilkan menimbulkan masalah berikut:
- Pencarian manual membosankan dan ralat
- Kurang penglihatan mengenai bagaimana keperluan / pilihan pelanggan berbeza
- Tidak bersedia dan dengan itu bekerja dalam mod reaktif untuk menyelesaikan sebarang masalah
Domino berpendapat bahawa penyelesaian untuk masalah ini terletak pada alat yang dapat memproses data dengan mudah. Ketika itulah mereka melaksanakan Splunk.
'Sehingga melaksanakan Splunk, menguruskan aplikasi dan data platform syarikat itu menyakitkan, dengan banyak fail lognya berantakan besar' - menurut Pengurus Kebolehpercayaan & Kejuruteraan Tapak mereka, Russell Turner
Turner menyebut bahawa menggunakan Splunk for Operational Intelligence sebagai pengganti alat APM tradisional membantunya menurunkan kos, mencari data dengan lebih cepat, memantau prestasi dan mendapatkan pandangan yang lebih baik mengenai bagaimana pelanggan berinteraksi dengan Domino. Sekiranya anda melihat gambar di bawah, anda akan menemui pelbagai aplikasi yang disiapkan dengan melaksanakan Splunk.
- Peta Interaktif, untuk menunjukkan pesanan dalam masa nyata yang datang dari seluruh AS. Ini membawa kepuasan dan motivasi pekerja
- Maklum balas masa nyata, untuk pekerja sentiasa melihat apa yang pelanggan katakan dan memahami harapan mereka
- Papan pemuka, digunakan untuk menyimpan skor dan menetapkan sasaran, membandingkan prestasinya dengan minggu / bulan sebelumnya dan terhadap kedai lain
- Proses Pembayaran, untuk menganalisis kelajuan cara pembayaran yang berbeza dan mengenal pasti mod pembayaran bebas ralat
- Sokongan Promosi, untuk mengenal pasti bagaimana pelbagai tawaran promosi memberi kesan dalam masa nyata. Sebelum melaksanakan Splunk, tugas yang sama biasa dilakukan seharian
- Pemantauan Prestasi, untuk memantau prestasi sistem titik penjualan Domino yang dikembangkan sendiri
Splunk terbukti sangat bermanfaat bagi Domino sehingga pasukan di luar jabatan IT mula meneroka kemungkinan untuk menggunakan Splunk untuk mendapatkan pandangan dari data mereka.
Splunk Untuk Dapatan Data Promosi
Saya akan memaparkan senario kes penggunaan Splunk hipotesis yang akan membantu anda memahami bagaimana Splunk berfungsi. Senario ini menunjukkan bagaimana Domino's Pizza menggunakan data Promosi untuk mendapatkan kejelasan yang lebih baik mengenai tawaran / kupon mana yang paling sesuai dengan wilayah yang berbeza, ukuran pendapatan pesanan dan pemboleh ubah lain .
* Catatan: Contoh data Promosi yang digunakan bersifat representatif dan data yang ada mungkin tidak tepat.
Domino tidak dapat melihat tawaran mana yang terbaik - dari segi:
- Jenis tawaran (Adakah pelanggan mereka lebih suka diskaun 10% atau potongan $ 2?)
- Perbezaan budaya di peringkat wilayah (Adakah perbezaan budaya berperanan dalam pilihan tawaran?)
- Peranti yang digunakan untuk membeli produk (Adakah peranti yang digunakan untuk membuat pesanan berperanan dalam pilihan penawaran?)
- Waktu Pembelian (Apakah masa terbaik untuk pesanan ditayangkan?)
- Hasil pesanan (Adakah tawaran akan berubah mengikut ukuran pendapatan pesanan?)
Seperti yang anda lihat dari gambar di bawah, data promosi dikumpulkan dari peranti mudah alih, laman web dan pelbagai gerai Domino's Pizza (menggunakan Splunk Forwarders) dan dihantar ke lokasi pusat (Splunk Indexers).
Penghantaran yang terpisah, akan menghantar data promosi yang dihasilkan dalam masa nyata. Data ini berisi maklumat tentang bagaimana pelanggan merespon ketika mereka diberi tawaran, bersama dengan pemboleh ubah lain seperti demografi, cap waktu, ukuran pendapatan pesanan dan perangkat yang digunakan.
Pelanggan dibahagikan kepada dua set untuk Ujian A / B. Setiap set diberi tawaran berbeza: tawaran diskaun 10% dan tawaran rata $ 2. Respons mereka dianalisis untuk menentukan tawaran mana yang lebih disukai oleh pelanggan.
Data tersebut juga mengandungi waktu ketika pelanggan menjawab dan jika mereka lebih suka membeli di kedai atau adakah mereka lebih suka memesan secara dalam talian. Sekiranya mereka melakukannya dalam talian, maka peranti yang mereka gunakan untuk membuat pembelian juga disertakan. Yang paling penting, ia mengandungi data hasil pesanan - untuk memahami apakah respons tawaran berubah dengan ukuran hasil pesanan.
Setelah data mentah diteruskan, Splunk Indexer dikonfigurasi untuk mengekstrak maklumat yang relevan dan menyimpannya secara tempatan. Maklumat yang relevan adalah pelanggan yang menjawab tawaran, masa di mana mereka bertindak balas dan peranti yang digunakan untuk menebus kupon / tawaran.
Biasanya, maklumat di bawah disimpan:
- Hasil pesanan berdasarkan tindak balas pelanggan
- Masa pembelian produk
- Peranti yang disukai oleh pelanggan untuk membuat pesanan
- Kupon / Tawaran yang digunakan
- Nombor jualan berdasarkan Geografi
Untuk melakukan pelbagai operasi pada data yang diindeks, kepala Pencarian digunakan. Ini adalah komponen yang memberikan antara muka grafik untuk mencari, menganalisis dan memvisualisasikan data yang tersimpan di Indexers. Domino's Pizza memperoleh pandangan di bawah dengan menggunakan papan pemuka visualisasi yang disediakan oleh kepala Carian:
- Di Amerika Syarikat dan Eropah, pelanggan lebih suka diskaun 10% daripada tawaran $ 2. Manakala di India, pelanggan lebih cenderung kepada tawaran $ 2 yang tetap
- Kupon diskaun 10% digunakan lebih banyak ketika ukuran hasil pesanan besar, sedangkan kupon $ 2 rata digunakan lebih banyak ketika ukuran hasil pesanan kecil.
- Aplikasi mudah alih adalah alat pilihan untuk membuat pesanan pada waktu petang dan pesanan yang masuk dari laman web paling banyak pada waktu tengah hari. Manakala pesanan di kedai adalah yang paling tinggi pada waktu pagi
Domino's Pizza mengumpulkan hasil ini untuk menyesuaikan tawaran / kupon berkenaan dengan pesanan ukuran pendapatan untuk pelanggan dari geografi tertentu. Mereka juga menentukan waktu terbaik untuk memberikan tawaran / kupon dan menyasarkan pelanggan berdasarkan peranti yang mereka gunakan.
memanjang dan dilaksanakan bersama-sama di java
Terdapat beberapa yang lainKes penggunaan Splunkcerita yang menunjukkan bagaimana pelbagai syarikat telah memanfaatkan dan mengembangkan perniagaan mereka, meningkatkan produktiviti dan keselamatan mereka. Anda boleh membaca lebih banyak cerita seperti itu di sini .
Adakah anda ingin belajar Splunk dan menerapkannya dalam perniagaan anda? Lihat kami di sini, disertakan dengan latihan langsung yang dipimpin oleh instruktur dan pengalaman projek kehidupan sebenar.
Blog kes penggunaan Splunk ini akan memberi anda idea yang baik tentang bagaimana Splunk berfungsi. Baca blog saya seterusnya mengenai seni bina Splunk untuk mengetahui apakah komponen Splunk yang berbeza dan bagaimana mereka berinteraksi antara satu sama lain.