Splunk Use Case: Η ιστορία επιτυχίας του Domino

Σε αυτό το ιστολόγιο χρήσης Splunk, θα καταλάβετε πώς η Domino's Pizza χρησιμοποίησε το Splunk για να αποκτήσει πληροφορίες σχετικά με τη συμπεριφορά των καταναλωτών. Και να διατυπώσει τις επιχειρηματικές τους στρατηγικές.

Ενώ πολλές εταιρείες και οργανισμοί έχουν χρησιμοποιήσει το Splunk για λειτουργική αποτελεσματικότητα, σε αυτήν την ανάρτηση ιστολογίου θα μιλήσω για το πώς η Domino's Pizza χρησιμοποίησε το Splunk για να αναλύσει τη συμπεριφορά των καταναλωτών για τη δημιουργία επιχειρηματικών στρατηγικών βάσει δεδομένων. Αυτή η περίπτωση χρήσης Splunk δείχνει πώς το Splunk μπορεί να χρησιμοποιηθεί εκτενώς σε οποιονδήποτε τομέα.Η ζήτηση για καθώς μια δεξιότητα στον κλάδο αυξάνεται ψηλά με εταιρείες όλων των μεγεθών που χρησιμοποιούν ενεργά το Splunk και αναζητούν πιστοποιημένους επαγγελματίες για το ίδιο.



Splunk Use Case: Domino's Pizza

Ίσως γνωρίζετε ότι το Domino's Pizza είναι ένας γίγαντας ηλεκτρονικού εμπορίου και γρήγορου φαγητού, αλλά ίσως να μην γνωρίζετε τη μεγάλη πρόκληση δεδομένων που αντιμετώπιζαν. Ήθελαν να κατανοήσουν τις ανάγκες των πελατών τους και να τους εξυπηρετήσουν πιο αποτελεσματικά χρησιμοποιώντας τα Big Data. Εδώ ήρθε ο Σπλάνκ για τη διάσωση.



Κοιτάξτε την παρακάτω εικόνα που απεικονίζει τις συνθήκες που δημιουργούνται για να προκαλέσει μεγάλα προβλήματα δεδομένων στο Domino's.

splunk use case-dominos υλοποίηση splunk



Πολλά μη δομημένα δεδομένα δημιουργήθηκαν επειδή:

τι είναι σειριοποιήσιμο στην Java
  • Είχαν παρουσία παντός καναλιού για την αύξηση των πωλήσεων
  • Είχαν μια τεράστια πελατειακή βάση
  • Είχαν πολλά σημεία επαφής για εξυπηρέτηση πελατών
  • Παρείχαν πολλαπλά συστήματα παράδοσης: Παραγγελία φαγητού στο κατάστημα, παραγγελία μέσω τηλεφώνου, μέσω της ιστοσελίδας τους και μέσω εφαρμογών για κινητές συσκευές πολλαπλών πλατφορμών
  • Αναβάθμισαν τις εφαρμογές τους για κινητά με ένα νέο εργαλείο για να υποστηρίξουν τη «φωνητική παραγγελία» και να επιτρέψουν την παρακολούθηση των παραγγελιών τους

Τα πλεονάζοντα δεδομένα που δημιουργήθηκαν προκάλεσαν τα ακόλουθα προβλήματα:

  • Οι μη αυτόματες αναζητήσεις είναι κουραστικές και επιρρεπείς σε σφάλματα
  • Λιγότερη ορατότητα ως προς τον τρόπο με τον οποίο ποικίλλει η ανάγκη / προτίμηση του πελάτη
  • Απροετοιμασία και συνεπώς δουλεύοντας σε αντιδραστική λειτουργία για την επίλυση οποιουδήποτε προβλήματος

Ο Ντόμινο πιστεύει ότι η λύση σε αυτά τα προβλήματα θα βρίσκεται σε ένα εργαλείο που μπορεί εύκολα να επεξεργαστεί δεδομένα. Αυτό ήταν όταν εφάρμοσαν το Splunk.



«Μέχρι την εφαρμογή του Splunk, η διαχείριση των δεδομένων της εφαρμογής και της πλατφόρμας της εταιρείας ήταν πονοκέφαλος, με πολλά από τα αρχεία καταγραφής της σε ένα τεράστιο χάος» - σύμφωνα με τον Site Reliability & Engineering Manager τους, Russell Turner

Ο Turner ανέφερε ότι η χρήση του Splunk for Operational Intelligence στη θέση ενός παραδοσιακού εργαλείου APM τον βοήθησε να μειώσει το κόστος, να αναζητήσει τα δεδομένα πιο γρήγορα, να παρακολουθήσει την απόδοση και να πάρει καλύτερες πληροφορίες σχετικά με τον τρόπο αλληλεπίδρασης των πελατών με το Domino's. Αν κοιτάξετε την παρακάτω εικόνα, θα βρείτε τις διαφορετικές εφαρμογές που δημιουργήθηκαν με την εφαρμογή του Splunk.

  • Διαδραστικοί χάρτες, για εμφάνιση παραγγελιών σε πραγματικό χρόνο από όλες τις ΗΠΑ. Αυτό έφερε την ικανοποίηση και τα κίνητρα των εργαζομένων
  • Ανατροφοδότηση σε πραγματικό χρόνο, ώστε οι εργαζόμενοι να βλέπουν συνεχώς τι λένε οι πελάτες και να κατανοούν τις προσδοκίες τους
  • Ο πίνακας εργαλείων, που χρησιμοποιείται για τη διατήρηση των αποτελεσμάτων και τον καθορισμό στόχων, συγκρίνει την απόδοσή τους με τις προηγούμενες εβδομάδες / μήνες και με άλλα καταστήματα
  • Διαδικασία πληρωμής, για την ανάλυση των ταχυτήτων διαφορετικών τρόπων πληρωμής και για τον προσδιορισμό τρόπων πληρωμής χωρίς σφάλματα
  • Προωθητική υποστήριξη, για τον προσδιορισμό του τρόπου με τον οποίο επηρεάζουν διάφορες προσφορές σε πραγματικό χρόνο. Πριν από την εφαρμογή του Splunk, η ίδια εργασία έπαιρνε μια ολόκληρη μέρα
  • Παρακολούθηση απόδοσης, για παρακολούθηση της απόδοσης των εσωτερικών συστημάτων σημείων πωλήσεων της Domino

Το Splunk αποδείχθηκε τόσο επωφελές για το Domino, ώστε ομάδες εκτός του τμήματος πληροφορικής άρχισαν να διερευνούν τη δυνατότητα χρήσης του Splunk για να αποκτήσουν πληροφορίες από τα δεδομένα τους.

Splunk για πληροφορίες προώθησης δεδομένων

Θα παρουσιάσω ένα υποθετικό σενάριο περί χρήσης Splunk που θα σας βοηθήσει να καταλάβετε πώς λειτουργεί το Splunk. Αυτό το σενάριο δείχνει τον τρόπο με τον οποίο η Domino's Pizza χρησιμοποίησε δεδομένα προσφοράς για μεγαλύτερη σαφήνεια ως προς ποια προσφορά / κουπόνι λειτουργεί καλύτερα σε σχέση με διαφορετικές περιοχές, μεγέθη παραγγελιών εσόδων και άλλες μεταβλητές .

* Σημείωση: Το παράδειγμα των δεδομένων προώθησης που χρησιμοποιείται είναι αντιπροσωπευτικό στη φύση και τα δεδομένα που υπάρχουν ενδέχεται να μην είναι ακριβή.

Το Domino's δεν είχε καθαρή ορατότητα σε ποια προσφορά λειτουργεί καλύτερα - όσον αφορά:

  • Τύπος προσφοράς (Είτε οι πελάτες τους προτιμούσαν έκπτωση 10% ή κατ 'αποκοπή έκπτωση 2 $;)
  • Πολιτιστικές διαφορές σε περιφερειακό επίπεδο (Οι πολιτιστικές διαφορές παίζουν ρόλο στην επιλογή προσφοράς;)
  • Συσκευή που χρησιμοποιείται για την αγορά προϊόντων (Οι συσκευές που χρησιμοποιούνται για παραγγελία παίζουν ρόλο στις επιλογές προσφοράς;)
  • Ώρα αγοράς (Ποιος είναι ο καλύτερος χρόνος για να είναι ζωντανή η παραγγελία;)
  • Έσοδα παραγγελίας (Η προσφορά θα αλλάξει ανάλογα με το μέγεθος εσόδων παραγγελίας;)

Όπως μπορείτε να δείτε από την παρακάτω εικόνα, συλλέχθηκαν δεδομένα προώθησης από κινητές συσκευές, ιστότοπους και διάφορα σημεία πώλησης του Domino's Pizza (χρησιμοποιώντας Splunk Forwarders) και στάλθηκαν σε κεντρική τοποθεσία (Splunk Indexers).

Οι Splunk forwarders, θα στείλουν τα δεδομένα προσφοράς που δημιουργούνται σε πραγματικό χρόνο. Αυτά τα δεδομένα περιείχαν πληροφορίες σχετικά με τον τρόπο με τον οποίο οι πελάτες ανταποκρίθηκαν όταν τους δόθηκαν προσφορές, μαζί με άλλες μεταβλητές όπως δημογραφικά στοιχεία, χρονική σήμανση, μέγεθος εσόδων παραγγελίας και συσκευή που χρησιμοποιήθηκε.

Οι πελάτες χωρίστηκαν σε δύο σετ για A / B Testing. Σε κάθε σετ δόθηκε διαφορετική προσφορά: 10% έκπτωση και κατ 'αποκοπή προσφορά $ 2. Η απάντησή τους αναλύθηκε για να προσδιοριστεί ποια προσφορά προτιμούσαν οι πελάτες.

Τα δεδομένα περιείχαν επίσης τη στιγμή που οι πελάτες απάντησαν και εάν προτιμούσαν να αγοράσουν στο κατάστημα ή προτιμούν να κάνουν παραγγελία στο διαδίκτυο. Εάν το έκαναν στο διαδίκτυο, τότε συμπεριλαμβανόταν επίσης η συσκευή που χρησιμοποιούσαν για την αγορά. Το πιο σημαντικό, περιείχε δεδομένα εσόδων παραγγελίας - για να κατανοήσουμε εάν η απόκριση προσφοράς αλλάζει με το μέγεθος εσόδων παραγγελίας

Μόλις προωθήθηκαν τα ανεπεξέργαστα δεδομένα, ο Splunk Indexer διαμορφώθηκε για να εξαγάγει τις σχετικές πληροφορίες και να τις αποθηκεύσει τοπικά. Σχετικές πληροφορίες είναι οι πελάτες που απάντησαν σε προσφορές, ώρα κατά την οποία απάντησαν και η συσκευή που χρησιμοποιήθηκε για την εξαργύρωση των κουπονιών / προσφορών.

Συνήθως, οι παρακάτω πληροφορίες αποθηκεύτηκαν:

  • Παραγγελία εσόδων με βάση την ανταπόκριση των πελατών
  • Ώρα αγοράς προϊόντων
  • Η συσκευή προτιμάται από τους πελάτες για την παραγγελία
  • Κουπόνια / Προσφορές που χρησιμοποιούνται
  • Αριθμοί πωλήσεων με βάση τη Γεωγραφία

Για την εκτέλεση διαφόρων λειτουργιών στα δεδομένα ευρετηρίου, χρησιμοποιήθηκε η κεφαλή αναζήτησης. Είναι το συστατικό που δίνει μια γραφική διεπαφή για αναζήτηση, ανάλυση και οπτικοποίηση των δεδομένων που είναι αποθηκευμένα στο Indexers. Το Domino's Pizza κέρδισε τις παρακάτω πληροφορίες χρησιμοποιώντας τους πίνακες ελέγχου οπτικοποίησης που παρέχονται από την κεφαλή αναζήτησης:

  • Στις ΗΠΑ και την Ευρώπη, οι πελάτες προτιμούσαν έκπτωση 10% αντί για προσφορά $ 2. Ενώ στην Ινδία, οι πελάτες τείνουν περισσότερο σε μια σταθερή προσφορά $ 2
  • Τα κουπόνια έκπτωσης 10% χρησιμοποιήθηκαν περισσότερο όταν το μέγεθος των εσόδων της παραγγελίας ήταν μεγάλο, ενώ τα κουπόνια των 2 $ κατ 'αποκοπή χρησιμοποιήθηκαν περισσότερο όταν το μέγεθος εσόδων της παραγγελίας ήταν μικρό.
  • Οι εφαρμογές για κινητά ήταν η προτιμώμενη συσκευή για παραγγελίες κατά τη διάρκεια του απογεύματος και οι παραγγελίες που εισέρχονταν από τον ιστότοπο ήταν οι περισσότερες κατά το μεσημέρι. Ενώ η παραγγελία στο κατάστημα ήταν υψηλότερη το πρωί

Η Domino's Pizza συγκέντρωσε αυτά τα αποτελέσματα για να προσαρμόσει τις προσφορές / κουπόνια σε σχέση με τα μεγέθη παραγγελιών για πελάτες από μια συγκεκριμένη γεωγραφία. Επίσης, καθόρισαν ποια ήταν η καλύτερη στιγμή για να δώσουν προσφορές / κουπόνια και στόχευαν τους πελάτες με βάση τη συσκευή που χρησιμοποιούσαν.

Υπάρχουν πολλά άλλαSplunk θήκη χρήσηςιστορίες που δείχνουν πώς διάφορες εταιρείες έχουν ωφελήσει και αναπτύξει την επιχείρησή τους, αύξησαν την παραγωγικότητα και την ασφάλειά τους. Μπορείτε να διαβάσετε περισσότερες τέτοιες ιστορίες εδώ .

Θέλετε να μάθετε το Splunk και να το εφαρμόσετε στην επιχείρησή σας; Ρίξτε μια ματιά στο δικό μας εδώ, έρχεται με ζωντανή εκπαίδευση με καθοδήγηση εκπαιδευτή και πραγματική εμπειρία έργου.

Αυτό το blog Splunk case case θα σας έδινε μια δίκαιη ιδέα για το πώς λειτουργεί το Splunk. Διαβάστε το επόμενο blog μου σχετικά με την αρχιτεκτονική Splunk για να μάθετε ποια είναι τα διαφορετικά στοιχεία του Splunk και πώς αλληλεπιδρούν μεταξύ τους.