Splunk Use Case: Dominos succeshistorie

I denne Splunk use case-blog vil du forstå, hvordan Domino's Pizza brugte Splunk til at få indsigt i forbrugeradfærd. Og formulere deres forretningsstrategier.

Mens mange virksomheder og organisationer har brugt Splunk til driftseffektivitet, vil jeg i dette blogindlæg tale om, hvordan Domino's Pizza brugte Splunk til at analysere forbrugeradfærd til at opbygge datadrevne forretningsstrategier. Denne Splunk-brugssag viser, hvordan Splunk kan bruges i vid udstrækning i ethvert domæne.Efterspørgslen efter som en færdighed i branchen er skyhøje med virksomheder i alle størrelser, der aktivt bruger Splunk og søger certificerede fagfolk til det samme.



Splunk Use Case: Domino's Pizza

Du er måske opmærksom på, at Domino's Pizza er en hurtigmatkæmpe med e-handel, men du er måske ikke klar over den store dataudfordring, de stod overfor. De ønskede at forstå deres kunders behov og imødekomme dem mere effektivt ved hjælp af Big Data. Det var her Splunk kom til undsætning.



Se på billedet nedenfor, der skildrer de omstændigheder, der byggede op for at forårsage big data-problemer hos Domino's.

splunk brug case-dominos, der implementerer splunk



Mange ustrukturerede data blev genereret, fordi:

  • De havde en omni-channel tilstedeværelse til at drive salg
  • De havde en enorm kundebase
  • De havde flere berøringspunkter for kundeservice
  • De leverede flere systemer til levering: Bestil mad i butikken, bestil via telefon, via deres hjemmeside og via mobilapplikationer på tværs af platforme
  • De opgraderede deres mobilapps med et nyt værktøj til at understøtte 'stemmebestilling' og muliggøre sporing af deres ordrer

De genererede overskydende data gav anledning til følgende problemer:

  • Manuel søgning er kedelig og udsat for fejl
  • Mindre synlighed af, hvordan kundebehov / præference varierer
  • Uforberedelse og dermed arbejde i reaktiv tilstand for at løse ethvert problem

Domino's følte, at løsningen på disse problemer ville ligge i et værktøj, der let kan behandle data. Det var da de implementerede Splunk.



'Indtil implementering af Splunk var administration af virksomhedens applikations- og platformsdata en hovedpine med mange af dens logfiler i et kæmpe rod' - ifølge deres Site Reliability & Engineering Manager, Russell Turner

Turner nævnte, at brug af Splunk til Operational Intelligence i stedet for et traditionelt APM-værktøj hjalp ham med at sænke omkostningerne, søge i data hurtigere, overvåge ydeevne og få bedre indsigt i, hvordan kunder interagerede med Domino's. Hvis du ser på nedenstående billede, finder du de forskellige applikationer, der blev oprettet ved at implementere Splunk.

  • Interaktive kort til visning af ordrer i realtid fra hele USA. Dette bragte medarbejdertilfredshed og motivation
  • Realtidsfeedback, så medarbejderne hele tiden kan se, hvad kunderne siger, og forstå deres forventninger
  • Dashboard, der bruges til at holde scoringer og sætte mål, sammenligne deres præstationer med tidligere uger / måneder og mod andre butikker
  • Betalingsproces til analyse af hastighederne for forskellige betalingsmetoder og identificering af fejlfri betalingsmetoder
  • Salgsfremmende support til at identificere, hvordan forskellige kampagnetilbud påvirker i realtid. Før implementering af Splunk tog den samme opgave en hel dag
  • Ydelsesovervågning til overvågning af effektiviteten af ​​Dominos interne udviklede point of sales-systemer

Splunk viste sig at være så gavnligt for Domino's, at hold uden for IT-afdelingen begyndte at undersøge muligheden for at bruge Splunk til at få indsigt i deres data.

Splunk til salgsfremmende dataindsigt

Jeg vil præsentere et hypotetisk Splunk-brugsscenarie, som hjælper dig med at forstå, hvordan Splunk fungerer. Dette scenario viser, hvordan Domino's Pizza brugte salgsfremmende data for at få bedre klarhed over, hvilket tilbud / kupon der fungerer bedst med hensyn til forskellige regioner, størrelser på ordreindtægter og andre variabler .

* Bemærk: Eksemplet på brugte salgsfremmende data er repræsentativt, og de tilstedeværende data er muligvis ikke korrekte.

Domino's havde ingen klar synlighed af, hvilket tilbud der fungerer bedst - med hensyn til:

  • Tilbudstype (om deres kunder foretrak 10% rabat eller en fast $ 2 rabat?)
  • Kulturelle forskelle på regionalt niveau (spiller kulturelle forskelle en rolle i valg af tilbud?)
  • Enhed, der bruges til køb af produkter (spiller enheder, der bruges til bestilling, en rolle i valg af tilbud?)
  • Købstid (Hvad er det bedste tidspunkt for ordren at være live?)
  • Ordreindtægter (vil tilbuddets svar ændre sig til ordreindtægtsstørrelse?)

Som du kan se fra nedenstående billede blev salgsfremmende data indsamlet fra mobile enheder, websteder og forskellige afsætningsmuligheder for Domino's Pizza (ved hjælp af Splunk Forwarders) og sendt til en central placering (Splunk Indexers).

Splunk-videresendere sender reklamedata, der genereres i realtid. Disse data indeholdt oplysninger om, hvordan kunder reagerede, da de fik tilbud sammen med andre variabler som demografi, tidsstempel, ordreindtægtsstørrelse og anvendt enhed.

rund dobbelt til int java

Kunder blev opdelt i to sæt til A / B-test. Hvert sæt fik et andet tilbud: 10% rabat tilbud og fast $ 2 tilbud. Deres svar blev analyseret for at bestemme, hvilket tilbud kunderne foretrak.

Dataene indeholdt også det tidspunkt, hvor kunderne reagerede, og hvis de foretrækker at købe i butikken, eller foretrækker de at bestille online. Hvis de gjorde det online, var den enhed, de brugte til at foretage købet, også inkluderet. Vigtigst var det, at det indeholdt ordreindtægtsdata - for at forstå, om tilbuddets svar ændres med ordrenes indtægtsstørrelse.

Når rådataene blev videresendt, blev Splunk Indexer konfigureret til at udtrække de relevante oplysninger og gemme dem lokalt. Relevante oplysninger er de kunder, der reagerede på tilbud, tidspunktet, hvor de svarede, og den enhed, der blev brugt til at indløse kuponer / tilbud.

Typisk blev nedenstående oplysninger gemt:

  • Ordreindtægter baseret på kundesvar
  • Tidspunkt for køb af produkter
  • Enhed, som kunderne foretrækker for bestilling
  • Brugte kuponer / tilbud
  • Salgsnumre baseret på geografi

Til udførelse af forskellige operationer på de indekserede data blev søgehoved brugt. Det er den komponent, der giver en grafisk grænseflade til søgning, analyse og visualisering af de data, der er gemt i indeksørerne. Domino's Pizza fik nedenstående indsigt ved hjælp af visualiseringsdashboards leveret af søgehovedet:

  • I USA og Europa foretrak kunderne 10% rabat i stedet for et $ 2-tilbud. Mens der i Indien var kunder mere tilbøjelige til et fladt $ 2-tilbud
  • 10% rabatkuponer blev brugt mere, når størrelsen på ordreindtægterne var store, mens flade $ 2-kuponer blev brugt mere, når størrelsen på ordren var lille.
  • Mobilapps var den foretrukne enhed til bestilling om aftenen, og ordrer, der kom ind fra hjemmesiden, var mest om middagstid. Mens bestilling i butikken var højest om morgenen

Domino's Pizza samlede disse resultater for at tilpasse tilbud / kuponer med hensyn til størrelsen på ordreindtægter for kunder fra en bestemt geografi. De bestemte også, hvilket var det bedste tidspunkt at give tilbud / kuponer og målrettede mod kunder baseret på den enhed, de brugte.

Der er flere andreSplunk brugssaghistorier, der viser, hvordan forskellige virksomheder har haft gavn og vækst i deres forretning, øget deres produktivitet og sikkerhed. Du kan læse flere sådanne historier her .

Ønsker du at lære Splunk og implementere det i din virksomhed? Tjek vores her, der kommer med instruktørstyret live træning og virkelige projektoplevelser.

Denne Splunk use case-blog ville have givet dig en god ide om, hvordan Splunk fungerer. Læs min næste blog om Splunk-arkitektur for at lære, hvad der er de forskellige Splunk-komponenter, og hvordan de interagerer med hinanden.