Splunk Use Case: Dominos framgångshistoria

I denna blogg om Splunk-användningsfall kommer du att förstå hur Domino's Pizza använde Splunk för att få konsumentbeteende. Och formulera sina affärsstrategier.

Medan många företag och organisationer har använt Splunk för operativ effektivitet, kommer jag i det här blogginlägget att prata om hur Domino's Pizza använde Splunk för att analysera konsumentbeteende för att bygga datadrivna affärsstrategier. Detta användningsfall för Splunk visar hur Splunk kan användas i stor utsträckning i alla domäner.Kravet på som en färdighet i branschen lyfter högt med företag i alla storlekar som aktivt använder Splunk och söker certifierade proffs för detsamma.



Splunk Use Case: Domino's Pizza

Du kanske är medveten om att Domino's Pizza är en snabbmatjätt med e-handel, men du kanske inte är medveten om den stora datautmaningen de stod inför. De ville förstå sina kunders behov och tillgodose dem mer effektivt genom att använda Big Data. Det var här Splunk kom till undsättning.



Titta på bilden nedan som visar omständigheterna som byggde upp för att orsaka stora dataproblem på Domino's.

splunk use case-dominos implementera splunk



php print_r array

Många ostrukturerade data genererades eftersom:

  • De hade en omni-channel närvaro för att driva försäljningen
  • De hade en enorm kundbas
  • De hade flera kontaktpunkter för kundservice
  • De tillhandahöll flera system för leverans: Beställ mat i butiken, beställ via telefon, via deras hemsida och via mobilapplikationer över plattformen
  • De uppgraderade sina mobilappar med ett nytt verktyg för att stödja 'röstbeställning' och möjliggöra spårning av sina beställningar

Överskottet av genererade data gav upphov till följande problem:

  • Manuella sökningar är tråkiga och felaktiga
  • Mindre synlighet för hur kundernas behov / preferenser varierar
  • Oförberedelse och därmed arbeta i reaktivt läge för att åtgärda eventuella problem

Dominos upplevde att lösningen på dessa problem skulle ligga i ett verktyg som enkelt kan bearbeta data. Det var när de implementerade Splunk.



'Fram till implementering av Splunk var hantering av företagets applikations- och plattformsdata en huvudvärk, med mycket av dess loggfiler i en jätte röra' - enligt deras Site Reliability & Engineering Manager, Russell Turner

Turner nämnde att användning av Splunk för operativ intelligens istället för ett traditionellt APM-verktyg hjälpte honom att sänka kostnaderna, söka i data snabbare, övervaka prestanda och få bättre inblick i hur kunderna interagerade med Domino's. Om du tittar på bilden nedan hittar du de olika applikationerna som skapades genom att implementera Splunk.

  • Interaktiva kartor för att visa order i realtid från hela USA. Detta medförde anställdas tillfredsställelse och motivation
  • Feedback i realtid för anställda att ständigt se vad kunder säger och förstå deras förväntningar
  • Dashboard, används för att hålla poäng och sätta mål, jämföra deras resultat med tidigare veckor / månader och mot andra butiker
  • Betalningsprocess för analys av hastigheterna för olika betalningssätt och identifiering av felfria betalningssätt
  • Kampanjstöd för att identifiera hur olika kampanjer påverkar i realtid. Innan Splunk implementerades tog samma uppgift en hel dag
  • Prestandaövervakning, för att övervaka prestanda för Dominos egenutvecklade försäljningssystem

Splunk visade sig vara så fördelaktigt för Domino's att team utanför IT-avdelningen började utforska möjligheten att använda Splunk för att få insikter från sina data.

Splunk för reklamdatainsikter

Jag kommer att presentera ett hypotetiskt användningsfallsscenario för Splunk som hjälper dig att förstå hur Splunk fungerar. Det här scenariot visar hur Domino's Pizza använde marknadsföringsdata för att få bättre klarhet över vilket erbjudande / kupong som fungerar bäst med avseende på olika regioner, orderintäktsstorlekar och andra variabler .

* Obs! Exemplet med marknadsföringsdata som används är representativt och den närvarande informationen kanske inte är korrekt.

Domino hade ingen tydlig syn på vilket erbjudande som fungerar bäst - när det gäller:

  • Erbjudandetyp (om deras kunder föredrog 10% rabatt eller en platt $ 2 rabatt?)
  • Kulturella skillnader på regional nivå (spelar kulturella skillnader en roll i valet av erbjudande?)
  • Enhet som används för att köpa produkter (spelar enheter som används för beställning en roll i erbjudande?)
  • Inköpstid (Vilken är den bästa tiden för beställningen att vara live?)
  • Orderintäkter (Kommer erbjudandets svar att ändras till orderstorlek?)

Som du kan se från bilden nedan samlades marknadsföringsdata från mobila enheter, webbplatser och olika försäljningsställen för Domino's Pizza (med Splunk Forwarders) och skickades till en central plats (Splunk Indexers).

Java frontend utvecklare CV

Splunk-vidarebefordrare, skulle skicka reklamdata som genereras i realtid. Dessa uppgifter innehöll information om hur kunder reagerade när de fick erbjudanden, tillsammans med andra variabler som demografi, tidsstämpel, orderintäktsstorlek och vilken enhet som användes.

Kunderna delades in i två uppsättningar för A / B-testning. Varje uppsättning fick ett annat erbjudande: 10% rabatterbjudande och platt $ 2-erbjudande. Deras svar analyserades för att avgöra vilket erbjudande som kunderna föredrog.

Uppgifterna innehöll också den tid då kunderna svarade och om de föredrar att köpa i butiken eller föredrar att beställa online. Om de gjorde det online inkluderades också enheten de använde för att göra köpet. Viktigast, det innehöll orderintäktsdata - för att förstå om erbjudandets svar ändras med orderintäktsstorleken.

När rådata vidarebefordrades konfigurerades Splunk Indexer för att extrahera relevant information och lagra den lokalt. Relevant information är de kunder som svarade på erbjudanden, tidpunkt då de svarade och den enhet som användes för att lösa in kuponger / erbjudanden.

Vanligtvis lagrades nedanstående information:

  • Beställ intäkter baserat på kundernas svar
  • Tidpunkt för inköp av produkter
  • Enhet som kunderna föredrar för att göra beställningen
  • Kuponger / erbjudanden som används
  • Försäljningsnummer baserat på geografi

För att utföra olika operationer på indexerade data användes sökhuvudet. Det är den komponent som ger ett grafiskt gränssnitt för att söka, analysera och visualisera de data som lagras i Indexers. Domino's Pizza fick insikterna nedan genom att använda visualiseringspanelerna från sökhuvudet:

hur man konverterar strängdatum till datum i java

  • I USA och Europa föredrog kunderna 10% rabatt istället för ett $ 2-erbjudande. I Indien var kunderna mer benägna att erbjuda ett platt $ 2-erbjudande
  • 10% rabattkuponger användes mer när orderinkomststorleken var stor, medan platta $ 2-kuponger användes mer när orderinkomststorleken var liten.
  • Mobilappar var den föredragna enheten för beställning på kvällen och beställningar från webbplatsen var mest under middagstid. Medan beställningen i butiken var högst under morgonen

Domino's Pizza samlade dessa resultat för att anpassa erbjudanden / kuponger med avseende på beställningsintäktsstorlekar för kunder från en viss geografi. De bestämde också vilken som var den bästa tiden att ge erbjudanden / kuponger och riktade kunderna baserat på den enhet de använde.

Det finns flera andraSplunk användningsfallberättelser som visar hur olika företag har gynnat och ökat sin verksamhet, ökat sin produktivitet och säkerhet. Du kan läsa fler sådana historier här .

Vill du lära dig Splunk och implementera det i ditt företag? Kolla in vår här kommer det med instruktörsledad live-utbildning och verklig projektupplevelse.

Den här Splunk-användningsbloggen skulle ha gett dig en rättvis uppfattning om hur Splunk fungerar. Läs min nästa blogg om Splunk-arkitektur för att lära mig vilka olika Splunk-komponenter som är och hur de interagerar med varandra.