Cas d’ús de Splunk: Cas d’èxit de Domino

Tot i que moltes empreses i organitzacions han utilitzat Splunk per obtenir una eficiència operativa, en aquesta entrada del bloc parlaré de com Domino’s Pizza va utilitzar Splunk per analitzar el comportament dels consumidors per construir estratègies empresarials basades en dades. Aquest cas d'ús de Splunk mostra com Splunk es pot utilitzar àmpliament en qualsevol domini.La demanda de ja que les habilitats de la indústria s’estan elevant amb empreses de totes les mides que utilitzen activament Splunk i busquen professionals certificats per a la mateixa.

Cas d’ús Splunk: Domino’s Pizza

És possible que sigueu conscients que Domino’s Pizza és un gegant de comerç electrònic amb menjar ràpid, però és possible que desconeixeu el repte de les grans dades que s’enfrontaven. Volien comprendre les necessitats dels seus clients i atendre’ls amb més eficàcia mitjançant el Big Data. Aquí va ser on va rescatar Splunk.

Mireu la imatge següent que mostra les circumstàncies que s’estaven acumulant per provocar problemes de grans dades a Domino’s.

Es van generar moltes dades no estructurades perquè:

• Tenien una presència omnicanal per generar vendes
• Tenien una enorme base de clients
• Tenien diversos punts de contacte per a l'atenció al client
• Proporcionaven múltiples sistemes de lliurament: demanar menjar a la botiga, fer comandes per telèfon, a través del seu lloc web i mitjançant aplicacions mòbils multiplataforma
• Van actualitzar les seves aplicacions per a mòbils amb una nova eina per donar suport a la 'comanda de veu' i permetre el seguiment de les seves comandes

L’excés de dades generades va donar lloc als problemes següents:

assignació de memòria dinàmica en c ++ amb exemple de programa

• Les cerques manuals són tedioses i són propenses a produir errors
• Menys visibilitat sobre com varien les necessitats / preferències dels clients
• La falta de preparació i, per tant, treballar en mode reactiu per solucionar qualsevol problema

Domino’s va considerar que la solució a aquests problemes es trobaria en una eina que pot processar fàcilment les dades. Va ser llavors quan van implementar Splunk.

Turner va esmentar que l’ús de Splunk per a la intel·ligència operativa en lloc d’una eina APM tradicional l’ajudava a reduir el cost, cercar les dades més ràpidament, controlar el rendiment i obtenir millors coneixements sobre com interactuaven els clients amb els de Domino. Si mireu la imatge següent, trobareu les diferents aplicacions que es van configurar implementant Splunk.

hashmap vs hashtable a Java

• Mapes interactius per mostrar comandes en temps real de tots els Estats Units. Això va aportar satisfacció i motivació als empleats
• Comentaris en temps real perquè els empleats vegin constantment el que diuen els clients i entenguin les seves expectatives
• Tauler de control, utilitzat per mantenir puntuacions i establir objectius, comparar el seu rendiment amb les setmanes / mesos anteriors i amb altres botigues
• Procés de pagament, per analitzar la velocitat de diferents modes de pagament i identificar modes de pagament sense errors
• Assistència promocional, per identificar l'impacte de diverses ofertes promocionals en temps real. Abans d'implementar Splunk, la mateixa tasca solia durar un dia sencer
• Supervisió del rendiment, per supervisar el rendiment dels sistemes de vendes desenvolupats a casa de Domino

Splunk va resultar tan beneficiós per a Domino’s que equips externs al departament de TI van començar a explorar la possibilitat d’utilitzar Splunk per obtenir informació de les seves dades.

Splunk per a estadístiques de dades promocionals

Vaig a presentar un hipotètic cas d'ús de Splunk que us ajudarà a entendre com funciona Splunk. Aquest escenari demostra com Domino’s Pizza va utilitzar les dades promocionals per obtenir una millor claredat de l’oferta / cupó que funciona millor respecte a les diferents regions, la mida dels ingressos de les comandes i altres variables. .

* Nota: l'exemple de dades promocionals utilitzat té un caràcter representatiu i és possible que les dades presents no siguin exactes.

Domino’s no tenia una visibilitat clara sobre quina oferta funciona millor: en termes de:

• Tipus d'oferta (si els seus clients preferien un 10% de descompte o un descompte pla de 2 $?)
• Diferències culturals a nivell regional (Les diferències culturals tenen un paper en l'elecció de l'oferta?)
• Dispositiu que s’utilitza per comprar productes (Els dispositius que s’utilitzen per fer comandes tenen un paper en les opcions d’oferta?)
• Hora de la compra (quin és el millor moment perquè la comanda es publiqui?)
• Ingressos de la comanda (oferirà canvis de resposta en funció de la mida dels ingressos de la comanda?)

Com podeu veure a la imatge següent, les dades promocionals es van recopilar des de dispositius mòbils, llocs web i diversos punts de venda de Domino’s Pizza (mitjançant Splunk Forwarders) i es van enviar a una ubicació central (Splunk Indexers).

Els reenviadors Splunk enviarien les dades promocionals generades en temps real. Aquestes dades contenien informació sobre com van respondre els clients quan se'ls van oferir ofertes, juntament amb altres variables com ara dades demogràfiques, marca de temps, mida dels ingressos de la comanda i dispositiu utilitzat.

Els clients es van dividir en dos conjunts per a les proves A / B. A cada conjunt se li va oferir una oferta diferent: un 10% de descompte i una oferta plana de 2 $. Es va analitzar la seva resposta per determinar quina oferta van preferir els clients.

Les dades també contenien el moment en què els clients van respondre i si preferien comprar a la botiga o prefereixen fer comandes en línia. Si ho feien en línia, també s’incloïa el dispositiu que feien servir per fer la compra. El més important és que contenia dades sobre els ingressos de la comanda: per entendre si la resposta de l’oferta canvia amb la mida dels ingressos de la comanda.

Un cop reenviades les dades en brut, Splunk Indexer es va configurar per extreure la informació rellevant i emmagatzemar-la localment. La informació rellevant són els clients que van respondre a les ofertes, el moment en què van respondre i el dispositiu utilitzat per bescanviar els cupons / ofertes.

Normalment, s’emmagatzemava la informació següent:

• Feu la comanda d’ingressos en funció de la resposta del client
• Temps de compra dels productes
• Dispositiu preferit pels clients per fer la comanda
• Cupons / Ofertes utilitzats
• Números de vendes basats en la geografia

Per realitzar diverses operacions amb les dades indexades, s'ha utilitzat el capçal de cerca. És el component que proporciona una interfície gràfica per buscar, analitzar i visualitzar les dades emmagatzemades als indexadors. Domino’s Pizza va obtenir les estadístiques següents mitjançant els taulers de visualització proporcionats pel cap de cerca:

• Als Estats Units i Europa, els clients preferien un 10% de descompte en lloc d’una oferta de 2 dòlars. Mentre que a l'Índia, els clients eren més inclinats a una oferta plana de 2 dòlars
• Els cupons de descompte del 10% s’utilitzaven més quan la mida dels ingressos de la comanda era gran, mentre que els cupons plans de 2 $ s’utilitzaven més quan la mida dels ingressos de la comanda era petita.
• Les aplicacions mòbils eren el dispositiu preferit per fer comandes durant la nit i les comandes que arribaven des del lloc web eren la majoria durant el migdia. Mentre que les comandes a la botiga van ser més altes durant el matí

Domino’s Pizza va recopilar aquests resultats per personalitzar les ofertes / cupons pel que fa a les mides d’ingressos de comandes per a clients d’una geografia determinada. També van determinar quin era el millor moment per fer ofertes / cupons i van orientar els clients en funció del dispositiu que utilitzaven.

és java basat en c

N'hi ha d'altresCas d'ús Splunkhistòries que mostren com diverses empreses han beneficiat i fet créixer el seu negoci, augmentat la seva productivitat i seguretat. Podeu llegir més històries d’aquest tipus aquí .

Voleu aprendre Splunk i implementar-lo al vostre negoci? Consulteu el nostre aquí, ve amb formació en directe dirigida per un instructor i experiència en projectes reals.

Aquest bloc d’ús de casos d’ús de Splunk us hauria donat una bona idea de com funciona Splunk. Llegiu el meu pròxim bloc sobre l'arquitectura Splunk per conèixer quins són els diferents components Splunk i com interactuen entre ells.