Splunk Use Case: Domino’s Success Story

Mens mange selskaper og organisasjoner har brukt Splunk for driftseffektivitet, vil jeg i dette blogginnlegget snakke om hvordan Domino’s Pizza brukte Splunk til å analysere forbrukeratferd for å bygge datadrevne forretningsstrategier. Denne Splunk-brukssaken viser hvordan Splunk kan brukes mye i ethvert domene.Kravet til som en ferdighet i bransjen er skyhøye med selskaper i alle størrelser som aktivt bruker Splunk og søker sertifiserte fagfolk for det samme.

Splunk Use Case: Domino’s Pizza

Du er kanskje klar over at Domino's Pizza er en hurtigmatgigant med e-handel, men du er kanskje ikke klar over big data-utfordringen de sto overfor. De ønsket å forstå kundenes behov og imøtekomme dem mer effektivt ved å bruke Big Data. Det var her Splunk kom til unnsetning.

Se på bildet nedenfor som viser omstendighetene som var i ferd med å skape store dataproblemer hos Domino’s.

Mye ustrukturerte data ble generert fordi:

• De hadde en omni-channel tilstedeværelse for å drive salg
• De hadde en enorm kundebase
• De hadde flere berøringspunkter for kundeservice
• De leverte flere systemer for levering: Bestill mat i butikken, bestill via telefon, via deres nettside og gjennom mobilapplikasjoner på tvers av plattformer
• De oppgraderte mobilappene sine med et nytt verktøy for å støtte ‘stemmebestilling’ og muliggjøre sporing av bestillingene sine

Overskuddsdataene som ble generert, ga opphav til følgende problemer:

• Manuelle søk er kjedelige og utsatt for feil
• Mindre synlighet for hvordan kundebehov / preferanse varierer
• Uforberedelse og arbeider dermed i reaktiv modus for å løse eventuelle problemer

Domino’s følte at løsningen på disse problemene ville ligge i et verktøy som enkelt kan behandle data. Det var da de implementerte Splunk.

hvordan lage et sett

Turner nevnte at bruk av Splunk for Operational Intelligence i stedet for et tradisjonelt APM-verktøy hjalp ham til å redusere kostnadene, søke i data raskere, overvåke ytelsen og få bedre innsikt i hvordan kundene kommuniserte med Domino’s. Hvis du ser på bildet nedenfor, finner du de forskjellige applikasjonene som ble satt opp ved å implementere Splunk.

• Interaktive kart for visning av bestillinger i sanntid fra hele USA. Dette førte til medarbeidernes tilfredshet og motivasjon
• Sanntids tilbakemelding, for ansatte å hele tiden se hva kundene sier og forstå deres forventninger
• Dashboard, brukes til å holde poeng og sette mål, sammenligne ytelsen med tidligere uker / måneder og mot andre butikker
• Betalingsprosess, for å analysere hastighetene til forskjellige betalingsmåter og identifisere feilfrie betalingsmåter
• Salgsfremmende støtte for å identifisere hvordan ulike kampanjetilbud påvirker i sanntid. Før du implementerte Splunk, tok den samme oppgaven en hel dag
• Performance Monitoring, for å overvåke ytelsen til Domino’s egenutviklede salgsstedssystemer

Splunk viste seg å være så gunstig for Domino’s at team utenfor IT-avdelingen begynte å utforske muligheten til å bruke Splunk for å få innsikt i dataene sine.

Splunk for markedsføringsdatainnsikt

Jeg skal presentere et hypotetisk scenario for bruk av Splunk som vil hjelpe deg med å forstå hvordan Splunk fungerer. Dette scenariet viser hvordan Domino's Pizza brukte salgsfremmende data for å få bedre klarhet i hvilket tilbud / kupong som fungerer best med hensyn til forskjellige regioner, ordreinntektsstørrelser og andre variabler .

* Merk: Eksemplet på markedsføringsdata som brukes, er representativt og tilstedeværende data er kanskje ikke nøyaktige.

Domino’s hadde ingen klar oversikt over hvilket tilbud som fungerer best - når det gjelder:

• Tilbudstype (om kundene foretrakk 10% rabatt eller flat $ 2 rabatt?)
• Kulturelle forskjeller på regionalt nivå (Spiller kulturelle forskjeller en rolle i valg av tilbud?)
• Enhet som brukes til å kjøpe produkter (spiller enheter som brukes for bestilling en rolle i valg av tilbud?)
• Kjøpetid (Hva er best tid for ordren å være live?)
• Ordreinntekter (Vil tilbudet endre seg mot ordreinntektsstørrelse?)

Som du kan se fra bildet nedenfor, ble kampanjedata samlet inn fra mobile enheter, nettsteder og forskjellige utsalgssteder for Domino's Pizza (ved bruk av Splunk Forwarders) og sendt til et sentralt sted (Splunk Indexers).

hvordan du skriver ut matrix php

Splunk-videresendere, vil sende salgsfremmende data generert i sanntid. Disse dataene inneholdt informasjon om hvordan kundene reagerte da de fikk tilbud, sammen med andre variabler som demografi, tidsstempel, ordreinntektsstørrelse og brukt enhet.

Kunder ble delt inn i to sett for A / B-testing. Hvert sett fikk et annet tilbud: 10% rabattilbud og flat $ 2-tilbud. Svaret deres ble analysert for å finne ut hvilket tilbud kundene foretrakk.

Dataene inneholdt også tidspunktet da kundene svarte, og om de foretrekker å kjøpe i butikken eller foretrekker å bestille online. Hvis de gjorde det online, var også enheten de brukte til å kjøpe. Viktigst, den inneholdt ordreinntektsdata - for å forstå om tilbudsrespons endres med størrelsen på ordreinntektene.

Når rådataene ble videresendt, ble Splunk Indexer konfigurert til å trekke ut relevant informasjon og lagre den lokalt. Relevant informasjon er kundene som svarte på tilbud, tidspunktet da de svarte og enheten som ble brukt til å løse inn kupongene / tilbudene.

Vanligvis ble informasjonen nedenfor lagret:

• Bestill inntekt basert på kundesvar
• Tidspunkt for kjøp av produkter
• Enhet foretrukket av kunder for bestilling
• Kuponger / tilbud brukt
• Salgstall basert på geografi

For å utføre forskjellige operasjoner på indekserte data ble søkehode brukt. Det er komponenten som gir et grafisk grensesnitt for å søke, analysere og visualisere dataene som er lagret i indekserer. Domino’s Pizza fikk innsikten nedenfor ved å bruke visualiseringspanelene som ble levert av søkehodet:

• I USA og Europa foretrakk kundene 10% rabatt i stedet for et $ 2-tilbud. Mens i India var kundene mer tilbøyelige til å betale et $ 2-tilbud
• 10% rabattkuponger ble brukt mer når ordrenes inntektsstørrelse var stor, mens flate $ 2-kuponger ble brukt mer når ordrenes inntektsstørrelse var liten.
• Mobilapper var den foretrukne enheten for bestilling om kvelden, og bestillinger som kom inn fra nettstedet var mest i løpet av middagstid. Mens bestilling i butikken var høyest om morgenen

Domino's Pizza samlet disse resultatene for å tilpasse tilbudene / kupongene med hensyn til ordreinntektsstørrelser for kunder fra en bestemt geografi. De bestemte seg også for hvilken som var den beste tiden å gi tilbud / kuponger, og målrettet kundene basert på enheten de brukte.

Det er flere andreSplunk brukstilfellehistorier som viser hvordan forskjellige selskaper har hatt fordeler og økt virksomheten sin, økt produktiviteten og sikkerheten. Du kan lese flere slike historier her .

Vil du lære Splunk og implementere det i virksomheten din? Sjekk ut vår her, som kommer med instruktørledet live trening og reell prosjektopplevelse.

Denne bloggen om bruk av Splunk-bruk ville gitt deg en god ide om hvordan Splunk fungerer. Les min neste blogg om Splunk-arkitektur for å lære hva som er de forskjellige Splunk-komponentene og hvordan de samhandler med hverandre.