Хотя многие компании и организации использовали Splunk для повышения эффективности своей работы, в этой записи блога я расскажу о том, как Domino’s Pizza использовала Splunk для анализа поведения потребителей для построения бизнес-стратегий, основанных на данных. Этот пример использования Splunk показывает, как Splunk можно широко использовать в любом домене.Спрос на Поскольку профессиональные навыки в отрасли стремительно растут, компании любого размера активно используют Splunk и ищут для этого сертифицированных профессионалов.
Пример использования Splunk: Domino’s Pizza
Возможно, вы знаете, что Domino’s Pizza - это гигант электронной коммерции и быстрого питания, но вы могли не осознавать, с какой проблемой больших данных они столкнулись. Они хотели понять потребности своих клиентов и более эффективно удовлетворять их с помощью больших данных. Здесь на помощь пришел Splunk.
Посмотрите на изображение ниже, на котором показаны обстоятельства, которые создавали проблемы с большими данными в Domino’s.
Было создано много неструктурированных данных по следующим причинам:
- У них было многоканальное присутствие для увеличения продаж.
- У них была огромная клиентская база
- У них было несколько точек соприкосновения с клиентами.
- Они предоставили несколько систем для доставки: заказ еды в магазине, заказ по телефону, через свой веб-сайт и через кроссплатформенные мобильные приложения.
- Они обновили свои мобильные приложения с помощью нового инструмента для поддержки «голосового заказа» и отслеживания их заказов.
Полученные избыточные данные привели к следующим проблемам:
- Ручной поиск утомителен и подвержен ошибкам
- Меньшая видимость того, как меняются потребности / предпочтения клиентов
- Неподготовленность и, следовательно, работа в реактивном режиме для устранения любой проблемы
Domino полагает, что решение этих проблем лежит в инструменте, который может легко обрабатывать данные. Именно тогда они внедрили Splunk.
«Вплоть до внедрения Splunk управление данными приложений и платформ компании было головной болью, поскольку большая часть файлов журналов находилась в огромном беспорядке», - по словам их менеджера по надежности и проектированию сайтов Рассела Тернера.
Тернер упомянул, что использование Splunk для оперативной аналитики вместо традиционного инструмента APM помогло ему снизить затраты, ускорить поиск данных, отслеживать производительность и лучше понять, как клиенты взаимодействуют с Domino’s. Если вы посмотрите на изображение ниже, вы найдете различные приложения, которые были созданы с помощью Splunk.
- Интерактивные карты для отображения заказов в реальном времени со всех концов США. Это принесло сотрудникам удовлетворение и мотивацию.
- Обратная связь в реальном времени, чтобы сотрудники могли постоянно видеть, что говорят клиенты, и понимать их ожидания
- Панель инструментов, используемая для подсчета очков и постановки целей, сравнения их результатов с предыдущими неделями / месяцами и с другими магазинами
- Процесс оплаты, для анализа скорости различных режимов оплаты и определения безошибочных режимов оплаты.
- Рекламная поддержка для определения того, как различные рекламные предложения влияют в режиме реального времени. Перед внедрением Splunk та же задача занимала целый день
- Мониторинг производительности для мониторинга производительности систем точек продаж Domino, разработанных собственными силами.
Splunk оказался настолько полезным для Domino’s, что команды, не входящие в ИТ-отдел, начали изучать возможность использования Splunk для анализа своих данных.
Splunk для анализа рекламных данных
Я собираюсь представить гипотетический сценарий использования Splunk, который поможет вам понять, как работает Splunk. Этот сценарий демонстрирует, как Domino’s Pizza использовала рекламные данные, чтобы лучше понять, какое предложение / купон работает лучше всего в разных регионах, размерах доходов от заказов и других переменных. .
* Примечание. Пример используемых рекламных данных является репрезентативным по своей природе, и представленные данные могут быть неточными.
У Domino’s не было четкого представления о том, какое предложение работает лучше всего с точки зрения:
- Тип предложения (предпочитают ли их клиенты скидку 10% или фиксированную скидку в 2 доллара?)
- Культурные различия на региональном уровне (играют ли культурные различия в выборе предложения?)
- Устройство, используемое для покупки продуктов (играют ли устройства, используемые для заказа, при выборе предложения?)
- Время покупки (когда лучше всего делать заказ?)
- Доход от заказа (Будет ли предложено изменение ответа в зависимости от размера дохода от заказа?)
Как видно из изображения ниже, рекламные данные были собраны с мобильных устройств, веб-сайтов и различных точек Domino’s Pizza (с использованием пересылки Splunk) и отправлены в центральное место (индексаторы Splunk).
Экспедиторы Splunk будут отправлять рекламные данные, созданные в режиме реального времени. Эти данные содержат информацию о том, как клиенты реагируют на предложения, а также другие переменные, такие как демографические данные, временная метка, размер дохода от заказа и используемое устройство.
Клиенты были разделены на две группы для A / B-тестирования. Каждому набору предлагали разные предложения: 10% скидку и 2 доллара. Их ответ был проанализирован, чтобы определить, какое предложение предпочли клиенты.
Данные также содержат время, когда клиенты ответили, и предпочтут ли они покупать в магазине или они предпочитают заказывать онлайн. Если они делали это в Интернете, то также включается устройство, которое они использовали для совершения покупки. Что наиболее важно, он содержал данные о доходах от заказа - чтобы понять, меняется ли ответ предложения с размером дохода от заказа.
После пересылки необработанных данных Splunk Indexer был настроен на извлечение соответствующей информации и ее локальное хранение. Соответствующая информация - это клиенты, которые ответили на предложения, время, когда они ответили, и устройство, используемое для погашения купонов / предложений.
Обычно сохранялась следующая информация:
- Доход от заказа на основе ответа клиента
- Время покупки товаров
- Устройство, предпочитаемое покупателями для размещения заказа
- Используемые купоны / предложения
- Цифры продаж на основе географии
Для выполнения различных операций с индексируемыми данными использовалась поисковая головка. Это компонент, который предоставляет графический интерфейс для поиска, анализа и визуализации данных, хранящихся в индексаторах. Domino’s Pizza получила следующие идеи с помощью панелей визуализации, предоставленных заголовком Search:
- В США и Европе клиенты предпочитали скидку 10% вместо предложения в 2 доллара. Тогда как в Индии клиенты были более склонны к плоскому предложению в 2 доллара.
- Купоны на 10% скидку использовались чаще, когда размер выручки от заказа был большим, тогда как плоские купоны на 2 доллара использовались чаще, когда размер выручки от заказа был небольшим.
- Мобильные приложения были предпочтительным устройством для заказа в вечернее время, а заказы, поступавшие с веб-сайта, были больше всего в полдень. В то время как количество заказов в магазине было самым высоким в течение утра.
Domino’s Pizza сопоставила эти результаты, чтобы настроить предложения / купоны в зависимости от размеров выручки от заказа для клиентов из определенного региона. Они также определили, в какое время лучше всего давать предложения / купоны, и нацелены на клиентов в зависимости от устройства, которое они использовали.
Есть еще несколькоПример использования Splunkистории, которые показывают, как различные компании получили выгоду и расширили свой бизнес, повысили свою производительность и безопасность. Вы можете прочитать больше таких историй Вот .
как использовать system.exit в Java
Вы хотите изучить Splunk и внедрить его в свой бизнес? Ознакомьтесь с нашими здесь, это сопровождается живым обучением под руководством инструктора и опытом реальных проектов.
Этот блог с примерами использования Splunk дал бы вам четкое представление о том, как работает Splunk. Прочтите мой следующий блог об архитектуре Splunk, чтобы узнать, что представляют собой различные компоненты Splunk и как они взаимодействуют друг с другом.