Пример использования Splunk: история успеха Domino

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.

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.