Splunk Use Case: Domino's succesverhaal

Hoewel veel bedrijven en organisaties Splunk hebben gebruikt voor operationele efficiëntie, zal ik in deze blogpost bespreken hoe Domino's Pizza Splunk gebruikte om consumentengedrag te analyseren om datagedreven bedrijfsstrategieën te ontwikkelen. Deze use case van Splunk laat zien hoe Splunk op grote schaal kan worden gebruikt in elk domein.De vraag naar omdat een vaardigheid in de branche enorm stijgt met bedrijven van elke omvang die actief Splunk gebruiken en daarvoor gecertificeerde professionals zoeken.

Splunk Use Case: Domino's Pizza

Je weet misschien dat Domino's Pizza een e-commerce- en fastfoodgigant is, maar je bent je misschien niet bewust van de big data-uitdaging waarmee ze werden geconfronteerd. Ze wilden de behoeften van hun klanten begrijpen en effectiever op hen inspelen door big data te gebruiken. Dit is waar Splunk te hulp kwam.

Kijk naar de afbeelding hieronder die de omstandigheden weergeeft die zich ontwikkelden om big data-problemen bij Domino's te veroorzaken.

Er zijn veel ongestructureerde gegevens gegenereerd omdat:

• Ze waren via omnichannel aanwezig om de verkoop te stimuleren
• Ze hadden een enorm klantenbestand
• Ze hadden verschillende contactpunten voor klantenservice
• Ze leverden meerdere systemen voor bezorging: eten bestellen in de winkel, bestellen via telefoon, via hun website en via platformonafhankelijke mobiele applicaties
• Ze hebben hun mobiele apps geüpgraded met een nieuwe tool om ‘spraakopdrachten’ te ondersteunen en het volgen van hun bestellingen mogelijk te maken

Het teveel aan gegenereerde gegevens leidde tot de volgende problemen:

• Handmatige zoekopdrachten zijn vervelend en foutgevoelig
• Minder inzicht in hoe de behoefte / voorkeur van de klant varieert
• Onvoorbereidheid en dus in reactieve modus werken om elk probleem op te lossen

Domino was van mening dat de oplossing voor deze problemen zou liggen in een tool die gemakkelijk gegevens kan verwerken. Dat was toen ze Splunk implementeerden.

Turner zei dat het gebruik van Splunk voor Operational Intelligence in plaats van een traditionele APM-tool hem hielp om de kosten te verlagen, de gegevens sneller te doorzoeken, de prestaties te bewaken en beter inzicht te krijgen in hoe klanten met Domino's omgingen. Als je naar de onderstaande afbeelding kijkt, zie je de verschillende applicaties die zijn opgezet door Splunk te implementeren.

• Interactieve kaarten, voor het in realtime weergeven van bestellingen vanuit de hele VS. Dit bracht medewerkerstevredenheid en motivatie
• Real-time feedback, zodat medewerkers constant kunnen zien wat klanten zeggen en hun verwachtingen kunnen begrijpen
• Dashboard, gebruikt om scores bij te houden en doelen te stellen, om hun prestaties te vergelijken met voorgaande weken / maanden en met andere winkels
• Betalingsproces, voor het analyseren van de snelheden van verschillende betalingswijzen en het identificeren van foutloze betalingswijzen
• Promotionele ondersteuning, om in realtime vast te stellen hoe verschillende promotie-aanbiedingen van invloed zijn. Voordat Splunk werd geïmplementeerd, duurde dezelfde taak een hele dag
• Prestatiemonitoring, om de prestaties van Domino's intern ontwikkelde verkooppuntsystemen te volgen

Splunk bleek zo gunstig te zijn voor Domino's dat teams buiten de IT-afdeling de mogelijkheid gingen onderzoeken om Splunk te gebruiken voor het verkrijgen van inzichten uit hun gegevens.

Splunk voor promotionele gegevensinzichten

Ik ga een hypothetisch scenario voor het gebruik van Splunk presenteren dat u zal helpen begrijpen hoe Splunk werkt. Dit scenario laat zien hoe Domino’s Pizza promotiegegevens gebruikte om meer duidelijkheid te krijgen over welke aanbieding / coupon het beste werkt met betrekking tot verschillende regio's, bestellingsomzetgroottes en andere variabelen .

* Opmerking: het voorbeeld van gebruikte promotiegegevens is representatief van aard en de aanwezige gegevens zijn mogelijk niet nauwkeurig.

Domino's had geen duidelijk zicht op welke aanbieding het beste werkt - in termen van:

algoritme voor round robin-planning in c

• Aanbiedingstype (of hun klanten de voorkeur geven aan een korting van 10% of een vaste korting van $ 2?)
• Cultuurverschillen op regionaal niveau (spelen cultuurverschillen een rol bij aanbodkeuze?)
• Apparaat dat wordt gebruikt om producten te kopen (spelen apparaten die worden gebruikt om te bestellen een rol bij het maken van aanbiedingen?)
• Aankooptijdstip (wat is de beste tijd waarop de bestelling live is?)
• Orderomzet (wijzigt het aanbod met betrekking tot de orderomzetgrootte?)

Zoals je op de onderstaande afbeelding kunt zien, zijn promotiegegevens verzameld van mobiele apparaten, websites en verschillende verkooppunten van Domino's Pizza (met behulp van Splunk Forwarders) en naar een centrale locatie gestuurd (Splunk Indexers).

Splunk-expediteurs zouden de gegenereerde promotiegegevens in realtime verzenden. Deze gegevens bevatten informatie over hoe klanten reageerden toen ze aanbiedingen kregen, samen met andere variabelen zoals demografie, tijdstempel, omvang van de orderomzet en gebruikt apparaat.

Klanten werden voor A / B-testen verdeeld in twee sets. Elke set kreeg een andere aanbieding: 10% kortingsaanbieding en een vaste aanbieding van $ 2. Hun reactie werd geanalyseerd om te bepalen welk aanbod de voorkeur had van de klanten.

De gegevens bevatten ook het tijdstip waarop klanten reageerden en of ze liever in de winkel zouden kopen of liever online bestellen. Als ze het online deden, was het apparaat waarmee ze de aankoop deden ook inbegrepen. Het belangrijkste was dat het orderomzetgegevens bevatte - om te begrijpen of de respons van de aanbieding verandert met de omvang van de orderomzet.

Nadat de onbewerkte gegevens waren doorgestuurd, werd Splunk Indexer geconfigureerd om de relevante informatie te extraheren en lokaal op te slaan. Relevante informatie zijn de klanten die op aanbiedingen hebben gereageerd, het tijdstip waarop ze hebben gereageerd en het apparaat dat is gebruikt voor het inwisselen van de kortingsbonnen / aanbiedingen.

Meestal werd de onderstaande informatie opgeslagen:

• Orderopbrengst op basis van de reactie van de klant
• Tijdstip van aankoop van producten
• Apparaat dat de voorkeur heeft van klanten voor het plaatsen van de bestelling
• Coupons / aanbiedingen gebruikt
• Verkoopcijfers op basis van geografie

Voor het uitvoeren van verschillende bewerkingen op de geïndexeerde gegevens, werd de zoekkop gebruikt. Het is de component die een grafische interface biedt voor het zoeken, analyseren en visualiseren van de gegevens die zijn opgeslagen in de Indexers. Domino’s Pizza heeft de onderstaande inzichten verkregen door gebruik te maken van de visualisatiedashboards van de zoekkop:

• In de VS en Europa gaven klanten de voorkeur aan een korting van 10% in plaats van een aanbieding van $ 2. Terwijl in India klanten meer geneigd waren tot een vast bod van $ 2
• Kortingsbonnen van 10% werden meer gebruikt als de omzet van de bestelling groot was, terwijl platte kortingsbonnen van $ 2 meer werden gebruikt als de omzet klein was.
• Mobiele apps waren het favoriete apparaat om 's avonds te bestellen en bestellingen die van de website binnenkwamen, was het meest tijdens de middag. Terwijl het bestellen in de winkel 's ochtends het hoogst was

Domino's Pizza heeft deze resultaten verzameld om de aanbiedingen / kortingsbonnen aan te passen met betrekking tot de omvang van de orderomzet voor klanten uit een bepaalde regio. Ze bepaalden ook wat de beste tijd was om aanbiedingen / kortingsbonnen te geven en richtten zich op de klanten op basis van het apparaat dat ze gebruikten.

Er zijn verschillende andereSplunk use-caseverhalen die laten zien hoe verschillende bedrijven hebben geprofiteerd en hun bedrijf hebben laten groeien, hun productiviteit en veiligheid hebben verhoogd. U kunt meer van dergelijke verhalen lezen hier .

Wilt u Splunk leren kennen en implementeren in uw bedrijf? Bekijk onze hier, dat wordt geleverd met live training onder leiding van een instructeur en real-life projectervaring.

Deze use case-blog van Splunk zou je een goed idee hebben gegeven van hoe Splunk werkt. Lees mijn volgende blog over Splunk-architectuur om te zien wat de verschillende Splunk-componenten zijn en hoe ze met elkaar omgaan.