Cas d'utilisation Splunk: la réussite de Domino

Dans ce blog de cas d'utilisation Splunk, vous comprendrez comment Domino's Pizza a utilisé Splunk pour obtenir des informations sur le comportement des consommateurs et formuler leurs stratégies commerciales.

Alors que de nombreuses entreprises et organisations ont utilisé Splunk pour l'efficacité opérationnelle, dans cet article de blog, je parlerai de la façon dont Domino's Pizza a utilisé Splunk pour analyser le comportement des consommateurs afin de créer des stratégies commerciales basées sur les données. Ce cas d'utilisation Splunk montre comment Splunk peut être largement utilisé dans n'importe quel domaine.La demande de car une compétence dans l'industrie est en plein essor avec des entreprises de toutes tailles utilisant activement Splunk et recherchant des professionnels certifiés pour la même chose.

Cas d'utilisation Splunk: Domino's Pizza

Vous savez peut-être que Domino’s Pizza est un géant du commerce électronique et de la restauration rapide, mais vous n’êtes peut-être pas au courant du défi du big data auquel ils sont confrontés. Ils voulaient comprendre les besoins de leurs clients et y répondre plus efficacement en utilisant le Big Data. C'est là que Splunk est venu à la rescousse.





Regardez l'image ci-dessous, qui illustre les circonstances qui se préparaient pour causer des problèmes de Big Data chez Domino.

comment utiliser charat en java

splunk use case-dominos implémentation de splunk



Beaucoup de données non structurées ont été générées parce que:

  • Ils avaient une présence omnicanale pour stimuler les ventes
  • Ils avaient une énorme clientèle
  • Ils avaient plusieurs points de contact pour le service client
  • Ils ont fourni plusieurs systèmes de livraison: commande de nourriture en magasin, commande par téléphone, via leur site Web et via des applications mobiles multiplateformes
  • Ils ont mis à jour leurs applications mobiles avec un nouvel outil pour prendre en charge la «commande vocale» et permettre le suivi de leurs commandes

L'excès de données généré a donné lieu aux problèmes suivants:

  • Les recherches manuelles sont fastidieuses et sujettes aux erreurs
  • Moins de visibilité sur la façon dont les besoins / préférences des clients varient
  • Manque de préparation et donc travailler en mode réactif pour résoudre tout problème

Domino a estimé que la solution à ces problèmes résiderait dans un outil capable de traiter facilement les données. C'est à ce moment-là qu'ils ont implémenté Splunk.



«Jusqu'à la mise en œuvre de Splunk, gérer les données de l'application et de la plate-forme de l'entreprise était un casse-tête, avec une grande partie de ses fichiers journaux dans un désordre géant» - selon le responsable de la fiabilité et de l'ingénierie du site, Russell Turner

Turner a mentionné que l'utilisation de Splunk pour l'intelligence opérationnelle à la place d'un outil APM traditionnel l'a aidé à réduire les coûts, à rechercher les données plus rapidement, à surveiller les performances et à obtenir de meilleures informations sur la manière dont les clients interagissaient avec Domino. Si vous regardez l'image ci-dessous, vous trouverez les différentes applications qui ont été configurées en implémentant Splunk.

  • Cartes interactives, pour afficher les commandes en temps réel provenant de partout aux États-Unis. Cela a apporté la satisfaction et la motivation des employés
  • Feedback en temps réel, pour que les employés voient en permanence ce que les clients disent et comprennent leurs attentes
  • Tableau de bord, utilisé pour conserver les scores et fixer des objectifs, comparer leurs performances avec les semaines / mois précédents et avec d'autres magasins
  • Processus de paiement, pour analyser les vitesses des différents modes de paiement et identifier les modes de paiement sans erreur
  • Support promotionnel, pour identifier l'impact des différentes offres promotionnelles en temps réel. Avant d'implémenter Splunk, la même tâche prenait une journée entière
  • Surveillance des performances, pour surveiller les performances des systèmes de point de vente développés en interne par Domino

Splunk s’est avéré si bénéfique pour Domino’s que les équipes extérieures au service informatique ont commencé à explorer la possibilité d’utiliser Splunk pour obtenir des informations à partir de leurs données.

Splunk pour des informations promotionnelles sur les données

Je vais présenter un scénario de cas d'utilisation hypothétique de Splunk qui vous aidera à comprendre comment fonctionne Splunk. Ce scénario montre comment Domino’s Pizza a utilisé les données promotionnelles pour mieux déterminer quelle offre / coupon fonctionne le mieux en fonction des différentes régions, de la taille des revenus des commandes et d’autres variables. .

* Remarque: l'exemple de données promotionnelles utilisé est de nature représentative et les données présentes peuvent ne pas être exactes.

Domino n'a pas eu de visibilité claire sur l'offre qui fonctionne le mieux - en termes de:

  • Type d'offre (si leurs clients préféraient une remise de 10% ou une remise forfaitaire de 2 $?)
  • Différences culturelles au niveau régional (Les différences culturelles jouent-elles un rôle dans le choix de l'offre?)
  • Appareil utilisé pour acheter des produits (les appareils utilisés pour commander jouent-ils un rôle dans les choix d'offres?)
  • Heure d'achat (quel est le meilleur moment pour que la commande soit en ligne?)
  • Revenus de la commande (la réponse de l'offre changera-t-elle en fonction de la taille des revenus de la commande?)

Comme vous pouvez le voir sur l'image ci-dessous, des données promotionnelles ont été collectées à partir d'appareils mobiles, de sites Web et de divers points de vente de Domino’s Pizza (à l'aide de Splunk Forwarders) et envoyées à un emplacement central (Splunk Indexers).

Les transitaires Splunk, enverraient les données promotionnelles générées en temps réel. Ces données contenaient des informations sur la manière dont les clients ont répondu lorsqu'ils recevaient des offres, ainsi que d'autres variables telles que les données démographiques, l'horodatage, la taille des revenus des commandes et l'appareil utilisé.

Les clients ont été divisés en deux ensembles pour les tests A / B. Chaque ensemble a reçu une offre différente: offre de réduction de 10% et offre forfaitaire de 2 $. Leur réponse a été analysée pour déterminer quelle offre était préférée par les clients.

Les données contenaient également l'heure à laquelle les clients ont répondu et s'ils préfèrent acheter en magasin ou préfèrent-ils commander en ligne. S'ils l'ont fait en ligne, l'appareil qu'ils ont utilisé pour effectuer l'achat était également inclus. Plus important encore, il contenait des données sur les revenus de la commande - pour comprendre si la réponse à l'offre change avec la taille des revenus de la commande.

Une fois les données brutes transmises, Splunk Indexer a été configuré pour extraire les informations pertinentes et les stocker localement. Les informations pertinentes sont les clients qui ont répondu aux offres, l'heure à laquelle ils ont répondu et l'appareil utilisé pour échanger les coupons / offres.

En règle générale, les informations ci-dessous ont été stockées:

  • Revenus de la commande en fonction de la réponse du client
  • Heure d'achat des produits
  • Appareil préféré par les clients pour passer la commande
  • Coupons / Offres utilisés
  • Chiffres de ventes basés sur la géographie

Pour effectuer diverses opérations sur les données indexées, la tête de recherche a été utilisée. C'est le composant qui donne une interface graphique pour rechercher, analyser et visualiser les données stockées dans les indexeurs. Domino’s Pizza a obtenu les informations ci-dessous en utilisant les tableaux de bord de visualisation fournis par le responsable de la recherche:

  • Aux États-Unis et en Europe, les clients ont préféré une réduction de 10% au lieu d'une offre de 2 $. Alors qu'en Inde, les clients étaient plus enclins à une offre fixe de 2 $
  • Les coupons de réduction de 10% étaient plus utilisés lorsque le chiffre d'affaires de la commande était important, tandis que les coupons forfaitaires de 2 $ étaient davantage utilisés lorsque le chiffre d'affaires de la commande était petit.
  • Les applications mobiles étaient l'appareil préféré pour commander pendant la soirée et les commandes provenant du site Web étaient le plus souvent à midi. Alors que les commandes en magasin étaient les plus élevées le matin

Domino’s Pizza a rassemblé ces résultats pour personnaliser les offres / coupons en fonction de la taille des revenus des commandes pour les clients d’une zone géographique donnée. Ils ont également déterminé quel était le meilleur moment pour offrir des offres / coupons et ciblé les clients en fonction de l'appareil qu'ils utilisaient.

Il existe plusieurs autresCas d'utilisation Splunkdes histoires qui montrent comment diverses entreprises ont bénéficié et développé leur activité, augmenté leur productivité et leur sécurité. Vous pouvez lire plus d'histoires de ce genre Ici .

meilleur logiciel pour la programmation java

Voulez-vous apprendre Splunk et l'implémenter dans votre entreprise? Découvrez notre ici, cela vient avec une formation en direct animée par un instructeur et une expérience de projet réelle.

Ce blog de cas d'utilisation Splunk vous aurait donné une bonne idée du fonctionnement de Splunk. Lisez mon prochain blog sur l'architecture Splunk pour savoir quels sont les différents composants Splunk et comment ils interagissent les uns avec les autres.