Kasus Penggunaan Splunk: Kisah Sukses Domino

Sementara banyak perusahaan dan organisasi telah menggunakan Splunk untuk efisiensi operasional, dalam posting blog ini saya akan berbicara tentang bagaimana Domino's Pizza menggunakan Splunk untuk menganalisis perilaku konsumen untuk membangun strategi bisnis berbasis data. Kasus penggunaan Splunk ini menunjukkan bagaimana Splunk dapat digunakan secara luas di domain mana pun.Permintaan untuk karena keterampilan dalam industri ini melonjak tinggi dengan perusahaan dari semua ukuran secara aktif menggunakan Splunk dan mencari profesional bersertifikat untuk hal yang sama.

Kasus Penggunaan Splunk: Domino's Pizza

Anda mungkin menyadari bahwa Domino's Pizza adalah raksasa e-niaga sekaligus makanan cepat saji, tetapi Anda mungkin tidak menyadari tantangan big data yang mereka hadapi. Mereka ingin memahami kebutuhan pelanggan dan melayani mereka secara lebih efektif dengan menggunakan Big Data. Di sinilah Splunk datang untuk menyelamatkan.

Lihatlah gambar di bawah ini yang menggambarkan keadaan yang berkembang untuk menyebabkan masalah data besar di Domino's.

Banyak data tidak terstruktur dibuat karena:

• Mereka memiliki kehadiran omni-channel untuk mendorong penjualan
• Mereka memiliki basis pelanggan yang sangat besar
• Mereka memiliki beberapa titik kontak untuk layanan pelanggan
• Mereka menyediakan beberapa sistem untuk pengiriman: Memesan makanan di dalam toko, memesan melalui telepon, melalui situs web mereka, dan melalui aplikasi seluler lintas platform
• Mereka meningkatkan aplikasi seluler mereka dengan alat baru untuk mendukung 'pengurutan suara' dan memungkinkan pelacakan pesanan mereka

Kelebihan data yang dihasilkan menimbulkan masalah berikut:

• Pencarian manual menjadi membosankan dan rawan kesalahan
• Kurangnya visibilitas tentang bagaimana kebutuhan / preferensi pelanggan bervariasi
• Ketidaksiapan dan dengan demikian bekerja dalam mode reaktif untuk memperbaiki masalah apa pun

Domino merasa bahwa solusi untuk masalah ini terletak pada alat yang dapat memproses data dengan mudah. Saat itulah mereka menerapkan Splunk.

Turner menyebutkan bahwa menggunakan Splunk for Operational Intelligence sebagai pengganti alat APM tradisional membantunya menurunkan biaya, menelusuri data lebih cepat, memantau kinerja, dan mendapatkan wawasan yang lebih baik tentang bagaimana pelanggan berinteraksi dengan Domino. Jika Anda melihat gambar di bawah ini, Anda akan menemukan berbagai aplikasi yang telah diatur dengan mengimplementasikan Splunk.

• Peta Interaktif, untuk menampilkan pesanan secara real time yang datang dari seluruh AS. Ini membawa kepuasan dan motivasi karyawan
• Umpan balik waktu nyata, bagi karyawan untuk terus melihat apa yang dikatakan pelanggan dan memahami harapan mereka
• Dasbor, digunakan untuk menyimpan skor dan menetapkan target, membandingkan kinerjanya dengan minggu / bulan sebelumnya dan dengan toko lain
• Proses Pembayaran, untuk menganalisis kecepatan mode pembayaran yang berbeda dan mengidentifikasi mode pembayaran bebas kesalahan
• Dukungan Promosi, untuk mengidentifikasi bagaimana berbagai penawaran promosi berdampak secara waktu nyata. Sebelum menerapkan Splunk, tugas yang sama biasanya memakan waktu satu hari
• Performance Monitoring, untuk memantau kinerja sistem penjualan internal Domino yang dikembangkan

Splunk terbukti sangat bermanfaat bagi Domino sehingga tim di luar departemen TI mulai menjajaki kemungkinan menggunakan Splunk untuk mendapatkan wawasan dari data mereka.

Splunk Untuk Wawasan Data Promosi

Saya akan menyajikan skenario kasus penggunaan Splunk hipotetis yang akan membantu Anda memahami cara kerja Splunk. Skenario ini menunjukkan bagaimana Domino's Pizza menggunakan data Promosi untuk mendapatkan kejelasan yang lebih baik tentang penawaran / kupon yang bekerja paling baik untuk wilayah yang berbeda, memesan ukuran pendapatan, dan variabel lainnya .

* Catatan: Contoh data Promosi yang digunakan bersifat representatif dan data yang disajikan mungkin tidak akurat.

iso 9000 vs six sigma

Domino's tidak memiliki visibilitas yang jelas tentang penawaran mana yang paling berhasil - dalam hal:

• Jenis penawaran (Apakah pelanggan mereka lebih suka diskon 10% atau diskon tetap $ 2?)
• Perbedaan budaya di tingkat regional (Apakah perbedaan budaya berperan dalam pilihan penawaran?)
• Perangkat yang digunakan untuk membeli produk (Apakah perangkat yang digunakan untuk memesan berperan dalam pilihan penawaran?)
• Waktu Pembelian (Kapan waktu terbaik agar pesanan ditayangkan?)
• Pendapatan pesanan (Akankah menawarkan respons mengubah ukuran pendapatan pesanan?)

Seperti yang Anda lihat dari gambar di bawah, data promosi dikumpulkan dari perangkat seluler, situs web, dan berbagai gerai Domino's Pizza (menggunakan Splunk Forwarders) dan dikirim ke lokasi pusat (Splunk Indexers).

Splunk forwarder, akan mengirimkan data promosi yang dihasilkan secara real time. Data ini berisi informasi tentang bagaimana pelanggan merespons ketika mereka diberi penawaran, bersama dengan variabel lain seperti demografi, stempel waktu, ukuran pendapatan pesanan, dan perangkat yang digunakan.

Pelanggan dibagi menjadi dua set untuk Pengujian A / B. Setiap set diberi penawaran berbeda: penawaran diskon 10% dan penawaran flat $ 2. Tanggapan mereka dianalisis untuk menentukan penawaran mana yang disukai oleh pelanggan.

Data tersebut juga berisi waktu ketika pelanggan merespons dan apakah mereka lebih suka membeli di dalam toko atau apakah mereka lebih suka memesan secara online. Jika mereka melakukannya secara online, perangkat yang mereka gunakan untuk melakukan pembelian juga disertakan. Yang terpenting, ini berisi data pendapatan pesanan - untuk memahami apakah respons penawaran berubah dengan ukuran pendapatan pesanan.

Setelah data mentah diteruskan, Splunk Indexer dikonfigurasi untuk mengekstrak informasi yang relevan dan menyimpannya secara lokal. Informasi yang relevan adalah pelanggan yang menanggapi penawaran, waktu mereka merespons dan perangkat yang digunakan untuk menebus kupon / penawaran.

Biasanya, informasi di bawah ini disimpan:

apa perbedaan antara kelas abstrak dan antarmuka

• Pendapatan pesanan berdasarkan respon pelanggan
• Waktu pembelian produk
• Perangkat yang disukai pelanggan untuk melakukan pemesanan
• Kupon / Penawaran digunakan
• Nomor penjualan berdasarkan Geografi

Untuk melakukan berbagai operasi pada data yang diindeks, kepala Pencarian digunakan. Ini adalah komponen yang memberikan antarmuka grafis untuk mencari, menganalisis, dan memvisualisasikan data yang disimpan di Pengindeks. Domino's Pizza memperoleh wawasan di bawah ini dengan menggunakan dasbor visualisasi yang disediakan oleh kepala Penelusuran:

• Di AS dan Eropa, pelanggan lebih memilih diskon 10% daripada penawaran $ 2. Sedangkan di India, pelanggan lebih cenderung ke penawaran $ 2 tetap
• Kupon diskon 10% lebih banyak digunakan saat ukuran pendapatan pesanan besar, sedangkan kupon $ 2 datar lebih banyak digunakan saat ukuran pendapatan pesanan kecil.
• Aplikasi seluler adalah perangkat pilihan untuk memesan pada malam hari dan pesanan yang datang dari situs web paling banyak pada siang hari. Padahal pemesanan di toko paling tinggi pada pagi hari

Domino's Pizza menyusun hasil ini untuk menyesuaikan penawaran / kupon sehubungan dengan ukuran pendapatan pesanan untuk pelanggan dari geografi tertentu. Mereka juga menentukan waktu yang paling tepat untuk memberikan penawaran / kupon dan menargetkan pelanggan berdasarkan perangkat yang mereka gunakan.

Ada beberapa lainnyaKasus penggunaan Splunkcerita yang menunjukkan bagaimana berbagai perusahaan telah memperoleh manfaat dan mengembangkan bisnis mereka, meningkatkan produktivitas dan keamanan mereka. Anda dapat membaca lebih banyak cerita seperti itu sini .

Apakah Anda ingin mempelajari Splunk dan menerapkannya dalam bisnis Anda? Lihat kami di sini, yang dilengkapi dengan pelatihan langsung yang dipimpin instruktur dan pengalaman proyek kehidupan nyata.

Blog kasus penggunaan Splunk ini akan memberi Anda gambaran yang adil tentang cara kerja Splunk. Baca blog saya berikutnya tentang arsitektur Splunk untuk mempelajari apa saja komponen Splunk yang berbeda dan bagaimana mereka berinteraksi satu sama lain.