專攻於IT基礎架構中蒐集並處理「機器資料」的Splunk，隨著製造業力求轉型，試圖藉由改善製程良率來提升核心競爭力，如今也涉足從未思考過的IC製造、封裝測試、設計等領域。
Splunk台灣區資深技術顧問陳哲閎指出，自2006年Splunk創立時，即是基於搜尋引擎技術發展，原先目的是為了協助網管人員，統合基礎架構中的所有資料，進而追蹤問題。
「近來在韓國的製造業客戶應用案例發現，Splunk不僅可協助IT維運、資安分析，亦可整合至半導體製程、封裝測試、IC設計等應用，借助Splunk平台的機器學習（Machine Learning）引擎之力，快速地彙總、整理、分析非結構化資料，再以搜尋引擎查詢方式，透過關鍵字抓取特定時間、機器、產出的資料，完全不需仰賴資料庫。」陳哲閎說。
以半導體製程而言，從晶圓、光罩、封裝、測試，到最後出廠的晶片，不同環節的產線機台均會產生半結構化格式的資料，過去多數是匯入至關聯式資料庫，必須依據欄位擷取相對應的值，再透過商業智慧軟體產出視覺化的報表。當時該半導體廠考量資料庫與分析軟體的建置成本過高，曾經改以Hadoop來取代，但資料處理速度始終不盡理想，只好放棄專案的進程。最後則是利用Splunk介接TIBCO Rendezvous（RV）中介軟體，蒐集來自十?六條產線的資料，Splunk搜尋引擎技術則依據事前定義近三百種告警規則自動搜尋，一旦發現符合條件者即刻發出通知產線管理者，以免未發現製程錯誤導致重工。陳哲閎表示，該韓國客戶因為Splunk協助提升2%的良率、機器問題少10%、機台管理的工作效率提升50%、晶圓成本下降5%。
 |
| ▲Splunk協助韓國半導體製造廠即時分析產線資料，提升製程良率。（資料來源：Splunk） |
Splunk技術運行架構不採用資料庫，資料蒐集後可立即進行搜尋與分析，以視覺化圖形介面呈現。「主要是仰賴MapReduce核心技術，類似於Hadoop，但Splunk強調的是即時性，Hadoop則是批次處理為主。」陳哲閎說。「確實有製造業客戶是建構Hadoop平台來協助，才發現在即時資料處理方面的限制，來自於資料蒐集過程不夠快，畢竟仍舊得仰賴HBase轉換成結構化的資料。客戶發現Hadoop速度不夠快後，於是將HBase轉為In-Memory技術處理，試圖提升整體速度，但終究是資料庫思維架構，無法避免受限。」
他進一步說明，由於資料庫的特性是「Schema-on-Write」，必須依據規範載入資料。若為批次處理與分析資料的應用模式，關聯式資料庫的確游刃有餘，但生產線的資訊分析必須為即時，就必須由Splunk這類「Schema-on-Read」，在執行查詢讀取時才驗證Schema的資料處理，以加快反應速度。
此外，未來在物聯網的發展下，不論感測器回報的資料格式是否固定，只要是明文，即可經Splunk統整，以辨識感測器的廠牌與用途、取得參數值的定義，並且可進一步設定當數值超過臨界值後，自動觸發執行的動作。由此亦可知其實資料控管的概念各行業都類似，只是應用情境不同而已。