retail pricing search personaliztion

Introducción

En un entorno minorista, poner al cliente primero se convierte en clave para el éxito cualquier autobús de comercio electrónico. Por lo tanto, cada interacción del cliente en una aplicación web puede informar sobre las preferencias e intereses del cliente. El modelado de la información de los clientes ayuda a desbloquear el valor para ayudar a las decisiones de compra y allí moviendo el KPI del autobús. En este repositorio hemos demostrado las capacidades para almacenar la interacción en tiempo real del cliente en la aplicación web para modelar los siguientes behviours:

1. Sugerencia de precios competitivos utilizando el comportamiento de compra del producto
2. Puntuación de inteligencia de Bussiness para productos individuales para determinar la venta de la venta del producto

Estas características modeladas se utilizan para alimentar las funcionalidades de clasificación y clasificación en el frente descubierto de estos productos.

Demostración en vivo

http: // go/minorista-demo

Arquitectura

Descripción general de la arquitectura

La arquitectura minorista E Commerce para precios y búsqueda competitivos consta de 4 capas principales, a saber:

1. Ingestión de transmisión de múltiples inquilinos
2. Procesamiento de flujo
3. Modelado AI/ML
4. Almacén de datos operativo y motor de búsqueda

Un sistema moderno respaldado por comercio electrónico debería poder recopilar datos de múltiples fuentes en tiempo real, así como cargas por lotes y poder transformar estos datos en un esquema/formato sobre el cual se puede construir un índice de búsqueda de Lucene para permitir el descubrimiento del inventario adicional. Además, la arquitectura también debería poder integrar el comportamiento del cliente en el sitio web contribuye positivamente a la descubrimiento del inventario y al mismo tiempo apoya y mejora las decisiones de compra con un buen margen de beneficio.

Estas características son buenas capturadas en la arquitectura de comercio electrónico anterior donde: 1.con la ayuda del conector MongoDB Kafka, podemos hundir datos en tiempo real de múltiples fuentes a MongoDB. 2. Con la ayuda de MongoDB Spark Connector y Databricks MLFlow, podemos preparar características y capacitar a un modelo ML robusto para predecir el precio del inventario dados los datos de Clickstream en tiempo casi real en los productos dados. 3. Todas las secuencias de datos generadas se transforman y escriben en una vista unificada en la colección MongoDB llamada Catálogo que se utiliza para crear índices de búsqueda y admitir consultas y descubrimiento de productos. 4. Con la ayuda de las capacidades de búsqueda de Atlas y las sólidas tuberías de agregación, podemos alimentar características como búsqueda/descubrimiento, hiper personalización y clasificación destacada en aplicaciones móviles/web.

Requisitos previos

Antes de ejecutar la aplicación, deberá tener lo siguiente instalado en su sistema:

• Python 3
• pip3
• npm

Implementar el servicio de backend

• Clone este repositorio a su máquina local.

  git clone https://github.com/ashwin-gangadhar-mdb/retail-pricing-search-personaliztion.git
  cd mobile-demo/backend-service

• Actualice la cadena de conexión MongoDB en el siguiente archivo.

  • ./service/app.py

• Instale las dependencias del proyecto utilizando PIP

   pip3 install -r [label](service/requirements.txt)
  

• Ejecute el código Python.

   python3 app.py
  

Ejecutando la aplicación

• Iniciar cliente Kafka
• Actualizar la configuración del conector de sumidero de kafka en
  • ./kafka/MongoDB-Clogs-Sink-Connector.Properties
  • ./kafka/mongodb-atp-sink-connector.properties
• Ejecute los conectores para kakfa

  ./run-connector.sh ./kafka/mongodb-clogs-sink-connector.properties ./kafka/mongodb-atp-sink-connector.properties

• Clone este repositorio a su máquina local.

  git clone https://github.com/ashwin-gangadhar-mdb/retail-pricing-search-personaliztion.git

• Instale las dependencias con NPM o hilo.

   cd frontend
  npm install react-scripts@latest

• Actualizar las credenciales de API y los puntos finales en la siguiente ubicación
  • frontend/src/config.js
• Inicie la aplicación React en una ventana terminal separada.

npm start