retail pricing search personaliztion

Introduction

Dans un environnement de vente au détail, mettre le client devient la clé du succès, toute bus de commerce électronique. Ainsi, chaque interaction du client sur une application Web peut informer des préfrenances et des intérêts du client. La modélisation des informations sur les clients aide à débloquer la valeur pour aider les décisions d'achat et là-bas en déplaçant le KPI de l'autobus. Dans ce référentiel, nous avons démostré les capacités de stocker l'interaction en temps réel du client sur l'application Web pour modéliser les Behviours suivants:

1. Suggestion de prix compétitive en utilisant le comportement d'achat du produit
2. Busssiness Intelligence Score pour les produits individuels afin de déterminer la vente du produit

Ces fonctionnalités modélisées sont ensuite utilisées pour alimenter les fonctionnalités de tri et de classement sur le devant de la découverte de ces produits.

Démo en direct

http: // go / commercial-demo

Architecture

Aperçu de l'architecture

L'architecture de vente au détail E Commerce pour les prix et la recherche compétitifs comprend 4 couches principales à savoir:

1. Ingestion de streaming multi-locataire
2. Traitement des cours d'eau
3. Modélisation AI / ML
4. Magasin de données opérationnelles et moteur de recherche

Un système soutenu par le commerce électronique moderne devrait être en mesure de rassembler des données à partir de plusieurs sources en temps réel ainsi que des charges par lots et être en mesure de transformer ces données en schéma / format sur lequel un index de recherche Lucene peut être construit pour permettre la découverte de l'inventaire supplémentaire. L'architecture devrait également être en mesure d'intégrer le comportement des clients sur le site Web contribue positivement à la découvre de l'inventaire et en même temps soutient et améliore les décisions d'achat avec une bonne marge bénéficiaire.

Ces fonctionnalités sont belles capturées dans l'architecture de commerce électronique ci-dessus où: 1. avec l'aide du connecteur MongoDB Kafka, nous sommes en mesure de couler des données en temps réel de plusieurs sources à MongoDB. 2. avec l'aide du connecteur Spark MongoDB et du MLFlow de Databricks, nous sommes en mesure de préparer des fonctionnalités et de former un modèle ML robuste pour prédire le prix de l'inventaire étant donné les données de clics en temps quasi réel sur les produits donnés. 3.Tous les flux de données générés sont transformés et écrits en une vue unifiée dans la collection MongoDB appelée catalogue qui est utilisée pour créer des index de recherche et prendre en charge la requête et la découverte des produits. 4. avec l'aide des capacités de recherche Atlas et des pipelines d'agrégation robustes, nous pouvons alimenter des fonctionnalités telles que la recherche / la découverte, la personnalisation hyper et le tri en vedette sur les applications mobiles / Web.

Condition préalable

Avant d'exécuter l'application, vous devrez avoir l'installé suivant sur votre système:

• Python 3
• PIP3
• NPM

Déployer le service backend

• Clone ce référentiel à votre machine locale.

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

• Mettez à jour la chaîne de connexion MongoDB dans le fichier suivant.

  • ./service/app.py

• Installez les dépendances du projet à l'aide de PIP

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

• Exécutez le code Python.

   python3 app.py
  

Exécution de l'application

• Démarrer le client de Kafka
• Mettez à jour la configuration du connecteur Kafka Sink dans
  • ./kafka/mongodb-logs-sink-connector.properties
  • ./kafka/mongodb-atp-sink-connector.properties
• Exécutez les connecteurs pour kakfa

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

• Clone ce référentiel à votre machine locale.

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

• Installez les dépendances à l'aide de NPM ou de fil.

   cd frontend
  npm install react-scripts@latest

• Mettez à jour les informations d'identification et les points de terminaison de l'API dans l'emplacement suivant
  • frontend/src/config.js
• Démarrez l'application React dans une fenêtre de terminal séparé.

npm start