retail pricing search personaliztion

Perkenalan

Dalam lingkungan ritel, menempatkan pelanggan terlebih dahulu menjadi kunci keberhasilan setiap bisnis e -commerce. Jadi setiap interaksi pelanggan pada aplikasi web dapat menginformasikan tentang prefrensi dan minat pelanggan. Pemodelan di sekitar informasi pelanggan membantu membuka nilai dalam membantu keputusan pembelian dan di sana dengan memindahkan KPI dari businitas. Dalam repositori ini kami telah mendemostrasi kemampuan untuk menyimpan interaksi waktu nyata pelanggan pada aplikasi web untuk memodelkan Behviours berikut:

1. Saran Harga Kompetitif Menggunakan Perilaku Pembelian Produk
2. Skor Kecerdasan Bussiness untuk Produk Individual untuk Menentukan Sellabilitiy Produk

Fitur -fitur yang dimodelkan ini kemudian digunakan untuk memberi daya pada fungsi penyortiran dan peringkat di bagian depan DiscoverAbiltiy dari produk -produk ini.

Demo langsung

http: // go/eceran-demo

Arsitektur

Tinjauan Arsitektur

Arsitektur ritel E Commerce untuk harga kompetitif dan pencarian terdiri dari 4 lapisan utama yaitu:

1. Konsumsi streaming multi-tenant
2. Pemrosesan aliran
3. Pemodelan AI/ML
4. Penyimpanan data operasional dan mesin pencari

Sistem yang didukung e-commerce modern harus dapat mengumpulkan data dari berbagai sumber secara real-time serta beban batch dan dapat mengubah data ini menjadi skema/format di mana indeks pencarian Lucene dapat dibangun untuk memungkinkan penemuan inventaris yang ditambahkan. Juga arsitektur juga harus dapat mengintegrasikan perilaku pelanggan di situs web secara positif berkontribusi terhadap penemuan inventaris dan pada saat yang sama mendukung dan meningkatkan keputusan pembelian dengan margin keuntungan yang baik.

Fitur-fitur ini bagus ditangkap dalam arsitektur e-commerce di atas di mana: 1. Dengan bantuan konektor Kafka MongoDB, kami dapat menenggelamkan data waktu nyata dari berbagai sumber ke MongoDB. 2. Dengan bantuan konektor MongoDB Spark dan Databricks MLFLOW, kami dapat menyiapkan fitur dan melatih model ML yang kuat untuk memprediksi harga inventaris yang diberikan data clickstream yang hampir real-time pada produk yang diberikan. 3. Semua aliran data yang dihasilkan ditransformasikan dan ditulis menjadi tampilan terpadu dalam koleksi MongoDB yang disebut Katalog yang digunakan untuk membangun indeks pencarian dan mendukung kueri dan penemuan produk. 4. Dengan bantuan kemampuan pencarian Atlas dan pipa agregasi yang kuat, kami dapat memberi daya pada fitur seperti pencarian/keterbukaan, hiper personalisasi dan unggulan pada aplikasi seluler/web.

Prasyarat

Sebelum menjalankan aplikasi, Anda harus menginstal berikut pada sistem Anda:

• Python 3
• Pip3
• NPM

Menggunakan layanan backend

• Kloning repositori ini ke mesin lokal Anda.

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

• Perbarui string koneksi MongoDB di file berikut.

  • ./service/app.py

• Instal dependensi proyek menggunakan PIP

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

• Jalankan kode Python.

   python3 app.py
  

Menjalankan aplikasi

• Mulai klien Kafka
• Perbarui konfigurasi konektor kafka wastafel di
  • ./kafka/mongodb-clogs-sink-connector.properties
  • ./kafka/mongodb-atp-sink-connector.properties
• Jalankan Konektor untuk Kakfa

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

• Kloning repositori ini ke mesin lokal Anda.

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

• Instal dependensi menggunakan NPM atau benang.

   cd frontend
  npm install react-scripts@latest

• Perbarui kredensial dan titik akhir API di lokasi berikut
  • frontend/src/config.js
• Mulai aplikasi React di jendela terminal terpisah.

npm start