retail pricing search personaliztion

Introdução

Em um ambiente de varejo, colocar o cliente primeiro se torna a chave para o sucesso qualquer ônibus comércio eletrônico. Portanto, toda e qualquer interação do cliente em um aplicativo da Web pode informar sobre as pré -frcelas e interesses do cliente. A modelagem em torno dos clientes Informações ajuda a desbloquear o valor a ajudar as decisões de compra e ali movendo o KPI do Bussiness. Neste repositório, demonstramos os recursos para armazenar a interação em tempo real do cliente no aplicativo da web para modelar os seguintes Behviours:

1. Sugestão de preços competitivos usando o comportamento de compra do produto
2. Pontuação de inteligência de negócios para produtos individuais para determinar o Sellabilitiy do produto

Esses recursos modelados são usados ​​para alimentar as funcionalidades de classificação e classificação na frente Discoverabiltiy desses produtos.

Demoção ao vivo

http: // go/varejo-Demo

Arquitetura

Visão geral da arquitetura

A arquitetura de varejo do E Commerce para preços e pesquisas competitivas é composta por 4 camadas principais, a saber:

1. Ingestão de transmissão com vários inquilinos
2. Processamento de fluxo
3. Modelagem AI/ML
4. Armazenamento de dados operacionais e mecanismo de pesquisa

Um sistema apoiado por comércio eletrônico moderno deve poder coletar dados de várias fontes em tempo real, bem como cargas em lote e transformar esses dados em um esquema/formato sobre o qual um índice de pesquisa do Lucene pode ser criado para permitir a descoberta do inventário adicionado. Além disso, a arquitetura também deve ser capaz de integrar o comportamento do cliente no site, contribui positivamente para a descoberta do inventário e, ao mesmo tempo, apóia e melhora as decisões de compra com uma boa margem de lucro.

Esses recursos são bons capturados na arquitetura de comércio eletrônico acima, onde: 1. Com a ajuda do conector MongoDB Kafka, somos capazes de afundar dados em tempo real de várias fontes para o MongoDB. 2. Com a ajuda do MongoDB Spark Connector e Databricks MLFlow, somos capazes de preparar recursos e treinar um modelo robusto de ML para prever o preço do inventário, dados os dados do clickstream quase em tempo real sobre os produtos fornecidos. 3. Todos os fluxos gerados de dados são transformados e gravados em uma visão unificada na coleção MongoDB chamada Catalog, que é usada para criar índices de pesquisa e apoiar a consulta e a descoberta de produtos. 4. Com a ajuda dos recursos de pesquisa do Atlas e dos pipelines de agregação robustos, podemos alimentar recursos como pesquisa/descoberta, personalização hiper e destaque em aplicativos móveis/web.

Pré -requisitos

Antes de executar o aplicativo, você precisará instalar o seguinte no seu sistema:

• Python 3
• pip3
• npm

Implantar o serviço de back -end

• Clone este repositório para sua máquina local.

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

• Atualize a string de conexão MongoDB no seguinte arquivo.

  • ./service/app.py

• Instale as dependências do projeto usando PIP

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

• Execute o código Python.

   python3 app.py
  

Executando o aplicativo

• Inicie o cliente Kafka
• Atualize a configuração do conector Kafka Sink em
  • ./kafka/mongodb-clogs-sink-connector.properties
  • ./kafka/mongodb-atp-sink-connector.properties
• Execute os conectores para Kakfa

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

• Clone este repositório para sua máquina local.

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

• Instale as dependências usando NPM ou YARN.

   cd frontend
  npm install react-scripts@latest

• Atualize as credenciais e pontos de extremidade da API no local seguinte
  • frontend/src/config.js
• Inicie o aplicativo React em uma janela de terminal separada.

npm start