retail pricing search personaliztion

Введение

В розничной среде, ставя клиента на первое место, становится ключом к успеху любой автобусовости электронной коммерции. Таким образом, каждое взаимодействие с клиентом в веб -приложении может сообщить о предвидении и интересах клиента. Моделирование информации о клиентах помогает разблокировать ценность в оказании помощи решениям о покупке и там, перемещая KPI автобустости. В этом хранилище мы продемонстрировали возможности для хранения взаимодействия клиента в реальном времени в веб -приложении для моделирования следующих Behviours:

1. Конкурентоспособное предложение по цене с использованием поведения покупки продукта
2. Бассейн интеллекта для отдельных продуктов для определения продажи продукта

Эти моделируемые функции затем используются для питания функций сортировки и ранжирования на фронте Discoverabiltiy этих продуктов.

Живая демонстрация

http: // go/розничная демо

Архитектура

Обзор архитектуры

Архитектура розничной торговли Emerce для конкурентных цен и поиска состоит из 4 основных уровней, а именно:

1. Многоактивное потоковое употребление
2. Обработка потоков
3. Моделирование AI/ML
4. Оперативное хранилище данных и поисковая система

Современная система, поддерживаемая электронной коммерцией, должна иметь возможность собирать данные из нескольких источников в режиме реального времени, а также пакетных нагрузок и иметь возможность преобразовать эти данные в схему/формат, на котором может быть создан индекс поиска Lucene, чтобы обеспечить обнаружение дополнительного инвентаризации. Кроме того, архитектура также должна иметь возможность интегрировать поведение клиентов на веб -сайте, положительно способствует обнаружении инвентаризации и в то же время поддерживает и улучшает решения о покупке с хорошей прибылью.

Эти функции хороши в архитектуре электронной коммерции, где: 1. С помощью разъема Mongodb Kafka мы можем погрузить данные в реальном времени из нескольких источников до MongoDB. 2. С помощью MongoDB Spark Connector и DataBricks Mlflow мы можем подготовить функции и обучить надежную модель ML для прогнозирования цены инвентаря, учитывая данные о клике в реальном времени на данных продуктах. 3. Все сгенерированные потоки данных преобразуются и записываются в унифицированный представление в коллекции MongoDB, называемой каталогом, который используется для создания индексов поиска и поддержки запросов и обнаружения продуктов. 4. Благодаря помощи возможностей поиска в Атласе и надежных трубопроводов мы можем питать такие функции, как поиск/обнаружение, гипер -персонализация и сортировка в мобильных/веб -приложениях.

Предварительные условия

Перед запуском приложения вам нужно будет установить следующее в вашей системе:

• Питон 3
• PIP3
• npm

Развернуть сервис бэкэнд

• Клонировать этот репозиторий на местную машину.

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

• Обновите строку подключения MongoDB в следующем файле.

  • ./service/app.py

• Установите зависимости проекта с помощью PIP

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

• Запустите код Python.

   python3 app.py
  

Запуск приложения

• Начните клиент Kafka
• Обновите конфигурацию разъема Cafka Connector в
  • ./kafka/mongodb-logs-sink-connector.properties
  • ./kafka/mongodb-atp-sink-connector.properties
• Запустите разъемы для Kakfa

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

• Клонировать этот репозиторий на местную машину.

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

• Установите зависимости, используя NPM или пряжу.

   cd frontend
  npm install react-scripts@latest

• Обновите учетные данные и конечные точки API в следующем месте
  • frontend/src/config.js
• Запустите приложение React в отдельном окне терминала.

npm start