retail pricing search personaliztion

介绍

在零售环境中，将客户放在首位成为任何电子商务商务成功的关键。因此，客户在Web应用程序上的每一次互动都可以告知客户的预订和兴趣。围绕客户的信息进行建模，有助于在帮助购买决策的情况下释放价值，并通过移动业务的KPI。在此存储库中，我们已经将客户在Web应用程序上存储实时互动的功能进行了分组，以建模以下Behviours：

1. 使用产品购买行为的竞争价格建议
2. 单个产品的业务智能评分确定产品的卖出

然后，这些建模的功能用于为这些产品的Discoverabiltiy方面的分类和排名功能提供动力。

现场演示

http：// go/go/retail-demo

建筑学

体系结构概述

竞争价格和搜索的电子商务零售体系结构包括4个主要层：

1. 多租户流摄取
2. 流处理
3. AI/ML建模
4. 操作数据存储和搜索引擎

现代的电子商务支持系统应该能够实时从多个来源和批处理负载整理数据，并能够将这些数据转换为模式/格式，可以在其上构建Lucene搜索索引以启用增加的库存。此外，该体系结构还应该能够在网站上整合客户行为，从而积极地有助于库存的可发现性，同时支持和改善利润率良好的购买决策。

这些功能在上述电子商务体系结构中被捕获了：1。在MongoDB Kafka Connector的帮助下，我们能够将实时数据从多个来源汇到MongoDB。 2.在MongoDB Spark Connector和Databricks MLFlow的帮助下，我们能够准备功能并训练强大的ML模型，以预测库存的价格，鉴于给定产品的近乎实时的点击式数据数据。 3.所有生成的数据流被转换并写入名为Catalog的MongoDB集合中的统一视图，该视图用于构建搜索索引和支持查询和发现产品的发现。 4.在ATLAS搜索功能和强大的聚合管道的帮助下，我们可以在移动/Web应用程序上为搜索/发现性，超个性化和特色排序提供动力。

先决条件

在运行应用程序之前，您需要在系统上安装以下内容：

• Python 3
• PIP3
• NPM

部署后端服务

• 将此存储库克隆到您的本地计算机。

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

• 在以下文件中更新MongoDB连接字符串。

  • ./service/app.py

• 使用PIP安装项目依赖关系

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

• 运行Python代码。

   python3 app.py
  

运行该应用程序

• 启动Kafka客户端
• 更新Kafka接收器连接器配置
  • ./kafka/mongodb-clogs-sink-connector.properties
  • ./kafka/mongodb-atp-sink-connector.properties
• 运行kakfa的连接器

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

• 将此存储库克隆到您的本地计算机。

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

• 使用NPM或纱线安装依赖项。

   cd frontend
  npm install react-scripts@latest

• 在以下位置更新API凭据和端点
  • frontend/src/config.js
• 在单独的终端窗口中启动React应用程序。

npm start