> For the complete documentation index, see [llms.txt](https://docs.fact-finder.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.fact-finder.com/integration/de/recommendation-engine-integration.md). # Empfehlungs-Engine-Integration ## Zusammenfassung Cross-Selling und Up-Selling können dazu beitragen, den Umsatz im Laufe der Zeit zu steigern. Die größte Herausforderung besteht darin, typische Kaufmuster zu identifizieren. Die FactFinder Recommendation Engine lernt, welche Artikel häufig zusammen gekauft werden. Zum Beispiel könnte sich ein Kunde, der ein Mobiltelefon kauft, auch für ein Ladegerät oder ein Etui interessieren; ein Kunde, der ein Abendkleid kauft, könnte sich auch für eine passende Halskette oder Handtasche interessieren. Die Engine analysiert die Käufe in Ihrem Shop, um Beziehungen zwischen Produkten und Kategorien zu erkennen, sodass Sie relevante Artikel proaktiv empfehlen und die Warenkorbgröße erhöhen können. ## Bereitstellung von Verkaufsdaten für die Recommendation Engine Zusätzlich zu den Produktdaten, die bereits über die Suchfunktion verfügbar sind, benötigt die Recommendation Engine Verkaufsinformationen. Dafür stehen zwei grundlegende Optionen zur Verfügung: * Senden Sie die Daten über die **Tracking-Schnittstelle** * Stellen Sie sie in **einer Datei bereit** die in bestimmten Intervallen übermittelt wird ### Tracking- und Empfehlungs-Engine Dies ist die empfohlene Methode, da die Tracking-Integration zudem zusätzliche Vorteile bietet, wie z. B. verbesserte Analytics. Die Tracking-Schnittstelle ist Teil der Standardintegration, sodass normalerweise kein zusätzlicher Aufwand erforderlich ist. Eine ausführliche Beschreibung der Tracking-Schnittstelle finden Sie in der [Tracking-Dokumentation](/integration/de/tracking-interface.md). Um Verkaufsdaten an die Recommendation Engine zu übermitteln, integrieren Sie Tracking mindestens über das `Kauf` Ereignis. Der Nachteil dieser Methode ist, dass Verkaufsdaten erst ab dem Zeitpunkt der Integration verfügbar sind. Bei einer neuen Einrichtung ist mit einer kurzen Lernphase zu rechnen. Um dies abzumildern, können Sie historische Verkaufsdaten für das Initialtraining über eine Exportdatei bereitstellen. > **Hinweis:** Tracking-Daten müssen von Analytics vorbereitet werden, bevor sie von der Empfehlungs-Engine verwendet werden können. Die `WhatsHot` Der Job sammelt diese Daten dann regelmäßig (normalerweise einmal am Tag) aus Analytics und speichert sie in der `APP_RESOURCES/analytics` Verzeichnis. Die Recommendation Engine Daten-Import funktioniert nur, wenn Daten verfügbar sind. ### Datei exportieren Die gleichen Grundsätze, die für den Export von Produktdaten gelten, gelten auch beim Erstellen dieser Exportdatei. Details finden Sie unter [Datensatzstruktur für Export/Daten-Import](/docs/de/import/ff-search-integration-how-to-optimize-your-datafeed.md). Eine CSV-Datei ist das ideale Format. Der Export muss ein vollständiger Export sein – inkrementelle Lieferungen werden nicht unterstützt. Wenn das Volumen groß ist, begrenzen Sie den exportierten Zeitraum auf 6–12 Monate. Die Datei muss die folgenden Informationen enthalten: * **Zeitstempel** - Datum und Uhrzeit des Kaufs. * **Produkt-ID** - ID oder Artikelnummer des gekauften Produkts. Dieser Identifikator muss auch in den Produktdaten vorhanden sein, die dem FactFinder Search-Tool bereitgestellt werden. In den Produktdaten muss dies das Feld mit der Rolle `productNumber`. * **Menge** - Menge des gekauften Produkts. * **Warenkorb-ID** - erforderlich, um festzustellen, welche Produkte zusammen gekauft wurden. Diese ID muss pro Warenkorb eindeutig sein. Wenn sie fehlt oder 0 ist, wird das entsprechende Ereignis ignoriert. * **Benutzer-ID** - identifiziert den Käufer. Wenn der Benutzer angemeldet ist, verwenden Sie die Benutzer-ID des Shops. Wenn der Shop den Gast-Checkout unterstützt, verwenden Sie eine ID, die für jeden Kauf eindeutig ist. > **Hinweis:** Wenn im Produktdatenbestand Varianten existieren (d. h. eine `masterArticleNumber` existiert), übergeben Sie auch die `masterId`. Wenn eine Variante gekauft wird, lernt die Engine die Verbindung zum Masterprodukt. *Beispieldatei für den Export:* ```language-plaintext Zeitstempel; Produkt-ID; Menge; Warenkorb-ID; Benutzer-ID 2009-03-26 00:08:10; 16041987; 1; 3880; 23 2009-03-26 00:08:10; 4582657; 1; 3880; 23 2009-03-26 00:08:10; 8954245; 1; 3880; 23 2009-03-26 00:28:25; 5659536; 2; 3881; 30 2009-03-26 00:08:10; 4582657; 1; 3882; 42 2009-03-26 00:28:25; 4571231; 1; 3883; 51 ... ``` ## Produktempfehlungen über REST anfordern Die Dokumentation der REST-API ist Teil der Suchanwendung und unter \[Ihr NG-Server]/fact-finder/swagger-ui.html verfügbar. Sie können hier auch darauf zugreifen: Swagger-Link: Zusätzlich zur Parameterdokumentation können Sie Anfragen testen und die Ergebnisse direkt einsehen. Da die Dokumentation mit Swagger erstellt wurde, können Sie auch Swagger Codegen verwenden, um einen Client zu generieren. Produktempfehlungen sind über die `Empfehlung` Methode. Sie können einen Daten-Import für Verkaufsdaten über das auslösen. `Daten-Import` Methode. ## Produktvergleichs-Integration Dieses Modul macht es einfach, in Ihrem Shop Produktvergleiche anzubieten. FactFinder liefert die relevanten Produktinformationen für jede angefragte Artikelnummer zusammen mit den verglichenen Attributen, und Ihr Shop muss sie nur anzeigen. Sie können auch ausgewählte Merkmale hervorheben, um die Aufmerksamkeit des Kunden darauf zu lenken. Die Dokumentation der REST-API ist Teil der Suchanwendung und unter \[Ihr NG-Server]/fact-finder/swagger-ui.html verfügbar. Sie können hier auch darauf zugreifen: Swagger-Link: Zusätzlich zur Parameterdokumentation können Sie Anfragen testen und die Ergebnisse direkt einsehen. Da die Dokumentation mit Swagger erstellt wurde, können Sie auch Swagger Codegen verwenden, um einen Client zu generieren. Moduldaten werden über das abgerufen `Produkte vergleichen` Funktion. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.fact-finder.com/integration/de/recommendation-engine-integration.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.