Empfehlungs-Engine-Integration

Integrieren Sie die Empfehlungs-Engine mit Verkaufsdaten, REST-Anfragen und Produktvergleichsfunktionen.

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. 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.

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:

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: https://ng-demo.fact-finder.de/fact-finder/swagger-ui.html

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: https://ng-demo.fact-finder.de/fact-finder/swagger-ui.html

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.