Integration der Empfehlungs-Engine

Zusammenfassung

Sie können den Umsatz nachhaltig durch Cross-Selling und Up-Selling steigern. Die Herausforderung besteht darin, typische Kaufmuster zu identifizieren.

Die FactFinder Recommendation Engine lernt, welche Artikel häufig zusammen gekauft werden. Beispielsweise interessiert sich ein Kunde, der ein Mobiltelefon kauft, möglicherweise auch für ein Ladegerät oder eine Hülle; ein Kunde, der ein Abendkleid kauft, interessiert sich möglicherweise auch für eine passende Halskette oder Handtasche. Die Engine analysiert Käufe in Ihrem Shop, um Beziehungen zwischen Produkten und Kategorien zu entdecken, sodass Sie proaktiv relevante Artikel 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.

Es stehen zwei grundlegende Optionen zur Verfügung, um dies zu tun:

• Senden Sie die Daten über die Tracking-Schnittstelle

• Machen Sie sie verfügbar in einer Datei die in bestimmten Intervallen übermittelt wird

Tracking und Recommendation Engine

Dies ist die empfohlene Methode, da die Tracking-Integration zusätzliche Vorteile bietet, wie erweiterte Analysen. Die Tracking-Schnittstelle ist Teil der Standardintegration, sodass in der Regel kein zusätzlicher Aufwand erforderlich ist.

Eine ausführliche Beschreibung der Tracking-Schnittstelle finden Sie in der Tracking-Dokumentation. Um Verkaufsdaten an die Recommendation Engine zu liefern, integrieren Sie das Tracking mindestens über das buy Event.

Der Nachteil dieser Methode ist, dass Verkaufsdaten nur ab dem Zeitpunkt der Integration verfügbar sind. Bei einer neuen Einrichtung ist mit einer kurzen Lernphase zu rechnen. Um dem entgegenzuwirken, können Sie historische Verkaufsdaten zur anfänglichen Schulung per Exportdatei bereitstellen.

Hinweis: Tracking-Daten müssen von Analytics aufbereitet werden, bevor sie von der Recommendation Engine verwendet werden können. Der WhatsHot Job sammelt diese Daten dann periodisch (in der Regel einmal täglich) aus Analytics und speichert sie im APP_RESOURCES/analytics Verzeichnis. Der Import in die Recommendation Engine funktioniert nur, wenn Daten vorhanden sind.

Exportdatei

Die gleichen Prinzipien, die für den Export von Produktdaten gelten, gelten auch bei der Erstellung dieser Exportdatei. Details finden Sie unter Datensatzstruktur für Export/Import.

Eine CSV-Datei ist das ideale Format. Der Export muss ein vollständiger Export sein—inkrementelle Lieferungen werden nicht unterstützt. Ist das Volumen groß, 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 eingeloggt ist, verwenden Sie die Benutzer-ID des Shops. Unterstützt der Shop den Gastkauf, verwenden Sie eine für jeden Kauf eindeutige ID.

Hinweis: Wenn Varianten in den Produktdaten existieren (d. h. eine masterArticleNumber existiert), übergeben Sie auch die masterId. Wenn eine Variante gekauft wird, lernt die Engine die Verbindung zum Stammprodukt.

Beispiel für eine Exportdatei:

Zeitstempel; ProduktID; Anzahl; WarenkorbID; BenutzerID
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
...

Anforderung von Produktempfehlungen via REST

Die technische Dokumentation der REST-API ist in der Search-Anwendung selbst enthalten und kann über [Ihr NG-Server]/fact-finder/swagger-ui.html aufgerufen werden. Sie ist auch über die folgende URL erreichbar:

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

Die Schnittstelle bietet nicht nur die Parameterausführung, sondern auch die Möglichkeit, eine Abfrage zu testen und das Ergebnis zu überprüfen. Die Dokumentation wurde mit Swagger erstellt; Sie können Swagger Codegen verwenden, um einen Client dafür zu generieren und ihn in Ihrem Code zu nutzen.

Auf Produktempfehlungen wird über die Methode zugegriffen recommendation. Ein Import von Verkaufsdaten kann über das import Methode zugegriffen.

Produktvergleich-Integration

Dieses Modul ermöglicht es, einfach eine Produktvergleichsfunktion im Shop anzubieten. FactFinder stellt die relevanten Produktinformationen für jede angefragte Artikelnummer sowie Informationen zu den verglichenen Attributen bereit, die dann nur noch angezeigt werden müssen.

Verschiedene Attribute können hervorgehoben werden, um die Aufmerksamkeit des Kunden auf sie zu lenken.

Die technische Dokumentation der REST-API ist in der Search-Anwendung selbst enthalten und kann über [Ihr NG-Server]/fact-finder/swagger-ui.html aufgerufen werden. Sie ist auch über die folgende URL erreichbar:

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

Die Schnittstelle bietet nicht nur die Parameterausführung, sondern auch die Möglichkeit, eine Abfrage zu testen und das Ergebnis zu überprüfen. Die Dokumentation wurde mit Swagger erstellt; Sie können Swagger Codegen verwenden, um einen Client dafür zu generieren und ihn in Ihrem Code zu nutzen.

Moduldaten werden über die compareproducts Funktion abgerufen.