معرفی API نسخه 5

در این پست شما رو با مهمترین کارکردهای API رکامندر آی‌آر نسخه ۵ آشنا می‌کنیم. مهمترین ویژگی‌های این نسخه پوشش بیشتر بر روی خدمات سرویس‌های لایه‌های پایین و هم چنین کاهش چشمگیر تعداد اندپوینت‌هاست.

مستندات این نسخه نیز همچون نسخه‌های قبلی توسط سواگر (swagger) تولید می‌شه. بسیاری از زبان‌های برنامه‌نویسی همچون جاوا، جاواسکریپت، پایتون، دات‌نت، پی‌اچ‌پی و … کد استاب کلاینت رو در اختیار دارین و این کمک می‌کنه طی کمترین زمان ممکنه سرویس‌های ما رو در سایت یا اپلیکیشن‌ها به کار بگیرین.

نسخه ۵ سرویس‌های رکامندر گروهی از اندپوینت‌های ویژه شخصی‌سازی را در اختیار شما قرار می‌دهد:

 

اندپوینت‌های ingest

اندپوینت‌های اینجست طیف متنوعی از عملیات ارسال، آپدیت و حذف آیتم‌ها و تگ‌ها رو انجام می‌دن. تصویر زیر اندپوینت‌های این گروه رو نمایش می‌ده:

برای ارسال، به روزآوری یا حذف می‌تونید از فرامین GET, POST, PUT, DELETE بر روی اندپوینت ingest استفاده کنید.

همچنین برای ارسال کامنت یک اندپوینت مجزا با فرمان POST را در اختیار دارین.

در ادامه به معرفی تک تک این اندپوینت‌ها همراه با مثال‌های متنوع می‌پردازیم.

ingest – GET

اینجست با فرمان GET رو می‌تونید بسادگی فراخوانی کنید. این اندپوینت کد یکتای کاربر، کدیکتای آیتم رو به صورت الزامی  از شما طلب می‌کنه. برای انتخاب action مختار هستین. action میتونه یکی از سه وضعیت visit، cart و like رو شامل بشه:

این ساده ترین روش برای ارسال، اطلاعاتی از تعامل کاربر با آیتم‌هاست.

ingest – POST

می‌تونید جزئیات بیشتری نیز برای سرویس ارسال کنید. این جزئیات به افزایش دقت خروجی‌های سرویس کمک می‌کنه:

می‌توانیم یک اینجست ساده ارسال کنیم با این مضمون که کاربر ۱۲۳۴۵ آیتم p_100 رو دیده:

{
"user-id": 12345,
"item-id": "p_100"
}

از این اندپوینت می‌تونید برای ارسال تگ‌های آیتم‌ها نیز استفاده کنید. در مثال زیر برای آیتم p_100 تگ‌های carpet, khaki, 9900$ رو ارسال کردیم:

{
"item-id": "p_100",
"tags": [
"carpet",
"khaki",
"9900$"
] }

در این مثال زیر با شناسه 12345 از کالایی با شناسه p_100 بازدید کرده. هم چنین کالای p-100 دارای تگ‌های carpet, khaki, 9900$ بوده.

نمونه جیسان ارسال شده را در اینجا نیز‌ مشاهده می‌کنید:

{
"user-id": 12345,
"item-id": "p_100",
"action": "visit",
"tags": [
"carpet",
"khaki",
"9900$"
] }

در مثال‌های بالا دیدیم برای ارسال اینجست‌های ساده مثل وقتی که کاربری آیتمی را می‌بیند یا اضافه کردن تگ‌های یک آیتم می‌توانیم از این اندپوینت استفاده کنیم.

ingest – PUT

برای ویرایش تگ‌ها کافیست از فرمان PUT استفاده کنیم.

 

به مثال‌ زیر توجه کنید. تگ‌های فرش و بختیاری را برای آیتم‌های p_100 و p_101 ثبت می‌کند. (تمام تگ‌های قبلی این آیتم‌ها را حذف می‌کند.)


{
"item-ids": [
"p_100",
"p_101"
],
"tags": [
"فرش",
"بختیاری"
] }

مثال زیر آیتم‌های p_100 و p_101 را از خروجی‌ها حذف می‌کند:


{
"item-ids": [
"p_100",
"p_101"
] }

ingest – DELETE

برای حذف تگ‌ها یا آیتم‌هایی که قبلا توسط اینجست‌هایی با فرامین GET, POST یا PUT به سرویس ارسال کرده‌ایم می‌تونیم از  اینسجت با فرمان DELETE استفاده کنیم:

مثالی که در تصویر بالا مشاهده می‌کنید، تگ‌هایی را از دو آیتم p_100 و  p_101 حذف می‌کند. اگر‌ آرایه tags را از body این مثال حذف کنیم، در این صورت دو آیتم p_100 و p_101 رو از تمام خروجی‌ها حذف می‌کند.

ingestComment – POST

برای ارسال کامنت به سرویس،‌ اندپوینت دیگری در نظر گرفتیم. این اندپوینت کامنت‌ رو به سرویس کامنتوم ارسال می‌کنه و از سوی کاربر برای اون آیتم ویژه یک اینجست ساده ارسال می‌کنه. این برای به حداکثر رسوندن پوشش شخصی‌سازی‌ست. کلیک‌ها و کامنت‌ها هر دو قابل پردازش هستند.

به مثال زیر توجه کنید:

 

اندپوینت‌ history

این اندپوینت تاریخچه تعامل کاربر را بازیابی می‌کند:

 

نمونه‌ای از خروجی history را مشاهده می‌کنید:


{
"verboseHistory": {
"2018-08-20 23:47:51.275": "p206134",
"2018-08-20 23:48:28.297": "p132543",
"2018-08-20 23:48:34.404": "p68671",
"2018-08-20 23:48:48.656": "p223284",
"2018-08-20 23:49:19.018": "p37748",
"2018-08-20 23:50:05.069": "p100677",
"2018-08-20 23:50:13.334": "p231482"
},
"distinct": [
"p37748",
"p206134",
"p100677",
"p132543",
"p68671",
"p231482",
"p223284"
],
"frequent": {
"p100677": 1,
"p132543": 1,
"p206134": 1,
"p223284": 1,
"p231482": 1,
"p37748": 1,
"p68671": 1
},
"sortedFrequent": [
{
"item": "p37748",
"value": 1
},
{
"item": "p206134",
"value": 1
},
{
"item": "p100677",
"value": 1
},
{
"item": "p132543",
"value": 1
},
{
"item": "p68671",
"value": 1
},
{
"item": "p231482",
"value": 1
},
{
"item": "p223284",
"value": 1
}
],
"start": "",
"end": "",
"user-id": 4913994369424558000,
"history": {
"1534823405069": "p100677",
"1534823308297": "p132543",
"1534823359018": "p37748",
"1534823271275": "p206134",
"1534823314404": "p68671",
"1534823413334": "p231482",
"1534823328656": "p223284"
}
}

اندپوینت‌‌های query و wizard

دو اندپوینت کوئری و ویزارد طیف متنوعی از کارکردهای سرویس‌های ما را در اختیار شما قرار می‌دهند:

اندپوینت query با دو فرمان GET و POST برای فراخوانی انواع پیش‌بینی، تشابه‌آیتم‌ها، هیستوری، ترندها و … را در اختیار شما قرار می‌دهد.

query – GET

نگاهی به اندپوینت query با فرمان GET بندازیم:

به مستندات آنلاین توجه کنید. اگر بخواهیم ترند آیتم‌ها در دسته‌های سامسونگ و اپل را از سرویس دریافت کنیم، کافیست یک فراخوانی با فرمت زیر انجام دهیم:

که معادل این دستور GET است:

recommender.ir:port/query?count=10&formats=shuffled&formats=not-purchased&tags=apple&tags=samsung&widgets=trend

query – POST

همچنین می‌توانید اندپوینت query را با فرمان POST فراخوانی کنید:

مثال بالا ویجت‌های تشابه و ترند را با فرض دارا بودن تگ‌هایی معین فراخوانی می‌کند. خروجی بُر خورده است (شافل است).

نتیجه را ببینید:
{
"items": [
{
"item": "p341327",
"value": 12
},
{
"item": "p108623",
"value": 17
},
{
"item": "p219220",
"value": 12
},
{
"item": "p165571",
"value": 14
},
{
"item": "p26747",
"value": 15
},
{
"item": "p89786",
"value": 16
},
{
"item": "p131218",
"value": 12
}
] }

اندپوینت sort

هر گاه نیاز دارید تعدادی آیتم را بر اساس سلیقه کاربر مرتب کنید می‌توانید از این اندپوینت استفاده کنید:


{  "items": [

{ "item": "item21" },

"item": "item86" },

{ "item": "item89" },

{ "item": "item10" },

{ "item": "item75" },

{ "item": "item30" }]

}

اندپوینت‌های پردازش متن – text

ممکن است نیازمند دسته‌بندی خودکار انواع محتوا باشید. برای این منظور می‌توانید اندپوینت classify را صدا کنید. این اندپوینت با دو فرمان GET و POST در اختیار شماست:

خروجی را ملاحظه کنید:


{
"categories": {
"economy": "0.41",
"selfknowledge": "0.17",
"politics": "0.14",
"socialmedia": "0.13",
"productivity": "0.12"
}
}

طبقه بندی متن و تحلیل کامنت‌ها

دی‌ماه را متمرکز روی کامنتوم کار کردیم. یک سفارش داشتیم و باید به سرعت به شکل یک اندپوینت روی کامنتوم پیاده‌سازی می‌شد. نظرتون رو به گفتگوی اولیه‌ای که بین ما مشتری اتفاق افتاده جلب می‌کنم:

مشتری: من به شما تعداد محدودی محتوای متنی فارسی می‌دم. این محتوا می‌تونه کامنت کاربرا باشه یا پست‌های روی سایت‌های خبری و وبلاگ‌ها. خودم بهتون می‌گم که از نظر من هر کدام در چه دسته‌بندی قرار می‌گیره. سرویس شما بعد از اینکه یاد گرفت دسته‌بندی‌های مد نظر ما چی هستن، انتظار داریم پست‌های جدید رو هم برای ما دسته‌بندی کنه. دوست داریم در حد کسی که دوره راهنمایی رو تموم کرده دقیق باشه و نه بیشتر. برامون مهمه که سرویس بتونه بلادرنگ (Real-Time) پاسخ بده

منظورتون از بلادرنگ دقیقا چیه؟ تا چه اندازه تاخیر برای شما قابل قبوله؟

مشتری: حداکثر ۱۰۰ میلی ثانیه. کمتر هم بشه اشکالی نداره 😉

تعداد مثال‌هایی که در اختیارمون می‌ذارین چند تاست؟

مشتری: بین ۵ تا ۱۰۰۰ تا.  ممکنه بیشتر هم باشن. هر کدام حداقل یک خط و حداکثر ممکنه تا ۱۰ مگابایت متن داشته باشه.

بسیار خوب. نمونه‌هاتون رو لطفا بفرستین.

بعد از این گفتگو کار رو شروع کردیم. زیرساخت مورد نیاز رو قبلا در کامنتوم توسعه داده بودیم. کافی بود به سمت نیاز مشتری نزدیک بشیم. دسته‌بندی‌هایی که در اختیار ما گذاشت عبارت بودند از:

  • اقتصادی
  • ورزشی
  • رمانتیک و احساسی
  • خانواده و کودک
  • بهداشت و سلامت
  • سیاسی
  • فناوری
  • صنعت

مشتری برای هر دسته بندی تعدادی لینک از پست‌هایی متنوع فرستاد. ما هم سرویس رو برای شناسایی هر دسته‌ آموزش دادیم.

در حال حاضر سرعت پاسخگویی حدود ۵ میلی‌ثانیه به ازای هر پست ۱۰۰۰ کلمه‌اس‌ست که نظر مشتری رو جلب کرده.

دسته‌بندی‌ها محدودیتی نداره. می‌تونیم برای مثال پست‌های فوتبال، شنا، اسکی، دو‌میدانی و … رو هم تفکیک کنیم.

همچنین این مکانیزم رو روی تحلیل کامنت‌های کاربران هم به کار گرفتیم و خروجی رو در اختیار اندپوینت دیگری که قبلا توسعه داده بودیم قرار دادیم. برای این بخش نیز پستی رو به زودی آماده می‌کنیم. نتایج فوق‌العاده خوب و دقیق هستن.

برای آزمایش سرویس فعلا از سواگر استفاده می‌کنیم. اگر با سواگر آشنا هستید که کار بسیار ساده است. اگر نه می‌تونید طبق دستورالعمل زیر سرویس رو محک بزنید.

معرفی و دموی خدمت طبقه‌بندی محتوا را در این فیلم ببینید:

 

 

کامنتوم در تحلیل بلادرنگ کامنت‌های کاربران نیز بسیار چابک و دقیق است. فیلم زیر را ملاحظه کنید:

 

توجه: برای آزمایش سرویس کافیه با ما تماس بگیرین تا لینک سرویس آزمایشی در اختیارتون قرار بگیره.

 

 

خودتان آزمایش کنید

برای آزمایش سرویس کافیه بخش‌هایی از محتوایی که می‌خواهید طبقه‌بندی بشه، انتخاب کنید. در این مثال از یک پست در حوزه سلامت (http://www.hidoctor.ir/302350_physical-symptoms-depression.html) استفاده کردیم.
سلامت یکی از طبقه‌بندی‌هایی‌ست که سرویس برای تشخیص اونا آموزش دیده:

 

 

برای شروع محتوای پست را انتخاب و به حافظه کپی کنید:

 

به انتخاب کردن بخش‌های دیگر پست و کپی کردن آن‌ها به کلیپ‌برد ادامه دهید:

 

پس از اینکه محتوای پست را انتخاب کردید می‌توانید سرویس را فراخوانی کنید متن انتخاب شده را در قسمت userContent از واسط گرافیکی که سواگر تولید کرده قرار بدین کافیه به آدرسی که از تیم ما دریافت کردین برین. صفحه‌ای مانند تصویر زیر رو مشاهده می‌کنید. روی Example Value کلیک کنید. در باکس سمت چپ (userContent) یک آبجکت JSON ساده نوشته می‌شود:

 

محتوایی که از پست انتخاب کرده بودید را در قسمت string از آبجکت پیست کنید. دقت کنید این متن باید یک JSON معتبر باشد. برای سنجش اعتبار این متن می توانید از سایت‌هایی  مثل https://jsonlint.com استفاده کنید. هر چه طول متن ارسالی بیشتر باشد دقت محاسبات نیز افزایش می‌یابد.

پس از آماده شدن محتوای userContent روی دکمه Try it out در پایین باکس کلیک کنید:

 

اگر محتوا یک JSON معتبر باشد و همچنین سرویس آماده پاسخگویی باشد، پاسخ سرویس را در کمتر از ۱۰۰ میلی‌ثانیه دریافت می‌کنید. این پاسخ به دسته‌بندی هایی که سرویس برای پست شما پیش‌بینی کرده است اشاره می‌کند:

 


 

یک پیام JSON نمونه اینجا هست برای اینکه راحت شروع کنید. حتما مطمئن بشین که فرمت محتوای ورودی یک JSON درست و معتبر است. می‌تونید روی https://jsonlint.com ارزیابی کنید. برای مثال در متن زیر احتمالا باید کوتیشن‌ها رو اصلاح کنید. پی‌اچ‌پی و وردپرس بلد نیستم. نمی‌دونم چرا کوتیشن‌ها رو دست‌کاری می‌کنه وردپرس. زحمت اصلاحش با خدوتون:

{
“body”: “آمار و رکوردهای بی‌ام‌و M5، همچنان در صدر اخبار رسانه‌های خودرویی قرار دارد. قدرت ۶۰۰ اسب بخار از پیشرانه‌ی ۴.۴ لیتری توئین‌توربو، همراه با زمان ۳.۲ ثانیه برای رسیدن به سرعت ۱۰۰ کیلومتر بر ساعت از حالت سکون، تنها بخشی از توانایی‌های حیرت‌انگیز این خودروی سدان است. از سویی دیگر، به نظر می‌رسد که مدیران بی‌ام‌و، به دنبال رکوردهای بیشتر و تبلیغات گسترده‌تر برای محصول جذاب خود هستند. چند روز پیش خبر از پیش‌نمایش یک فیلم کوتاه حیرت‌انگیز، با موضوع دریفت با بی‌ام‌و M5 داده بودیم، اما امروز، جزئیات و ویدئوی نهایی این رویداد، پیش روی ما است.رای ثبت رکورد طولانی‌ترین دریفت دنیا، مسیر دایره‌ای یا اصطلاحا دونات شکل، برای بی‌ام‌و M5 انتخاب شد. این خودرو، در مدت زمان ۸ ساعت، مسافتی به طول ۳۷۲ کیلومتر را بدون وقفه، دریفت کرد، اما این تمام ماجرا نبود و ۵ مرتبه سوخت‌گیری حین حرکت نیز به رکوردهای بی‌ام‌و M5، اضافه شد. پشت فرمان، جان شوارتز قرار داشت که مدرس آکادمی رانندگی حرفه‌ای بی‌ام‌و است. او توانسته بود در سال ۲۰۱۳ نیز، رکورد ۸۲.۵ کیلومتر دریفت منظم با یک سوخت‌گیری را به ثبت رساند.با هدف سوخت‌رسانی به M5 اصلی، نمونه‌ای دیگری از این خودرو حضور داشت که از نسل قبل و مدل ۲۰۱۶ بود. راننده‌ی خودروی سوخت‌رسان، مت مولینز هم، نقش مهمی در رکوردگیری داشت و با دریفت هماهنگ، توانست ۵ سوخت‌گیری موفق را، ممکن کند. شاید با دیدن چنین صحنه‌هایی، فیلم‌های هالیوودی نظیر سریع و خشن تداعی شوند، اما در عمل توسط تیم بی‌ام‌و به حقیقت پیوست. خودروهای دریفت‌کننده، حین یکی از سوخت‌گیری‌ها توانستند در مسیری به طول ۶۳ کیلومتر، به صورت کاملا هماهنگ و کنار یکدیگر قرار گیرند.”
}


 

کاربردهای این اندپوینت عبارتند از:

  • افزایش میزان دقت انتخاب بنر در هنگام نمایش Native Ad و بنر‌های حاشیه صفحات.
  • تحلیل تعداد بسیار زیاد محتوا (هزاران)‌ در عرض چند دقیقه برای یافتن شکایات مشتریان، پیشنهاد‌ها یا اسپم‌ …
  • تحلیل کامنت‌ها و ایمیل‌های کاربران به منظور دسته بندی در گروه‌های : مثبت، منفی، شکایت، پیشنهاد، تبلیغ، ناسزا و …
  • تقویت مکانیزم‌های تشکیل پرسونای کاربر و طبقه‌بندی خودکار کاربران به دسته‌بندی‌های پیچیده مثل:‌
    • طرفدارای پرسپولیس
    • طرفدارای استقلال
    • طرفدارای استقلال که علی کریمی رو هم دوست دارن
    • طرفدارای سیاه‌جامگان که تراکتورسازی رو هم دوست دارن ولی از استقلال و پرسپولیس خوششون نمیاد
  • کنترل میزان انطباق محتوای کالا/پست با دسته‌بندی انتخاب شده توسط کاربر.
  • طبقه‌بندی خودکار رزومه‌های دریافت شده
  • طبقه‌بندی مقالات و اخبار

 

معرفی دسته‌بندی‌ها توسط مشتری انجام می‌شه و نامحدوده. این خدمت مانند انسان به یادگیری می‌پردازد. لذا در تعریف دسته‌بندی‌ها محدودیتی وجود ندارد. همچنین از زبان مستقل است. یعنی به همین شکل می‌توان پست‌های عربی، چینی، روسی یا هر زبان دیگر را نیز با دقت و سرعتی کم نظیر پردازش کرد.

پیشنهاد می‌کنم پست‌های قبلی ما در مورد معرفی توانمندی‌های کامنتوم را نیز مطالعه کنید.

بسیار علاقمندیم ایده‌های شما درباره این اندپوینت را بشنویم. هم اکنون کجای کسب‌و‌کار شما به تحلیل بلادرنگ محتوای (فارسی، عربی، چینی …) نیاز دارد؟

یکپارچه‌ سازی پرسونای کاربر

با فراگیر شدن گوشی‌های هوشمند، تبلت‌، تلوزیون‌های هوشمند و متعدد شدن تجهیزات دیجیتال، کاربر از وسایل متعددی برای بهره‌برداری از سایت‌ها و اپلیکیشن‌ها بهره می‌گیرد. هر کاربر در طول زمان‌ها و شرایط گوناگون از این وسایل بهره می‌برد. برخی از این تجهیزات را حین استفاده از وسایل نقلیه استفاده می‌کند( مثلا در مترو). برخی را در زمان‌هایی که در کنار خانواده یا مشغول به کار یا استراحت است (برای مثال کامپیوتر رومیزی).

 

 

یک امکان جدید در سرویس‌های recommender.ir توسعه یافته‌ است که به شما امکان می‌دهد رفتار کاربران خود که از طریق دستگاه‌های گوناگون یا بروزر‌های گوناگون به سایت شما آمده‌اند را به صورت یکپارچه گردآوری نموده و بر اساس آن کاربر را راهنمایی کنید.

تصویر زیر به توصیف این قابلیت می‌پردازد. رفتار کاربری که به صورت پراکنده از طریق دستگاه‌های گوناگون به سایت/اپ شما آمده است، به صورت یکپارچه و مجتمع پردازش می‌شود. این قابلیت دقت پیشنهادات را به نحو چشمگیری بهبود می‌بخشد:

 

کاربرد‌های این فیچر عبارتند از:

  • کاربری که دستگاه خود را تغییر می‌دهد، می‌فروشد یا گم می‌کند
  • کاربری که از دستگاه‌های متعدد (کار، خانه، تلفن‌همراه …)‌ استفاده می‌کند
  • کاربری که از ترکیب تجهیزات شخصی مانند نوتبوک، و تجهیزات جمعی مانند کامپیوتر دسکتاپ استفاده می‌کند

 

از سوی دیگر کاربر به واسطه درک جامع سایت‌/‌اپلیکیشن از رفتار وی، به خدمات شما بیش از پیش اعتماد می‌کند. از جمله مزایای بهره‌گیری این قابلیت recommender.ir عبارتند از:

  • افزایش سطح وفاداری کاربر با واکنش هوشمندانه به تعامل وی با سیستم
  • افزایش نرخ تبدیل (کاربر به مشتری) به واسطه در نظر گرفتن نیازمندی‌های موردی کاربر
  • تحکیم بخشیدن رابطه کاربر با اپلیکیشن‌/‌سایت‌ شما به واسطه درک درست و جامع از رفتار کاربر

دقت این فیچر در خدمات یکی از مشتریان محک زده شده و پیشنهاد به کاربرانی که سلیقه آن‌ها از روی ماشین‌های متعدد جمع‌آوری می‌شود نرخ تبدیل بالاتری تولید می‌کنند.

برخی امکانات و بهبود‌ها

در نسخه جدید بر خواسته‌های مشتریان حوزه اینتگرشن تمرکز کرده‌ایم. بیشتر بهبود‌ها در حوزه رفع نیاز برنامه‌نویسان در اینتگرشن سرویس‌های ما با سایت‌ یا اپلیکیشن مشتری بوده است.
مهمترین بهبود‌های نسخه جدید recommender.ir به شرح زیر است:

آیتم‌های چاق استفاده کنید

افزودن محتوای آیتم توسط تگ‌هایی انجام می‌شد. تعداد این‌تگ‌ها محدود بود. هم چنین سایت تنها قادر به ارسال محتوای متنی بود برای هر آیتم بود. این محدودیت به طور کامل رفع شده است. از این پس محدودیتی برای افزودن محتوا از نظر تعداد، اندازه و نوع داده‌ها وجود ندارد.

برای مثال می‌توانید برای هر آیتم به تعداد دلخواه تصویر، فیلم، پی‌دی‌اف و انواع لینک و تگ تخصیص دهید. هم چنین می‌توانید مشخصات کالا را نیز به سرویس بدهید. ریزسرویس مجزایی برای مدیریت داده‌های تکمیلی توسعه پیدا کرده است. لذا این فرایند تاثیر منفی بر کارکرد و راندمان سرویس‌های فعلی ندارد.

برای تعریف ویژگی‌ها می‌توانید از اندپوینت جدید  fatItemAdd/  استفاده کنید.

بخش‌هایی از این محتوای افزوده شده در عملیات محاسبه سلیقه و شخصی‌سازی مورد بهره برداری قرار می‌گیرد. محتوای متنی به ریزسرویس دیگر ما (کامنتوم) ارسال می‌شود.

کافیست در ابتدای نام اندپوینت‌های فعلی واژه fat را به صورت شترنشان به کار ببرید. برای مثال فراخوانی محبوب‌ترین‌ آیتم‌ها با محتوای افزوده، به شکل زیر انجام می‌شود:

fatMostPopularItems/

جزئیات اندپوینت‌های جدید را در مستندات API در اختیارتان قرار می‌دهیم.

اصلاح فرمت نتایج

برخی از خروجی‌ اندپوینت‌ها خطا‌هایی در JSON داشتند که کاملا رفع شده است.

فرآیند اینتگرشن ریکامند با سایت اپلیکیشن

اینتگرشن بدون افزودن کد

تمام تلاش ما انتقال کامل پیچدگی‌اینتگرش از سمت شما به درون رویه‌ها و روتین‌های خودکاری است که در حال توسعه هستند. از این پس اینتگرشن سمت سرور تنها یک انتخاب است. می‌توانید بدون اعمال کوچکترین تغییراتی در کد‌های سمت سرور، به اینتگرشن سرویس در سطح فرانت‌اند بپردازید.

حتی برای پیاده‌سازی سرویس در سطح فرانت‌اند نیازی به کدنویسی به روش‌های معمول و دست‌بردن در کد‌های موجود سایت ندارید.

امکان اجرای تست‌های A/B 

تاکنون مشتریان سرویس‌های ما برای اطلاع از راندمان اندپوینت‌های سرویس‌های ما نیازمند اعمال تست‌های A/B در ابزار‌هایی همچون Convert بودند. برخی نیز از ابزار‌های تحلیلی گوگل بهره می‌گرفتند. این فرایند از تمرکز آن‌ها بر ابزار‌های شخصی‌سازی ما می‌کاست.

از این پس بسادگی قادر هستید پارامتر‌های لازم برای انجام Split Test و A/B Test  را به سرویس ما داده و نتایج را به تحلیل کنید.

محاسبه نرخ تبدیل توسط سرویس

برای آگاهی از میزان نرخ تبدیل هر یک از اندپوینت‌ها کافیست از خود سرویس سوال کنید. هر اندپوینت کارایی نسبی خود در لحظه را اعلام می‌کند.

دنده‌اتوماتیک با API دولایه

برای ساده سازی اینتگرشن سرویس‌های ما با سایت‌ها و اپلیکیشن‌های شما با برنامه‌نویسان مجربی که از سرویس‌های ما بهره می‌برند گفتگو‌های مفصل داشتیم. پس از جلسات متعدد هم‌فکری بهبود‌های زیر حاصل گردید:

از این پس برنامه نویس یا تیم مارکتینگ مشتری نیازی به آگاهی از جزئیات اندپوینت‌های متعدد سرویس‌های ما ندارند. به صورت پیش فرض شش اندپوینت زیر در اختیار قرار می‌گیرد. این اندپوینت‌ها بر روی لایه فوقانی (سرویس) API پیاده سازی شده‌اند:

۱. ارسال رفتار کاربر (ingest)

۲. مرتب سازی آیتم‌ها بر اساس سلیقه کاربر (sort)

۳. پیشنهاد به کاربر (recommend)

۴. آیتم‌های مشابه (similar)

۵. آیتم‌های داغ (trend)

۶. پرسونای کاربر (persona)

با فراخوانی هر یک از اندپوینت‌های فوق سرویس به صورت هوشمند اندپوینت‌های جزئی مورنیاز را به صورت موازی از API لایه زیرین فراخوانی می‌کنند. ممکن است برای اجرای هر یک از اندپوینت‌های لایه فوقانی چند اندپوینت از ریزسرویس‌های متفاوت فراخوانی شود. تمام این پیچیدگی‌ها از نگاه تیم مارکتینگ مشتری پنهان خواهد بود.

ترکیب و اولویت فراخوانی اندپوینت‌های لایه‌های زیرین توسط تیم مشتری قابل تنظیم و ویرایش است. به این وسیله و به کمک تست‌های A/B و همچنین محاسبات نرخ تبدیل، تیم مارکتینگ مشتری قادر به کسب بالاترین راندمان ممکن در بهره‌وری از امکانات کسب‌و‌کار خود خواهد بود.

پیشنهاد‌های میان‌کسب‌و‌کاری (Cross Sell)

تولید پیشنهاد‌های میان‌کسب‌و‌کاری ساده تر از همیشه‌ شده است. از این پس قادر هستید درصد مشارکت هر کسب‌و‌کار در تولید پیشنهاد‌ها را به صورت تفکیک شده معین کنید.

بهبود در پلاگین وردپرس

طی ماه گذشته پلاگینی که برای اینتگرشن وردپرس و ووکامرس توسعه یافته است بهبود‌هایی اساسی تجربه کرد. هم چنین بزودی پلاگین‌هایی برای دیگر ابزار‌های مدیریت محتوا همچون اپن‌کارت، مجنتو و … در دست توسعه است.

بارگذاری اولیه

مشتری نیاز داشت به محض شروع استفاده تمامی محصولات‌(آیتم‌ها) را به سرویس معرفی کند. برای این منظور راهکار Batch نداشتیم. اکنون کافیست مشخصات محصول بدون محدودیتی در ابعاد و تنوع داده‌ها به صورت فایل به سرویس داده شود. آماده سازی اولیه سرویس برای کسب‌و‌کار‌های بزرگ به چند دقیقه کاهش یافته است.

همچنین این امکان برای سینک نگاه داشتن آیتم‌ها با کسب‌و‌کار مشتری به صورت آپلود کردن فایل مشخصات کالا یا فراخوانی API میسر است.

شناسایی ربات‌ها و خزنده‌های روی سایت

سایت‌های شما به صورت مکرر و متناوب توسط خزنده‌ها(Crawler) و ربات‌ها مورد بازدید قرار می‌گیرد. دیتای ناشی از مراجعه چنین ابزارهایی به سایت شما توسط سرویس ما قابل شناسایی‌ست. این آپشن اجازه می‌دهد سرویس‌های ما نسبت به رفتار‌های چنین ابزار‌هایی بی‌توجه بوده و بر رفتار کاربران (انسان) تمرکز کنند.

ترند‌های پنجره‌زمانی

یکی از فیچر‌های جدید سرویس ترند‌های پنجره زمانی‌ست. برای مثال ترند ۲۴ ساعت گذشته یا ترند ماه گذشته را می‌توانید به سادگی فراخوانی کنید.

ترند‌های واقع در موقعیت مکانی

به کمک ترند‌های موقعیت مکانی می‌توانید کاربر را با داغ‌ترین آیتم‌هایی که در حوالی محل وی قرار دارند آشنا کنید.