برای نمایش بهتر خروجی‌ سرویس‌ها به کمک سعید، یک دوست و همکار قدیمی مشغول توسعه یک پروژه به اسم هایپرسپیس (hyperspace.ir) شدیم. البته ۱۰۰ درصد کار اجرا رو سعید انجام می‌ده. چون نمایش‌ داده‌ها (Data Visualization) حوزه تخصصی اونه. به کمک بهترین فناوری‌ها مشغول توسعه است. پلیمر‌گوگل، d3.js و svg و همه چیزای خوبی که برای ساختن یک داشبورد حرفه‌ای نمایش‌داده‌ها انتظار میره رو به کار گرفته. نتیجه‌ اولین نمونه‌ها کاملا راضی کننده است.

این تصویر به بخشی از خروجی سرویس اشاره می‌کنه:

 

هایپرسپیس پنل مدریتی تمام سرویس‌های سوییت recommender.ir رو تشکیل می‌ده. همچنین نقطه اینتگرشن سناریو‌های کلان بیزنیس هم به شمار میاد.

با پایان شهریور نسخه ۲.۷ رکامندر آماده بهره برداری شد. در طول توسعه این نسخه از راهنمایی‌های متخصصین حوزه تجارت الکترونیک بهرمند بودیم. لذا این نسخه در حوزه تجارت الکترونیک، قابلیت‌هایی کم نظیر معرفی می‌کند.

فراز و نشیب‌های آیتم‌/ویژگی‌های معمولی(غیر داغ)

نسخه ۲.۷ قابلیت‌های کم نظیری در زمینه نظارت بر فراز و نشیب علایق کاربران و استفاده حداکثری از گرایشات حداقلی کاربران دارد. تا قبل از نسخه ۲.۷ قادر به معرفی داغ ترین آیتم‌های کسب‌و‌کار در بازه‌های زمانی گوناگون بودیم. از این پس می‌توانید آیتم‌های میانی (غیر محبوب) کسب و کار خود را نیز رصد و مقایسه کنید. این مقایسه در سطوح کالا و ویژگی‌های کالا صورت می‌پذیرد.

برای مثال مقایسه یک آب میوه‌گیری معمولی از برندی نه چندان مشهور، با آیتم‌های مشابه از نظر اقبال کاربران نسبت به این آیتم‌ها و ویژگی‌های آنها میسر شده است. این مقایسه‌های بلادرنگ امکان محدود کردن دامنه بررسی و رصد را به کالا‌هایی خاص میسر می‌کند. پس کسب و کار میتواند هر کالا را در کلاس مورد نظر مورد بررسی و رصد قرار دهد.

مثال:

دستور زیر آیتم‌های ۱۰ الی ۱۴ را به لیست آیتم‌های تحت نظارت می‌افزاید. این آیتم‌ها ممکن است از بین هزاران آیتم انتخاب شده باشند:

supervisedItemsAdd/item10/item11/item12/item13/item14/item25/item34/item46/item22/item29

سپس توسط فراخوانی متد‌های زیر می‌توان به صورت مقایسه‌ای فراز و نشیب رشد علاقمندی کاربران به این‌آیتم‌ها را محاسبه کرد:

supervisedTrendLongTime:
[[“item12”,136.0],[“item10”,120.0],[“item13”,117.0],[“item11”,116.0],[“item14”,110.0] ,[“item34”,58.0],[“item46”,47.0],[“item29”,37.0],[“item25”,36.0],[“item22”,24.0]]

supervisedTrendMidTime:
[[“item34”,15.0],[“item11”,14.0],[“item12”,14.0],[“item46”,12.0],[“item25”,10.0],
[“item10”,8.0],[“item14”,8.0],[“item22”,7.0],[“item13”,7.0],[“item29”,5.0]]

 

همچنین می‌توانید ویژگی‌های آیتم‌ها را رصد و مقایسه کنید. در اینجا دور رنگ مشکی و سفید تحت نظارت قرار گرفته و در بازه‌های بلند‌مدت و کوتاه مدت (احتمالا به دلیل تغییر فصل) مورد محاسبه قرار گرفته اند:

supervisedTermsAdd/White/Black

supervisedTermTrendLongTime:

[["White",1258.0],["Black",1027.0]]

supervisedTermTrendShortTime:

[["Black",56.0],["White",44.0]]

چند سطر بالا بیانگر این موضوع هستند که رنگ مشکی دربازه زمانی طولانی محبوب بوده ولی در کوتاه مدت گرایش کاربران به سمت رنگ سفید است…

تصویر زیر به حوزه تحت پوشش کاربرد‌های جدید می‌پردازد. در نسخه ۲.۷ تمامی کالا‌ها بدون اغماض تحت رصد بلادرنگ قرار می‌گیرند:

پیشنهاد‌هایی جذاب برای آخرین ثانیه‌ها

در یک سایت تجارت الکترونیکی هنگامی که کاربر سبد خرید خود را تشکیل داده و آماده پرداخت می‌شود، فرصتی ارزشمند پدید می‌آید.

فرصتی برای راهنمایی وی در جهت هر چه غنی تر ساختن سبد خرید که منجر به افزایش رضایت وی و همچنین افزایش سود‌آوری می‌شود.

برای این آخرین ثانیه‌ها کاربرد‌هایی کم‌نظیر توسعه داده‌ایم. این کاربرد بر اساس وابستگی‌کالاها به یکدیگر (از نظر تقدم و تاخر در خرید) و همبستگی (Correlation) آیتم‌های قبلا خریداری شده عمل ‌می‌کند.

 

برای فراخوانی این کاربرد کافیست آيتم‌هایی که کاربر در کارت خرید خود قرار داده است، به سرویس اعلام‌ نموده و فهرستی از آیتم‌های تکمیلی دریافت کنید. بفرض اینکه مشتری آيتم‌های ۳۶، ۲۴، ۵۰ و ۶۸ را در کارت خرید خود قرار داده است، ۱۰ آیتم پیشنهاد شده، بالاترین شانس تکمیل کارت خرید وی را دارا هستند:

 

mostDependentItems/item36/item24/item50/item68

[["item43",1.0],["item55",1.0],["item21",1.0],["item12",1.0],["item14",1.0],["item35",1.0]
,["item69",0.42910236],["item09",0.42357954],["item11",0.40323222],["item45",0.3912821]]

 

افزایش پایداری و بروز‌رسانی های بدون توفف

از این پس قادریم سرویس مشتری را بدون حتی یک ثانیه قطعی، بروز آوری کنیم. همچنین حوادثی همچون قطع برق و خرابی سخت افزار، در کارکرد سرویس خللی وارد نمی ‌سازد.  این نسخه از بهبود‌هایی اساسی در زمینه توازن بار (Load Balancing) و قابلیت دسترسی (High Availability) پویا بهره می‌برد. مدیریت پیکربندی و تغییرات در سمت سرویس ما انجام می‌پذیرد. لذا کسب و کار شما تنها به فراخوانی پیوسته کاربرد‌ها می‌پردازد.

تصویر زیر چگونگی پیکربندی سرویس‌ها در هنگام بهره‌برداری از قابلیت جدید است:

ترجمه کامنت به علاقمندی/عدم علاقمندی

در بسیاری موارد کاربران اینترنتی با نوشتن کامنت علاقه/عدم‌علاقه خود نسبت به یک کالا یا محتوا را اعلام می‌کنند. با فراخوانی کارکرد جدید comment می‌توانید کامنت‌های کاربران را نیز به علاقمندی ترجمه کنید. به مثال زیر توجه کنید:

کامنتوم از ابتدای مرداد به ارائه خدمت می‌پردازد. بهبودی که در نسخه ۲.۷ رکامندر انجام شد، دریافت کامنت‌ها توسط رکامندر و ارجاع آن به کامنتوم بود. در نسخه‌های قبل کامنت مستقیما به کامنتوم ارسال می‌شد.

 

لطفا نظرات و پیشنهادات خود را با ما در میان بگذارید.

recommender.ir برای محاسبه محبوبیت ‌آیتم‌ها/ویژگی‌ها طیف متنوعی از متد‌ها را در اختیار کاربران قرار می‌دهد. این متد‌ها عمدتا قادر به شناسایی آيتم‌هایی هستند که هم اکتون در گروه محبوبت‌ترین آیتم‌ها هستند.

به سفارش یکی از کلاینت‌ها سه متد جدید پیاده سازی شد که آیتم‌هایی را که تعامل کاربران با آنها به نحو محسوسی افزایش یافته است، قبل از کسب محبوبیت شناسایی می‌کنند.

در تصویر زیر تو آیتم آبی و قرمز در زمره آیتم‌های محبوب هستند. حال آنکه نرخ رشد تعامل کاربران با آیتم سبز بیش از آنهاست. متد‌هایی که جدیدا توسعه داده شده قادر به شناسایی آیتم‌هایی همچون آیتم سبز هستند. این آیتم‌ها در حالی که در زمره پرفروش‌/پربازدید‌های سایت قرار نگرفته‌اند، قطع به یقین به محبوبیت بالایی دست خواهند یافت.

همچنین برای شناسایی ویژگی‌هایی که در حال ترند شدن هستند سه متد دیگر در اختیار کسب‌و‌کار شما قرار دارد:

 

از تکنیک ‌های Drift Detection و Trend Detection در پیاده سازی این متد‌ها بهره گرفته‌ایم. این متد‌ها قادر به شناسایی زود‌هنگام آیتم‌ها هستند. برای بازه‌های زمانی کوتاه‌مدت، میان‌مدت و بلندمدت، بسته به نیاز کسب‌و‌کارتان قادر به فراخوانی این متد‌ها هستید.

تصویر زیر بازه‌های زمانی و نمونه‌هایی از خروجی را با ذکر مثال نمایش می‌دهد(برای مشاهده جزئیات روی تصویر کلیک کنید):

مقایسه نتایج این متد‌ها با میزان فروش آیتم، سایت را در شناسایی زودهنگام اوج گرفتن نرخ پرش (Bounce Rate) نیز یاری می‌کند. خروجی‌های این متد‌ها باید با میزان فروش آیتم‌های سایت سنخیت داشته باشند. در صورتی که آيتمی در این فهرست‌ها رنک بالایی کسب کرده ولی از فروش بالایی برخوردار نیست، نرخ پرش برای آین آیتم، بیش از میزان نرمال آیتم‌های آن سایت است.

 

شناسایی اجزای محتوایی آیتم‌ها که در حال ترند شدن هستند، به کسب‌و‌کار شما امکان پیش‌بینی می‌دهد. تصویر زیر را ملاحظه کنید:

 

یکی از متد‌هایی که اخیرا پیاده سازی کرده‌ایم قادر به ارزیابی میزان علاقه کاربر نسبت به مجموعه‌ای از آیتم‌هاست. این متد فهرستی از آیتم‌ها را دریافت کرده و لیستی مرتب شده بر اساس میزان علاقه کاربر باز می‌گرداند.

 

در تصویر فهرستی از آیتم ها به همراه آی‌دی کاربر جاری به متد interest ارسال شده است. پاسخ فهرستی مرتب شده است.  بهتر است از نمایش آیتم‌هایی که مقدار منفی دارند به کاربر خود داری کنید.

 

به کمک این متد‌ قادر خواهید بود که آیتم‌هایی که در ایمیل‌ یا خبرنامه برای کاربر ارسال می‌کنید کنترل نموده و برای مثال برای یک گیاه‌خوار تصویر یک همبرگر ارسال نکنید.

متناظر با متد یاد شده، متد دیگری بنام عدم علاقه (disinterest) نیز توسعه داده شده است. این متد فهرست را بر اساس عدم‌علاقه مرتب می‌کند.  این متد نیز می‌تواند کاربرد‌های جالبی ارائه کند.

برای مثال آن دسته از کاربرانی که از آیفون خوششان نمی‌آید احتمالا مشتریان بالقوه‌ای برای سامسونگ و محصولات مبتنی بر اندورید هستند.