Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >基于Hybris平台的电商个性化服务实践

基于Hybris平台的电商个性化服务实践

作者头像
钱曙光
发布于 2019-07-02 10:25:38
发布于 2019-07-02 10:25:38
1.1K8
举报
文章被收录于专栏:钱曙光的专栏钱曙光的专栏

个性化服务是什么?

下面例举几个典型的电商网站的个性化服务案例:

  • 对于浏览过新品推荐的客户,电商网站主动为此类客户推荐一款新上市的商品
  • 对于单笔订单总金额达到1000,并且该订单中包含化妆品的客户,此用户将被升级为金牌客户,后续电商网站定期为金牌客户推荐买一送一优惠促销
  • 对于完成注册的新客户,电商网站将推送优惠卷为新客户
  • 对于五月份生日的客户,电商网站主动为客户送出生日祝福广告

根据这些典型的个性化服务案例,我们可以看出个性化服务是依据客户属性、行为等特征,来识别目标客户,进而向客户提供、推荐相关的个性化信息、服务,以满足客户的需求。从整体上说,个性化服务打破了传统的被动服务模式,能够充分利用客户自身的资源,主动开展以满足客户个性化需求为目的的全方位服务。

实现个性化服务的步骤:

通过个性化服务案例,我们归纳出电商网站进行个性化服务实施所需要具备的两个基本的步骤:

1. 识别目标客户 2. 提供个性化服务

个性化服务流程图

一个完整的服务场景是通过两个串联的步骤有序完成,首先电商网站动态的 收集客户属性、行为等特征,将具有相同属性或者特征行为的客户进行整理、分类、归纳到特定的目标客户群,最终电商网站主动向目标客户群提供个性化的服务。

那么,基于Hybris电商平台构建的电商网站,如何一步一步的提供个性化服务呢?近期,我们利用Hybris多个服务模块特点,成功的将个性化服务引入到某大型电商网站,并取得了很好的效果。下面,我们将为读者分享这个实践过程。

基于Hybris的个性化服务体系架构

对Hybris有使用经验的读者可能都知道Hybris提供个性化模块。但这个个性化模块是基于我们前面提到的第一步的结果来提供个性化服务。例如,当客户A登录到系统中,而客户A 已经被归为化装品产品系列的金牌客户,个性化模块依据这个分类,按照事先定义好的金牌客户的促销手段去展示一个买一送一的商品。

那么如何做到第一步,如何把客户归类就成为这个解决方案中很重要的一环。很自然想到的就是通过线下的方式,例如运行一个周期性的Job去扫描数据,来进行数据分析,提取客户特征,进而进行客户的分类。这种依赖于整体数据扫描的办法会有很大的计算量并且实时性比较差。我们希望在客户购买了某个商品之后,购买额达到一定程度就立即将其归为某一个特殊的客户群并在客户此次浏览网站的时候就会看到相应的内容。那么,如何做到高效和实时呢?这就是我们要介绍的解决方案中的另一个关键模块 — 规则引擎模块。

在Hybris中,规则引擎模块主要是用于促销的业务,所解决的问题是为让电商网站中的所有客户平等的获得享受促销的权利。换而言之,这是一种广泛性的促销应用。那么,如何提供个性化的促销服务呢?这就是我们在项目实践中一个创造性的应用,即把规则引擎用于个性化的服务。

下面我们先从体系架构上把规则引擎模块和个性化服务模块如何集成在一起进行阐述,接下来会针对这两个模块逐一细化具体使用的要点。

架构设计中考虑的问题

1. 模块之间集成

一个完整的个性化服务场景是通过两个基本步骤有序串联完成。因此,规则引擎与个性化模块需要有效的集成在一起,最终为电商网站提供一整套全方位的业务服务。为此,我们在架构体系中引入另外一个自定义模块,通过这个自定义模块有效的将规则引擎与个性化模块集成在一起,减少集成过程中出现业务,代码相互浸入的问题,保持模块的功能单一性原则。

2. 模块定制化

在选择规则引擎模块后,我们抛出了一种假设,是否需要定制化规则引擎模块?由于Hybris自身的实现机制,当前的规则引擎是服务于促销的,也就是说规则引擎是通过Promotion Source Rule来驱动执行的。但是我们面对的业务是收集客户的属性与行为,显而易见,业务的不同让继续使用Promotion Source Rule变得不合理。因此,创建新的Segment Source Rule不仅能够满足当前的业务需求,而且能够与Promotion Source Rule进行隔离,避免交叉影响。

3. 可测性分析

能否快速进行功能性测试,以及代码单元测试是架构设计中需要考虑的一个问题。通过测试能够衡量出模块之间是否存在着深度依赖,而导致局部无法测试的问题。针对于当前的架构,规则引擎与个性化模块处于高聚合,低耦合模式,两者能够独立运行,满足功能可测性要求。

4. 数据存储

通过自定义模块解决数据存储问题,这部分数据在服务于不同的功能模块同时,又进行中心化存储,便于数据维护工作。

5. 维护性与扩展性

规则引擎与个性化模块提供了友好的维护界面,业务人员可以通过后台系统全方位的进行数据、功能的维护。与此同时,模块内部扩展性很高,易于添加新功能或修改现有功能。

体系架构

“UserToSegment”模块就是我们前面提到的自定义模块,“UserToSegment”模块不但能够衔接两个模块之间的功能性整合,同时也反应出数据层面上的整合。

个性化模块数据模型

个性化模块是通过不同数据模型间的关联联系进行支撑,与数据集成相关的模型如下:

  • Segment反映有共同偏好,喜好的客户群
  • UserToSegment 对象用于记录User与Segment的关联关系

通过数据模型,我们可以发现,个性化服务最终落实在客户群(Segment)上,客户群与客户的映射关系被保存在UserToSegment表中,而规则引擎所反映出的分配结果通过“UserToSegment”模块将两者进行关联,即创建或者修改一条客户与客户群关系的记录。可见,规则引擎为个性化模块提供了必要的基础数据准备。因此,无论是从功能角度,还是从数据角度,“UserToSegment”模块都是完成两个模块集成的最佳切入点,同时这是一种是非侵入式的整合,意味着规则引擎与个性化模块仍然可以独立运行。

到此,我们展现并阐述了个性化服务体系架构,以及明确了规则引擎与个性化模块在体系中各自功能职责,那么这两个模块应该如何具体利用呢?下面,将为读者一一阐述。

基于Hybris规则引擎收集客户属性与行为,构建客户群

收集客户属性、行为等特征是开展个性化服务的依据,体现购物过程中的方方面面,具有动态性特点。通过属性,行为可以衍生出复杂的业务条件用于构建客户群,那么,如何利用规则引擎呢?

首先,将收集客户特征行为所涉及的现实业务条件映射到规则引擎,通过规则引擎的规则条件进行描述。其次,将客户整理,归纳到目标客户群抽象为规则引擎的业务决策。

最终,通过不同的规则条件来驱动目标客户的分类。

业务规则映射

1. 规则条件

基于客户属性,购物行为,产生不同的规则条件。比如:

  • 客户属性(包括但不限于) 生日,年龄,注册时间、来源、状态,常用支付方式。
  • 购物行为(包括但不限于) 购物车商品总数、是否包含特殊商品,订单日期、数量、金额,下订单频率,浏览商品分类,访问特殊页面。

技术实现:Condition defines

2. 业务决策

当命中规则条件后,将客户归类到目标客户群是期望的业务决策。

技术实现:Action define

利用Hybris 个性化模块提供个性化服务

Hybris个性化模块应用在CMS组件以及促销上,并服务于目标客户群。因此,将实际的个性化表现行为抽象为不同的CMS组件,或者促销是利用个性化模块的基础准备,最终借助自动触发机制向目标客户群提供个性化服务。具体实现步骤如下:

1. 根据个性化表现行为抽象出CMS组件、促销

  • “新商品推荐“组件 – 该组件可以绑定任意一种商品,提供商品描述以及加入购物车功能
  • “买一送一”个性化优惠促销

2. 映射CMS组件、促销等资源到个性化模块,用于配置管理

  • CMS 组件- 技术实现:
  • 促销 - 技术实现:对于个性化促销,只需要将一个普通的促销标记为:“personalizatied”即可

到此,我们分别阐述了如何利用规则引擎与个性化模块来处理不同的业务需求。但是伴随着研发周期的推进,新的个性化需求纷纷而至,那么我们将如何应对这些新的挑战呢?

业务延伸,伴随而来的挑战

在满足个性化服务基本的需求后,随着业务的延伸,势必伴随着新的挑战。那么,如何在当前的体系架构下来解决新的需求呢?下面,将通过若干例子来为读者介绍。

1. 挑战一:个性化的促销提醒服务

借助个性化模块,电商网站能够针对目标客户群发布优惠促销,那么带来的问题是:当发布新优惠促销或者更新已有的促销规则后,如何快速地通知到客户群里的客户呢?

解决方案:落实到促销级别上。当促销发布后,通过扩展规则编译监听器的 ”afterComplie”方法能够灵活的集成任何第三方系统(比如:邮件系统),向客户群推送实时的消息通知。

技术实现:Listener define

2. 挑战二:个性化服务的动态失效机制

随着业务的延伸,个性化服务需要提供服务的动态实效机制,当超过失效时间后,系统将自动收回该客户的个性化服务。

解决方案:落实到个性化模块,通过扩展Segment模型,动态的为每个客户计算失效时间,一但超过失效时间,系统将自动把客户从客户群中移除,从而达到服务失效的效果。

技术实现:在Segment模型创建“持续时间”属性(单位:天)。失效逻辑:系统时间与客户分配时间的天数差 大于 持续时间,则服务失效。

3. 挑战三:个性化的促销活动周期

相同的促销,每一个客户允许使用的时间是不同的。比如:客户A在2月1日-3月15日内使用;客户B在4月5日-5月12日内使用;那么如何动态分配活动周期为每个客户呢?

解决方案:利用Segment模型“持续时间”属性(单位:天)来动态计算促销活动周期。

技术实现:开始时间:客户分配时间;结束时间:通过持续时间和客户分配时间,推算出结束时间;

4. 挑战四:离线分析与推荐

通过离线分析客户最近数次购买记录,将客户分配到目标客户群。在客户下一次登陆电商网站的时候,就给出个性化的展示。

带来的思考

本文基于Hybris电商平台对个性化服务的实践进行阐述,着重点在于如何利用Hybris电商平台自身模块进行服务开发。但是,我们同样能够通过其他渠道来实现更加广泛的个性化服务。比如,基于谷歌分析来采集客户的购物行为。创建标签库,并结合个性化的推荐算法使内容标签化,用户标签化,最终通过这些标签为客户提供个性化信息。丰富的个性化推荐算法(比如:基于内容的推荐算法,基于关联规则的推荐算法,协同过滤)以及大数据分析,AI的应用都能够为个性化服务的实施提供强大的基础保障。

结束语

随着电商的不断发展,个性化服务显得越来越重要,它能够将网站的浏览者转变为购物者,提高电商网站的的销售能力,以及客户的忠诚度。因此,个性化服务已成为推动电商发展的加速器。

作者简介:杨智,现就职于奥博杰天软件有限公司,担任多个电子商务项目的解决方案架构师。曾担任未来国际软件股份有限公司多个项目的技术负责人,负责政府网站以及政务平台设计,研发。参与国家林业局多个系统集成项目。关注电子商务应用,微服务架构以及DevOps

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018年04月13日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
8 条评论
热度
最新
新蓝天
新蓝天
回复回复点赞举报
天水蓝天工程机械职业技术培训学校
天水蓝天工程机械职业技术培训学校
回复回复点赞举报
自然和谐一蓝天世界职业技能教育培训
自然和谐一蓝天世界职业技能教育培训
回复回复点赞举报
蓝天世界易经科技
蓝天世界易经科技
回复回复点赞举报
代金券可以叠加使用吗
代金券可以叠加使用吗
回复回复点赞举报
非常棒的活动,加入加入!!!不多说了,我去加入~
非常棒的活动,加入加入!!!不多说了,我去加入~
回复回复点赞举报
已经加入了腾讯云的自媒体分享计划哦。嘻嘻
已经加入了腾讯云的自媒体分享计划哦。嘻嘻
回复回复点赞举报
给力,去邀请自己的自媒体朋友来搞啊!
给力,去邀请自己的自媒体朋友来搞啊!
回复回复点赞举报
推荐阅读
编辑精选文章
换一批
深度解析京东个性化推荐系统演进史
在电商领域,推荐的价值在于挖掘用户潜在购买需求,缩短用户到商品的距离,提升用户的购物体验。 京东推荐的演进史是绚丽多彩的。京东的推荐起步于2012年,当时的推荐产品甚至是基于规则匹配做的。整个推荐产品线组合就像一个个松散的原始部落一样,部落与部落之前没有任何工程、算法的交集。2013年,国内大数据时代到来,一方面如果做的事情与大数据不沾边,都显得自己水平不够,另外一方面京东业务在这一年开始飞速发展,所以传统的方式已经跟不上业务的发展了,为此推荐团队专门设计了新的推荐系统。 随着业务的快速发展以及移动互联网的
用户1263954
2018/01/30
2.3K0
深度解析京东个性化推荐系统演进史
深度解析京东个性化推荐系统演进史
作者 | fisherman、Davidxiaozhi 本文摘自《决战618:探秘京东技术取胜之道》,两位作者时任京东推荐系统负责人和系统架构师。 在电商领域,推荐的价值在于挖掘用户潜在购买需求,缩短
Spark学习技巧
2018/01/31
1.5K0
深度解析京东个性化推荐系统演进史
深度解析京东个性化推荐系统演进史
在电商领域,推荐的价值在于挖掘用户潜在购买需求,缩短用户到商品的距离,提升用户的购物体验。 京东推荐的演进史是绚丽多彩的。京东的推荐起步于2012年,当时的推荐产品甚至是基于规则匹配做的。整个推荐产品线组合就像一个个松散的原始部落一样,部落与部落之前没有任何工程、算法的交集。2013年,国内大数据时代到来,一方面如果做的事情与大数据不沾边,都显得自己水平不够,另外一方面京东业务在这一年开始飞速发展,所以传统的方式已经跟不上业务的发展了,为此推荐团队专门设计了新的推荐系统。 随着业务的快速发展以及移动互联网的
CSDN技术头条
2018/02/07
2.9K0
深度解析京东个性化推荐系统演进史
个性化推荐最佳实践
image.png 个性化推荐最佳实践 一、基本概念 网络营销解决方案提供商Questus公司的调查显示,在选择网络购物的消费者中,32%的人认为浏览体验非常重要;在决定不再网上购物的消费者中,22%是因为很难找到想要的商品。根据推荐技术服务公司Baynote的调查,如果人们点击了三次之后还无法找到自己想要的商品,95%的人会离开这个网站。 对于零售网站来说,如果不能准确地为顾客展示他们喜欢的产品,让顾客将时间浪费在浏览自己不感兴趣的商品上,那么最终为顾客糟糕的浏览体验埋单的还是零售网站自己。 个
架构师研究会
2018/04/09
1K0
个性化推荐最佳实践
【学习】王答明:个性化推荐的前世今生及1号店实践
【大数据100分】王答明:个性化推荐的前世今生及1号店实践 主讲嘉宾:王答明 主持人:中关村大数据产业联盟 副秘书长 陈新河 承办:中关村大数据产业联盟 嘉宾介绍: 王答明: 1号店IT资深经理,负责个性化推荐/大数据挖掘。早年曾在Intel, Alcatel等公司做过大型分布式系统,p2p网络, 移动自组织网络等分布式协议的研发。后加入Autodesk,成为其内容搜索组上海区的创始成员和技术负责人,期间曾负责过基于机器学习的自动分类,分词和信息抽取等方向,也曾带团队利用hadoop对搜索的backe
小莹莹
2018/04/19
1.2K0
【学习】王答明:个性化推荐的前世今生及1号店实践
母婴电商贝贝网的大数据平台及机器学习实践
贝贝网的主要产品是垂直的母婴类,母婴相对一般的电子商务网站有一些特点:第一个特点是商品周期短,在母婴网站上的商品,在线的时间不会超过5-7天,第二个是用户需求的变化快,在母婴行业,可能是用户的需求变化
机器学习AI算法工程
2018/03/13
1.4K0
母婴电商贝贝网的大数据平台及机器学习实践
电商网站后台九大功能模块详解
大家好,又见面了,我是你们的朋友全栈君。 电商网站后台九大功能模块详解 随着电子商务的发展,网上购物正在趋于一种时尚,电子商务网站也逐渐成为企业顺应潮流的标配。大多数人知道可能在电子商务网站前
全栈程序员站长
2022/11/10
3.1K0
大数据时代,电商和团购业务的用户行为分析
最典型的当属全球电子商务的创始者亚马逊(Amazon.com)了,从1995年首创网上售书开始,亚马逊以迅雷不及掩耳之势,彻底颠覆了从图书行业开始的很多行业的市场规则及竞争关系,10年之内把很多像Borders以及Barnes and Noble这样的百年老店被逼到破产或濒临破产。亚马逊在利润并不丰厚的图书行业竞争中取胜的根本原因在于对数据的战略性认识和使用,在大家还都不太明白什么是电子商务时,亚马逊已经通过传统门店无法比拟的互联网手段,空前地获取了极其丰富的用户行为信息,并且进行深度分析与挖掘。
IT阅读排行榜
2018/08/14
8680
大数据时代,电商和团购业务的用户行为分析
个性化推荐算法总结[通俗易懂]
并且,推荐系统能够很好的发掘物品的长尾,挑战传统的2/8原则(80%的销售额来自20%的热门品牌)。
全栈程序员站长
2022/08/15
2.1K0
个性化推荐算法总结[通俗易懂]
读书笔记 |《推荐系统实践》- 个性化推荐系统总结
推荐系统实践 对于推荐系统,本文总结内容,如下图所示: 推荐系统.png 文章很长,你可以跳着看你感兴趣的部分。 一、什么是推荐系统 1. 为什么需要推荐系统 结论是,为了解决互联网时代下的信息超载问
小莹莹
2018/04/20
1.8K0
读书笔记 |《推荐系统实践》- 个性化推荐系统总结
无需购买广告,25种方法教你驱动更多的电商流量(上)
超过一半的消费者更喜欢在网上购物。这对于像你这样的在线零售商来说是个好消息,对吧?
iCDO互联网数据官
2018/09/30
1.1K0
无需购买广告,25种方法教你驱动更多的电商流量(上)
个性化推荐技术
在这个时代背景下,信息爆炸与长尾问题普遍发生,而解决方案之一是个性化推荐技术,那具体什么是个性化推荐,怎么去实现这一过程呢?这一章读者朋友需要做到的是读完以后,对个性化推荐技术有一个全局宏观的认识,对于细节不用过多地苛求。
石晓文
2019/05/10
2K0
个性化推荐技术
微服务实战: 从电子商务平台到微服务电子商务(Omni-Commerce)
对于企业来说,微服务比单体架构应用更灵活,尤其是零售和电子商务行业来说。了解这个解决方案面临的挑战和系统架构。
程序你好
2018/07/23
1.7K0
达观数据科技助力电商在大数据的海洋里破浪前行
曾经有一个笑话“隔着互联网,没有人知道对面是不是一条狗。”如今再看这个笑话却已是有几分老古董的味道,互联网不再是蒙住人们双眼的纱布,反而透过这个介质我们的生活习惯,兴趣偏好等等都会展露无遗。可以说,“隔着互联网,所有人都知道对面是条哈士奇。”这意味着随着信息技术的发展,数字化的虚拟世界逐步和现实世界进一步融合,虚拟世界的影响力会不断地渗透到现实,这样的未来有点像电影《黑客帝国》的场景,每个人都是由0,1这两个数字拟合的具象物,不论我们在网络上每一次购买,收藏,评论,还是在小说网站的搜索,放入书架都会在我们的
达观数据
2018/03/30
8880
个性化推荐十大挑战
还有读者觉得个性化推荐就等同于协同过滤,这可能是因为协同过滤应用比较广泛并且比较容易为大众理解。实际上协同过滤只是个性化推荐技术中的一个成员。它与很多更先进技术相比,就好像流行歌曲和高雅音乐,前者广受欢迎,而且一般人也可以拿个麦克风吼两声,但是说到艺术高度,流行歌曲还是要差一些。当然,流行歌曲经济价值可能更大,这也是事实。总的来说,协同过滤只是个性化推荐技术中的一款轻武器,远远不等于个性化推荐技术本身。
IT阅读排行榜
2018/08/16
6470
个性化推荐十大挑战
开源电商项目 Mall:构建高效电商系统的终极选择
在当今数字化时代,电商业务正蓬勃发展。为了满足不断增长的电商市场需求,构建高效、可扩展的电商系统至关重要。Mall 项目是一套出色的电商系统,包括前台商城系统和后台管理系统,采用了现代化的技术栈,为您提供了构建电商平台的最佳实践。
IT_陈寒
2023/12/13
1K0
开源电商项目 Mall:构建高效电商系统的终极选择
大数据是商业价值创造的重要力量
在大数据推动的商业浪潮中,要么学会使用大数据的杠杆创造商业价值,要么被大数据驱动的新商业格局所淘汰。毋庸置疑,当下越来越多的企业已开始应用大数据,并利用大数据分析增强企业的创新能力、竞争力、用户体验与生产力。出身于互联网行业的电商企业已经先知先觉,意识到未来对数据收集和分析能力的强弱将可能决定自身的核心竞争力,数据力就是企业的生命力。目前大部分电商都有自己的大数据策略,在愈演愈烈的市场格局中占取更有利的地形优势。 众所周知,电商和传统商家的最大区别在于,电商构建的各类型数据库可以轻而易举地记录全部用户的各类
陆勤_数据人网
2018/02/28
1.2K0
双十一后,细数电商行业的黑科技
双十一刚刚过去,电商的从业者终于可以喘口气了。这个节日从九年前的光棍节演变成如今电商行业的狂欢节。早几年双十一刚流行的时候,零点订单过多造成网络瘫痪、到了支付环节一键崩溃是常被吐槽的事情。这几年软硬件技术的发展,双十一的购物体验越来越好。让用户扼腕叹息的从“网络崩溃”变成了“今年没抢到”。 如何让用户买的爽?在这问题引导下电商品牌之间的竞争从网络稳定性、物流流程的PK,转到了今年更高级的竞争领域:人工智能和算法的较量。 无论是阿里今年上岗的高精度智能运营机器人天巡,还是一秒自动生成8000张banne
达观数据
2018/04/02
1.9K0
双十一后,细数电商行业的黑科技
【机器学习】机器学习在电商领域:个性化推荐系统优化与销售转化提升
随着信息技术的飞速发展,电子商务已成为全球经济的重要组成部分,它不仅改变了人们的购物习惯,还极大地促进了商业模式的创新与变革。在这个日新月异的电商时代,数据成为了企业的核心资产,而如何高效地处理、分析和利用这些数据,以洞察市场趋势、优化用户体验、提升运营效率,成为了电商企业共同面临的重大课题
Eternity._
2024/08/14
4810
【机器学习】机器学习在电商领域:个性化推荐系统优化与销售转化提升
AI技术在电商行业中的应用与发展
随着技术的不断发展,人工智能(AI)在电商领域的应用日益广泛,成为推动电商平台数字化转型的关键力量。AI不仅能够提升用户体验,还能极大地提高销售效率,优化供应链管理和运营流程。以下是AI技术在电商行业中的创新应用及其未来发展趋势的详细分析。
Srlua
2024/12/05
1.4K0
AI技术在电商行业中的应用与发展
推荐阅读
相关推荐
深度解析京东个性化推荐系统演进史
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档