Ordinamento algoritmico: Python incontra Liquid
Andare oltre l'"Ordina per data". Come costruiamo pipeline di apprendimento attivo per riclassificare le raccolte in base alla velocità in tempo reale.
Le opzioni di ordinamento predefinite di Shopify (Nome A-Z, Più venduto, Più recente) sono statiche. “Best Selling” è un indicatore ritardato. Crea un ciclo di feedback in cui i vecchi vincitori rimangono in cima e i nuovi potenziali successi vengono sepolti in fondo.
La pipeline di dati
Abbiamo costruito un “cervello del merchandising” esterno utilizzando Python.
1. Estrazione (ETL)
Ogni notte, un lavoro cron esegue: *Dati di vendita (API Shopify)
- Conteggio visualizzazioni (API di Google Analytics) *Tariffe di reso (ERP)
- Profondità dell’inventario (IMS)
2. Il calcolo del punteggio
Utilizziamo Panda e NumPy per calcolare un “punteggio di calore” per ciascun prodotto.
def calcola_calore(visualizzazioni, vendite, giorni_live):
conversion_rate = vendite/visualizzazioni
freschezza = 1 / (giorni_live + 1)
# Peso freschezza più alto per i brand della moda
rendimento (tasso_di_conversione * 0,7) + (freschezza * 0,3)3. L’iniezione
Lo script genera un nuovo ordinamento manuale. Respinge questo ordine a Shopify Collections tramite l’API GraphQL, aggiornando le posizioni di 5.000 prodotti in pochi secondi.
Regolazioni in tempo reale
Per i clienti avanzati, lo colleghiamo alle API meteo. Se la previsione per Londra è “Pioggia”, lo script inserisce “Trench” e “Ombrelli” in cima alla collezione per i visitatori del Regno Unito che utilizzano l’iniezione di geolocalizzazione Cloudflare Worker. Questo è il controllo dinamico e programmatico dello scaffale.