Personalizowane rekomendacje produktów

Rekomendacje produktów na podstawie danych z poprzednich transakcji zakupowych klientów

Według XYZ aż 91% konsumentów uważa, że chętniej kupią od marek, których rekomendacje i oferta są do nich dopasowane.... bla, bla bla. Rekomendacje, jeśli nie zbyt nachalne, z pewnością pomagają zwiększyć sprzedaż i uczynić klienta bardziej usatysfakcjonowanym. Kiedy mówimy o 'rekomendacjach' to mamy na myśli nie tylko sklepy internetowe ale e-mailing, oferty, podpowiedzi sprzedażowe w CRM itd. Poniżej kilka przykładów jak można je uzyskać w grafowej bazie danych Neo4j.

Przykładowe dane zakupowe

Nasze przykładowe dane to ledwie pięciu klientów kupujących sześć produktów. Gotowe do wgrania dane [użyj czystej bazy danych Neo4j]:

CREATE (John:Client {clientid: 10, name:'John'}),
 (Alice:Client {clientid: 20, name:'Alice'}),
 (Mark:Client {clientid: 30, name:'Mark'}),
 (Noah:Client {clientid: 40, name:'Noah'}),
 (Olivier:Client {clientid: 50, name:'Olivier'}),

 (Eggs:Product {name:'Eggs', productid: 310}),
 (Bread:Product {name:'Bread', productid: 320}),
 (Beer:Product {name:'Beer', productid: 330}),
 (Sugar:Product {name:'Sugar', productid: 340}),
 (Cookies:Product {name:'Cookies', productid: 350}),
 (Apples:Product {name:'Apples', productid: 360}),
 (Water:Product {name:'Water', productid: 370}),
 
 (t501:Transaction {id: 501, pdate: '2023-02-01'}),
 (t502:Transaction {id: 502, pdate: '2023-02-02'}),
 (t503:Transaction {id: 503, pdate: '2023-02-01'}),
 (t504:Transaction {id: 504, pdate: '2023-02-04'}),
 (t505:Transaction {id: 505, pdate: '2023-02-06'}),
 
 (John)-[:MADE_TRANSACTION]->(t501),
 (Alice)-[:MADE_TRANSACTION]->(t502),
 (Mark)-[:MADE_TRANSACTION]->(t503),
 (Noah)-[:MADE_TRANSACTION]->(t504),
 (Olivier)-[:MADE_TRANSACTION]->(t505),

 (t501)-[:CONTAINS {quantity: 2}]->(Eggs),
 (t501)-[:CONTAINS {quantity: 3}]->(Bread),
 (t501)-[:CONTAINS {quantity: 5}]->(Beer),
 (t501)-[:CONTAINS {quantity: 4}]->(Sugar),
 
 (t502)-[:CONTAINS {quantity: 3}]->(Eggs),
 (t502)-[:CONTAINS {quantity: 4}]->(Bread),

 (t503)-[:CONTAINS {quantity: 5}]->(Bread),
 (t503)-[:CONTAINS {quantity: 6}]->(Beer),
 (t503)-[:CONTAINS {quantity: 2}]->(Water),

 (t504)-[:CONTAINS {quantity: 12}]->(Eggs),
 (t504)-[:CONTAINS {quantity: 7}]->(Cookies),
 (t504)-[:CONTAINS {quantity: 14}]->(Apples),

 (t505)-[:CONTAINS {quantity: 32}]->(Apples),
 (t505)-[:CONTAINS {quantity: 1}]->(Cookies);

Model danych

W naszych danych mamy trzy typy węzłów: Client, Product i Transaction. Zakupy klienta znajdują się w transakcjach których dokonał - między klientem a transakcją mamy relację MADE_TRANSACTION a produkty powiązane są z transakcją relacjami CONTAINS. Możesz wykonać polecenie call db.schema.visualization by zobaczyć ten model danych.

Widok grafu

Nasze dane po załadowaniu do Neo4j będą mieć następująca postać:

Więcej…

Oracle Apex & Camunda BPM

How to use Camunda "workflow" in Oracle Apex application?

The vast majority of business applications have some sort of "wokflow". In every business, a group of people do their job to "deliver value". But we don't do everything together and we break the task into activities because we specialize and carry out tasks according to skills - role. We do our job and pass it on to the next person - like an assembly line. These activities are performed as part of a process that works according to: template - "wokflow". It has its stages, tasks and statuses.

Oracle Apex in the latest version has a built-in workflow building tool. If the workflow is only used for the needs of the application we are building, this approach may make sense. However, if our workflow is complex, changes frequently or the process is supported by different systems, it is a much better idea to use a dedicated system - a BPM platform.

Using a platform also makes great sense to manage change. We all know how "business" changes assumptions about applications - it starts with "something small" and evolves into quite a large, complex system. So the workflow that we use, e.g. for accepting invoices from one level, expands to several levels, new business conditions and exceptions are created (e.g. the flow depends on the type of invoice, the invoice amount, the supplier/customer category).

The BPM platform will simply handle processes better and give us more opportunities. Just imagine onboarding process where several actors and applications are involved:

Required components

The system that will allow us to build a workflow for Oracle Apex application without much effort is Camunda. Camunda not only allows you to build a flow diagram in BPM notation, but is also delivers a tool for creating decision models; business conditions (DMN). Camunda has two systems - Modeler for creating diagrams and Platform for running processes. Components were written in Java as open source model under the terms of the Apache license.

When building an application that requires workflow, we separate the management of information flow from the application itself. The application "has no idea" how the business logic of information flow is organized - it passes the acceptance task to Camunda, and the BPM platform takes care of the appropriate decision. Camunda itself does not do anything in the Oracle database, it does not provide forms, it does not manage data - it only deals with providing information. It is the external system/people who take specific action based on them.

In a nutshell; the flow of information is handled by the BPM platform and the role of the application is only to read the state of the process and provide information to the process that task was copleted.

Więcej…

Algorytmy do wykorzystania w codziennej pracy

Uczenie maszynowe nie jest już magicznym trikiem

Sztuczna inteligencja, o której tak wiele słyszymy, w rzeczywistości wykorzystuje algorytmy. Powszechne jest określenie „uczenie maszynowe” (ML) i stwierdzenie, że komputery uczą się na podstawie otrzymanych danych. Tak naprawdę komputery niczego się nie uczą – to bezduszne maszyny, które jedynie wykonują polecenia. Komputery dostarczają nam wyników swojej pracy na dwa sposoby; podajemy komputerom przykład tego, czego mają szukać w danych ("uczenie się nadzorowane") lub mówimy im, aby uruchomiły algorytm, który ma z góry określone wyniki do dostarczenia („uczenie się bez nadzoru”).

Przeczytaj więcej o rodzajach algorytmów i ich zastosowaniu.

Zatem skończona liczba algorytmów może dać nam nieskończoną liczbę kombinacji ich zastosowania – zdumiewające, jak krótka jest lista funkcji i algorytmów, które tworzą dość złożone oprogramowanie realizujące różnorodne zadania. To jest jak język, którego używamy; liczba słów jest ograniczona, ale liczba dzieł literackich nigdy się nie skończy.

Czym są algorytmy?

Algorytm to skończona sekwencja jasno określonych działań niezbędnych do wykonania określonego rodzaju zadania. Przepis na zrobienie dania jest często przytaczany jako przykład algorytmu stosowanego w życiu codziennym.

ML wykorzystuje algorytmy pochodzące z lat 60tych, 50tych, a nawet starożytnej Grecji. Ich szerokie zastosowanie umożliwiły szybkie komputery. Prawdziwej rewolucji dokonały szybkie maszyny liczące, a nie same algorytmy.

Użycie algorytmów nie było zbyt trudne, ale jak dotąd wymagało pewnych umiejętności, takich jak umiejętność kodowania. Jednak to się zmieniło. Od jakiegoś czasu mamy dostęp do oprogramowania, w którym algorytmy mamy umieszczone pod prawym przyciskiem myszy. Co więcej, istnieje darmowe oprogramowanie takie jak Orange Data Mining – świetne środowisko, w którym możemy przetestować pewne hipotezy, poszukać informacji ukrytych w danych, uzyskać rekomendacje na podstawie których podejmiemy dalsze decyzje. Oto kilka przykładów kilku algorytmów „Machine Learning”, które możesz wykorzystać w swojej codziennej pracy.

Więcej…