Algorithmische Sortierung: Python trifft Liquid
Über „Sortieren nach Datum“ hinausgehen. Wie wir aktive Lernpipelines aufbauen, um Sammlungen basierend auf der Echtzeitgeschwindigkeit neu zu ordnen.
Die Standardsortieroptionen von Shopify (Name A-Z, Bestseller, Neueste) sind statisch. „Bestseller“ ist ein nachlaufender Indikator. Es entsteht eine Rückkopplungsschleife, in der alte Gewinner an der Spitze bleiben und neue potenzielle Erfolge ganz unten versenkt werden.
Die Datenpipeline
Wir haben mit Python ein externes „Merchandising Brain“ erstellt.
1. Extraktion (ETL)
Jede Nacht ruft ein Cronjob Folgendes ab:
- Verkaufsdaten (Shopify API)
- Anzahl der Aufrufe (Google Analytics API)
- Retourenquoten (ERP)
- Lagertiefe (IMS)
2. Die Punkteberechnung
Wir verwenden Pandas und NumPy, um für jedes Produkt einen „Heat Score“ zu berechnen. „Python def calcule_heat(views, sales, days_live): Conversion_Rate = Verkäufe / Aufrufe Frische = 1 / (days_live + 1)
# Gewicht der Frische bei Modemarken höher
return (conversion_rate * 0,7) + (freshness * 0,3)„
3. Die Injektion
Das Skript generiert eine neue manuelle Sortierreihenfolge. Es sendet diese Bestellung über die GraphQL-API zurück an Shopify Collections und aktualisiert die Positionen von 5.000 Produkten in Sekundenschnelle.
Anpassungen in Echtzeit
Für fortgeschrittene Kunden binden wir dies in Wetter-APIs ein. Wenn die Wettervorhersage für London „Regen“ lautet, platziert das Skript „Trench Coats“ und „Umbrellas“ mithilfe der Cloudflare Worker-Geolocation-Injektion an die Spitze der Sammlung für britische Besucher. Dabei handelt es sich um eine dynamische, programmatische Steuerung des Regals.