|
Аннотация Разработка инструмента для выполнения программ лояльности с целью снижения уровня оттока клиентов, повышения прибыли с одного клиента и увеличения доли POS операций в общем объеме транзакций в денежном эквиваленте. Задача Разработать фреймворк для создания и выполнения программ лояльности, направленных на разные сегменты клиентов. Решение Конвейер из стриминговых приложений, выполняющих обработку покупок клиентов по правилам активных программ лояльности. Офлайн-приложение для обновления сегментов клиентов. Результаты Созданные с помощью фреймворка бонусные программы заменили имеющиеся у клиента программы. Спроектированное решение позволяет создавать новые программы лояльности в пользовательском интерфейсе за несколько часов. Клиенты получают информацию в режиме почти реального времени, что увеличивает их вовлеченность. |
Клиент:
Розничный банк Сфера деятельности: Бэк-офис Технологии: Cloudera CDH (Spark, Structured Streaming, Kafka, HBase, Hive, Oozie), Python География: Восточная Европа Размер команды: 4 Продолжительность: 24 человеко-месяца |
Кейс 1: Потоковая обработка покупок клиентов
Цель проекта
Перевод программ лояльности из режима офлайн, когда их результаты рассчитываются ежедневно или ежемесячно, в режим онлайн, когда состояние изменяется сразу же после возникновения событий.
Технологии, использованные в проекте
Несколько жестко запрограммированных бонусных программ, коммуникация по которым осуществлялась офлайн один раз в сутки. Такой подход не позволял бизнесу гибко и своевременно воздействовать на клиентов.
Результат
Разработанное решение в первую очередь решило проблему своевременного взаимодействия с клиентом в режиме почти реального времени. Это было достигнуто путем разделения монолитного ядра выполнения бонусных программ на стриминговую часть, которая по упрощенным условиям обрабатывает входящие сообщения, и офлайн-часть, которая занимается тяжелыми расчетами и предвычислениями для стриминговой части. Такой подход является вариацией лямбда-архитектуры — одной из популярных архитектур в потоковой обработке больших данных.
Перевод программ лояльности из режима офлайн, когда их результаты рассчитываются ежедневно или ежемесячно, в режим онлайн, когда состояние изменяется сразу же после возникновения событий.
Технологии, использованные в проекте
- Structured Streaming
- Spark
- Kafka
- HBase
Несколько жестко запрограммированных бонусных программ, коммуникация по которым осуществлялась офлайн один раз в сутки. Такой подход не позволял бизнесу гибко и своевременно воздействовать на клиентов.
Результат
Разработанное решение в первую очередь решило проблему своевременного взаимодействия с клиентом в режиме почти реального времени. Это было достигнуто путем разделения монолитного ядра выполнения бонусных программ на стриминговую часть, которая по упрощенным условиям обрабатывает входящие сообщения, и офлайн-часть, которая занимается тяжелыми расчетами и предвычислениями для стриминговой части. Такой подход является вариацией лямбда-архитектуры — одной из популярных архитектур в потоковой обработке больших данных.
Кейс 2: Фреймворк для создания программ лояльности
Цель проекта
Разработка инструмента для создания программ лояльности с возможностью гибкой настройки.
Описание проекта
Создание back-части для интерпретации описания программ, описанных на предметно-ориентированном языке.
Технологии, использованные в проекте
Несколько жестко запрограммированных бонусных программ, коммуникация по которым осуществлялась офлайн один раз в сутки. Такой подход не позволял бизнесу гибко и своевременно воздействовать на клиентов.
Результат
Спроектированное решение позволяет сотруднику отдела розничного бизнеса самостоятельно конструировать бонусные программы из небольших блоков. Таким образом, он может по-разному контактировать с различными группами клиентов, оказывая влияние на их уникальные особенности подходящим для этого способом.
Разработка инструмента для создания программ лояльности с возможностью гибкой настройки.
Описание проекта
Создание back-части для интерпретации описания программ, описанных на предметно-ориентированном языке.
Технологии, использованные в проекте
- Python
- Apache HBase
Несколько жестко запрограммированных бонусных программ, коммуникация по которым осуществлялась офлайн один раз в сутки. Такой подход не позволял бизнесу гибко и своевременно воздействовать на клиентов.
Результат
Спроектированное решение позволяет сотруднику отдела розничного бизнеса самостоятельно конструировать бонусные программы из небольших блоков. Таким образом, он может по-разному контактировать с различными группами клиентов, оказывая влияние на их уникальные особенности подходящим для этого способом.
Кейс 3: Фреймворк для проверки программ лояльности
Цель проекта
Разработать инструмент для тестирования корректности настроек программ лояльности.
Описание проекта
Создание back-части для проведения тестов программ, описанных на предметно-ориентированном языке.
Технологии, использованные в проекте
Фреймворк для создания и запуска программ лояльности, имеющий высокую степень гибкости настроек.
Результат
Гибкая настройка содержит большой потенциал для ошибок из-за человеческого фактора. Для снижения потерь, связанных с подобными ошибками, спроектировано тестирование новых бонусных программ. Оно заключается в том, что перед запуском программы она проходит проверку на накопленных исторических данных, а также на специально подготовленных сценариях. После анализа результатов тестирования отделом розничного бизнеса принимается решение о запуске бонусной программы.
Разработать инструмент для тестирования корректности настроек программ лояльности.
Описание проекта
Создание back-части для проведения тестов программ, описанных на предметно-ориентированном языке.
Технологии, использованные в проекте
- HBase
- Spark
- Kafka
- Python
Фреймворк для создания и запуска программ лояльности, имеющий высокую степень гибкости настроек.
Результат
Гибкая настройка содержит большой потенциал для ошибок из-за человеческого фактора. Для снижения потерь, связанных с подобными ошибками, спроектировано тестирование новых бонусных программ. Оно заключается в том, что перед запуском программы она проходит проверку на накопленных исторических данных, а также на специально подготовленных сценариях. После анализа результатов тестирования отделом розничного бизнеса принимается решение о запуске бонусной программы.