OTTO 每天为超过 200 万名访客重新定义电子商务个性化

简介: MongoDB让电商企业商品目录管理更智能

在线零售商拥有大量的数据,他们对客户的了解比几十年前的街角商店店主更多。聪明的零售商利用这些数据为购物者提供高度个性化、无缝的购物体验,这就是现在吸引并保留的客户的方法。

将网站目录更新时间从12小时缩短到15分钟

OTTO是德国顶级时尚和生活用品在线零售商。该公司年营业额超过20亿欧元,每天有超过两百万的网站访问者。公司长期以来一直将客户置于其零售战略的中心。然而,现有系统却让其变得缓慢,每次为两百万种产品加载新的目录更新通常需要整天的时间。

MongoDB帮助OTTO打破了这一指标,曾经需要12小时的更新现在只需要15分钟。

有了由MongoDB支持的目录,OTTO在速度上获得了优势。开发速度快,加载数据迅速,大幅提升客户个性化购物体验。

个性化变得更快

OTTO之前的网站是静态的、缓慢的,并且更改起来非常昂贵。开发方法也是如此。OTTO拥有一个庞大的系统和一个庞大的团队,却只能更改站点的小片段来实现客户个性化体验。

这阻碍企业迅速响应市场变化的能力,比如竞争性价格波动。同时企业还缺乏在客户第一次访问网站时立即将最相关的产品展示给他们的能力。

反应时间慢是转化的杀手

普通客户在电子商务网站上停留的时间并不长。OTTO只有1-2秒的时间来实时访问客户档案并决定如何做出反应。

这在像OTTO这样产品目录多样化的情况下尤为具有挑战性。OTTO为5000多个品牌提供一站式购物 - 从牛仔裤到沙发再到音响系统,每个品牌都有不同的属性和标签(如名称、颜色、大小)。此外,产品定价和可用性是动态的,需要不断更新和修改以保持竞争优势。

使用关系数据库来更新具有如此多样化产品和属性的网站是痛苦的,通常需要从几十个表中读取以更新一个单一的产品,查询复杂,扩展缓慢且困难。

MongoDB的灵活数据模型消除了这种复杂性,并非常适合资产目录。利用MongoDB,OTTO可以快速迭代数据架构,对产品、属性和客户档案进行更改,而无需将数据库脱机或影响性能。此外,所有产品信息都可以从一个单一的JSON文档中读取,实现了非常快速的读取。

完整了解客户行为的关键在于利用实时数据的分析。这是推动真正个性化的动力。

OTTO已经扩展到每秒800个页面加载,每秒生成10,000个事件,每次点击,每次悬停都存储在MongoDB中。对购物行为的丰富洞察使OTTO能够为每个客户提供独特的网站,包括个性化的产品、导航和过滤器。

它还能以惊人的速度运行。内存速度和磁盘容量的提升使网站响应时间大幅改善。此外,所有设备端浏览器、手机、平板电脑,都被整合在一起,因此在每个客户在网站上的旅程中,OTTO都可以提供即时个性化。

利用MongoDB,OTTO大幅的提高了用户参与度、增加了收入,同时提供了一种全新的卓越客户服务的方式。

开发灵活性

OTTO需要快速的展示结果,而MongoDB则满足了这一需求。

横跨业务、项目管理和IT的并行团队都单独选择MongoDB作为快速轻松实现结果的最佳工具。尽管业务问题各不相同,但MongoDB都是每个团队的首选。如今,每个团队都拥有自己的MongoDB安装,可以完成其需要完成的任务,而无需进行架构治理。这仅仅是因为MongoDB被证明易于使用、易于集成和易于操作。

通过松散耦合的团队、架构和操作,OTTO已经消除了部署和测试的瓶颈。团队可以轻松纠正错误并进行无风险的创新。完全的自治意味着他们以前所未有的速度移动。

这种转向敏捷开发并非是强制性的。它是由MongoDB启发并由团队推动的。如今,业务和IT都可以在关注企业运营、可扩展性、请求处理和速度的同时,产生快速的结果。

OTTO成功地搭建了两个世界的桥梁:精益方法和可持续的企业运营。

在改变其运营、开发、技术工具和合作方式时,OTTO冒了一些风险。但这是一个值得冒险的机会,一个对业务和客户都产生了回报的机会。

新的渠道,更多的流量,丰富的产品通道,电子商务正在蓬勃发展,而OTTO已经准备好了。

OTTO已经建立了一个拥有65年历史的值得信赖的品牌、忠实客户和创新零售战略的坚实基础。现在,它拥有稳定、经过验证的技术架构和敏捷的开发,这是推动它在面对未知挑战和不断增长的需求时取得成功的关键要素。

访问阿里云MongoDB官网了解更多。

阿里云免费试用-二维码.png

相关文章
【C语言】exit函数详解
【C语言】exit函数详解
|
6月前
|
人工智能 自然语言处理 供应链
1688开启AI时代:当百万工厂遭遇“智能中枢”,B2B彻底变了!
2026年初,1688启动《AI加速·产业带生意抢跑计划》,首推“三保”服务(5万访客、500询盘、300订单),宣告AI为生意“核心引擎”。AI已从工具升级为“智能中枢”,深度重构找厂、选品、定价、出海全链路。“遨虾”跨境AI智能体更填平内外贸鸿沟。中国产业带智能化跃迁正加速到来。
|
Web App开发 算法 Java
JSON Web Token (JWT)生成Token及解密实战。
昨天讲解了JWT的介绍、应用场景、优点及注意事项等,今天来个JWT具体的使用实践吧。 从JWT官网支持的类库来看,jjwt是Java支持的算法中最全的,推荐使用,网址如下。
4277 0
|
12月前
|
存储 算法 生物认证
基于Zhang-Suen算法的图像细化处理FPGA实现,包含testbench和matlab验证程序
本项目基于Zhang-Suen算法实现图像细化处理,支持FPGA与MATLAB双平台验证。通过对比,FPGA细化效果与MATLAB一致,可有效减少图像数据量,便于后续识别与矢量化处理。算法适用于字符识别、指纹识别等领域,配套完整仿真代码及操作说明。
|
数据采集 移动开发 算法
【硬件测试】基于FPGA的QPSK调制+软解调系统开发与硬件片内测试,包含信道模块,误码统计模块,可设置SNR
本文基于FPGA实现QPSK调制与软解调系统,包含Testbench、高斯信道、误码率统计模块,并支持不同SNR设置。硬件版本新增ILA在线数据采集和VIO在线SNR设置功能,提供无水印完整代码及测试结果。通过VIO分别设置SNR为6dB和12dB,验证系统性能。配套操作视频便于用户快速上手。 理论部分详细解析QPSK调制原理及其软解调实现过程,涵盖信号采样、相位估计、判决与解调等关键步骤。软解调通过概率估计(如最大似然法)提高抗噪能力,核心公式为*d = d_hat / P(d_hat|r[n])*,需考虑噪声对信号点分布的影响。 附Verilog核心程序代码及注释,助力理解与开发。
515 5
|
前端开发 测试技术 数据库
DDD架构中assembler和converter的区别
在 DDD 四层架构模式中,assembler 和 converter 常用于对象转换,但两者在实际项目中的使用较为随意。本文从英文释义、语义区分和模型层区分三个方面探讨了两者的区别,建议按模型层区分,即 Interface 和 Application 层使用 assembler,Infrastructure 层使用 converter,以避免混淆和随意使用。此外,将转换代码抽离为独立方法有助于保持代码整洁和可测试性。
|
JSON 监控 前端开发
使用Actuator通过HTTP监控Spring Boot应用(附源码)
使用Actuator通过HTTP监控Spring Boot应用(附源码)
815 0
|
机器学习/深度学习 算法
一文通俗讲透树模型
决策树模型因为其特征预处理简单、易于集成学习、良好的拟合能力及解释性,是应用最广泛的机器学习模型之一。
|
测试技术
echarts 折线图 多条折线数据相同时展示的图形并没有重合
echarts 折线图 多条折线数据相同时展示的图形并没有重合
echarts 折线图 多条折线数据相同时展示的图形并没有重合

热门文章

最新文章