ClerkCore

Clerk.io prende il catalogo dei prodotti e la cronologia degli ordini del tuo negozio, li elabora tramite un motore AI predittivo e rende i risultati disponibili tramite un’API che alimenta Search, Recommendations, Email e Audience.

Questo articolo spiega cosa succede “sotto il cofano” — un contesto utile per chiunque stia configurando un’integrazione, risolvendo risultati inaspettati o semplicemente curioso di sapere da dove provenga l’intelligenza.

Tutto ciò che fa Clerk.io si basa su tre passaggi:

1. Sync — il tuo catalogo prodotti e la cronologia ordini vengono importati in Clerk.io.
2. Analyse — ClerkCore, il motore AI di Clerk.io, elabora i dati e pre-calcola i modelli di intenzione dei clienti.
3. Serve — la Prediction API risponde alle query in tempo reale combinando gli insight pre-calcolati con il comportamento dei visitatori dal vivo.

Quando un visitatore visualizza un prodotto, l’API riceve una richiesta del tipo: “Questo visitatore sta guardando il prodotto X — cosa è più probabile che acquisti dopo?” ClerkCore ha già la risposta pre-calcolata, quindi la risposta è quasi istantanea.

The Knowledge Graph #

Il nucleo di ClerkCore è una tecnologia chiamata Knowledge Graph — una rete interconnessa che collega ogni prodotto, categoria, cliente e contenuto del tuo negozio.

Ogni connessione del grafo ha due proprietà: lunghezza e forza. Quanto più breve è la connessione tra due elementi, tanto più sono correlati. Quanto più è forte la connessione, tanta maggiore è la confidenza dell’AI su quella relazione.

Oltre ai dati espliciti come prodotti e categorie, il Knowledge Graph costruisce anche quelle che si potrebbero chiamare note virtuali — schemi astratti che catturano elementi come l’affinità al brand, la sensibilità al prezzo e le tendenze stagionali. Questi non sono campi che invii a Clerk.io; emergono automaticamente dai pattern nei tuoi dati di ordini e navigazione.

Quando un visitatore atterra su una pagina prodotto, ClerkCore attraversa il grafo in tempo reale per trovare i vicini più prossimi — i prodotti, le categorie e i contenuti più rilevanti per quello specifico visitatore in quel preciso momento — e combina diversi modelli di comportamento per produrre un risultato personalizzato.

Three Subsystems #

Clerk.io è costruito attorno a tre sottosistemi, tutti operanti attorno a un Data Store centrale.

Data Sync #

L’infrastruttura di Data Sync mantiene il Data Store di Clerk.io aggiornato con il tuo catalogo e ordini in ogni momento.

Funziona su due livelli. Un importer specifico per la piattaforma legge i dati dal tuo webshop nel suo formato nativo e li passa a un Core Importer, che li valida e li archivia in un formato interno coerente. Questo permette a Clerk.io di supportare molte piattaforme diverse senza richiedere che ognuna rispetti uno schema dati rigido.

Le sincronizzazioni sono pianificate — Clerk.io adatta la frequenza in base alla velocità con cui cambia il tuo catalogo e al tempo necessario per completare la sincronizzazione. Puoi anche avviare una sincronizzazione manualmente o inviare aggiornamenti individuali in tempo reale tramite la CRUD API.

Se noti un improvviso calo nella qualità dei risultati, dati errati nella sincronizzazione sono la causa più comune. La dashboard Data Health è il primo posto da verificare.

ClerkCore #

ClerkCore è il motore AI di Clerk.io. Analizza periodicamente i dati presenti nello store e pre-calcola modelli di intenzione del cliente — imparando quali prodotti vengono acquistati insieme, cosa tendono a fare i clienti con storie simili e quali sono i pattern di acquisto complessivi nel catalogo.

Ogni pattern comportamentale del cliente diventa un proprio modello. ClerkCore costruisce molti modelli in parallelo e li combina dinamicamente al momento della richiesta in base a ciò che sta facendo il singolo visitatore in quel preciso istante.

A differenza di approcci più vecchi come il filtraggio collaborativo o le reti neurali, ClerkCore non ha problemi di cold-start per i nuovi prodotti. Un prodotto completamente nuovo può apparire nei risultati appena viene sincronizzato, perché il grafo utilizza la categoria, il prezzo e gli attributi per contestualizzarlo — anche prima che abbia una sua cronologia di ordini.

I risultati si adattano anche automaticamente alle tendenze e alle stagioni, poiché il grafo ripesa continuamente le connessioni in base al comportamento recente invece che affidarsi a sessioni di training statiche.

Questi modelli vengono aggiornati automaticamente ogni volta che si verificano cambiamenti significativi nei dati. Quando uno store viene popolato per la prima volta, l’analisi iniziale può richiedere alcuni minuti prima che i risultati compaiano tramite l’API. Successivamente, gli aggiornamenti avvengono continuamente in background.

Prediction API #

La Prediction API su api.clerk.io è la base su cui è costruito tutto il resto di Clerk.io. Quando un visitatore effettua una ricerca o carica uno slider di recommendations, l’API combina i modelli pre-calcolati di ClerkCore con il comportamento in tempo reale della sessione del visitatore per restituire una lista ordinata di prodotti.

Alcuni esempi di query a cui risponde l’API:

• “Questo visitatore sta visualizzando il prodotto Y — quali sono buone alternative?” → recommendations/substituting
• “Questo visitatore ha appena aggiunto il prodotto Y al carrello — cosa è probabile che acquisti insieme?” → recommendations/complementary
• “Quali clienti sono maggiormente interessati al prodotto X?” → utilizzato da Audience

Search, Recommendations, Email e Audience sono tutti costruiti come livelli sopra queste capacità core dell’API.

Required Input Data #

ClerkCore richiede due elementi per produrre risultati:

• Products — il catalogo attuale, con almeno id, nome, prezzo, immagine, url, categorie e created_at.
• Orders — la cronologia degli acquisti, con almeno id, prodotti e data.

Tutto il resto — categorie, clienti e pagine — è tecnicamente opzionale, ma l’invio migliora significativamente la qualità dei risultati. Le categorie aiutano l’AI a comprendere la struttura del tuo catalogo, i clienti sbloccano la segmentazione Audience basata sugli attributi del cliente e le pagine permettono le recommendations di contenuti e risultati di ricerca più ricchi. Si raccomanda vivamente di inviare tutto questo.

Più è ampia la cronologia ordini, migliori sono le previsioni. Un negozio attivo da anni con migliaia di ordini vedrà risultati sensibilmente più forti rispetto a uno appena lanciato. Detto ciò, Clerk.io inizia a produrre risultati utili non appena esistono ordini a sufficienza per identificare dei pattern — in genere bastano alcune centinaia di ordini per iniziare.

Per ulteriori informazioni sugli oggetti dati e i campi richiesti, vedi Data Foundation.