Marktradar: Plattform zur Preisbeobachtung von Wettbewerbern

Zurück zu den ProjektenDashboards

Eine Plattform, die Wettbewerberpreise automatisch aus Online-Shops sammelt, gleichwertige Produkte zuordnet und die Preisposition der Marke im Markt zeigt. Jede Zahl lässt sich bis zur Quelle zurückverfolgen.

Ähnliches Projekt anfragen

Stack: Django · DRF · PostgreSQL
Screens: 6 Bilder

Überblick

Marktradar entstand für einen Hersteller, der wissen wollte, wo seine Preise im Vergleich zu Wettbewerbern und zum Marktmedian liegen. Das System sammelt zeitgesteuert Preise aus mehreren Online-Shops, vereinheitlicht unordentliche und uneinheitliche Produkttitel, erkennt, welche Angebote dasselbe Produkt sind, filtert Ausreißer und zeigt das Ergebnis in einem Dashboard, einer Wettbewerbsansicht und einer Alarmzentrale.

Ausgangslage

Preise ohne genaue Marktkenntnis festzulegen heißt, entweder hinter Wettbewerbern zurückzufallen oder Marge zu verschenken. Preise aus Dutzenden Shops von Hand zu sammeln ist langsam und fehleranfällig. Dasselbe Produkt steht in jedem Shop unter einem anderen Titel (persisch, englisch, mit arabischen Zeichenvarianten, in verschiedenen Einheiten), und die Zahlen im Bericht lassen sich meist nicht bis zur Quelle zurückverfolgen.

Lösung

Eine vollständige Verarbeitungskette: Sammeln → Normalisieren → Produktzuordnung → Validierung und Ausreißerfilter → Aggregation → Tageskennzahlen → Alarme. Das Leitprinzip ist eine „Beweiskette“: Jede Zahl im Dashboard lässt sich bis zum Rohangebot, zum Originaltitel und zum Quelllink zurückverfolgen. Fälle, bei denen das System unsicher ist, landen in einer Prüfwarteschlange, statt geraten zu werden.

So habe ich es gebaut

01
Die Collector sind als Plug-ins gebaut. Ein generischer Collector ohne Shop-spezifischen Code liest aus jedem Standard-Shop Preis, Titel und Preise je Größe, mit Pausen zwischen den Anfragen und Obergrenzen.
02
Die Normalisierungs-Engine vereinheitlicht persische und englische Titel: Umwandlung arabischer Ziffern und Buchstaben, Extraktion von Marke, Typ, Farbe, Oberfläche sowie Menge und Einheit (auch zweiteiliger Einheiten).
03
Eine regelbasierte und unscharfe Matching-Engine ordnet jedes Angebot seinem Produkt zu und teilt die Ergebnisse in „sicher“, „wahrscheinlich“ und „zu prüfen“. Nur sichere Treffer fließen in den Marktmedian ein.
04
Ausreißer werden mit statistischen Verfahren (IQR und MAD) erkannt, und für jede Quelle wird ein Datenqualitätswert berechnet.
05
Tageskennzahlen (Median, Minimum, Maximum, Stichprobengröße) und die Preisposition der Marke gegenüber dem Markt werden berechnet und als Preisverlauf dargestellt. Gleichwertige Produkte lassen sich auch manuell verknüpfen.
06
Die Alarm-Engine meldet plötzliche Preissprünge, Abstände zum Marktpreis, Quellfehler und sinkende Datenqualität.
07
Die gesamte Kette läuft zeitgesteuert mit Celery. Die API nutzt JWT-Authentifizierung und rollenbasierte Rechte, und alle sensiblen Aktionen landen im Audit-Log. Über 130 automatisierte Tests sichern die Codequalität.

Funktionen

Automatische, zeitgesteuerte Preiserfassung aus Online-Shops
Normalisierung persischer und englischer Produkttitel
Automatische Zuordnung gleichwertiger Produkte über Quellen hinweg
Prüfwarteschlange für unsichere Fälle
Ausreißererkennung und Qualitätswert je Quelle
Vergleich der Marke mit Wettbewerbern und Marktmedian
Preisverlauf von 7 Tagen bis zu einem Jahr
Alarmzentrale für wichtige Marktveränderungen
Beweiskette: jede Zahl bis zur Quelle nachvollziehbar
Benutzerrollen, JWT-Authentifizierung und Audit-Log
Excel-Export für Berichte
Komplettes Deployment mit Docker Compose

Ergebnis

Statt Preise von Hand zu sammeln, haben Vertrieb und Management jeden Tag ein aktuelles, verlässliches Bild des Marktes und treffen Preisentscheidungen auf Daten, deren Herkunft bei jeder Zahl klar ist.