pip install anthropic shopify-python-api pandas

import shopify
import pandas as pd

# Configure Shopify API
shop_url = "your-shop.myshopify.com"
api_version = "2024-01"
private_app_password = "your-api-password"

shopify.ShopifyResource.set_site(f"https://{private_app_password}@{shop_url}/admin/api/{api_version}")

# Fetch customer data
customers = shopify.Customer.find()
customer_data = []

for customer in customers:
    customer_data.append({
        'id': customer.id,
        'email': customer.email,
        'orders_count': customer.orders_count,
        'total_spent': customer.total_spent
    })

df = pd.DataFrame(customer_data)
print(df.head())

import anthropic
import json

client = anthropic.Anthropic(api_key="your-api-key")

def generate_upsell_recommendations(customer_history, product_catalog):
    prompt = f"""بناءً على تاريخ الشراء التالي للعميل وكتالوج المنتجات، اقترح أفضل 3 منتجات للبيع الإضافي مع الأسباب.

تاريخ العميل: {json.dumps(customer_history)}
كتالوج المنتجات: {json.dumps(product_catalog)}

قدم توصياتك بصيغة JSON مع الحقول التالية:
- product_id
- product_name
- confidence_score (0-1)
- reasoning"""

    message = client.messages.create(
        model="claude-3-5-sonnet-20241022",
        max_tokens=1024,
        messages=[
            {"role": "user", "content": prompt}
        ]
    )
    
    return message.content

# مثال على الاستخدام
customer_history = {
    "previous_purchases": ["laptop", "mouse", "laptop_bag"],
    "browsing_history": ["monitor", "keyboard", "webcam"],
    "average_order_value": 850
}

product_catalog = [
    {"id": 1, "name": "4K Monitor", "price": 399, "category": "displays"},
    {"id": 2, "name": "Mechanical Keyboard", "price": 129, "category": "accessories"},
    {"id": 3, "name": "Wireless Mouse", "price": 79, "category": "accessories"},
    {"id": 4, "name": "USB-C Hub", "price": 49, "category": "accessories"}
]

recommendations = generate_upsell_recommendations(customer_history, product_catalog)
print(recommendations)

def event_based_upsell(customer_data, current_date):
    prompt = f"""حلل بيانات العميل دي واقترح منتجات للبيع الإضافي بناءً على الأحداث أو المناسبات القادمة.

بيانات العميل: {json.dumps(customer_data)}
التاريخ الحالي: {current_date}

حدد:
1. المناسبات أو الأحداث المحتملة
2. المنتجات ذات الصلة للبيع الإضافي
3. رسائل مخصصة لكل اقتراح"""

    message = client.messages.create(
        model="claude-3-5-sonnet-20241022",
        max_tokens=1024,
        messages=[
            {"role": "user", "content": prompt}
        ]
    )
    
    return message.content

def cart_based_upsell(cart_items, product_catalog):
    prompt = f"""بناءً على العناصر الموجودة حالياً في السلة، اقترح منتجات تكميلية تزيد من قيمة الطلب.

محتويات السلة: {json.dumps(cart_items)}
المنتجات المتاحة: {json.dumps(product_catalog)}

لكل اقتراح، وضح:
1. ليه المنتج يكمل العناصر الموجودة في السلة
2. القيمة المضافة للعميل
3. نقطة السعر المثالية للبيع الإضافي"""

    message = client.messages.create(
        model="claude-3-5-sonnet-20241022",
        max_tokens=1024,
        messages=[
            {"role": "user", "content": prompt}
        ]
    )
    
    return message.content

def display_upsell_recommendations(customer_id, recommendations):
    # Parse AI recommendations
    upsell_products = json.loads(recommendations)
    
    # Create a custom metafield for the customer
    customer = shopify.Customer.find(customer_id)
    
    metafield = shopify.Metafield()
    metafield.namespace = "ai_upsell"
    metafield.key = "recommendations"
    metafield.value = json.dumps(upsell_products)
    metafield.type = "json"
    
    customer.add_metafield(metafield)
    
    return True

def calculate_upsell_metrics(orders_data):
    prompt = f"""حلل بيانات الطلبات دي وقدم مقاييس شاملة لأداء البيع الإضافي:

بيانات الطلبات: {json.dumps(orders_data)}

احسب واشرح:
1. معدل قبول البيع الإضافي
2. متوسط الزيادة في قيمة الطلب
3. الأنماط في البيع الإضافي الناجح
4. التوصيات للتحسين"""

    message = client.messages.create(
        model="claude-3-5-sonnet-20241022",
        max_tokens=1500,
        messages=[
            {"role": "user", "content": prompt}
        ]
    )
    
    return message.content