Tech general

📌 Техническое описание системы StarBank

🔹 Основная концепция

Система StarBank представляет собой рекомендательный сервис, который анализирует финансовые транзакции пользователей и предоставляет персонализированные предложения по банковским продуктам.

Для принятия решений о рекомендациях используются настраиваемые динамические правила, которые определяют, какие продукты подходят пользователю в зависимости от его поведения.

Система состоит из двух основных источников данных:

• H2 (файловая база) — содержит информацию о пользователях, продуктах и транзакциях.
• PostgreSQL — хранит динамические правила и ведет статистику их срабатываний.

🔹 Принцип работы системы

1. Получение данных:

   • Система анализирует транзакции пользователя в H2, выполняя SQL-запросы через JdbcTemplate.
   • В PostgreSQL запрашиваются динамические правила, которые могут быть изменены без перекомпиляции кода.

2. Применение правил:

   • Каждое правило представляет собой логический запрос, который сравнивает данные транзакций с заданными условиями.
   • Все правила объединяются логическим "И" — если хотя бы одно не выполняется, рекомендация не выдается.

3. Формирование списка рекомендаций:

   • Если все условия выполняются, в ответе API возвращается список продуктов, соответствующих правилам.
   • Для каждого сработавшего правила увеличивается счетчик в статистике (rule_stats).

🔹 Методы реализации

• Динамические правила хранятся в виде JSON-объектов и включают:

  {
    "query": "TRANSACTION_SUM_COMPARE",
    "arguments": ["DEBIT", "DEPOSIT", ">", "100000"],
    "negate": false
  }

  • query — определяет тип запроса.
  • arguments — содержит параметры запроса (тип продукта, сумма, оператор сравнения).
  • negate — позволяет инвертировать результат (например, "НЕ является клиентом кредита").

• Обработка правил выполняется через систему обработчиков (RuleHandlers), где каждый обработчик отвечает за один тип проверки (например, UserOfHandler, TransactionSumCompareHandler).

• Кеширование данных используется для ускорения повторных запросов (Caffeine Cache + Spring Cache).

• Интеграция с Telegram-ботом позволяет запрашивать рекомендации через команду /recommend username.

🔹 API и взаимодействие

• Взаимодействие с системой осуществляется через REST API.
• Основной метод GET /recommendation/{userId} принимает ID пользователя и возвращает список рекомендаций.
• API позволяет добавлять, удалять и просматривать динамические правила (POST /rule, DELETE /rule/{ruleId}, GET /rule).
• Запрос GET /rule/stats позволяет получить статистику срабатываний правил.

🔹 Производительность и масштабируемость

• SQL-запросы оптимизированы для минимизации нагрузки.
• Используется кеширование правил и транзакций для ускорения работы.
• Архитектура поддерживает расширение набора правил без изменения кода, что позволяет легко масштабировать систему.

📌 Итог

• Система анализирует транзакции пользователей и применяет гибкие динамические правила.
• Рекомендации формируются на основе SQL-запросов и хранимых правил.
• Производительность оптимизирована за счет кеширования и минимизации нагрузки на БД.
• Поддерживается управление правилами через API, без изменения кода.
• Гибкость системы позволяет быстро адаптироваться под новые бизнес-логики.