추천 기준값·노출 로그 관리 콘솔

좌측에서 기준 항목(수준 가중치·주제 가중치·최근 노출 제외 기간)을 고르고, 중앙에서 샘플 학습자의 추천 결과 미리보기를 확인하며, 우측에서 값을 수정합니다.

• 기준값을 MySQL 버전 테이블에 초안·적용 상태로 관리하는 모델 설계
• 초안 값을 대입해 샘플 학습자의 추천 순서를 계산하는 미리보기 API 구현
• 좌측 항목 트리·중앙 미리보기·우측 속성 패널이 하나의 편집 상태를 공유하는 React 구조 구현

기준값을 바로 덮어쓰지 않고 초안으로 먼저 계산해 보는 흐름으로, 값 변경이 추천 결과에 주는 영향을 적용 전에 확인하도록 설계합니다.

추천 카드가 노출된 기록과 클릭된 기록을 기간·화면(홈, 학습 완료)·콘텐츠 조건으로 조회하고, 개별 학습자 단위 흐름을 타임라인으로 따라갑니다.

• 노출·클릭 이벤트를 화면·콘텐츠·기준값 버전과 함께 MongoDB에 적재하는 스키마 설계
• 기간·화면·콘텐츠 조건과 커서 기반 페이지네이션을 처리하는 NestJS 조회 API 구현
• 학습자 단위 이벤트를 시간순으로 묶어 보여주는 타임라인 컴포넌트 구현

모든 로그에 당시 적용된 기준값 버전을 함께 기록하여, 어떤 기준에서 나온 추천이 노출되고 클릭되었는지 추적하는 구조를 설계합니다.

기준값 버전 두 개를 선택해 같은 기간의 노출 수, 클릭 수, 클릭 비율을 나란히 비교하고 화면별·주제별 분포 차이를 차트로 확인합니다.

• 버전별·화면별 노출·클릭을 일 단위로 집계하는 집계 테이블과 갱신 작업 구현
• 비교 조회 결과를 Redis에 짧은 TTL로 캐시하고 집계 갱신 시 키를 무효화하는 규칙 설계
• Recharts 나란히 막대 차트와 주제별 분포 위젯을 공통 기간 선택기와 연동

비교 대상 두 버전이 같은 기간·같은 집계 기준으로 계산되도록 조회 조건을 하나로 모아, 수치 비교가 어긋나지 않는 구조를 설계합니다.

특정 학습자를 검색해 그 학습자의 수준 산정 값, 후보 콘텐츠별 점수, 최종 추천 순서와 제외된 사유를 단계별로 확인하고 결과를 내려받습니다.

• 추천 서비스가 후보별 점수 항목과 제외 사유를 함께 반환하는 점검 모드 구현
• 학습자 검색과 후보 점수 표를 서버 필터·정렬로 처리하는 조회 API 구현
• 화면 조건을 그대로 적용하는 CSV 내보내기 엔드포인트와 스트리밍 응답 구현

운영 로직과 같은 계산 함수를 점검 모드로 재사용하여 점검 화면의 수치와 실제 추천 결과가 같은 코드에서 나오는 구조를 설계합니다.