Aproveche las perspectivas de los datos en tiempo real para optimizar los precios y obtener una ventaja competitiva.
Casos de uso: Personalización, Gen AI
Industrias: Comercio minorista
Productos: MongoDB Atlas, Colecciones de MongoDB Atlas, Clústeres de MongoDB Atlas
Socios: Google Cloud, Vertex AI, Funciones en la nube
Resumen de la solución
La fijación de precios dinámica, el arte de ajustar los precios en tiempo real según las condiciones del mercado, es una estrategia crucial para las empresas que buscan maximizar sus ingresos y obtener una ventaja competitiva. Para implementarla eficazmente, es esencial contar con una infraestructura tecnológica robusta. Esta solución integra MongoDB Atlas y Google Cloud Vertex AI para crear un microservicio de precios dinámicos en tiempo real. Los notebooks de Vertex AI y los modelos de TensorFlow utilizan Google Cloud Pub/Sub para una rápida ingesta de datos con el fin de analizar el comportamiento de los clientes y optimizar las estrategias de precios. MongoDB Atlas funciona como un almacén flexible de características para datos complejos de precios, mientras que los robustos recursos computacionales de Google Cloud impulsan cálculos complejos y el alojamiento.
El resultado es un sistema de precios escalable y adaptable que ofrece ajustes de precios instantáneos basados en la información de mercado más reciente. Esta integración mejora la eficiencia operativa al gestionar eficazmente grandes conjuntos de datos y escenarios de precios complejos.
Arquitecturas de Referencia
La arquitectura para un microservicio de precios dinámicos integra MongoDB y Google Cloud Vertex IA para facilitar el procesamiento de datos en tiempo real y ajustes de precios receptivos. Google Cloud Pub/Sub gestiona la ingestión y distribución de los datos de comportamiento de los clientes, lo que permite un procesamiento de mensajes escalable y eficiente. Estos datos se limpian y procesan luego en Vertex AI Notebooks, donde TensorFlow desarrolla modelos de aprendizaje automático para predecir precios óptimos basados en patrones identificados en datos históricos.
MongoDB Atlas funciona como repositorio central de datos y almacén de características, almacenando datos complejos de precios y dando soporte a los modelos de aprendizaje automático. El modelo de documentos de MongoDB proporciona la flexibilidad necesaria para gestionar y actualizar dinámicamente los datos de precios. Google Cloud Functions orquesta todo el flujo de trabajo: procesa los eventos de los clientes, los convierte en tensores y garantiza que las predicciones del modelo se actualicen en tiempo real en el catálogo de productos de MongoDB Atlas. En el diagrama de arquitectura, el flujo de datos azul ilustra cómo se incorporan los datos de los eventos de los clientes a un tema de Pub/Sub, lo que genera una suscripción push que activa la Cloud Function. Esta función transforma los eventos sin procesar en tensores y actualiza los precios previstos en el catálogo de productos de MongoDB.
Este enfoque arquitectónico permite el aislamiento de los hilos de eventos sin procesar, lo que facilita el desarrollo de diversos servicios que pueden reaccionar en tiempo real para la fijación dinámica de precios u operar de forma asíncrona para el entrenamiento de modelos. Al mantener un acoplamiento flexible entre los componentes, el sistema es resiliente y evita fallos totales si una parte experimenta problemas. Los editores y suscriptores pueden continuar procesando su lógica de forma independiente, lo que garantiza un sistema robusto y flexible que admite un funcionamiento continuo y actualizaciones fluidas.
Figura 1. Arquitectura de precios dinámicos que integra diferentes componentes de Google Cloud y MongoDB Atlas como almacén de características.
Ventajas de MongoDB para modelar eventos
MongoDB permite almacenar tensores y características relacionadas en una sola colección para soportar arquitecturas basadas en eventos. Este enfoque simplifica la recuperación y el procesamiento de datos, pero requiere una gestión cuidadosa, ya que los documentos grandes pueden afectar el rendimiento. Esta flexibilidad también facilita el análisis de datos integrado y la toma de decisiones en tiempo real.
Figura 2. Estructura de datos dentro de la colección de eventos que representa una vista simulada de usuario de calcetines blancos de MongoDB, incluyendo información de precios.
Para obtener instrucciones más detalladas sobre cómo crear su propio microservicio dinámico, consulte nuestra publicación de blog, Creación de un microservicio de precios dinámicos con Vertex AI y MongoDB Atlas.
Construir la solución
El repositorio de GitHub contiene instrucciones detalladas sobre cómo crear esta solución.
Configurar MongoDB Atlas
Inicie sesión en MongoDB Atlas y cree un nuevo clúster.
Elija una región más cercana a su base de usuarios para un rendimiento óptimo.
Configure la seguridad de la siguiente manera:
Crear usuarios de base de datos con roles específicos.
Habilite el acceso IP para proteger la conexión a la base de datos.
Conéctese a su clúster utilizando la cadena de conexión proporcionada por Atlas para la integración de aplicaciones.
Configurar Google Cloud
Inicia sesión en Google Cloud console y crea un nuevo Proyecto para tu microservicio.
Asegúrese de que las API necesarias estén habilitadas para su proyecto.
Instalar e inicializar la CLI de Google Cloud.
Autentíquese con su cuenta de Google Cloud.
Establezca su proyecto como predeterminado.
Desarrollar el microservicio y el modelo
Clone el repositorio y navegue hasta el directorio del microservicio dynamicPricing.
Instale los paquetes de Python necesarios usando pip.
Configurar variables de entorno para MongoDB Atlas, credenciales de Google Cloud y Pub/Sub.
Configurar un tema de Pub/Sub en Google Cloud.
Desarrollar la lógica de precios para el servicio de fijación de precios dinámicos.
Utilice Vertex AI para crear un nuevo cuaderno para conectarse a MongoDB y entrenar el modelo.
Entrene un modelo TensorFlow limpiando datos, construyendo el modelo y entrenándolo.
Guarde y cargue el modelo entrenado en Google Cloud Storage.
Registre el modelo en Vertex AI para su gestión e implementación.
Implementar un modelo en un punto final
Implementar el modelo.
Accede a la sección Vertex AI en la consola de Google Cloud.
Localice y seleccione el modelo que desea implementar.
Haga clic en “Implementar en punto final” en la pestaña “Implementar y probar”.
Complete la configuración de la implementación configurando los ajustes del modelo y la supervisión.
Retrieve Endpoint ID.
Vaya a “Puntos finales” en Vertex AI y anote el ID del punto final para usarlo en la configuración de Cloud Function.
Configurar la función de nube.
Crea una nueva función en la nube en Google Cloud.
Establezca el activador de la función en el tema Pub/Sub que creó.
Implemente código en la función para preprocesar datos de eventos, invocar el modelo Vertex AI para realizar predicciones y actualizar MongoDB con los resultados.
Preparar dependencias.
Asegúrese de que el archivo requirements.txt incluya todas las bibliotecas necesarias para la función en la nube.
Simular eventos de clientes.
Utiliza un script proporcionado para generar datos sintéticos de comportamiento del cliente.
Envíe estos datos a MongoDB y Pub/Sub para probar el modelo y la integración del microservicio.
Ejecutar la simulación.
Ejecute el script para validar el sistema completo de extremo a extremo.
Aprendizajes clave
Almacén centralizado de características: MongoDB funciona como un almacén de características, actuando como un repositorio centralizado para almacenar, gestionar y gestionar características para modelos de aprendizaje automático (ML). Sus capacidades polimórficas utilizan una única interfaz para representar diversos tipos de datos, lo que permite incorporar nuevas características y adaptar los modelos de precios. En el contexto de precios dinámicos, esta capacidad facilita la incorporación de nuevos factores o variables de precios sin interrumpir las operaciones.
Escalabilidad y eficiencia: Google Cloud Pub/Sub puede gestionar grandes volúmenes de datos de clientes de manera eficiente, garantizando escalabilidad para aplicaciones del mundo real.
Actualizaciones de precios en tiempo real: Las funciones en la nube activan los modelos de TensorFlow para generar precios dinámicos según el comportamiento del cliente. Estos precios generados se insertan o actualizan (upsertan) en el catálogo de productos de MongoDB, lo que permite realizar ajustes en tiempo real en la aplicación de comercio electrónico.
Autores
Francesco Baldissera, MongoDB
Sebastian Rojas Arbulu, MongoDB