Aproveche las perspectivas de los datos en tiempo real para optimizar los precios y obtener una ventaja competitiva.
caso de uso: Personalización, IA Gen
Industrias: Comercio minorista
Productos: MongoDB Atlas, Colecciones de MongoDB Atlas, Clústeres de MongoDB Atlas
emparejar: Google Cloud, Vertex AI, Cloud Functions
Descripción general de la solución
La fijación dinámica de precios, el arte de ajustar los precios en tiempo real en función de las condiciones del mercado, es una estrategia crucial para las empresas que buscan maximizar su ganancia y obtener una ventaja competitiva. Para implementar eficazmente la fijación de precios dinámica, es esencial contar con una infraestructura tecnológica sólida. Esta solución integra MongoDB Atlas y Google Cloud Vertex AI para crear un microservicio de precios dinámicos en tiempo real. Vertex AI Notebooks 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 una tienda de **funcionalidad** flexible para datos de precios complejos, mientras que los recursos computacionales robustos de Google Cloud permiten cálculos complejos y hospedaje.
El resultado es un sistema de precios escalable y adaptable que ofrece ajustes de precios instantáneos basados en la inteligencia de mercado más reciente. Esta integración mejora la eficiencia operativa al gestionar eficazmente grandes conjuntos de datos y escenarios complejos de tarifas.
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 sirve como el repositorio central de datos y almacén de funcionalidades, almacenando datos de precios complejos y respaldando los modelos de aprendizaje automático. El modelo orientado a documentos de MongoDB ofrece la flexibilidad necesaria para gestionar y actualizar los datos de precios de forma dinámica. Las funciones de Google Cloud orquestan todo el flujo de trabajo, procesando eventos de cliente, convirtiéndolos en tensores y asegurando 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 los datos de eventos de los clientes se ingresan en un tema de Pub/Sub, lo que lleva a una suscripción push que desencadena la Función de nube. Esta función transforma los eventos sin procesar en tensores y actualiza los precios predichos en el catálogo de productos MongoDB.
Este enfoque arquitectónico permite el aislamiento de los hilos de eventos en bruto, facilitando el desarrollo de varios servicios que pueden React en tiempo real para la tarificación dinámica u operar de forma asíncrona para el entrenamiento del modelo. Al mantener un acoplamiento laxo entre los componentes, el sistema es resiliente y evita fallos completos si una parte experimenta problemas. Los editores y suscriptores pueden continuar procesando independientemente su lógica, asegurando un sistema robusto y flexible que permita la operación continua y actualizaciones sin interrupciones.
Figura 1. Arquitectura de precios dinámicos que integra diferentes componentes de Google Cloud y MongoDB Atlas como tienda de funcionalidades
Ventaja de MongoDB para el modelado de eventos
MongoDB te permite almacenar tensores y funcionalidades relacionadas en una sola colección para admitir arquitecturas basadas en eventos. Este enfoque simplifica la recuperación y el procesamiento de datos, pero requiere una gestión cuidadosa porque los documentos grandes pueden tener un impacto en el rendimiento. Esta flexibilidad también facilita el análisis integrado de datos y la toma de decisiones en tiempo real.
Figura 2. Estructura de datos en la colección de eventos que representa una visión simulada del usuario de calcetines blancos MongoDB, que incluye información sobre el precio
Para aprender más, se puede consultar nuestra entrada de blog Vertex AI y MongoDB para la fijación inteligente de precios en la venta minorista.
Compilar la solución
El repositorio GitHub contiene instrucciones detalladas sobre cómo construir esta solución.
Configura MongoDB Atlas
Ingresa a MongoDB Atlas y crea un nuevo clúster.
Elija una región que esté más cerca de su base de usuarios para lograr un rendimiento óptimo.
Configure la seguridad de la siguiente manera:
Crea usuarios de base de datos con roles específicos.
Habilite el acceso IP para proteger la conexión de la base de datos.
Conéctese a su clúster usando la cadena de conexión proporcionada por Atlas para la integración de aplicaciones.
Configura Google Cloud
Inicia sesión en Google Cloud console y crea un nuevo Proyecto para tu microservicio.
Asegúrate de haber activado las API necesarias para el proyecto.
Instala y configura la CLI de Google Cloud.
Autentifícate con tu cuenta de Google Cloud.
Define tu Proyecto como el por defecto.
Desarrollar el microservicio y el modelo
Clona el repositorio y navega al directorio del microservicio dynamicPricing.
Instala los paquetes de Python requeridos usando pip.
Configura variables de entorno para MongoDB Atlas, credenciales de Google Cloud y Pub/Sub.
Configure un tema de Pub/Sub en Google Cloud.
Desarrolle la lógica de precios para el servicio dynamicPricing.
Utiliza Vertex AI para crear un nuevo notebook para conectar a MongoDB y el entrenamiento del modelo.
Entrena un modelo de TensorFlow limpiando datos, construyendo y entrenando el modelo.
Guarde y cargue el modelo entrenado en Google Cloud Storage.
Registra el modelo en Vertex AI para su gestión e implementación.
Implementa un modelo en un endpoint
Implementar el modelo.
Accede a la sección de Vertex IA en la consola de Google Cloud.
Ubica y selecciona el modelo que quieres implementar.
Haz clic en "implementar al endpoint" en la pestaña "Deploy & Test".
Completa la configuración de la implementación configurando los ajustes del modelo y la supervisión.
Retrieve Endpoint ID.
- Ve a "Endpoints" en Vertex IA y anota el ID del endpoint para usarlo en la configuración de Cloud Function.
Configurar la función en la nube.
Crea una nueva función en la nube en Google Cloud.
Establece el activador de la función en el tema de Pub/Sub que creaste.
Implemente código en la función para procesar previamente datos de eventos, invocar el modelo de Vertex IA para predicciones y actualizar MongoDB con los resultados.
Preparar dependencias.
- Asegúrese de que el archivo requirements.txt incluya todas las librerías necesarias para la función en la nube.
Simular eventos de clientes.
Utiliza un script proporcionado para generar datos sintéticos de comportamiento del cliente.
Envía estos datos a MongoDB y Pub/Sub para probar la integración del modelo y del microservicio.
Ejecutar la simulación.
- Ejecuta el script para validar el sistema completo de extremo a extremo.
Lecciones clave
Almacén centralizado de funcionalidades: MongoDB sirve como almacén de funcionalidades, actuando como repositorio centralizado para almacenar, gestionar y manejar funcionalidades para modelos de aprendizaje automático (ML). Sus capacidades polimórficas utilizan una sola interfaz para representar varios tipos de datos, lo que permite incorporar nuevas funcionalidades y adaptar modelos de precios. En el contexto de la fijación dinámica de precios, esta capacidad facilita la incorporación de nuevos factores o variables de fijación de precios sin causar interrupciones en 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: Funciones de nube activan modelos TensorFlow para generar precios dinámicos basados en el comportamiento del cliente. Estos precios generados se insertan o actualizan (upsert) en la colección del catálogo de productos en MongoDB, facilitando ajustes en tiempo real en la aplicación de comercio electrónico.
Autores
Francesco Baldissera, MongoDB
Sebastian Rojas Arbulu, MongoDB