Amplifique las marcas en tiempo real para el crecimiento minorista

Proceso de diseño de esquemas

Para evitar problemas de esquema y rendimiento a medida que su aplicación crece, comience con un modelado de datos sólido.

En esta solución, se modela una capa de datos unificada en torno a cuatro colecciones principales:

• products:Catálogo de productos (nombres, descripciones, categorías, identificadores).

• inventory:Niveles de stock, datos de reposición, métricas predictivas.

• stores:Almacenar metadatos (nombre, ubicación, detalles operativos).

• brandAmplification:Reglas de impulso por marca/categoría por tienda.

Siga este proceso para implementar la amplificación y escalar la marca de manera confiable.

1. Identifique la carga de trabajo de su aplicación

   Identifique sus operaciones más frecuentes.

   Utilice sus consultas principales para elegir índices efectivos y reducir las llamadas a la base de datos.

   Supongamos que tanto el comercio electrónico como las tiendas consumen los mismos datos operativos.

   Conecte la intención del cliente con la estrategia de marca en tiempo real y mantenga el inventario consistente en todos los canales.

   Utilice la siguiente tabla para estimar las cargas de trabajo de Leafy Associate y considere esta estimación como su base para las prioridades de lectura y escritura:

   Acción	Tipo de query	Colección Target	Frecuencia	Prioridad	notas
   Descubrimiento de productos en tienda. Encuentra productos que coincidan con lo que pide el cliente (búsqueda de texto/intención/híbrida), mostrando si están disponibles en la tienda en este momento. (50 tiendas)	Lea	Products, inventory	~500K/día	Crítica	Flujo principal de asociados. Incorpore indicadores de resumen de inventario por tienda en cada producto para evitar $lookup.
   Búsqueda de comercio electrónico. Búsqueda por especificación, intención o híbrido (6K productos)	Lea	Products	~1M/día	Crítica	Impulsa el descubrimiento en línea y debe mantener una baja latencia. Considere nodos de búsqueda dedicados o con aislamiento de lectura.
   Aplicar mejoras de marca para el ranking	Lea	brandAmplification	~300k/día	Alto	Se aplican mejoras de marca a nivel de tienda en el momento de la clasificación; no se requieren actualizaciones de productos
   Actualizar el inventario en vivo y las métricas predictivas (ingesta)	Guardar	inventory	~700k/día	Crítica	Vista única de los sistemas de inventario de registro (tiendas y almacenes). Escrituras pequeñas y frecuentes.
   Encuentra la tienda alternativa más cercana con stock	Lea	inventory, stores	~100k/día	Bajo	Clasificación geoespacial por distancia
   Configura la amplificación de marca (actualiza la estrategia de impulso)	Guardar	brandAmplification	>500/día	Bajo	Mejoras de marca por tienda con alcance de categoría opcional; tiempo de ejecución ajustable, sin reescrituras de productos.

2. Mapee las relaciones de su esquema

   Las cargas de trabajo que identifique influirán en cómo diseña su esquema.

   En la amplificación de marca, su modelo de relación determina la latencia de lectura en Leafy Associate y las aplicaciones de comercio electrónico, y afecta el costo de las operaciones de escritura en los sistemas de inventario.

   Optimizar consultas

   Para mejorar el descubrimiento de productos en la tienda,inventorySummary[] incorpore en los productos mediante el patrón de incrustación. Este enfoque devuelve los detalles del producto y su disponibilidad en una sola operación de lectura y evita costosas operaciones de búsqueda. El fragmento de código muestra un documento de ejemplo en la products colección.

   { "_id": "685bfe2b3d832cf7e1614577",
     "productName": "Onion",
     "brand": "Fresho",
     "price": { "amount": 31.02, "currency": "USD" },
     "category": "Fruits & Vegetables",
     "subCategory": "Potato, Onion & Tomato",
     "aboutTheProduct": "Onion is a versatile vegetable used in salads and curries.",
     "embeddingText": "Onion | Fresho | 5 kg | Fruits & Vegetables | ...",
     "multimodalEmbeddingVector": [0.03, 0.12, 0.07, "..."],
     "inventorySummary": [
       {
         "storeId": "store-019",
         "sectionId": "S01",
         "aisleId": "I11",
         "shelfId": "SH111",
         "inStock": true,
         "nearToReplenishmentInShelf": false
       },
       {
         "storeId": "store-027",
         "sectionId": "S02",
         "aisleId": "I21",
         "shelfId": "SH213",
         "inStock": true,
         "nearToReplenishmentInShelf": true
       }
     ]
   }

   Para optimizar las consultas de inventario operativo de vista única, guarda datos de inventario detallados en una colección separada y hace referencia al producto. Almacena un documento por producto para mantener una vista única en todos los canales y almacenes, y actualiza las acciones en un solo lugar. El siguiente snippet de código muestra un ejemplo de documento en la colección inventory.

   { "_id": "6863fc8057105b3a8ccb57cd",
     "productId": "685bfe2b3d832cf7e1614577",
     "storeInventory": [
       {
         "storeId": "store-015",
         "storeName": "Trikasemmart - Chiang Mai",
         "coordinates": [98.985583, 18.7929],
         "shelfQuantity": 22,
         "backroomQuantity": 0,
         "inStock": true,
         "predictedStockDepletion": "2025-10-23",
         "nextRestock": "2025-10-19"
       },
       {
         "storeId": "store-006",
         "storeName": "Vinyuvanichkul - Nakhon Ratchasima",
         "coordinates": [102.104829, 14.964336],
         "shelfQuantity": 27,
         "backroomQuantity": 49,
         "inStock": true,
         "nextRestock": "2025-10-21"
       }
     ],
     "updatedAt": "2025-10-17T00:00:01Z"
   }

   Para encontrar tiendas cercanas con stock disponible, guarda las coordenadas de la tienda en un punto GeoJSON para ejecutar consultas geoespaciales. El siguiente snippet de código muestra un ejemplo de documento en la colección stores.

   {
     "_id": "684aa28064ff7c785a568aca",
     "storeId": "store-001",
     "storeName": "Chaihirankarn, Bunlupong and Chomsri - Surat Thani",
     "location": {
       "type": "Point",
       "coordinates": [
         99.317989,
         9.133786
       ],
       "address": "3597 Methavorakul Tunnel Suite 886",
       "city": "Surat Thani"
     },
      …
   }

   Coherencia de datos

   Utilice Atlas Triggers para sincronizar los campos necesarios de inventory y mantener products.inventorySummary[] consistente.

   Optimizar las reglas de posicionamiento de marca en cada búsqueda

   Aplica mejoras de marca al momento de posicionar y almacena reglas en brandAmplification. Promociona marcas estratégicas sin reescribir los datos de producto.

   {
     "_id": "68e43c6865c4a374ea78b4b0",
     "storeId": "store-015",
     "brandName": "Teamonk",
     "categories": ["Beverages", "Gourmet & World Food"],
     "boostLevel": 1,
     "effectiveFrom": "2025-10-01",
     "effectiveTo": "2025-10-31"
   }

3. Indexación

   Cree índices en sus campos de consulta más comunes. Consulte la sección "Crear la solución" para obtener más información. Supervise y ajuste el uso de los índices a medida que escala.

Flujo de arquitectura

Vea el diagrama de arquitectura para comprender cómo funciona la solución de amplificación de marca.

Figura 2. La arquitectura ilustra cómo el ODL de MongoDB integra la aplicación Leafy Associate, el microservicio de búsqueda avanzada y las incrustaciones de Voyage AI. Ejecuta búsquedas de texto completo, vectoriales e híbridas dentro de una única canalización de agregación, combinando la configuración de marca en tiempo real y la intención del cliente en una plataforma de datos unificada y moderna.

0. Siloed data

Los datos operativos suelen residir en silos, como en el punto de venta (TPV), la planificación de recursos empresariales (ERP) y el marketing. Unifíquelos para ofrecer experiencias consistentes y en tiempo real.

1. Almacene datos unificados en la capa de datos operativos (ODL) de MongoDB.

El ODL utiliza todo el poder del modelo de documento flexible de MongoDB para almacenar datos estructurados, semiestructurados y no estructurados juntos en un solo lugar.

La moderna plataforma de datos ofrece rendimiento, escalabilidad horizontal y capacidades avanzadas. Permite una integración rápida, consultas de baja latencia y operaciones en tiempo real a gran escala.

Este enfoque unificado mantiene todos los sistemas (desde el comercio electrónico hasta las aplicaciones en la tienda) funcionando con la misma información confiable y actualizada.

2. Un empleado de la tienda ingresa una consulta de búsqueda.

El empleado de la tienda utiliza la aplicación Leafy Associate para introducir una consulta. Selecciona texto completo(MongoDB Atlas Search), intención(Vector Search) o híbrido (fusión de rangos o de puntuaciones).

En paralelo: Configuración de amplificación de marca en tiempo real

Los gerentes de tienda y el personal autorizado utilizan la aplicación Leafy Associate para crear reglas de impulso por tienda en la colección brandAmplification, para uso del back-end.

Al configurar la amplificación de marca, pueden observar en tiempo real los metadatos que muestran la cantidad de productos y cuántos hay en cada categoría. Esta información proviene de la etapa de pipeline $searchMeta.

3. y 4. Leafy Associate crea la solicitud de API.

La aplicación Leafy Associate crea una solicitud de búsqueda con contexto completo. Genera parámetros de ejecución directamente en el frontend y recupera la configuración de marca activa de esa tienda desde MongoDB. Envía la solicitud al microservicio de Búsqueda Avanzada.

POST /api/v2/search
{ "query": "green tea skin care",
  "storeObjectId": "684aa28064ff7c785a568aca",
  "option": 4,
  "page": 1,
  "page_size": 20,
  "weightVector": 0.5,
  "weightText": 0.5,
  "fusionMode": "rrf",// you can also use "scoreFusion"
   "brandAmplification": [
    { "name": "Innisfree", "boostLevel": 1 },
    { "name": "Olay", "boostLevel": 2, "categories": ["Face Care", "Skincare"] },
    { "name": "The Body Shop", "boostLevel": 3 }
  ]
}

5. Servicio de incrustaciones con Voyage AI

Cuando el tipo de búsqueda es vectorial o híbrida, el microservicio genera incorporaciones de consultas de clientes con Voyage AI.

6. y 7. El microservicio de Búsqueda avanzada construye la pipeline de agregación

El microservicio de Búsqueda Avanzada crea la canalización de agregación en tiempo de ejecución y la ejecuta dentro de MongoDB. El microservicio utiliza una única canalización y un único recorrido de ida y vuelta para mejorar el rendimiento y la eficiencia.

Para lograr relevancia de texto usando $search, la canalización aplica una estructura compuesta que combina must shouldcláusulas, y filter con coincidencias difusas y mejoras de campo para refinar los resultados.

Para la intención semántica que utiliza $vectorSearch, la canalización compara la consulta del cliente con incrustaciones precalculadas de datos del producto.

En la búsqueda híbrida, el microservicio fusiona resultados de texto y vectoriales utilizando $rankFusion, que aplica una fusión de rangos recíprocos basada en rangos (RRF), o $scoreFusion, que combina puntajes normalizados con pesos ajustables en tiempo de ejecución.

La amplificación de marca mejora la relevancia de los resultados a través de dos vías complementarias:

1. Mejora del texto previo a la fusión (dentro de $search)

   Inyectar reglas como should cláusulas compuestas. cláusulas score con. refuerzo para cada marca y categoría (opcional).

2. Multiplicación post-fusión usando $set + $multiply

El microservicio conserva el contexto de la tienda sin fusionar otras colecciones mediante $lookup, filtrando directamente sobre Products.inventorySummary[] con $filter. Finalmente, genera una respuesta lista para la interfaz de usuario con $facet y devuelve los documentos resultantes y el recuento total.

8. Confiabilidad, escalabilidad, seguridad y coherencia en tiempo real

MongoDB mantiene una alta disponibilidad con conjuntos de réplicas y escala horizontalmente mediante fragmentación.Utilice nodos de búsqueda dedicados para lecturas de baja latencia. Mantenga la consistencia de los datos en tiempo real con flujos de cambios y disparadores Atlas. MongoDB proporcionaseguridad integral mediante control de acceso integrado, aislamiento de red y cifrado de datos en reposo, en tránsito y en uso.