Amplifica 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:

• productsCatálogo de productos (nombres, descripciones, categorías, identificadores).

• inventoryNiveles de acciones, 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. Identifica la carga de trabajo de tu aplicación

   Identifica tus operaciones más frecuentes.

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

   Supón 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 objetivo	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 asociado. Incorpore indicadores de inventario por almacenar 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 mantenerse con baja latencia. Considera nodos de búsqueda dedicados o aislados para 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
   Actualiza el inventario en tiempo real y las métricas predictivas (ingestión)	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 acciones	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	Impulsos de marca por tienda con alcance de categoría opcional; ajustable en tiempo de ejecución, sin retoques de productos.

2. Mapea tus relaciones de esquemas

   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.

   Optimiza las reglas de clasificación de marcas en cada búsqueda

   Aplica mejoras de marca en el momento de la clasificación y almacena reglas en brandAmplification. Promociona marcas estratégicas sin reescribir datos de productos.

   {
     "_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 los embeddings de Voyage IA. Ejecuta búsquedas de texto completo, vectores e híbridas dentro de una única pipeline de agregación, combinando la configuración de la marca en tiempo real y la intención del cliente en una plataforma moderna de datos unificada.

0. Siloed data

Los datos operativos suelen estar aislados, por ejemplo, en puntos de venta (POS), planificación de recursos empresariales (ERP) y marketing. Unifícalo para entregar experiencias coherentes en tiempo real.

1. Almacena datos unificados en la Capa de Datos Operativos (ODL) de MongoDB

El ODL utiliza toda la potencia del modelo orientado a documentos flexible de MongoDB para almacenar datos estructurados, semiestructurados y no estructurados juntos en un solo lugar.

La plataforma de datos moderna ofrece un alto rendimiento, escalabilidad horizontal y capacidades avanzadas. Permite una integración rápida, consultas de baja latencia y operaciones en tiempo real a 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 asociado de tienda utiliza la aplicación Leafy Associate para ingresar una query. Seleccionan texto completo (MongoDB Atlas Search), intención (búsqueda vectorial) o híbrido (fusión de rangos o fusión de puntuaciones).

En paralelo: configuración de amplificación de marca en tiempo real

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

A medida que configuran la amplificación de la marca, pueden observar en tiempo real los metadatos que muestran la cantidad de productos y cuántos de ellos se encuentran en cada categoría. Esta información proviene de la etapa de pipeline $searchMeta.

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

La aplicación Leafy Associate compone una solicitud de búsqueda con todo el contexto. Crea parámetros de tiempo de ejecución directamente en el front-end y recupera la configuración activa de la marca para 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 construye el pipeline de agregación en tiempo de ejecución y lo ejecuta dentro de MongoDB. El microservicio utiliza un solo pipeline y una sola ida y vuelta para mejorar el rendimiento y la eficiencia.

Para la relevancia de texto usando $search, el pipeline aplica una estructura compuesta que combina las cláusulas must, should y filter con coincidencias difusas y impulsos de campo para afinar los resultados.

Para la intención semántica que utiliza $vectorSearch, el pipeline compara la consulta del cliente con las incrustaciones precomputadas de los datos del producto.

En la búsqueda híbrida, el microservicio fusiona resultados de texto y vector utilizando $rankFusion, que aplica la fusión de rangos recíproca basada en rangos (RRF), o $scoreFusion, que mezcla puntuaciones normalizadas con pesos ajustables en tiempo de ejecución.

La Amplificación de Marca mejora la relevancia de los resultados a través de dos caminos complementarios:

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

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

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

El microservicio preserva el contexto de tienda sin fusionar otras colecciones utilizando $lookup al filtrar directamente sobre Products.inventorySummary[] con $filter. Por último, produce una respuesta lista para Interfaz de Usuario con $facet y devuelve tanto los documentos resultantes como el total de recuentos.

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.