Amplifica las marcas en tiempo real para el crecimiento minorista

Proceso de diseño de esquemas

Para prevenir problemas de esquema y rendimiento a medida que la aplicación crece, comienza 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.

• storesGuardar metadatos de las tiendas (nombre, ubicación, detalles operativos).

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

Sigue este proceso para implementar la amplificación de la marca y escalar de forma fiable.

1. Identifica la carga de trabajo de tu aplicación

   Identifica tus operaciones más frecuentes.

   Usa tus consultas principales para elegir índices eficaces y reducir las llamadas a las bases de datos.

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

   Conecta la intención del cliente con la estrategia de marca en tiempo real y mantén el inventario coherente en todos los canales.

   Usa la siguiente tabla para estimar las cargas de trabajo de Leafy Associate y trata esta estimación como referencia para las prioridades de lectura/escritura:

   Acción	Tipo de query	Colección objetivo	Frecuencia	Prioridad	notas
   Descubrimiento de productos en tienda. Encuentre productos que coincidan con lo que el cliente pide (búsqueda por texto/intención/híbrida) y muestre si están en stock en esta 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 impulsos de marca para el ranking	Lea	brandAmplification	~300k/día	Alto	El impulso de la marca a nivel de tienda se aplica 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 registro de inventario (tiendas y almacenes). Guardados pequeños y frecuentes
   Encuentra la tienda alternativa más cercana con acciones	Lea	inventory, stores	~100k/día	Bajo	Rango 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 identifiques influyen en la forma en que diseñas tu esquema.

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

   Optimizar consultas

   Para mejorar el descubrimiento de productos en tienda, embebe inventorySummary[] en los productos utilizando el patrón de integración. Este enfoque devuelve detalles del producto y disponibilidad en una única operación de lectura y evita operaciones costosas de $lookup. El snippet de código muestra un documento de ejemplo en la colección products.

   { "_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

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

   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

   Crea índices en los campos de query más comunes. Consulta la sección "Compilar la solución" para obtener más información. Supervisa y ajusta el uso del índice a medida que escalas.

Flujo de arquitectura

Consulta el diagrama de arquitectura para entender 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. El empleado de la tienda introduce 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 incrustaciones de la query del cliente con Voyage IA.

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. Refuerzo de texto previo a la fusión (dentro de $search)

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

2. Multiplicativo postfusión 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 alta disponibilidad con set de réplicas y escala horizontalmente con particionado. Utiliza nodos de búsqueda dedicados para lecturas de baja latencia. Mantén los datos coherentes en tiempo real con Change Streams y Atlas Triggers. MongoDB ofrece seguridad integral, de extremo a extremo mediante control de acceso integrado, aislamiento de red y cifrado entre datos en reposo, en tránsito y en uso.