Venta minorista impulsada por IA: personalización y precisión

Resumen de la solución

Esta solución integra el modelo de datos flexibles de MongoDB con los avanzados análisis de Databricks para crear capacidad de búsqueda aumentada con IA para plataformas de venta minorista en linea, ofreciendo una experiencia de compra más intuitiva y eficiente.

Al utilizar IA, aprendizaje automático y la búsqueda vectorial de MongoDB Atlas, puedes personalizar la experiencia de compra de tus clientes y sugerir productos que se alineen con sus preferencias e historial de búsqueda. Esto mejora la satisfacción del cliente y aumenta las ventas.

En esta solución, MongoDB Atlas ofrece un entorno de base de datos escalable que gestiona de manera eficiente grandes y diversos conjuntos de datos de comercio electrónico. MongoDB Atlas Vector Search procesa consultas de búsqueda complejas para garantizar que los clientes encuentren lo que buscan, incluso con términos de búsqueda parciales. Por último, Databricks ofrece potentes capacidades de análisis en tiempo real y aprendizaje automático, lo que aumenta la precisión de la Búsqueda Vectorial. Puedes aplicar esta estructura a otras industrias, como servicios financieros, atención médica y seguros.

Arquitecturas de Referencia

Los dos diagramas siguientes muestran la arquitectura de la solución. El primer diagrama muestra la arquitectura general de la solución y el segundo muestra la parte de búsqueda vectorial de la solución con más detalle. Estas arquitecturas trabajan juntas en esta solución.

Figura 1. Arquitectura de un motor de búsqueda mejorado con IA con diferentes componentes de MongoDB Atlas, cuadernos Databricks y flujos de trabajo de datos.

Figura 2. Arquitectura de una solución de búsqueda vectorial que muestra cómo los datos fluyen a través de los diferentes componentes integrados de MongoDB Atlas y Databricks

Enfoque de modelo de datos

Al trabajar con esta solución, los desarrolladores deben usar el patrón polimórfico al almacenar sus datos. Este patrón permite consultas eficientes incluso cuando los documentos de una colección comparten una estructura similar, pero no idéntica.

En esta solución, cada documento de producto tiene campos comunes como _id, price o brandName. También pueden tener diferentes campos específicos de la categoría de producto, como color1, ageGroup o season. Gracias al modelo de datos de documentos flexible de MongoDB, puede diseñar su esquema para que admita uniformidad y personalización al representar diferentes tipos de productos dentro de la misma colección.

El siguiente bloque de código proporciona un ejemplo de documento que representa un artículo de producto:

1
{
2
   "_id": {
3
      "$oid": "64934d5a4fb07ede3b0dc0d3"
4
   },
5
   "colour1": "NA",
6
   "ageGroup": "Adults-Women",
7
   "link": "http://assets.myntassets.com/v1/images/style/properties/41b9db06cab6a17fef365787e7b885ba_images.jpg",
8
   "brandName": "Baggit",
9
   "fashionType": "Fashion",
10
   "price": {
11
      "$numberDouble": "375.0"
12
   },
13
   "atp": {
14
      "$numberInt": "1"
15
   },
16
   "title": "Baggit Women Chotu Taj White Belt",
17
   "gender": "Women",
18
   "mfg_brand_name": "Baggit",
19
   "subCategory": "Belts",
20
   "masterCategory": "Accessories",
21
   "score": {
22
      "$numberDouble": "0.0"
23
   },
24
   "season": "Summer",
25
   "articleType": "Belts",
26
   "baseColour": "White",
27
   "id": "33464",
28
   "discountedPrice": {
29
      "$numberDouble": "324.0"
30
   },
31
   "productDisplayName": "Baggit Women Chotu Taj White Belt",
32
   "count": {
33
      "$numberInt": "10"
34
   },
35
   "pred_price": {
36
      "$numberDouble": "0.8616750344336797"
37
   },
38
   "price_elasticity": {
39
      "$numberDouble": "0.0"
40
   },
41
   "discount": {
42
      "$numberDouble": "14.0"
43
   }
44
}

Compilar la solución

Lecciones clave

• Transformar datos sin procesar: Puedes usar activadores y funciones para transferir datos sin procesar de MongoDB Atlas a Databricks. También puedes aprovechar el Conector MongoDB para Spark para adaptar tus datos a diferentes algoritmos de aprendizaje automático.

• Procesamiento de datos en tiempo real: Se pueden procesar datos en tiempo real para obtener perspectivas útiles, como puntuación de productos, promociones de productos y motores de recomendación.

• Usa un esquema flexible: Puedes emplear el modelo orientado a documentos flexible de MongoDB para aplicar el patrón polimórfico. Esto te permite almacenar documentos con campos compartidos y únicos en la misma colección.

Autores

• Francesco Baldissera, MongoDB

• Ashwin Gangadhar, MongoDB

• Vittal Pai, MongoDB

Obtén más información

• Resumen de video impulsado por IA generativa

• Optimice la gestión global de juegos

• Conversión de noticias de texto a audio con IA generativa