Venta minorista impulsada por IA: personalización y precisión

Resumen de la solución

Esta solución integra el modelo de datos flexible de MongoDB con el análisis avanzado de Databricks para crear capacidades de búsqueda aumentadas con IA para plataformas minoristas en línea, ofreciendo una experiencia de compra más intuitiva y eficiente.

Mediante IA, aprendizaje automático y MongoDB Atlas Vector Search, puede personalizar la experiencia de compra de sus clientes y sugerir productos que se ajusten a sus preferencias e historial de búsqueda. Esto mejora la satisfacción del cliente e impulsa las ventas.

En esta solución, MongoDB Atlas ofrece un entorno de base de datos escalable que gestiona eficientemente conjuntos de datos de comercio electrónico grandes y diversos. MongoDB Atlas Vector Search procesa consultas de búsqueda complejas para garantizar que los clientes encuentren lo que buscan, incluso con términos de búsqueda parciales. Finalmente, Databricks ofrece potentes capacidades de aprendizaje automático y análisis en tiempo real, lo que mejora la precisión de Vector Search. Puede aplicar este marco a otros sectores, como los servicios financieros, la salud y los seguros.

Arquitecturas de Referencia

Los dos diagramas siguientes muestran la arquitectura de la solución. El primero muestra la arquitectura general de la solución y el segundo muestra la sección de búsqueda vectorial con más detalle. Estas arquitecturas funcionan conjuntamente en esta solución.

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

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

Enfoque del 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 un 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
}

Construir la solución

Aprendizajes 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.

• Procesar datos en tiempo real: puede procesar datos en tiempo real para obtener información útil, 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