실시간 데이터 인사이트를 활용하여 가격을 최적화하고 경쟁 우위를 확보하세요.
산업: 소매
제품: MongoDB Atlas, MongoDB Atlas 컬렉션, MongoDB Atlas 클러스터
파트너: Google Cloud, Vertex AI, Cloud Functions
솔루션 개요
시장 상황에 따라 실시간 가격을 조정하는 기술인 동적 가격 책정은 수익 극대화하고 경쟁 우위를 확보하려는 비즈니스에 중요한 전략입니다. 동적 가격 책정을 효과적으로 구현 하려면 강력한 기술 인프라가 필수적입니다. 이 솔루션은 MongoDB Atlas 와 Google Cloud Platform Vertex AI 통합하여 실시간 동적 가격 microservices 생성합니다. Vertex AI 노트북 및 TensorFlow 모델은 고객 행동을 분석 하고 가격 전략을 최적화하기 위해 Google Cloud Platform Pub/Sub를 활용하여 신속한 데이터 수집을 수행합니다. MongoDB Atlas 복잡한 가격 데이터를 저장 수 있는 유연한 기능 을 제공하며, Google Cloud Platform의 강력한 계산 리소스는 복잡한 계산 및 호스팅을 지원합니다.
결과는 최신 시장 정보를 기반으로 즉각적인 가격 조정을 제공하는 확장 가능하고 적응 가능한 가격 시스템입니다. 이 통합은 대규모 데이터 세트와 복잡한 가격 시나리오를 효과적으로 처리하여 운영 효율성을 향상시킵니다.
참조 아키텍처
동적 가격 책정 microservices 아키텍처는 MongoDB 와 Google Cloud Platform Vertex AI 통합하여 실시간 데이터 처리 및 신속한 가격 조정을 용이하게 합니다. Google Cloud Platform Pub/Sub는 고객 행동 데이터의 수집 및 배포를 처리하여 확장 가능한 하고 효율적인 메시지 처리 가능하게 합니다. 그런 다음 이 데이터는 Vertex AI 노트북에서 정리되고 처리되며, 여기서 TensorFlow는 과거 데이터에서 식별된 패턴을 기반으로 최적의 가격을 예측하는 머신 러닝 모델을 개발합니다.
MongoDB Atlas는 중앙 데이터 리포지토리 및 기능 저장소로서 복잡한 가격 데이터를 저장하고 머신 러닝 모델을 지원합니다. MongoDB의 문서 모델은 가격 데이터를 동적으로 관리하고 업데이트하는 데 필요한 유연성을 제공합니다. Google Cloud Functions는 전체 워크플로를 조정하여 고객 이벤트를 처리하고 이를 텐서로 변환하며, 모델 예측이 MongoDB Atlas 제품 카탈로그에 실시간으로 업데이트되도록 합니다. 아키텍처 다이어그램에서 파란색 데이터 흐름은 고객 이벤트 데이터가 Pub/Sub 주제로 수집되어 푸시 구독을 통해 클라우드 함수를 트리거하는 과정을 보여줍니다. 이 함수는 원시 이벤트를 텐서로 변환하고 MongoDB 제품 카탈로그의 예측 가격을 업데이트합니다.
이 아키텍처 접근 방식은 원시 이벤트 스레드를 격리하여, 동적 가격 책정을 위한 실시간 반응 서비스 개발이나 모델 학습을 위한 비동기적 서비스 운영을 가능하게 합니다. 구성 요소 간의 느슨한 결합을 유지하면 시스템은 탄력성을 갖추고, 한 부분에 문제가 생기더라도 전체 시스템의 완전한 실패를 방지할 수 있습니다. 퍼블리셔와 구독자는 독립적으로 자신의 로직을 계속 처리할 수 있으며, 이는 지속적인 작업과 원활한 업데이트를 지원하는 강력하고 유연한 시스템을 보장합니다.
그림 1. Google Cloud의 다양한 구성 요소와 MongoDB Atlas를 기능 저장소로 통합한 동적 가격 책정 아키텍처
이벤트 모델링을 위한 MongoDB의 이점
MongoDB 사용하면 텐서 및 관련 기능을 단일 컬렉션 에 함께 저장 이벤트 기반 아키텍처를 지원 수 있습니다. 이 접근 방식은 데이터 검색 및 처리 간소화하지만 문서가 크면 성능 영향 수 있으므로 세심한 관리 가 필요합니다. 이러한 유연성은 또한 통합 데이터 분석 과 실시간 의사 결정을 용이하게 합니다.
그림 2. 이벤트 컬렉션 내의 데이터 구조로, MongoDB의 'white socks' 컬렉션에 대한 시뮬레이션된 사용자 뷰를 표현하며, 가격 정보를 포함합니다.
자세한 지침은 블로그 포스트 Vertex AI 및 MongoDB Atlas를 사용하여 동적 가격 책정 마이크로서비스 구축하기를 참조하세요.
솔루션 빌드
Github 리포지토리 에는 이 솔루션을 빌드 방법에 대한 자세한 지침이 포함되어 있습니다.
MongoDB Atlas 설정하기
MongoDB Atlas에 로그인하고 새 클러스터를 생성합니다.
사용자 기반과 가장 가까운 리전을 선택해 최적의 성능을 확보하세요.
다음과 같이 보안을 구성합니다.
특정 역할을 가진 데이터베이스 사용자를 생성합니다.
데이터베이스 연결을 보호하기 위해 IP 액세스 활성화합니다.
Atlas에서 제공한 연결 문자열을 사용하여 애플리케이션 통합을 위해 클러스터에 연결하세요.
Google Cloud Platform 설정
Google Cloud Platform 콘솔 에 로그인하여 microservices 에 대한 새 프로젝트 만듭니다.
프로젝트에 필요한 API가 활성화되어 있는지 확인하세요.
Google Cloud CLI를 설치하고 초기화하세요.
Google Cloud 계정으로 인증하세요.
프로젝트를 기본값으로 설정하세요.
마이크로서비스와 모델을 개발하세요.
pip를 사용하여 필요한 Python 패키지를 설치하세요.
MongoDB Atlas, Google Cloud 자격 증명 및 Pub/Sub에 대한 환경 변수를 설정하세요.
Google Cloud에서 Pub/Sub 주제를 구성하세요.
dynamicPricing 서비스의 가격 책정 논리를 개발하세요.
Vertex AI 사용하여 MongoDB 에 연결하고 모델을 교육 위한 새 노트북을 만듭니다.
데이터를 정리하고, 모델을 구축하고, TensorFlow 모델을 학습시킵니다.
학습된 모델을 저장한 후 Google Cloud Storage에 업로드하세요.
모델을 Vertex AI에 등록해 관리 및 배포합니다.
엔드포인트에 모델 배포
모델을 배포하세요.
Google Cloud 콘솔에서 Vertex AI 섹션에 접근하세요.
배포할 모델을 찾아 선택하세요.
'배포 및 테스트' 탭 아래에서 '엔드포인트에 배포'를 클릭하세요.
모델 설정과 모니터링을 구성하여 배포 설정을 완료하세요.
Retrieve Endpoint ID.
Vertex AI의 '엔드포인트'로 이동하여 클라우드 함수 구성에 사용할 엔드포인트 ID를 기록하세요.
클라우드 함수를 구성하세요.
Google Cloud에서 새 클라우드 함수를 생성하세요.
함수의 트리거를 생성한 Pub/Sub 주제로 설정하세요.
함수에 코드를 구현하여 이벤트 데이터를 전처리하고, 예측을 위해 Vertex AI 모델을 호출한 후, 결과를 MongoDB에 업데이트합니다.
종속성을 준비하세요.
requirements.txt 파일에 클라우드 함수에 필요한 모든 라이브러리가 포함되어 있는지 확인하세요.
고객 이벤트를 시뮬레이션하세요.
제공된 스크립트를 사용하여 합성 고객 행동 데이터를 생성합니다.
이 데이터를 MongoDB와 Pub/Sub에 전송하여 모델과 마이크로서비스 통합을 테스트합니다.
시뮬레이션을 실행하세요.
스크립트를 실행하여 전체 엔드투엔드 시스템의 유효성을 검사하세요.
주요 학습 사항
중앙 집중식 기능 저장: MongoDB 머신 러닝 (ML) 모델의 기능을 저장, 관리 및 처리하기 위한 중앙 집중식 리포지토리 역할을 하는 기능 저장 역할을 합니다. 다형성 기능은 단일 인터페이스를 사용하여 다양한 유형의 데이터를 나타내므로 새로운 기능을 통합하고 가격 모델을 조정할 수 있습니다. 동적 가격 책정의 경우, 이 역량 사용하면 운영을 중단하지 않고도 새로운 가격 책정 요소 또는 변수를 쉽게 통합할 수 있습니다.
확장성 및 효율성: Google Cloud Pub/Sub는 대량의 고객 데이터를 효율적으로 처리하여 실제 애플리케이션의 확장성을 보장합니다.
실시간 가격 업데이트: 클라우드 함수 는 TensorFlow 모델을 트리거하다 고객 행동에 따라 동적 가격을 생성합니다. 이렇게 생성된 가격은 MongoDB 의 제품 카탈로그 컬렉션 에 다시 삽입되거나 업데이트(업서트)되어 전자상거래 애플리케이션 에서 실시간 조정할 수 있습니다.
작성자
Francesco Baldissera, MongoDB
Sebastian Rojas Arbulu, MongoDB