MongoDB Atlas 로 실시간 고객 유지

솔루션 개요

고객 유지는 고객이 제품을 계속 구매하고 다른 제공자로 전환하지 않도록 하는 조직의 기능 을 나타냅니다. 소매 에서 장기적인 성공 거두려면 리텐션을 개선하세요. 유지율을5% 늘리면 수익이 25%에서 95%로 증가할 수 있습니다.. 고객을 유지하는 것은 신규 고객을 확보하는 것보다 비용이 훨씬 저렴합니다. 최신 상거래 플랫폼은 대량의 행동 데이터를 생성합니다. 고객은 검색, 제품 조회, 장바구니 작업 및 브라우징 활동을 통해 이 데이터를 생성합니다.

대부분의 소매업체는 이 데이터를 기록 시스템 에 저장하고 나중에 배치 파이프라인을 통해 분석합니다. 이 때문에 세션이 끝난 후에만 반응합니다. 몇 시간 후 다음을 수행합니다.

• 포기한 장바구니 이메일을 보냅니다.

• 리타게팅 캠페인을 시작하세요.

• 대시보드를 검토합니다.

그때쯤이면 고객은 이미 떠나고 구매에 영향을 미칠 수 있는 기회를 잃게 됩니다. 고객이 아직 활동 중인 상태에서 응답합니다. 기록 시스템 에서 조치 시스템으로 전환합니다. 세션 중 행동 신호를 감지하고 실시간 대응합니다.

그림 1. 배치 처리 vs. Stream Processing: 저장된 데이터 나중에 분석 vs. 이벤트 실시간 분석

MongoDB Atlas 와 Atlas Stream Processing 사용하여 실시간 행동 파이프라인을 빌드 . 이러한 파이프라인은 클릭스트림 이벤트가 발생하면 이를 프로세스 하고 원시 이벤트를 실행 가능한 컨텍스트로 변환합니다. 이러한 도구를 사용하면 다음을 수행할 수 있습니다.

• 현재 동작 컨텍스트를 캡처하는 라이브 세션 메모리 를 생성합니다.

• 실시간 가까운 상호 작용 패턴에서 행동 신호를 감지합니다.

• Trigger Agentic 고객을 전환으로 가이드 다음 권장 조치 (NBA)입니다.

• MongoDB Change Streams 통해 행동 신호에 React.

• 세션 메모리, 고객 데이터, 비즈니스 정책을 통합 MongoDB 인텔리전스 데이터 계층에 결합하세요.

동일한 플랫폼에서 친숙한 MongoDB 쿼리 API (MQL) 및 집계 프레임워크 와 함께 Atlas Stream Processing 을 사용하면 SQL 기반 스트림 처리의 경직성을 피할 수 있습니다. 유연한 MongoDB document model 사용하면 진화하는 세션 컨텍스트를 표현할 수 있습니다. 단일 세션 문서 과거 동작과 최신 활동 스냅샷 캡처하여 실시간 가까운 동작 분석을 가능하게 합니다.

별도의 스트리밍 인프라를 관리하는 대신MongoDB 에서 직접 스트림을 처리 하여 아키텍처를 간소화 하고 이벤트 기반 애플리케이션을 더 빠르게 제공합니다.

그림 2. Atlas Stream Processing 으로 이 세 가지 핵심 원칙을 달성하세요.

다음과 같은 행동 패턴을 실시간 감지하여 고객 유지율을 개선할 수 있습니다.

• 구매 의도

• 검색 마찰

• 포기 위험

이러한 신호가 나타나면 즉시 대응하세요. 다음과 같은 타겟팅된 조치를 트리거합니다.

• 맞춤형 제품 추천

• 상황별 소셜 증명 알림

• 배송 관련 제안

그림 3. 전환 가능성을 높이는 실시간 사용자 행동을 기반으로 차선책을 실시간 트리거합니다.

고객 세션이 활성화되어 있는 동안 다음을 수행합니다.

• 전환율을 높입니다.

• 고객평생가치를 개선합니다.

• 장기적인 충성도를 구축하세요.

MongoDB Atlas 기반 실시간 고객 유지 시스템을 구축하세요.

참조 아키텍처

Atlas Stream Processing 및 MongoDB Atlas 사용한 고객 유지 아키텍처 개요

이 솔루션을 구현 하려면 데이터 흐름, 이벤트 처리 단계 및 주요 아키텍처 구성 요소를 이해해야 합니다.

그림 4. MongoDB Atlas 기반 고객 유지 엔진

1. 이벤트 수집 계층

   전자상거래 애플리케이션 에서 고객 상호작용은 실시간 이벤트 스트림 생성합니다. 이 애플리케이션 사용하여 다음을 수행할 수 있습니다.

   • 10 초마다 하트비트 이벤트 전송하여 고객 세션이 활성 상태로 유지됨을 알립니다.

   • 검색, 제품 보기, 장바구니에 담기, 마우스 오버 종료와 같은 고객 조치를 캡처합니다.

   이 데모 솔루션에서는 이벤트를 MongoDB 컬렉션 으로 스트림 . Change Streams 는 각 문서 새 이벤트 로 노출하여 Stream Processing 계층에 공급하는 실시간 이벤트 소스를 생성합니다.

   또한 이벤트를 MongoDB Atlas 에 저장하지 않고도 Apache Kafka, Google Cloud Pub/Sub, Azure Event Hubs 또는 AWS Kinesis 와 같은 플랫폼에서 Atlas Stream Processing 의 소스로 이러한 스트림을 수집할 수 있습니다.

2. Atlas Stream Processing

   Atlas Stream Processing 데이터가 도착하는 대로 프로세스 데 사용됩니다. 이를 통해 다음을 수행할 수 있습니다.

   • $source 연산자 사용하여 데이터 스트림 에 연결합니다.

   • 세션 상태 구축 및 동작 신호 패턴 감지와 같은 다양한 작업에 여러 스트림 프로세서를 사용합니다.

   • 높은 구매 의도, 검색 마찰, 종료 위험과 같은 행동 신호를 생성합니다.

3. 데이터 싱크

   $merge 연산자 처리된 데이터를 대상으로 보내는 데 사용됩니다. 이 솔루션에서는 다음을 수행합니다.

   • 스트림 프로세서는 세션 상태 MongoDB 에 쓰기 (write) 에이전트 결정 계층의 라이브 세션 메모리 역할을 합니다.

   • Atlas Stream Processing 처리된 이벤트에서 파생된 동작 신호를 MongoDB 에 기록합니다.

   • MongoDB Change Streams 주요 고객 유지 신호가 나타날 때 이러한 신호를 노출하여 Agentic NBA 계층을 트리거하다 .

   $merge 연산자 Apache Kafka, AWS S3 또는 외부 함수로 결과를 보낼 수도 있습니다.

4. 에이전트

   AI 에이전트 배포하여 행동 신호를 읽고 다음과 같은 NBA 를 계산합니다.

   • 맞춤형 제품 추천

   • 상황별 소셜 증명 알림

   • 배송 관련 제안

   에이전트 결정 계층 역할을 합니다. 단순 에이전트 또는 고급 에이전트 로 구현할 수 있습니다. 이 솔루션은 모델 컨텍스트 프로토콜(MCP), 벡터 검색, Voyage AI 임베딩 모델 및 대규모 언어 모델(LLM)을 결합하는 결정론적 에이전트 사용합니다. 이러한 도구는 컨텍스트를 평가하고 최적의NBA를 생성하여 활성 쇼핑객의 참여를 유지합니다.

5. MongoDB Atlas

   MongoDB Atlas 상거래 및 고객 컨텍스트 계층으로 사용하세요. 에이전트 컨텍스트를 위해 Atlas 에서 운영 데이터와 고객 기록을 읽습니다. 에이전트 이 데이터를 평가하고 MongoDB 컬렉션 에 NBA를 씁니다.

   Atlas 에이전트 에코시스템 전체의 데이터 통합을 확장하다 로 안전하고 간소화합니다. 이를 통해 운영 데이터를 카탈로그, 고객 선호도 및 기타 벡터 검색 사용 사례에 대한 임베딩과 함께 사용할 수 있습니다.

6. 실시간 경험

   고객 화면에 NBA를 실시간 표시합니다. 전자상거래 애플리케이션 Change Streams를 사용하여 NBA 컬렉션 모니터 . 그런 다음 애플리케이션 활성 구매자에게 타겟팅된 알림 표시합니다. 예는 다음과 같습니다.

   • 전략 제품의 파이어 아이콘

   • 소셜 프루프 메시지를 알림 으로 또는 장바구니 목록에 표시

   • 팝업으로 추천 또는 할인 알림

Atlas Stream Processing 사용한 동작 신호 감지

각 제품 보기, 검색 또는 장바구니 조치 의도의 추적이 포함되어 있지만 원시 이벤트는 종종 시끄럽습니다. Atlas Stream Processing 사용하여 이러한 이벤트를 명확한 세션 컨텍스트로 변환하세요.

이 컨텍스트를 실시간 업데이트합니다. 이를 사용하여 세션 전반의 동작을 추적 하고 중요한 패턴을 감지합니다. 쿼리 , 설명하고, 조치를 취하기 쉬운 형식으로 의사 결정 계층이 이 컨텍스트에 빠르게 액세스 있도록 합니다. 이 아키텍처에서는 Atlas Stream Processing 해당 역할 수행합니다.

그림 5. Atlas Stream Processing 통한 행동 신호 감지

ASP #1 는 클릭스트림(1)(2)을 활성 세션당 단일 session_state 문서 로 지속적으로 변환하여 세션 메모리를 최신 10초 동작 스냅샷 (4)과 결합합니다. ASP #2 는 새로운 이벤트 소스(5)를 읽어 상위 수준의 행동 신호를 감지하고 이를 session_signals (7)에 싱크합니다. 둘 다 처리된 데이터를 MongoDB 에 저장 하지만, 유효하지 않은 이벤트는 디버깅 및 문제 해결을 위해 DLQ 컬렉션 (3) (6)으로 라우팅됩니다.

Atlas Stream Processing No.1: 실시간 세션 상태 빌드

각 고객 세션에 대한 실시간 세션 상태 구축합니다. 이 세션 상태 두 가지 목적으로 사용합니다.

1. 세션 메모리 빌드: 다운스트림 시스템에 필요한 세션 메모리를 생성합니다. 처리된 문서 세션당 하나씩 유지하고 10 초마다 업데이트 . 첫 번째 활동, 마지막 활동, 상호 작용 수, 최근 행동, 검색 기록과 같은 필수 세션 컨텍스트를 저장합니다.

2. 의도 해석: 도메인에 맞게 조정된 의도 모델을 통해 활동을 해석하여 활동을 저장하는 것 이상의 고 (Go) .

이 데모에서는 최근 고객 이벤트를 10 초마다 그룹 행동에 대한 구조화된 뷰를 만듭니다. 이 보기를 사용하여 고객이 어디에 관심을 기울이고 시간이 지남에 따라 그 관심이 어떻게 이동하는지 추적 .

의도 모델을 세 가지 개념으로 정의합니다.

• 차원: 각 상호 작용에 대한 행동 렌즈입니다. 제품 이벤트 특정 제품과 articleType 및 brand와 같은 더 넓은 컨텍스트를 모두 식별합니다. 이를 통해 각 이벤트 에 대한 여러 수준에서 의도를 읽을 수 있습니다. 고객은 기사 유형과 같은 동일한 유형의 '차원'에 집중하면서 여러 제품을 탐색할 수 있습니다.

• 가중치: 상호 작용 신호의 강도입니다. 모든 조치가 동일한 중요성을 갖는 것은 아닙니다.

  이 데모의 가중치는 다음과 같습니다.

  • view-product = 3

  • Add-to-Cart = 7

  차원의 각 항목에 대해 다음과 같이 가중치를 계산합니다.

  가중치(항목) = 10초 창 에서 해당 항목에 대한 이벤트 가중치의 합계

  예시:

  고객이 'X' 제품(P1)을 두 번 보고 P1 를 장바구니에 한 번 추가하고 ArticleType이 '신발'인 경우:

  가중치(P1) = 3 + 3 + 7 = 13

  무게(신발) = 3 + 3 + 7 = 13

  이 계산은 특정 제품과 '신발' 모두에 강한 관심을 나타냅니다.

• 초점: 초점을 사용하여 차원 내부에 고객의 주의가 얼마나 집중되어 있는지 측정합니다.

  차원의 각 항목에 대해 다음을 계산합니다.

  초점(항목) = 가중치(항목) / 동일한 창 에 있는 해당 차원의 총 가중치

  예시:

  해당 창 에서 고객이 상호작용하는 유일한 제품이 P1 인 경우:

  초점(P1) = 13 / 13 = 1.0

  이는 고객이 하나의 제품에 완전히 집중하고 있음을 의미합니다.

  고객이 동일한 창 에서 두 제품과 상호 작용하고 각 제품이 다른 기사 유형에 속하는 경우:

  • 조회 제품 P1, 여기서 기사 유형 = 샴푸 → 무게(샴푸) = 3

  • 제품 P2를 조회하고 제품 P2 를 장바구니에 추가합니다. 여기서 itemType = 컨디셔너 → 가중치(컨디셔너) = 3+7 = 10

  그런 다음:

  총 가중치(기사 유형) = 3 + 10 = 13

  So:

  포커스(샴푸) = 3 / 13 = 0.23

  포커스(컨디셔너) = 10 / 13 = 0.77

  이는 고객의 관심이 기사 유형 차원의 여러 항목에 분산되어 있지만 컨디셔너에 더 집중되어 있음을 의미합니다.

이 모델을 사용하여 시간 경과에 따른 변수를 추적 . 각 10초 스냅샷 시간 경과에 따른 상위 수준 패턴을 평가하는 Atlas Stream Processing No.2에 대한 구조화된 행동 입력이 됩니다. 이는 고객이 다음과 같은지 확인하는 데 도움이 됩니다.

• 특정 품목, 카테고리 또는 브랜드에 집중

• 광범위하게 탐색

• 명확하거나 불확실한 의도 표시

네이티브 Atlas Stream Processing 기능을 사용하여 이 세션 상태 구축합니다.

• $source 를 사용하여 events_ingest 에서 이벤트를 읽고 윈도우를 위한 이벤트 시간을 보존합니다.

• $validate 를 사용하여 이벤트 계약을 시행하다 하고 유효하지 않은 이벤트를 events_ingest_dlq로 보냅니다.

• 10초의 이벤트 시간 간격으로 $tumblingWindow를 사용하여 세션당 하나의 안정적인 처리 프레임을 만듭니다.

• $ 그룹 사용하여 각 창 에 대해 여러 원시 이벤트를 하나의 세션별 스냅샷 으로 축소합니다.

• $addFields 및 $switch 를 사용하여 각 상호 작용에 가중치를 할당합니다.

• $function 을 사용하여 각 차원에 대한 가중치 및 포커스의 의도 모델을 계산합니다. 카운터와 산술을 사용하여 10 초마다 세션 동작에 대한 구조화된 스냅샷 생성하고, JavaScript 로직으로 각 텀블링 창 이벤트를 프로세스 . 이렇게 하면 Atlas Stream Processing No. 2 가 다음 단계에서 소비하는 새로운 데이터 설정하다 생성됩니다.

• $merge 를 사용하여 결과를 session_state 에 업서트 최신 스냅샷 과 누적된 세션 메모리가 모두 포함된 세션당 하나의 라이브 문서 유지합니다.

Atlas Stream Processing No. 2: 시간 경과에 따른 동작 패턴 감지

원시 클릭스트림 이벤트 대신 session_state 에서 구조화된 세션 스냅샷을 읽습니다. 이는 평가를 위해 처리된 시간 인식 행동 계층을 제공합니다.

이 데모에서 Atlas Stream Processing No.2 는 3개의 스트림 프로세서를 사용합니다. 각 프로세서는 하나의 신호 유형을 감지합니다.

• high-intent

• search-friction

• exit-risk

세 가지 프로세서는 모두 동일한 패턴 따릅니다.

• 세션 스냅샷 읽기 session_state

• 30초 창에서 동작 평가

• 삽입 전용 신호 문서 쓰기 (write) session_signals

이 설계는 파이프라인 단순하고 모듈식으로 유지합니다. 각 프로세서는 동일한 소스 및 싱크 패턴 사용하지만 동작 신호를 감지하기 위해 서로 다른 규칙을 적용합니다. 이러한 신호를 동작 체크포인트로 사용합니다. 각각은 다음과 같은 세션 동작의 의미 있는 변화를 포착합니다.

• 제품 컨버전스

• 미해결 탐색

• 떠날 의향이 있습니다.

신호를 희박하고 시간 제한이 있으며 설명 가능하게 유지합니다. 이를 통해 의사 결정 계층은 모든 원시 이벤트 처리 대신 관련 일이 발생할 때만 반응할 수 있습니다.

Atlas Stream Processing No.2 는 다음 조치 결정하지 않습니다. 의사 결정 시스템이 실시간 추론하고 행동하는 데 사용하는 행동 신호 계층을 구축합니다.

그림 6. AI 에이전트를 위한 통합 인텔리전스 데이터 계층 구축

다음 조치 에이전트 MongoDB 의 통합 인텔리전스 데이터 계층 위에서 실행됩니다. Change Streams를 통해 행동 신호(1)에 반응하고, session_state (2.a)에서 실시간 컨텍스트를 가져와 사용자 프로필, MongoDB, 프로모션, 규칙, 임베딩 및 MongoDB Vector Search(2.b). 에이전트 차순위 조치 실시간 계산하고 저장하며(3), 전자상거래 애플리케이션 Change Streams를 통해 이 조치를 소비하고 고객 유지를 위해 실시간 세션 중에 표시합니다(4).

세션 상태, 행동 신호 및 의사 결정 출력을 MongoDB 에 저장하면 에이전트 에 통합 인텔리전스 데이터 계층을 제공할 수 있습니다. 에이전트 해당 세션에 대한 새로운 행동 컨텍스트와 기록 신호를 읽을 수 있습니다. 그런 다음 이 데이터를 프로필, 카탈로그, 프로모션 및 비즈니스 규칙과 결합하여 동일한 운영 플랫폼에서 NBA를 다시 쓰기 (write) . 이를 통해 아키텍처를 단순하게 유지하고, 데이터 이동을 줄이며, 에이전트 안전하고 확장 가능한 방식으로 실시간 조치에 필요한 컨텍스트에 빠르게 액세스 할 수 있습니다.

데이터 모델 접근 방식

MongoDB 실시간 아키텍처를 위한 유연한 document model 제공합니다. 스키마가 다른 다양한 고객 이벤트를 단일 컬렉션 에 저장합니다. 비즈니스 로직의 발전에 따라 스키마 업데이트하세요.

The document model 배열 및 하위 문서와 같은 복잡한 구조를 처리합니다. 이러한 구조를 사용하여 작고 쿼리 가능한 세션 메모리를 빌드 할 수 있습니다. 이 설계는 데이터베이스 조인 없이 AI 에이전트에게 즉각적인 컨텍스트를 제공합니다. TTL(Time-to-Live) 인덱스를 사용하여 수동 데이터 정리 스크립트를 제거할 필요가 없습니다.

이 솔루션은 네 가지 주요 컬렉션을 사용합니다:

• events_ingest: 단기 원시 데이터 이벤트를 저장합니다. 스트리밍 파이프라인의 프라이머리 소스 역할을 합니다.

• session_state: 세션당 실시간 작업 컨텍스트를 저장하고 약 10 초마다 업데이트를 가져옵니다.

• session_signals: 해석 가능한 동작 신호를 저장합니다. Atlas Stream Processing 감지된 신호당 하나의 문서 생성합니다.

• Next_best_actions: 전자상거래 인터페이스에 대한 최종 조치 계약을 저장합니다.

1. 원시 이벤트 수집(events_ingest)

   전자상거래 애플리케이션 원시 이벤트를 events_ingest 컬렉션 으로 스트리밍합니다. 각 이벤트 타임스탬프, 태그, 메타데이터 포함하는 공통 구조를 따릅니다. 이벤트 필드 이벤트 유형을 식별하고 메타데이터 섹션은 이벤트별 속성을 저장합니다. 이 다형성 디자인을 사용하면 엄격한 스키마 적용하지 않고도 서로 다른 이벤트 유형이 동일한 컬렉션 에 공존할 수 있습니다. 짧은 TTL 인덱스 사용하여 이 임시 데이터를 관리 .

   {  "timestamp": "2026-01-05T14:55:12.321Z",  "tags": {    "sessionId": "1767624420027",    "userId": "66fe219d625d93a100528224",    "event": "search"  },  "metadata": {    // Event-specific fields  }}

2. 구체화된 세션 상태(session_state)

   세션 상태 문서 세션당 단일 실시간 진실 소스를 나타냅니다. Atlas Stream Processing No. 1 는 이 문서 10 초마다 업데이트합니다. 이렇게 하면 Atlas Stream Processing No. 2 의 소스 역할을 하고 활성 세션 내에서 에이전트 결정을 위한 실시간 단기 컨텍스트로 사용되는 간결한 컨텍스트가 생성됩니다.

   이 문서 누적 활동(sessionTotals)과 최근 마이크로 창 활동(last10s)을 구분합니다. 이벤트 수, 최근 검색 및 장바구니 업데이트를 추적합니다. 가중 상호 작용 모델을 사용하여 항목 선호도 점수를 계산합니다. 이 모델은 관심 강도와 초점 방향을 측정합니다.

   {  "_id": {    "$oid": "69c16dd2f2145b31c07b1beb"  },  "firstSeen": {    "$date": "2026-03-23T16:43:59.013Z"  },  "lastEvent": {    "event": "view-product",    "ts": {      "$date": "2026-03-23T16:49:29.849Z"    }  },  "lastSeen": {    "$date": "2026-03-23T16:49:29.849Z"  },  "sessionId": "d73477b8-3879-4749-a402-321a526cdc33",  "userId": "671ff2451ec726b417352703",  "last10s": {    "intent": {      "products": [        {          "productId": "67192b4264d161905fbe8342",          "searchCount": 0,          "viewCount": 0,          "addToCartCount": 1,          "weight": 7,          "focus": 0.4375        },        {          "productId": "67192b4264d161905fbe8245",          "searchCount": 0,          "viewCount": 1,          "addToCartCount": 0,          "weight": 3,          "focus": 0.1875        },        {          "productId": "67192b4264d161905fbe82a1",          "searchCount": 0,          "viewCount": 1,          "addToCartCount": 0,          "weight": 3,          "focus": 0.1875        },        {          "productId": "67192b3f64d161905fbe77af",          "searchCount": 0,          "viewCount": 1,          "addToCartCount": 0,          "weight": 3,          "focus": 0.1875        }      ],      "articleTypes": [        {          "articleType": "SHOES",          "searchCount": 0,          "viewCount": 2,          "addToCartCount": 1,          "weight": 13,          "focus": 0.8125        },        {          "articleType": "CARGO_STRAP",          "searchCount": 0,          "viewCount": 1,          "addToCartCount": 0,          "weight": 3,          "focus": 0.1875        }      ],      "subCategories": [        {          "subCategory": "Shoes",          "searchCount": 0,          "viewCount": 2,          "addToCartCount": 1,          "weight": 13,          "focus": 0.8125        },        {          "subCategory": "Hardware",          "searchCount": 0,          "viewCount": 1,          "addToCartCount": 0,          "weight": 3,          "focus": 0.1875        }      ],      "dimensionTotals": {        "productWeightTotal": 16,        "articleTypeWeightTotal": 16,        "subCategoryWeightTotal": 16      }    },    "lastEvent": {      "event": "view-product",      "ts": {        "$date": "2026-03-23T16:49:29.849Z"      }    },    "window": {      "start": {        "$date": "2026-03-23T16:49:20.000Z"      },      "end": {        "$date": "2026-03-23T16:49:30.000Z"      }    }  },  "sessionTotals": {    "eventCounts": {      "heartbeat": 30,      "search": 2,      "view-product": 21,      "add-to-cart": 13,      "exit-risk": 14    },    "windowCount": 30  },  "searchHistory": [    "shoes",    "running shoes"  ]}

3. 실행 가능한 진단(session_signals)

   Atlas Stream Processing No.2 는 30 초마다 세션 상태 평가하고, 행동 패턴을 식별하며, 신호를 생성합니다. 세션 문서 내에서 신호 배열 대신 신호당 하나의 문서 사용합니다. 이 삽입 전용 접근 방식은 쓰기 (write) 증폭을 방지하고 소매 트래픽이 피크일 때 핫 문서를 방지합니다.

   이 솔루션은 대부분의 전자상거래 과정에서 유지율이 높은 순간을 나타내는 세 가지 핵심 행동 신호에 중점을 둡니다.

   • High-Intent: 고객이 구매를 적극적으로 고려하고 있으며 강력한 의도 신호(예: 반복되는 제품 포커스, 장바구니 진행, 집중된 관심)를 보여줍니다. 지금은 확신, 제품 지침, 가용성 및 전달 명확성을 통해 의심을 줄이고 전환을 가속화할 수 있는 이상적인 순간입니다.

   • 이탈 위험: 고객은 종종 의미 있는 참여 또는 장바구니 활동 후에 전환하지 않고 떠날 가능성이 높습니다. 세션을 유지하거나, 장바구니를 복구하거나, 의도를 보존하거나, 즉각적인 지원을 제공할 수 있는 마지막 기회입니다.

   • Search-Friction(검색 마찰): 고객이 진행하지 않고 반복적으로 검색하고 탐색하며, 일치하는 항목을 찾는 데 어려움이 있거나 불만이 쌓입니다. 이는 고객이 피로나 불만으로 인해 세션을 포기하기 전에 조기에 개입할 수 있는 가장 가치 있는 기회 중 하나입니다.

   다음은 검색 마찰 신호의 예시 문서 입니다.

   {  "_id": "69c172667348bc2e9b60ee7b",  "evidence": "Explored a considerable number of products in the last 30 seconds, while articleType focus remained predominant on 'PET_SUPPLIES'. The absence of add-to-cart suggests stable topic-level intent combined with choice overload at the product level",  "severity": "medium",  "sid": "d73477b8-3879-4749-a402-321a526cdc33",  "signal": "search-friction",  "topic": {    "dimension": "articleType",    "value": "PET_SUPPLIES"  },  "ts": "2026-03-23T17:03:20.000Z",  "uid": "671ff2451ec726b417352703"}

솔루션 빌드

사용자 환경에서 이 데모를 재현하려면 다음 단계를 따르세요.

주요 학습 사항

• 실시간 고객 유지: Atlas Stream Processing 사용하면 클릭스트림 이벤트를 프로세스 활성 세션 중에 차선책을 트리거하다 할 수 있습니다. 이를 통해 소매업체는 사후 손상 관리 에서 사전 예방적 즉각적인 개입 으로 전환할 수 있습니다.

• 데이터 아키텍처 간소화: MongoDB document model 사용하면 원본 클릭스트림 이벤트, 세션 상태 및 동작 신호를 단일 플랫폼에 저장 수 있습니다. TTL 인덱스와 유연한 컬렉션을 사용하여 파이프라인을 추출, 변환, 로드하고 파이프라인을 수동으로 정리하지 않아도 됩니다.

• MongoDB 의 인텔리전스 데이터 계층 위에 에이전트 기반 다음 Best 조치 빌드: AI 에이전트를 MongoDB 의 라이브 세션 컨텍스트 및 운영 데이터에 직접 연결합니다. Vector Search와 같은 AI 기능으로 차세대 조치를 강화하여 맞춤형 경험을 제공하세요.

작성자

• Angie Guemes, MongoDB

• Florencia Arin, MongoDB

• 로드리고 릴, MongoDB

• 다니엘 자미르, MongoDB

자세히 알아보기

• MongoDB 로 고객 유지율 높이기

• 리테일 혁신을 위한 MongoDB