산업: 소매
제품: MongoDB Atlas, MongoDB Atlas Search, MongoDB Atlas Vector Search, Voyage AI Embeddings
솔루션 개요
데이터 활성화는 많은 산업 분야에서 과제 입니다. 통합 커머스는 여러 채널의 데이터를 운영 계층으로 결합하여 내부 팀과 고객 애플리케이션에 정확하고 액세스 가능한 정보를 제공합니다.
그림 1. 통합 상거래 전략
이 솔루션을 사용하면 통합 상거래 전략을 위한 ODL 로 MongoDB 사용하여 저장 연결 애플리케이션 빌드 할 수 있습니다. 이 솔루션은 더 나은 고객 경험을 제공하고 재고 가시성, 고급 검색 및 지리 공간적 쿼리를 지원합니다.
이러한 이점을 달성하려면 먼저 사일로 시스템을 허물어야 합니다.
사일로 시스템과 파편화된 데이터로 인한 비효율성
소매업체는 종종 데이터가 서로 다른 플랫폼과 기술에 저장되는 사일로 시스템을 사용합니다. 이러한 조각화로 인해 가시성이 제한되고 저장 직원이 실시간 정보에 액세스 가 어렵습니다. 결과적으로 고객의 질문에 답변하는 것은 다른 부서와 오래된 시스템에 의존하게 됩니다.
또한 매장 직원은 재고실을 수동으로 확인해야 하므로 지연과 부정확한 정보가 발생할 수 있습니다. 이러한 비효율성은 고객의 신뢰를 손상시키고 고객 경험 손상시킵니다.
격차를 해소하는 강력한 데이터 기반
ODL 은 재고, 주문, 고객 프로필과 같은 기존 시스템의 데이터를 결합하여 통합 계층에서 사용할 수 있도록 합니다. MongoDB Atlas는 ODL 역할을 합니다. 유연한 문서 모델 은 다양한 시스템의 다양하고 복잡한 데이터 구조를 처리하고 비즈니스 변화에 따라 발전합니다. 이 용량 엄격한 스키마나 복잡한 변환 없이 데이터를 통합합니다.
MongoDB 에 데이터를 저장하면 다음과 같은 방식으로 혁신을 주도할 수 있습니다.
내장 검색 및 AI 기능: 네이티브 전체 텍스트, 벡터 및 하이브리드 검색 기능을 통해 스마트 제품 검색 및 개인화된 추천과 같은 내부 혁신이 활성화 . 이 데이터 기반은 또한 RAG, LLM 기반 비서 및 다중 에이전트 시스템을 강화합니다.
기술 스택 간소화: MongoDB 운영 데이터와 벡터 임베딩을 모두 한 곳에 저장하여 복잡성을 줄이고 벡터 데이터베이스나 검색 엔진과 같은 단일 목적 도구를 제거합니다.
통합 데이터에 대한 실시간 액세스 : 애플리케이션은 MongoDB Atlas 에 쉽게 연결하여 저장 직원을 위해 실시간 동기화된 데이터를 사용할 수 있습니다.
그림 2. 모든 애플리케이션 의 3개 계층
데이터 모델 접근 방식
소매 환경은 동적이며 제품 세부 정보와 재고가 지속적으로 변경됩니다. MongoDB의 유연한 문서 모델 지리 공간적, time-series , 계층적 데이터를 포함한 저장 구성을 쉽게 관리합니다. 이를 통해 통합 상거래를 위한 강력한 기반을 구축할 수 있습니다.
그림 3. ODL 필수 사항: 유연한 모델, 실시간 동기화, 스마트 검색
이 솔루션은 단순성과 성능의 균형을 이루어 소매 사용 사례에 맞게 운영 및 검색 데이터를 모델링할 수 있습니다. 데이터 모델링 방법은 다음과 같습니다.
표준
inventory컬렉션 빈번한 쓰기에 최적화된 매장 전체에서 각 제품의 실시간 주식 데이터를 추적합니다.읽기에 최적화된
products컬렉션 매장 수준 가용성을 갖춘 경량inventorySummary배열 포함합니다. 이는 빠른 필터링, UI 렌더링 및 검색 쿼리에 이상적입니다.트리거 기반 동기화 MongoDB Atlas 트리거를 사용하여 인벤토리 요약을 실시간 최신 상태로 유지합니다.
그림 4. 제품 스키마: 텍스트, 메타데이터 및 벡터
이 스키마 50- 저장 범위 에서 성능이 검증되었습니다. 확장하다 시나리오의 경우 다음과 같이 모델을 조정할 수 있습니다.
쿼리 의 일부로 매장 수준 인벤토리를 동적으로 가져옵니다.
다른 모델링 전략으로쓰기 (write) 및 읽기 경로를 재구성합니다.
참고 아키텍처
이 데모에서는 Next.js의 메인 애플리케이션 과 전용 고급 검색 microservices 사용합니다. 데모에는 다음과 같은 구성 요소가 포함되어 있습니다.
MongoDB Atlas: 모든 데이터를 중앙 집중화하고, 실시간 동기화 지원하며, 성능, 가용성, 보안을 위한 인프라를 제공합니다.
Next.js가 포함된 메인 애플리케이션 : 주식 가 있는 주변 매장을 찾기 위해 UI 및 지리 공간적 쿼리를 처리하는 풀스택 앱 .
FastAPI를 사용한 고급 검색 microservices : 텍스트, 시맨틱, 하이브리드 등 모든 검색 유형을 처리하고 쿼리 임베딩을 조정하는 전용 백엔드 입니다.
Voyage AI 사용한 임베딩 제공자 : 시맨틱 검색 위한 벡터 임베딩을 생성합니다.
그림 5. 데모 비하인드 스토리: MongoDB 및 Voyage AI 사용한 저장 연관 앱 의 시스템 다이어그램
특히 고급 검색 microservices 데모 로직을 더 명확하고 적응력 있게 만듭니다. 이 설정 다음과 같은 이점을 제공합니다.
계층형 설계: 이 솔루션은 API 용 인터페이스, 비즈니스 로직을 위한 애플리케이션 , MongoDB 및 Voyage AI 와의 통합을 위한 인프라로 구성된 microservices 사용합니다. 이 구조는 코드베이스를 모듈식으로 유지하므로 테스트, 확장하다 및 적응이 더 쉬워집니다. 인프라 계층만 업데이트하여 Voyage AI 에서 베드락으로 전환하는 등 외부 서비스를 대체할 수도 있습니다.
AI 유연성: 하나의 어댑터를 사용하여 보이지 AI 또는 베드락과 같은 제공자 간에 전환할 수 있는 기능 .
다중 채널 호환성: 웹, 모바일, 챗봇을 포함한 모든 프론트엔드 플랫폼을 지원하는 단일 API 로, 최소한의 노력으로 채널을 온라인 전환할 수 있습니다.
마이크로서비스 기능 검색
검색 microservices 다음을 포함한 여러 검색 메커니즘을 처리하다 할 수 있는 하나의 통합 API 제공합니다.
정규식 검색 : MongoDB의 고급 검색 기능과 비교하기 위한 기준으로 사용되는 기본 패턴 일치입니다.
전체 텍스트 검색: MongoDB Atlas Search를 사용하여 퍼지 일치, 부스트 필드 및 스토어 수준 필터링을 수행합니다.
시맨틱 벡터 검색: Voyage AI 임베딩을 사용하여 개념적으로 유사한 제품을 찾습니다.
하이브리드 검색: RRF를 사용하여 텍스트와 벡터 결과를 혼합합니다. 검색 컨텍스트에 따라 텍스트의 가중치와 의미론적 관련성을 조정합니다.
그림 6. 검색 전략 분석: 텍스트, 벡터 및 하이브리드 검색
이러한 파일을 검토하여 집계프레임워크 사용하여 검색 기능을 사용자 지정하는 방법을 학습 수 있습니다.
MongoDB 사용하면 정밀도, 의미론적 이해, 실시간 데이터를 결합하여 검색 기능을 하나의 플랫폼으로 통합할 수 있습니다. 결과적으로 쇼핑객에게 더 빠르게 제공 , 저장 팀의 역량을 강화하며, 모든 채널로 확장하다 .
솔루션 빌드
사용자 환경에서 이 데모를 재현하려면 다음 단계를 따르세요.
MongoDB Atlas 에서 데이터베이스 만들기
MongoDB Atlas에 로그인합니다.
무료 계층 클러스터 가동합니다.
retail-unified-commerce이라는 이름의 데이터베이스 생성하거나 다른 이름을 사용하는 경우 .env 을(를 ) 업데이트 .
리포지토리 복제
아래 명령을 실행 하여 이 GitHub 리포지토리 복제합니다.
git clone https://github.com/mongodb-industry-solutions/retail-unified-commerce.git
데모 컬렉션 가져오기
리포지토리를 복제한 후 샘플 데이터가 있는 폴더로 이동합니다.
cd retail-unified-commerce/docs/setup/collections
여기에는 MongoDB Atlas 로 가져올 수 있는 JSON 파일이 있으며, 이는 500 매장 수준 재고 및 벡터가Voyage AI 에서 임베딩된 식료품류의 샘플 데이터 세트입니다.
inventory.jsonproducts.jsonstores.json
Atlas 에서 Browse Collections(으)로 고 (Go) . 각 컬렉션 생성한 다음 Add Data 를 클릭하여 JSON 파일에서 문서를 삽입합니다.
인덱스 구성
products 컬렉션 에서 다음을 만듭니다.
stores 컬렉션 에서 지리 공간적 인덱스 만듭니다.
실시간 인벤토리 동기화 설정(선택 사항)
inventory_sync 및 daily_inventory_simulation Atlas Triggers 추가하여 인벤토리 컬렉션 에 실시간 업데이트를 통합합니다. 이러한 기능은 실시간 트랜잭션을 시뮬레이션하고 데이터를 products 컬렉션 과 동기화 합니다.
환경 변수 추가
각 .env.example 파일 .env 프론트엔드 및 advanced-search-ms 디렉토리의 에 복사합니다.
Atlas 연결 문자열 붙여넣고 advanced-search-ms/.env 파일 에VoyageAI API 키를 추가하여 임베딩 기반 검색 활성화 .
VOYAGE_API_KEY=your_voyage_api_key
정확하고 의미 있는 벡터 비교를 보장하려면 데이터와 사용자 쿼리 모두에 동일한 임베딩 제공자 사용하세요. 제공자를 전환하는 경우 벡터를 다시 생성하고, 새 인덱스 .env 만들고, 파일 새 API 키로 업데이트 ,인프라 계층에서 임베딩 포트의 구현 조정해야 합니다.
Docker Compose로 애플리케이션 빌드 및 실행
Docker 및 Docker Compose가 설치되어 있고 프로젝트 폴더 retail-unified-commerce의 루트에 있는지 확인합니다. 여기에서 아래 명령을 사용하여 앱 시작합니다.
make build
앱 이 실행 후 다음을 수행합니다.
브라우저를 열고 http://localhost: 로 이동하여 데모 앱 사용합니다.3000
http://localhost:8000/docs에서 microservices API 문서를 확인하거나 README를 읽어보세요.
http://localhost:8000/health에서 microservices 상태를 확인합니다.
다음 명령을 사용하여 Docker 배포서버 제어할 수 있습니다.
앱 중지 : 다음 명령을 사용하여 모든 컨테이너를 중지하고 이미지를 제거 .
make clean 로그 보기: 다음 명령을 사용하여 앱 배포서버 추적하고 데이터가 계층 간에 이동하는 방식을 시각화합니다.
make logs
주요 학습 사항
매장 내 신뢰 구축을 위한 통합 상거래: MongoDB 사용하면 매장 상태, 주식 위치 및 보충 데이터에 실시간 액세스 할 수 있습니다. 지능형 검색 과 교차 채널 가시성을 결합하면 저장 직원에게 일관적인 되고 정보에 입각한 서비스를 제공하여 신뢰와 고객 전환을 유도하는 도구를 제공할 수 있습니다.
ODL은 파편화된 데이터를 실행 가능한 인사이트로 변환합니다: MongoDB ODL 역할을 하여 격리된 데이터를 하나의 실시간 소스로 통합합니다. 유연한 문서 모델 다양한 소매 구조에 맞게 조정되며, 보안, 가용성 및 성능이 내장 엔터프라이즈급 수준입니다.
통합 데이터는 고급 검색 및 AI 애플리케이션을 가능하게 합니다: MongoDB 전체 텍스트, 시맨틱 및 지리 공간적 검색 한 곳에서 통합합니다. 또한 라이브 데이터와 임베딩을 함께 저장 실시간 검색을 가능하게 하고 미래를 위한 지능형 AI 사용 사례를 지원할 수 있습니다.
작성자
Prashant Juttukonda, MongoDB
Florencia Arin, MongoDB
Angie Guemes, MongoDB
Diego Canales, MongoDB
자세히 알아보기
MongoDB 소매 에서 어떻게 혁신을 주도하는지 알아보려면 소매 용 MongoDB방문하세요.
통합 상거래가 소매업체에 미치는 영향에 대해 학습하려면 MongoDB Atlas 블로그를 통한 소매 혁신을 위한 통합 상거래를 참조하세요.
Atlas 사용한 ODL에 대해 자세히 알아보려면 운영 데이터 계층 백서를 확인하세요.