Amplie marcas em tempo real para o crescimento do varejo

Processo de design de esquema

Para evitar problemas de esquema e desempenho à medida que seu aplicativo cresce, comece com uma modelagem de dados sólida.

Nesta solução, você modela uma camada de dados unificada em torno de quatro collections principais:

• products: Catálogo de produtos (nomes, descrições, categorias, identificadores).

• inventory: Níveis de estoque, dados de estoque, métricas preditivas.

• stores: Armazenar metadados (nome, localização, detalhes operacionais).

• brandAmplification: Regras de impulso de marca/categoria por loja.

Siga este processo para implementar a amplificação e o dimensionamento da marca de forma confiável.

1. Identifique o volume de trabalho do seu aplicativo

   Identifique suas operações mais frequentes.

   Use suas principais queries para escolher índices eficazes e reduzir as chamadas de banco de dados .

   Suponha que e-commerce e as lojas consumam os mesmos dados operacionais.

   Conecte a intenção do cliente à estratégia de marca em tempo real e mantenha o estoque consistente em todos os canais.

   Use a tabela a seguir para estimar as cargas de trabalho dos membros da Leafy e trate essa estimativa como sua linha de base para as prioridades de leitura/gravação:

   em ação	Tipo de query	Coleção de destino	Frequência	Priority	Notas
   Descoberta de produtos na loja. Encontre produtos que correspondam ao que o cliente solicita (pesquisa de texto/intenção/pesquisa híbrida), mostrando se ele está em estoque nesta loja no momento. (50 lojas)	Leia	Products, inventory	~500K/dia	Crítico	Fluxo principal do associado. Incorpore sinalizadores de resumo de inventário por loja em cada produto para evitar $lookup
   Pesquisa de e-commerce. Pesquise por especificação, intenção ou híbrido (6K produtos)	Leia	Products	~1M/dia	Crítico	Impulsiona a descoberta online e deve manter a baixa latência. Considere nós de pesquisa dedicados ou isolados por leitura
   Aplique impulsos de marca para classificação	Leia	brandAmplification	~300k/dia	Alta	Impulsionações de marca no nível da loja aplicadas no momento da classificação; nenhuma atualização do produto necessária
   Atualizar inventário ativo e métricas preditivas (ingerir)	Escrever	inventory	~700k/dia	Crítico	Visão única dos sistemas de estoque de registro (armazenamentos e armazéns). Escritas pequenas e frequentes
   Encontre a loja alternativa mais próxima com estoque	Leia	inventory, stores	~100k/dia	Baixo	Classificação geoespacial por distância
   Configurar amplificação da marca (atualizar estratégia de impulso)	Escrever	brandAmplification	>500/dia	Baixo	Reforços de marca por loja com escopo de categoria opcional; tempo de execução ajustável, nenhuma reescrita do produto.

2. Mapeie os relacionamentos do seu esquema

   Os volumes de trabalho que você identifica influenciam como você projeta seu esquema.

   Na amplificação da marca, seu modelo de relacionamento determina a latência de leitura nos aplicativos Leafy Member e e-commerce e afeta o custo das operações de gravação em sistemas de inventário.

   Otimizar consultas

   Para melhorar a descoberta de produtos na inventorySummary[] loja, incorpore em produtos usando o padrão de incorporação. Essa abordagem retorna detalhes e a disponibilidade do produto em uma única operação de leitura e evita operações dispendiosas de $lookup. O trecho de código mostra um documento de exemplo na products coleção.

   { "_id": "685bfe2b3d832cf7e1614577",
     "productName": "Onion",
     "brand": "Fresho",
     "price": { "amount": 31.02, "currency": "USD" },
     "category": "Fruits & Vegetables",
     "subCategory": "Potato, Onion & Tomato",
     "aboutTheProduct": "Onion is a versatile vegetable used in salads and curries.",
     "embeddingText": "Onion | Fresho | 5 kg | Fruits & Vegetables | ...",
     "multimodalEmbeddingVector": [0.03, 0.12, 0.07, "..."],
     "inventorySummary": [
       {
         "storeId": "store-019",
         "sectionId": "S01",
         "aisleId": "I11",
         "shelfId": "SH111",
         "inStock": true,
         "nearToReplenishmentInShelf": false
       },
       {
         "storeId": "store-027",
         "sectionId": "S02",
         "aisleId": "I21",
         "shelfId": "SH213",
         "inStock": true,
         "nearToReplenishmentInShelf": true
       }
     ]
   }

   Para queries de visualização única do inventário operacional otimizado, mantenha os dados de inventário detalhados em uma coleção separada e faça referência ao produto. Armazene um documento por produto para manter uma exibição única em canais e lojas e atualize o estoque em um só lugar. O seguinte trecho de código mostra um documento de exemplo na inventory coleção.

   { "_id": "6863fc8057105b3a8ccb57cd",
     "productId": "685bfe2b3d832cf7e1614577",
     "storeInventory": [
       {
         "storeId": "store-015",
         "storeName": "Trikasemmart - Chiang Mai",
         "coordinates": [98.985583, 18.7929],
         "shelfQuantity": 22,
         "backroomQuantity": 0,
         "inStock": true,
         "predictedStockDepletion": "2025-10-23",
         "nextRestock": "2025-10-19"
       },
       {
         "storeId": "store-006",
         "storeName": "Vinyuvanichkul - Nakhon Ratchasima",
         "coordinates": [102.104829, 14.964336],
         "shelfQuantity": 27,
         "backroomQuantity": 49,
         "inStock": true,
         "nextRestock": "2025-10-21"
       }
     ],
     "updatedAt": "2025-10-17T00:00:01Z"
   }

   Para encontrar lojas próximas com estoque disponível, salve as coordenadas da loja em um ponto GeoJSON para executar queries geoespaciais. O seguinte trecho de código mostra um documento de exemplo na stores coleção.

   {
     "_id": "684aa28064ff7c785a568aca",
     "storeId": "store-001",
     "storeName": "Chaihirankarn, Bunlupong and Chomsri - Surat Thani",
     "location": {
       "type": "Point",
       "coordinates": [
         99.317989,
         9.133786
       ],
       "address": "3597 Methavorakul Tunnel Suite 886",
       "city": "Surat Thani"
     },
      …
   }

   Consistência de dados

   Use o Atlas Triggers para sincronizar os campos necessários de inventory e manter products.inventorySummary[] consistente.

   Otimize as regras de classificação da marca em cada pesquisa

   Aplique os impulsos da marca no momento da classificação e armazene as regras em brandAmplification. Promova marcas estratégias sem reescrever os dados do produto.

   {
     "_id": "68e43c6865c4a374ea78b4b0",
     "storeId": "store-015",
     "brandName": "Teamonk",
     "categories": ["Beverages", "Gourmet & World Food"],
     "boostLevel": 1,
     "effectiveFrom": "2025-10-01",
     "effectiveTo": "2025-10-31"
   }

3. Indexação

   Crie índices nos seus campos de query mais comuns. Consulte a seção "Construa a solução" para obter detalhes. Monitore e ajuste o uso do índice à medida que você escala.

Fluxo de arquitetura

Visualize o diagrama de arquitetura para entender como a solução de amplificação de marca opera.

figura 2. A arquitetura ilustra como o ODL do MongoDB integra o aplicação Leafy Associado, o microsserviço de pesquisa avançada e as incorporações Voyage AI. Ele executa pesquisas de texto completo, vetoriais e híbridas em um único pipeline de agregação, combinando configuração de marca em tempo real e intenção do cliente em uma plataforma de dados unificada e moderna.

0. Siloed data

Os dados operacionais geralmente residem em silos, como ponto de venda (POS), planejamento de recursos empresariais (ERP) e marketing. Unifique-o para oferecer experiências consistentes em tempo real.

1. Armazene dados unificados na camada de dados operacionais (ODL) do MongoDB

O ODL usa todo o poder do modelo de documento flexível do MongoDB para armazenar dados estruturados, semiestruturados e não estruturados juntos em um só lugar.

A plataforma de dados moderna oferece desempenho, escalabilidade horizontal e recursos avançados. Ele permite integração rápida, query de baixa latência e operações em tempo real em escala.

Essa abordagem unificada mantém todos os sistemas – do e-commerce aos aplicativos de armazenamento – executados com base nas mesmas informações confiáveis e atualizadas.

2. O associado da loja insere uma query de pesquisa

O associado da loja usa o aplicação Leafy Associado para inserir uma query. Eles selecionam texto completo (Atlas Search), intenção (Vector Search) ou híbrido ( fusão de classificação ou fusão de pontuação ).

Em paralelo: configuração da amplificação da marca em tempo real

Os gerentes de loja e o pessoal autorizado usam o aplicação Leafy Associate para criar regras de impulso por loja na coleção brandAmplification, para uso de backend.

Ao configurar a amplificação da marca, eles podem observar em tempo real os metadados que mostram o número de produtos e quantos deles estão em cada categoria. Esta informação vem do estágio do pipeline $searchMeta.

3. e 4. O associado leafy cria a solicitação de API

O aplicação Leafy Associado compõe uma solicitação de pesquisa com contexto completo. Ele cria parâmetros de tempo de execução diretamente no front-end e recupera a configuração de marca ativa dessa loja do MongoDB. Envie a solicitação para o microsserviço Advanced Search.

POST /api/v2/search
{ "query": "green tea skin care",
  "storeObjectId": "684aa28064ff7c785a568aca",
  "option": 4,
  "page": 1,
  "page_size": 20,
  "weightVector": 0.5,
  "weightText": 0.5,
  "fusionMode": "rrf",// you can also use "scoreFusion"
   "brandAmplification": [
    { "name": "Innisfree", "boostLevel": 1 },
    { "name": "Olay", "boostLevel": 2, "categories": ["Face Care", "Skincare"] },
    { "name": "The Body Shop", "boostLevel": 3 }
  ]
}

5. Serviço de incorporações com Voyage AI

Quando o tipo de pesquisa é vetorial ou híbrida, o microsserviço gera incorporações de query do cliente com o Voyage AI.

6. e 7. O microsserviço de Pesquisa Avançada cria o pipeline de agregação

O microsserviço Advanced Search cria o agregação pipeline no tempo de execução e o executa no MongoDB. O microsserviço usa um único pipeline e uma única viagem de ida e volta para melhorar o desempenho e a eficiência.

Para relevância de texto usando $search, o pipeline aplica uma estrutura composta que combina must shouldcláusulas, e filter com correspondência difusa e aumentos de campo para refinar os resultados.

Para intenção semântica usando $vectorSearch, o pipeline compara a query do cliente com incorporações pré-computadas de dados do produto.

Na pesquisa híbrida, o microsserviço funde resultados de texto e vetor usando $rankFusion, que aplica fusão de classificação recíproca (RRF) baseada em classificação, ou $scoreFusion, que combina pontuações normalizadas com pesos ajustáveis no tempo de execução.

A extensão da marca melhora a relevância do resultado por meio de dois caminhos complementares:

1. Impulsionamento do texto antes da fusão (dentro de $search)

   Injetar regras como compostas. should cláusulas score com. impulso para cada marca e categoria (opcional).

2. Multiplicativa pós- fusão usando $set + $multiplicar

O microsserviço preserva o contexto da loja sem mesclar outras coleções usando $lookup, filtrando diretamente no topo Products.inventorySummary[] com $filter. Finalmente, ele produz uma resposta pronta para a interface do usuário com $ faceta e retorna os documentos resultantes e a contagem total.

8. Confiabilidade, escalabilidade, segurança e consistência em tempo real

O MongoDB mantém a alta disponibilidade com conjuntos de réplicas e escala horizontalmente com o sharding.Use nós de pesquisa dedicados para leituras de baixa latência. Mantenha os dados consistentes em tempo real com Change Streams e Atlas Triggers. O MongoDB oferece segurança abrangente ede ponta a ponta por meio do controle de acesso integrado, do isolamento da rede e da criptografia de dados em repouso, em trânsito e em uso.