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 dadossólida.

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

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

• inventory: Níveis de ações, dados de ações, 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 da marca e dimensionar de forma confiável.

1. Identifique a carga 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 armazenar 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 ações nesta armazenar no momento. (50 armazenar)	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. Pesquisa 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	Impulsionamentos de marca no nível da loja aplicados no momento da classificação; nenhuma atualizações do produto necessária
   Atualizar inventário ativo e métricas preditivas (ingerir)	Escrever	inventory	~700k/dia	CRÍTICO	Visão única dos sistemas de estoque de registro (lojas 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

   As cargas 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 Associate e e-commerce e afeta o custo das operações de gravação em sistemas de inventário.

   Otimizar consultas

   Para melhorar a descoberta de produtos na loja, incorpore inventorySummary[] 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 coleção products.

   { "_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 referencie o produto. Armazene um documento por produto para manter uma exibição única em canais e lojas, e atualize as ações em um só lugar. O seguinte trecho de código mostra um documento de exemplo na coleção inventory.

   { "_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 armazenar próximas com ações disponíveis, salve as coordenadas da armazenar em um ponto GeoJSON para executar queries geoespaciais. O seguinte trecho de código mostra um documento de exemplo na coleção stores.

   {
     "_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 dimensiona.

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 aplicativo Leafy Associate, o microsserviço de pesquisa avançada e as incorporações Voyage IA. 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 funcionalidades avançadas. Ele permite integração rápida, queries de baixa latência e operações em tempo real dimensionadas.

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

2. O associado da loja insere uma query de pesquisa

O associado do armazenar usa o aplicativo Leafy Associate para inserir uma query. Eles selecionam texto completo (MongoDB Atlas Search), intenção (pesquisa vetorial), 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 aplicativo 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 aplicativo 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 Pesquisa Avançada.

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 IA

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

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

O microsserviço Advanced Search cria o pipeline de agregação 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 cláusulas must, should 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 com score. impulso para cada marca e categoria (opcional).

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

O microsserviço preserva o contexto de armazenar sem mesclar outras coleções usando $lookup filtrando diretamente no topo Products.inventorySummary[] com $filtro. Finalmente, ele produz uma resposta pronta para a IU com $facet, e retorna os documentos resultantes e a contagem total.

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

O MongoDB mantém alta disponibilidade com conjuntos de réplicas e dimensiona horizontalmente com a fragmentação. 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 e de 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.