Retenção de clientes em tempo real com o MongoDB Atlas

Visão Geral da Solução

A retenção de clientes refere-se à capacidade de uma organização de manter os clientes que compram seus produtos e de mudar para outros fornecedores. Melhore a retenção para gerar sucesso a longo prazo no varejo. Aumentar a retenção em 5% pode aumentar os rendimentos em 25% a 95%. Reter clientes custa muito menos do que adquirir novos. Plataformas de comércio atuais geram grandes volumes de dados comportamentais. Os clientes criam esses dados por meio de pesquisas, visualizações de produtos, ações de carro e atividade de navegação.

A maioria dos revendedores armazena esses dados em Sistemas de Registro e os analisa posteriormente por meio de pipelines em lote. Por isso, eles React somente após o término da sessão. Horas depois, eles:

• Enviar e-mails de Carrego Abanando.

• Comece a redirecionar pesquisas.

• Revise os painéis.

A essa altura, o cliente já foi embora e você perde a oportunidade de influenciar a compra. Responda enquanto o cliente ainda está ativo. Mude de um sistema de registro para um sistema de ação. Detecte sinais comportamentais durante a sessão e React em tempo real.

figura 1. Processamento em lote versus processamento de fluxo: dados armazenados analisados posteriormente versus eventos analisados em tempo real.

Use o MongoDB Atlas e o Atlas Stream Processing para criar pipelines comportamentais em tempo real. Esses pipelines processam eventos de cliques à medida que ocorrem e convertem eventos brutos em contexto de ação. Com essas ferramentas, você pode:

• Crie uma memória de sessão ao vivo que capture o contexto comportamental atual.

• Detecte sinais comportamentais a partir de padrões de interação quase em tempo real.

• Trigger agente Próximas melhores ações (NBA) que orientam o cliente em direção à conversão.

• React aos sinais comportamentais por meio do MongoDB Change Streams.

• Combine memória de sessão, dados de cliente e políticas de negócios em uma camada de dados de inteligência unificada do MongoDB.

Ao usar o Atlas Stream Processing, com a conhecida MongoDB Query API (MQL) e o Aggregation Framework na mesma plataforma, você evita a rigidez do processamento de fluxo baseado em SQL. Ao usar o flexível MongoDB document model, você pode representar o contexto da sessão em constante mudança. Um único documento de sessão captura o comportamento histórico e o snapshot de atividades mais recente, o que permite a análise comportamental quase em tempo real.

Simplifique sua arquitetura processando fluxos diretamente no MongoDB, em vez de gerenciar a infraestrutura de streaming separada, e forneça aplicativos orientados a eventos com mais rapidez.

figura 2. Realize estes três princípios fundamentais com o Atlas Stream Processing

Você pode detectar padrões comportamentais em tempo real para melhorar a retenção de cliente, como:

• Intenção de compra

• Atrito de pesquisa

• Risco de descarte

Responda imediatamente quando esses sinais aparecerem. Trigger ações direcionadas, como:

• Recomendações de produtos personalizadas

• Notificações contextuais de prova social

• Ofertas relacionadas ao envio

figura 3. Dispare o trigger de próximas melhores ações em tempo real com base no comportamento do usuário ao vivo que aumentam a probabilidade de conversão.

Aja enquanto a sessão do cliente estiver ativa para:

• Aumente as taxas de conversão.

• Melhore o valor da vida útil do cliente.

• Construa fidelidade a longo prazo.

Crie um sistema de retenção de cliente em tempo real com base no MongoDB Atlas.

Arquiteturas de referência

Visão geral da arquitetura de retenção do cliente com Atlas Stream Processing e MongoDB Atlas

Para implementar essa solução, é necessário entender o fluxo de dados, os estágios de processamento de evento e os principais componentes da arquitetura:

figura 4. Mecanismo de retenção de clientes, desenvolvido pelo MongoDB Atlas

1. Camada de ingestão de eventos

   No seu aplicativo de e-commerce, as interações com cliente geram um fluxo de evento em tempo real. Você pode usar este aplicativo para:

   • Emita um evento de pulsação a cada 10 segundos para sinalizar que a sessão do cliente permanece ativa.

   • Capture ações do cliente , como pesquisar, visualizações de produtos, adicionar ao carro e sair pairamonte.

   Nesta solução de demonstração, você transmite eventos para uma coleção MongoDB . Change Streams expõem cada documento como um novo evento, criando uma fonte de evento em tempo real que alimenta a camada de Stream Processing.

   Você também pode consumir esses fluxos de plataformas como Apache Kafka, Google Cloud Pub/Sub, Azure Event Hubs ou AWS Kinesis como fonte para o Atlas Stream Processing sem armazenar os eventos no MongoDB Atlas.

2. Atlas Stream Processing

   O Atlas Stream Processing é usado para processar dados conforme eles chegam. Isso permite que você:

   • Conecte ao fluxo de dados utilizando o operador $source.

   • Use vários processadores de fluxo para tarefas diferentes, como criar o estado da sessão e detectar padrões de sinais comportamentais.

   • Gere sinais comportamentais, como alta intenção de compra, conflito de pesquisa e risco de saída.

3. Coletores de dados

   O operador $merge é usado para enviar dados processados para um destino. Nesta solução:

   • Os processadores de stream gravam o estado da sessão no MongoDB para atuar como memória de sessão live para a camada de decisão do agente.

   • O Atlas Stream Processing grava sinais comportamentais derivados de eventos processados no MongoDB.

   • Os MongoDB Change Streams expõem esses sinais para trigger a camada Agentic da liga principal de retenção de cliente.

   O operador $merge também pode enviar resultados para Apache Kafka, AWS S3 ou funções externas.

4. Agente

   Implante um agente de IA para ler sinais comportamentais e calcular uma DBN como:

   • Recomendações de produtos personalizadas

   • Notificações contextuais de prova social

   • Ofertas relacionadas ao envio

   O agente atua como a camada de decisão. Pode ser implementado como um agente simples ou avançado . Essa solução usa um agente determinístico que combina o Model Context Protocol (MCP), a pesquisa vetorial, os modelos de incorporação do Voyage IA e os modelos de linguagem grandes (LLMs). Essas ferramentas avaliam o contexto e geram a melhor forma de manter os consumidores ativos envolvidos.

5. MongoDB Atlas

   Use o MongoDB Atlas como a camada de contexto comercial e do cliente . O agente lê dados operacionais e histórico do cliente do Atlas para contexto. O agente avalia esses dados e grava a liga em uma coleção MongoDB .

   O Atlas simplifica a integração de dados em todo o ecossistema de agente com segurança e escala. Isso permite que os dados operacionais coexistam com as incorporações de catálogos, preferências do cliente e outros casos de uso de pesquisa vetorial.

6. Experiência em Tempo Real

   Exiba a liga do consumidor em tempo real na tela do cliente . O aplicativo de e-commerce usa o Change Streams para monitorar a coleção da liga. Em seguida, o aplicativo exibe notificações direcionadas para o consumidor ativo. Exemplos incluem:

   • Demitir ícones em produtos estratégicos

   • Mensagens de prova social como notificações ou dentro da lista do carro

   • Recomendações em instantâneo ou notificações de desconto como pop-ups

Detecção de sinal de comportamento com Atlas Stream Processing

Cada visualização de produto, pesquisa ou ação de carro contém um traço de intenção, embora os eventos brutos geralmente sejam ruidosos. Utilize o Atlas Stream Processing para transformar estes eventos em um contexto de sessão claro.

Mantenha esse contexto atualizado em tempo real. Use-o para acompanhar o comportamento durante a sessão e detectar padrões importantes. Forneça à camada de decisão acesso rápido a esse contexto em um formato fácil de query, explicar e agir. Nessa arquitetura, o Atlas Stream Processing executa essa função.

figura 5. Detecção de sinais comportamentais com Atlas Stream Processing

O ASP #1 transforma continuamente o fluxo de cliques (1) (2) em um único documento session_state por sessão ativa, combinando a memória da sessão com o mais recente snapshot comportamental de 10segundos (4). O ASP #2 lê essa nova fonte de eventos (5) para detectar sinais comportamentais de nível mais alto e afundá-los em session_signals (7). Ambos armazenam dados processados no MongoDB, enquanto eventos inválidos são roteados para coleções DLQ (3) (6) para depuração e solução de problemas.

Atlas Stream Processing No.1: Construa um estado de sessão ao vivo

Crie um estado de sessão ao vivo para cada sessão de cliente . Use este estado de sessão para dois fins:

1. Criar memória de sessão: Crie a memória de sessão que os sistemas downstream exigem. Mantenha um documento processado por sessão e atualize-o a cada 10 segundos. Armazene o contexto essencial da sessão, como primeira atividade, última atividade, contagens de interação, comportamento recente e histórico de pesquisa.

2. Interpretar intenção: Go além do armazenamento de atividades interpretando-a por meio de um modelo de intenção personalizado para seu domínio.

Nesta demonstração, agrupe eventos recentes de cliente a cada 10 segundos para criar uma visualização estruturada do comportamento. Use essa visualização para acompanhar onde o cliente coloca a atenção e como essa atenção muda ao longo do tempo.

Defina o modelo de intenção com três conceitos:

• Dimensão: a objectiva comportamental para cada interação. Um evento de produto identifica um produto específico e um contexto mais amplo, como articleType e brand. Isso permite que você leia a intenção em vários níveis para cada evento. Um cliente pode explorar vários produtos enquanto permanece focado no mesmo tipo de "dimensão", como um artigoType.

• Ponderação: a força do sinal de interação. Nem todas as ações têm o mesmo significado.

  Nesta demonstração, os pesos são:

  • view-product = 3

  • adicionar ao carro = 7

  Para cada item em uma dimensão, calcule o peso da seguinte maneira:

  Weight(item) = soma dos pesos do evento para esse item na janela de 10segundos

  Exemplo:

  Se o cliente visualizar um produto 'X' (P1) duas vezes e adicionar P1 ao carro uma vez, e o artigoType for "sapatos", então:

  Massa(P1) = 3 + 3 + 7 = 13

  peso(sapatos) = 3 + 3 + 7 = 13

  Este cálculo indica um forte interesse tanto no produto específico quanto em “sapatos”.

• Foco: use o foco para medir a concentração de atenção do cliente dentro de uma dimensão.

  Para cada item em uma dimensão, calcule:

  Focus(item) = peso(item) / peso total dessa dimensão na mesma janela

  Exemplo:

  Se P1 for o único produto com o qual o cliente interage nessa janela, então:

  Focus(P1) = 13 / 13 = 1.0

  Isso significa que o cliente está totalmente focado em um produto.

  Se o cliente interagir com dois produtos na mesma janela, e cada produto pertencer a um artigoType diferente, então:

  • visualizações do produto P1, onde artigoType = xampu → peso (xampu) = 3

  • vê o produto P2 e adiciona o produto P2 ao carro, onde artigoType = Condicionador → Peso(Condicionador) = 3+7 = 10

  Então:

  peso total( ArticleType) = 3 + 10 = 13

  So:

  Focus(Shampoo) = 3 / 13 = 0.23

  Focus(Conditioner) = 10 / 13 = 0.77

  Isso significa que a atenção do cliente está distribuída em vários itens na dimensão artigoType, mas com um foco mais forte em Condicionador.

Use este modelo para acompanhar estas variáveis ao longo do tempo. Cada snapshot de 10segundos se torna uma entrada comportamental estruturada para o Atlas Stream Processing No.2, que avalia padrões de nível mais alto ao longo do tempo. Isso ajuda você a determinar se o cliente é:

• Focado em um item, categoria ou marca específica

• Exploração ampla

• Exibindo intenção clara ou incerta

Construa este estado de sessão com funcionalidades nativas do Atlas Stream Processing :

• Utilize $source para ler eventos de events_ingest e preservar o tempo de evento para janela.

• Utilize $validate para forçar o contrato de evento e enviar eventos inválidos para events_ingest_dlq.

• Use $tblingWindow com um intervalo de tempo de evento de 10segundos para criar um quadro de processamento estável por sessão.

• Use $group para recolher vários eventos brutos em um snapshot por sessão para cada janela.

• Utilize $addFields e $switch para atribuir um peso a cada interação.

• Use $function para calcular o modelo de intenção de peso e foco para cada dimensão. Você processa os eventos em cada janela de queda com lógica JavaScript, usando contadores e aritmética para gerar um snapshot estruturado do comportamento da sessão a cada 10 segundos. Isso cria um novo conjunto de dados que o Atlas Stream Processing No. 2 consome na próxima etapa.

• Use $merge para upsert o resultado para session_state e manter um documento ativo por sessão com o snapshot mais recente e a memória de sessão acumulada.

Atlas Stream Processing No. 2: detecta padrões de comportamento ao longo do tempo

Leia os snapshots de sessão estruturados de session_state em vez de eventos de fluxo de cliques brutos. Isso fornece uma camada comportamental processada e sensível ao tempo para avaliação.

Nesta demonstração, o Atlas Stream Processing No.2 utiliza três processadores de stream. Cada processador detecta um tipo de sinal:

• high-intent

• search-friction

• exit-risk

Todos os três processadores seguem o mesmo padrão:

• ler snapshots de sessão de session_state

• avaliar o comportamento em janelas de 30segundos

• gravar documentos de sinal somente de inserção em session_signals

Este design mantém o pipeline simples e modular. Cada processador usa o mesmo padrão de origem e coletor, mas aplica regras diferentes para detectar sinais comportamentais. Use esses sinais como checkpoints comportamentais. Cada uma captura mudanças significativas no comportamento da sessão, como:

• Convergência do produto

• Exploração não resolvida

• Intenção de sair.

Mantenha os sinais esparsos, com limite de tempo e explicáveis. Isso permite que a camada de decisão reaja somente quando algo relevante acontecer, em vez de processar cada evento bruto.

O número de Atlas Stream Processing .2 não decide a próxima ação. Ele constrói a camada de sinal comportamental que o sistema de decisão usa para raciocinar e agir em tempo real.

figura 6. Criando uma camada unificada de dados de inteligência para agentes de IA

O próximo melhor agente de ação é executado em uma camada de dados de inteligência unificada no MongoDB. It reacts to behavioral signals (1) through Change Streams, takes live context from session_state (2.a), and combines it with business and semantic context armazenado in MongoDB, such as user profile, catalog, promotions, rules, embeddings, and MongoDB Vector Search (2.b). O agente calcula e armazena a próxima melhor ação em tempo real (3), que o aplicativo de comércio eletrônico consome por meio de Change Streams e exibe durante a sessão ao vivo para fins de retenção de cliente (4).

Ao armazenar o estado da sessão, os sinais comportamentais e os resultados da decisão no MongoDB, você fornece ao agente uma camada unificada de dados de inteligência. O agente pode ler novos contextos comportamentais e sinais históricos para essa sessão. Em seguida, ele combina esses dados com perfil, catálogo, ações e regras de negócios para gravar de volta a liga na mesma plataforma operacional. Isso mantém a arquitetura simples, reduz a movimentação de dados e dá ao agente acesso rápido ao contexto de que ele precisa para agir em tempo real de forma segura e dimensionável.

Abordagem do modelo de dados

O MongoDB fornece um document model flexível para arquiteturas em tempo real. Armazene diversos eventos de cliente com diferentes esquemas em uma única coleção. Atualize seu esquema à medida que a lógica de negócios envolve.

O document model lida com estruturas complexas, como arrays e subdocumentos. Use essas estruturas para criar uma memória de sessão compacta e consultável. Esse design fornece contexto imediato para agentes de IA que não têm participações em banco de dados . Use índices de tempo de vida (TTL) para eliminar scripts manuais de limpeza de dados.

Esta solução utiliza quatro coleções principais:

• event_ingest: Armazena eventos de dados brutos de curta duração. Ele atua como a principal fonte para os pipelines de streaming.

• session_state: Armazena o contexto operacional ao vivo por sessão e obtém atualizações aproximadamente a cada 10 segundos.

• session_signals: Armazena sinais de comportamento interpretáveis. O Atlas Stream Processing gera um documento por sinal detectado.

• Next_best_actions: Armazena o contrato de ação final para a interface de e-commerce.

1. Ingestão bruta de eventos (events_ingest)

   O aplicativo de comércio eletrônico transmite eventos brutos para a coleção events_ingest. Cada evento segue uma estrutura comum que contém carimbo de data/hora, tags e metadados. O campo de evento identifica o tipo de evento , enquanto a seção de metadados armazena atributos específicos do evento. Esse design polimórfico permite que diferentes tipos de evento coexistam na mesma coleção sem impor um esquema rígido. Use um índice TTL curto para gerenciar esses dados efêmeros.

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

2. Estado da sessão materializada (session_state)

   O documento do estado da sessão representa uma única fonte ativa da verdade por sessão. O Atlas Stream Processing no. 1 atualiza este documento a cada 10 segundos. Isso cria um contexto compacto que serve como fonte para o Atlas Stream Processing No. 2 e como contexto ativo e de curto prazo para a tomada de decisões do agente na sessão ativa.

   O documento separa a atividade cumulativa (sessionTotals) da atividade recente da microjanela (last10s). Acompanhe as contagens de evento , pesquisas recentes e atualizações do Carry. Calcule as pontuações de preferência do item usando um modelo de interação ponderado. Este modelo mede a intensidade do interesse e a direção do foco.

   {
     "_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. Diagnóstico aplicável (session_signals)

   O Atlas Stream Processing No.2 avalia o estado da sessão a cada 30 segundos, identifica padrões de comportamento e gera sinais. Use um documento por sinal em vez de uma array de sinais dentro do documento da sessão . Essa abordagem somente de inserção evita a amplificação de gravações e evita documentos quentes durante picos de alto tráfego no varejo.

   A solução se concentra em três sinais comportamentais principais que representam momentos de retenção de alto impacto na maioria das viagens de comércio eletrônico.

   • Alta intenção: o cliente está considerando ativamente uma compra e mostrando fortes sinais de intenção (como foco repetido no produto, progresso do carro, interesse focado). Este é o momento ideal para reduzir dúvidas e acelerar a conversão por meio de segurança, orientação sobre o produto, disponibilidade e clareza na entrega.

   • Risco de saída: o cliente provavelmente sairá sem converter, geralmente após um engajamento significativo ou uma atividade de carro. Esta é a última chance de manter a sessão, recuperar o carro, preservar a intenção ou fornecer assistência imediata.

   • Atrito na pesquisa: o cliente está pesquisando e navegando repetidamente sem melhorar — sugerindo dificuldade em encontrar uma correspondência ou aumento da preocupação. Essa é uma das oportunidades de maior valor para intervir logo no início, antes que o cliente abandone a sessão devido a esgotamento ou preocupação.

   A seguir, um documento de exemplo de um sinal de atalho de pesquisa:

   {
     "_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"
   }

Construir a solução

Para reproduzir esta demonstração em seu próprio ambiente, siga estas etapas.

Principais Aprendizados

• Retenha clientes em tempo real: com o Atlas Stream Processing, você pode processar eventos de sequência de cliques para trigger as próximas melhores ações durante sessões ativas. Isso permite que os revendedores passem do controle reativo de danos para a intervenção proativa no momento.

• Simplifique sua arquitetura de dados: com o document model do MongoDB, você pode armazenar eventos de fluxo de cliques brutos, estados de sessão e sinais de comportamento em uma única plataforma. Evite extrair, transformar e carregar pipelines e limpeza manual usando índices TTL e coleções flexíveis.

• Crie uma Next Melhor ação do Agentic no topo de uma camada de dados de inteligência no MongoDB: Conecte os agentes de IA diretamente ao contexto da sessão ao vivo e aos dados operacionais no MongoDB. Enriqueça as próximas melhores ações com funcionalidades de IA, como o Vector Search, para oferecer experiências personalizadas.

Autores

• Angie Guemes, MongoDB

• Florencia Arin, MongoDB

• Ricardo Leal, MongoDB

• Daniel Jamir, MongoDB

Saiba mais

• Aumentando a retenção de clientes com o MongoDB

• MongoDB para inovação no varejo