Orquestre análise em tempo real com Atlas App Services e funções serverless para criar estratégias de preços dinâmicas em tempo real.
Casos de uso: Análise, gerenciamento de catálogo, personalização
Setores: Varejo
Produtos: Pipeline de agregação, Atlas Triggers, Atlas Functions, Atlas Charts
Parceiros: Databhards
Visão Geral da Solução
Implantar soluções de análise em tempo real com a pilha de tecnologia certa pode transformar uma estratégia de preços de varejo. Os varejistas desejam expandir sua marca e melhorar a experiência do cliente com preços baseados em valor, ao mesmo tempo em que permanecem competitivos e econômicos.
Com estratégias de preços em tempo real, as empresas podem alterar os preços dos produtos dinamicamente – tanto on-line quanto na loja por meio de tags de preços digitais – aproveitando pontos de dados em uma ampla variedade de sistemas, como estoque, desempenho de marketing e até mesmo regionais e digitais. tendências. Imagine reduzir dinamicamente os preços em resposta ao excesso de estoque ou novas promoções, ou aumentar o preço de algo que está em alta, sem intervenção manual.
Apesar da sua ambição de se tornarem operações “orientadas por dados”, as empresas muitas vezes falham nos seus esforços porque têm dificuldade em realizar análise em tempo real.
Ao final desta demonstração, você terá uma visão detalhada de como aproveitar o MongoDB Atlas App Services, além dos recursos de construção e implantação de modelos do Databricks para alimentar estratégias baseadas em dados com dados de eventos em tempo real.
Outras indústrias e casos de uso aplicáveis
Transporte: empresas de transporte, como companhias aéreas, táxis e serviços de transporte compartilhado, podem usar preços em tempo real para ajustar tarifas com base em fatores como demanda, oferta e eventos externos. Isso lhes permite otimizar a receita e gerenciar a demanda de passageiros durante horários de pico ou ocasiões especiais.
Telecomunicações: as empresas de telecomunicações podem utilizar preços em tempo real para planos de dados, chamadas internacionais e tarifas de roaming. Elas podem ajustar os preços com base na capacidade e na demanda da rede para gerenciar o tráfego e garantir níveis de serviço ideais.
Seguros: as seguradoras podem implementar preços em tempo real baseados no uso para produtos de seguros, como pagamento conforme a quilometragem ou conforme o estilo de vida. Os prêmios podem ser ajustados com base no comportamento real do cliente ou em fatores de risco.
Arquiteturas de referência
Figura 1. Arquitetura de referência de preços dinâmicos
Abordagem do modelo de dados
A arquitetura orientada a eventos é muito simples. Ela é composta por apenas quatro eventos que o usuário pode realizar no site de e-commerce:
event_type | Descrição |
|---|---|
"exibição" | Um cliente visualiza um produto na página de detalhes do produto. |
"cart" | Um cliente adiciona um produto ao carrinho. |
"remove_from_cart" | Um cliente remove um produto do carrinho. |
"compra" | Um cliente realiza uma transação de um produto específico. |
Esquema de evento
{ "_id": { "$oid": "63c557ddcc552f591375062d" }, "event_time": { "$date": { "$numberLong": "1572566410000" } }, "event_type": "view", "product_id": "5837166", "category_id": "1783999064103190764", "brand": "pnb", "price": 22.22, "user_id": "556138645", "user_session": "57ed222e-a54a-4907-9944-5a875c2d7f4f" }
Log de compras
{ "_id": { "$numberInt": "5837183" }, "product_id": { "$numberInt": "5837183" }, "event_time": [ "2023-05-17" ], "price": [ { "$numberDouble": "6.4" } ], "brand": [ "runail" ], "category_code": [], "total_sales": [ { "$numberLong": "101" } ], "revenue": [ { "$numberDouble": "646.4000000000001" } ] “price_elasticity”: [ { “$numberDouble”:”-20.667872769488664” } ] }
Construindo a Solução
Siga este guia passo a passo e aprenda a orquestrar o MongoDB Atlas usando acionadores do MongoDB App Services e funções sem servidor em conjunto com o Databricks para criar uma solução de análise e precificação em tempo real para o setor de varejo.
Ingestão de dados
O repositório do GitHub contém o diretório eventsGenerator, onde você encontra o arquivo generator.py. Edite o arquivo com a string de conexão, o banco de dados e os parâmetros coleção para imitar os eventos de compra que acontecem em uma loja de comércio eletrônico em tempo real.
Transformações de dados
Neste diretório do Github, você encontrará instruções sobre como usar triggers e funções para:
Calcule um log histórico de compras por produto em sua coleção.
Envie uma solicitação HTTP POST para um ponto de extremidade implantado no Databricks.
Aprendizado de máquina/IA
Nesta pasta do GitHub, você encontra um código de teste para executar em um notebook Databricks. O código faz um cálculo simples da elasticidade do preço da demanda por produto com o log de compras por produto como entrada e a elasticidade do preço como saída.
Principais Aprendizados
Transformação de dados: reconhecer a importância de transformar dados brutos em um formato ou estrutura mais útil. Neste projeto, triggers e funções são usados para calcular um log histórico de compras e enviar dados para sistemas externos como o Databricks.
Arquitetura sem servidor: obtenha insights sobre os benefícios e o funcionamento das funções e dos triggers sem servidor, que podem responder automaticamente às alterações nos dados e executar ações predefinidas sem a necessidade de um servidor dedicado.
Processamento de dados em tempo real: compreender a importância e os mecanismos de processamento de dados em tempo real, especialmente no contexto do setor de varejo, onde insights oportunos podem impulsionar ações imediatas, como preços dinâmicos.