Unified Commerce com Pesquisa Inteligente

Visão Geral da Solução

A ativação de dados é um desafio em muitos setores. O Unified Commerce combina dados de vários canais em uma camada operacional para fornecer informações precisas e acessíveis a equipes internas e aplicativos de cliente .

figura 1. Estratégia comercial unificada

Com essa solução, você pode criar um aplicação de associado da loja com o MongoDB como o ODL para uma estratégia de Unified Commerce. Essa solução oferece melhores experiências ao cliente e permite visibilidade de inventário, pesquisa avançada e queries geoespaciais.

Para obter esses benefícios, primeiro você precisa primeiro quebrar os sistemas em silos.

Uma base de dados sólida para preencher lacunas

Um ODL combina dados de sistemas existentes, como estoque, pedidos e perfis de cliente, e os disponibiliza em uma camada unificada. O MongoDB Atlas serve como ODL. Seu modelo de documento flexível lida com estruturas de dados diversas e complexas de diferentes sistemas e desenvolve-se à medida que os negócios mudam. Essa capacidade unifica dados sem esquemas rígidos ou transformações complexas.

O armazenamento de seus dados no MongoDB impulsiona a novidade das seguintes maneiras:

• Recursos integrados de pesquisa e IA: Os recursos nativos de pesquisa híbrida, vetorial e de texto completo permitem a novidade interna, como a descoberta inteligente de produtos e as recomendações personalizadas. Essa base de dados também alimenta os assistentes baseados em RAG, LLM e sistemas multiagentes.

• A pilha de tecnologia é simplificada: o MongoDB armazena dados operacionais e incorporações de vetor em um único local, reduzindo a complexidade e eliminando FERRAMENTAS de finalidade única, como bancos de dados de vetor ou mecanismos de pesquisa.

• Acesso em tempo real a dados unificados: os aplicativos podem se conectar facilmente ao MongoDB Atlas para consumir dados sincronizados em tempo real para os associados da loja.

figura 2. As três camadas em cada aplicação

Abordagem do modelo de dados

Os ambientes de varejo são dinâmicos, com detalhes do produto e estoque mudando constantemente. O modelo de documento flexível do MongoDB gerencia facilmente as configurações da loja, incluindo dados geoespaciais, de séries temporais e hierárquicos. Isso cria uma base sólida para o comércio unificado.

figura 3. Fundamentos do ODL: modelo flexível, sincronização ao vivo, pesquisa inteligente

Esta solução equilibra simplicidade e desempenho, permitindo modelar dados operacionais e de pesquisa para casos de uso no varejo. Veja como os dados são modelados:

• Uma coleção canônica de inventory rastreia dados de estoque em tempo real para cada produto nas lojas, otimizado para gravações de alta frequência.

• Uma collection de products otimizada para leitura incorpora um array de inventorySummary leve com disponibilidade em nível de armazenamento. Isso é ideal para filtragem rápida, renderização de interface do usuário e consultas de pesquisa.

• Uma sincronização baseada em triggers mantém os resumos de inventário atualizados em tempo real, usando o MongoDB Atlas Triggers.

figura 4. Esquema do produto: texto, metadados e vetores

Este esquema é validado para desempenho no 50intervalo de armazenamento. Para cenários de escala maior, você pode adaptar o modelo da seguinte maneira:

• Buscar inventário em nível de armazenamento dinamicamente como parte da query.

• Reestruture caminhos de escrita e leitura com outras estratégias de modelagem.

Arquitetura de referência

Esta demonstração usa um aplicação principal no Next.js e um microsserviço de pesquisa avançada dedicado. A demonstração contém os seguintes componentes:

• MongoDB Atlas: centraliza todos os dados, permite a sincronização em tempo real e fornece a infraestrutura para desempenho, disponibilidade e segurança.

• aplicação principal com Next.js: aplicativo completo que lida com a UI e a query geoespacial para encontrar lojas próximas com estoque disponível.

• Microsserviço de pesquisa avançada com FastAPI: um backend dedicado que lida com todos os tipos de pesquisa, como texto, semântica e híbrida, e coordena a incorporação de consultas.

• Fornecedor de incorporação com Voyage AI: gera incorporações vetoriais para pesquisa semântica.

figura 5. Por trás da demonstração: Diagrama do sistema do aplicativo associado da loja com MongoDB e Voyage AI

Em particular, o microsserviço de pesquisa avançada torna a lógica de demonstração mais clara e adaptável. Esta configuração oferece os seguintes benefícios:

• Design em camadas: essa solução usa um microsserviço composto por interfaces para a API, um aplicação para a lógica de negócios e infraestrutura para integração com o MongoDB e a Voyage AI. Essa estrutura mantém a modularidade da base de código, facilitando o teste, o dimensionamento e a readaptação. Você também pode substituir serviços externos, como mudar da Voyage AI para a Cama de Rock, atualizando apenas a camada de infraestrutura.

• Flexibilidade de IA: a capacidade de alternar entre fornecedores, como a Voyage AI ou a ReadRock, usando um adaptador.

• Compatibilidade multicanal: uma única API compatível com todas as plataformas frontend, incluindo web, dispositivos móveis e chatbots, colocando canais online com o mínimo esforço.

Pesquisar recursos de microsserviço

O microsserviço de pesquisa fornece uma API unificada para lidar com vários mecanismos de recuperação, incluindo:

• Pesquisa Regex: correspondência de padrões básicos usada como linha de base para comparação com os recursos avançados de pesquisa do MongoDB.

• Pesquisa de texto completo: usa o Atlas Search para correspondências difusas, campos aprimorados e filtragem em nível de armazenamento.

• Pesquisa vetorial semântica: encontra produtos conceitualmente semelhantes usando incorporações Voyage AI.

• Pesquisa híbrida: combina resultados de texto e vetor usando RRF. Ajusta o peso do texto e a relevância semântica com base no contexto da pesquisa.

figura 6. Detalhamento da estratégia de pesquisa: texto, vetores e pesquisa híbrida

Você pode aprender como usar a estrutura de agregação para personalizar os recursos de pesquisa analisando esses arquivos.

Com o MongoDB, você unifica os recursos de pesquisa em uma plataforma, combinando precisão, compreensão semântica e dados em tempo real. Como resultado, você atende os consumidores com mais rapidez, capacita as equipes das lojas e faz escalabilidade em todos os canais.

Construir a solução

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

git clone https://github.com/mongodb-industry-solutions/retail-unified-commerce.git

cd retail-unified-commerce/docs/setup/collections

VOYAGE_API_KEY=your_voyage_api_key

make build

Principais Aprendizados

• O comércio unificado gera confiança na loja: o MongoDB permite o acesso em tempo real ao status das estantes, à localização do estoque e aos dados de reposição. Ao combinar pesquisa inteligente com visibilidade entre canais, você dá aos associados da loja as FERRAMENTAS para fornecer serviços consistentes e informados que geram confiança e conversão de cliente .

• Um ODL transforma dados fragmentados em insights aplicáveis: O MongoDB atua como o ODL, consolidando dados fragmentados em uma fonte em tempo real. Seu modelo de documento flexível se adapta a diversas estruturas de varejo, e sua segurança, disponibilidade e desempenho integrados o tornam de nível empresarial.

• Dados unificados permitem pesquisa avançada e aplicativos de IA: o MongoDB unifica a pesquisa de texto completo, semântica e geoespacial em um só lugar. Você também pode armazenar seus dados ativos e incorporações juntos, permitindo a descoberta em tempo real e alimentando casos de uso de IA inteligentes para o futuro.

Autores

• Prashant Juttukonda, MongoDB

• Florencia Arin, MongoDB

• Angie Guemes, MongoDB

• Diego Canales, MongoDB

Saiba mais

• Para descobrir como o MongoDB impulsiona a Inovação no Varejo, visite MongoDB para Varejo.

• Para saber como o comércio unificado beneficia os retalhistas, leia o Blog do MongoDB Atlas.

• Para explorar o ODL com o Atlas em detalhes, verifique o whitepaper da camada de dados operacionais.