No cenário atual do varejo, os consumidores esperam experiências de descoberta de produtos altamente personalizadas e assistência conversacional que pareça autêntica, natural e genuinamente útil. Hoje, o sucesso na descoberta de produtos reside na compreensão do significado semântico e das ricas e conectadas relações entre produtos, categorias e a intenção do cliente. Não se trata mais apenas de palavras-chave e navegação básica.
Na Target, esse trabalho é gerido pela equipe da plataforma Guest Product Confidence. Eles são responsáveis por construir funcionalidades que estabelecem confiança e guiam as decisões de compra, como classificações, avaliações e assistentes de compra digitais impulsionados por IA. Um exemplo empolgante disso é o nosso Gift Finder, um agente de chat que lançamos durante a temporada de férias de 2025 online e no aplicativo Target para ajudar os compradores a descobrir os itens perfeitos através de um diálogo amigável e conversacional.
Para fornecer personalização em tempo real e respostas semânticas ricas em contexto como essas em escala global, identificamos uma necessidade arquitetural crítica: sair de um ecossistema de dados fragmentado para uma plataforma de dados unificada. Precisávamos de uma solução capaz de suportar cargas de trabalho transacionais de alto throughput, relações de grafo altamente conectadas, busca de similaridade vetorial e busca de palavra-chave de texto completo, tudo ao mesmo tempo.
Neste artigo, exploraremos como a Target alcançou esses quatro objetivos com o Spanner.
Superando a arquitetura fragmentada
Anteriormente, o ecossistema de dados de descoberta da Target dependia de uma combinação de clusters Elasticsearch para pesquisa e índices invertidos, juntamente com armazenamentos de dados NoSQL separados para nossos dados transacionais. Embora funcional, essa arquitetura fragmentada apresentava desafios operacionais e técnicos significativos:
- Contexto Desconectado: Manter bancos de dados separados para pesquisa, vetores e transações em perfeita sincronia era um desafio constante. Informações isoladas levavam à falta de contexto, relações de atributos desconectadas e resultados de consulta inconsistentes.
- Alta Carga Operacional: Gerenciar clusters independentes, ajustar índices de pesquisa e lidar com lógicas complexas e personalizadas de sincronização e agregação exigia intervenção manual intensiva de nossas equipes de engenharia.
- Gargalos de Expansão: Expandir nossos domínios de dados de varejo exigia a adição de novas coleções de banco de dados, a manutenção de junções complexas e a navegação por garantias transacionais fracas em nossos sistemas de descoberta e transacionais principais.
- Inteligência Isolada: Faltava-nos a capacidade de consultar relações de grafo, similaridade vetorial e índices de pesquisa de palavra-chave em uma única transação.
Para construir a próxima geração de experiências de cliente impulsionadas por IA, precisávamos consolidar tudo em uma única plataforma.
Construindo a ontologia empresarial no Spanner Graph
Avaliamos múltiplas tecnologias especializadas, incluindo bancos de dados vetoriais autônomos e bancos de dados de grafo de nicho. No entanto, adicionar mais bancos de dados de propósito único apenas teria piorado nossa complexidade operacional e pipelines de sincronização de dados.
Finalmente, escolhemos o Spanner Graph para construir nossa ontologia empresarial, um paradigma de "grafo de grafos" que nos permite construir um enorme grafo de compras alimentado por IA generativa.
Ao unificar nossos dados, reunimos dados semânticos, relações de grafo, embeddings vetoriais e transações operacionais sob o mesmo teto. Isso estabelece o Spanner como nossa única fonte de verdade autoritativa para estado transacional e inteligência semântica.
Nossa arquitetura de alto nível agora consiste em três pilares principais:
1. Aumento Empresarial: Esta camada captura nosso catálogo de varejo empresarial, agrega metadados relevantes de múltiplas fontes de backend e utiliza IA generativa para enriquecimento de dados agentic, melhorando drasticamente a qualidade e profundidade dos dados de produtos que ingerimos.
2. Armazenamento Unificado de Grafo, Vetor e Pesquisa: Em vez de mover dados entre múltiplos bancos de dados, o Spanner Graph armazena nossos nós de entidade, arestas de relacionamento e embeddings vetoriais no mesmo motor de banco de dados. O Spanner Graph suporta nativamente travessias de grafo multi-hop, similaridade vetorial semântica e consultas de palavra-chave de texto completo sobre nossas tabelas relacionais. Como essa sinergia multimodo é nativa, obtemos transações ACID estritas para correção absoluta em cargas de trabalho distribuídas, sem a necessidade de pipelines de sincronização externos frágeis.
3. Camada de Orquestração e IA: Esta camada alimenta nossas interfaces conversacionais com os clientes, utilizando contexto rico e estruturado alimentado diretamente do Spanner Graph para fundamentar nossos LLMs. Ela extrai relações de produtos altamente específicas para alimentar ferramentas como o Gift Finder, enquanto governa processos de IA responsáveis e avalia saídas geradas.
Uma migração incremental suave e sem tempo de inatividade
A transição de uma infraestrutura crítica de pesquisa e descoberta, na qual milhões de clientes confiam, exigiu uma abordagem cautelosa e sem tempo de inatividade. Executamos esta migração em quatro fases estruturadas:
- Mapeamento de Esquema e Ontologia: Definimos as entidades de varejo específicas, como produtos, categorias, marcas e preferências dos clientes, e suas relações correspondentes dentro do esquema do Spanner Graph.
- Integração de Dados e Replay Paralelo: Construímos integrações de dados baseadas em mutações em um pipeline paralelo. Isso nos permitiu replicar continuamente atualizações transacionais ao vivo, aplicar transformações de esquema, gerar embeddings e gravá-los diretamente no Spanner Graph em tempo real.
- Canary Deployment: Mudamos gradualmente o tráfego de leitura ao vivo para a nova plataforma baseada no Spanner Graph, validando o desempenho da consulta, a precisão semântica e a estabilidade do banco de dados sob cargas de trabalho reais do varejo.
- Cutover e Limpeza: Uma vez que o desempenho foi completamente verificado, transicionamos todo o tráfego de pesquisa e descoberta para o Spanner e Deprecated nossa pilha legada de Elasticsearch, removendo totalmente a carga de manutenção desses clusters.
Impacto nos negócios
Ao construir diretamente no Spanner Graph, a Target obteve resultados técnicos e comerciais mensuráveis:
- A Fundação Definitiva do GraphRAG: O RAG tradicional depende da similaridade vetorial plana, que muitas vezes ignora as associações estruturadas entre produtos, como combinar um brinquedo com seus acessórios compatíveis ou adequação à idade. Ao combinar travessias de grafo profundas com busca vetorial semântica em uma arquitetura GraphRAG unificada, fundamentamos nossos LLMs com contexto altamente preciso. Isso melhorou diretamente a relevância de nossas recomendações, aumentou a satisfação do cliente e impulsionou nosso Net Promoter Score.
- Redução de 50% na manutenção do banco de dados: Eliminamos a sobrecarga de gerenciar e sincronizar clusters Elasticsearch dedicados e múltiplos armazenamentos de dados NoSQL. Isso se traduziu em uma redução drástica nos custos operacionais e no tempo de engenharia para as equipes.
- Redução de Custos de Infraestrutura e Licenciamento: A consolidação em uma única plataforma permitiu otimizar o uso de recursos e simplificar as complexidades de licenciamento, resultando em economias substanciais de custos.
- Tempo de colocação no mercado acelerado para recursos de IA de ponta: Com nossa plataforma de dados unificada, nossos engenheiros de software e cientistas de dados podem iterar e implantar novos recursos de IA e modelos de Machine Learning (ML) muito mais rapidamente.
- Melhoria de desempenho escalável: A Target observou uma melhoria de 2X na latência nas consultas críticas do Gift Finder, além de uma maior confiabilidade da plataforma de dados, garantindo que podemos atender às demandas dos compradores durante períodos de pico.
A jornada da Target com o Spanner Graph ilustra como a unificação de dados pode impulsionar a inovação e a eficiência. A capacidade de combinar dados transacionais, de grafo, vetoriais e de pesquisa em uma única plataforma escalável não apenas otimiza operações e reduz custos, mas também abre portas para experiências de cliente verdadeiramente transformadoras. Este é um exemplo claro de como a tecnologia de banco de dados moderna é fundamental para o sucesso no varejo digital.
chat_bubble Comentários (0)
Nenhum comentário ainda. Seja o primeiro a comentar!
Deixe seu comentário