Transformando la gestión del desempeño de tiendas retail con IA generativa

Teracloud diseñó e implementó un agente de IA conversacional impulsado por Claude 3.5 Sonnet a través de Amazon Bedrock. Esta solución permite a los usuarios interactuar con los datos de desempeño de las tiendas mediante lenguaje natural, accediendo en tiempo real a información de tiendas, productos y KPIs, y recibiendo recomendaciones basadas en IA (por ejemplo, optimización de stock y ajustes de precios).

La arquitectura se construyó sobre un entorno AWS seguro y escalable, aprovechando servicios como AWS Lambda, Amazon S3 y Amazon API Gateway para garantizar flexibilidad, integración y escalabilidad sin necesidad de gestionar infraestructura.

Sobre el cliente

La empresa se especializa en soluciones digitales para el sector retail, impulsando la eficiencia operativa en tiendas físicas mediante software a medida y tecnologías innovadoras. Con una presencia en crecimiento en América Latina, habilita operaciones de retail más inteligentes en múltiples industrias.

Desafíos

Necesitaban una solución innovadora que permitiera a sus usuarios consultar métricas de desempeño de tiendas en tiempo real, identificar desvíos en los KPIs y recibir recomendaciones automáticas y accionables.
El objetivo principal era desplegar un agente inteligente integrado con sus sistemas internos, eliminando los reportes manuales y acelerando la toma de decisiones basada en datos.

Objetivos del proyecto

El objetivo principal del proyecto fue mejorar la toma de decisiones y la agilidad operativa en toda la red de tiendas retail mediante el uso de capacidades de IA generativa dentro de un entorno AWS seguro y escalable.

Objetivos específicos:

Habilitar el monitoreo en tiempo real del desempeño de tiendas individuales mediante una interfaz conversacional.
Automatizar recomendaciones accionables basadas en KPIs históricos y en tiempo real para apoyar ventas, inventario, entre otros.
Integrarse de forma fluida con las APIs internas de la compañía, permitiendo un acceso eficiente a datos estructurados de tiendas, productos y KPIs.
Sentar las bases para futuras mejoras, incluyendo dashboards analíticos, integración con bases de conocimiento y una arquitectura de datos tipo Lakehouse.

¿Por qué AWS?

Los servicios de AWS fueron seleccionados por su flexibilidad, su integración fluida con las APIs existentes de la compañía y su capacidad para soportar prototipado rápido y despliegues listos para producción:

Amazon Bedrock – Permitió el uso de Claude 3.5 Sonnet para brindar capacidades avanzadas de IA generativa en consultas en lenguaje natural relacionadas con el desempeño de tiendas.
AWS Lambda – Proporcionó cómputo serverless para la lógica de backend, gestionando interacciones con APIs, formateo de respuestas y enriquecimiento de prompts sin administrar infraestructura.
Amazon S3 – Utilizado como capa central de almacenamiento para datasets estructurados, soportando futuras necesidades de analítica y modelado de datos.
Amazon API Gateway – Facilitó la exposición segura y escalable de endpoints que conectan el agente conversacional con los sistemas internos de la compañía.

¿Por qué nosotros?

El cliente eligió a Teracloud por nuestra experiencia en el diseño e implementación de agentes de IA conversacional. Esto incluyó el uso de capacidades avanzadas de IA generativa (Claude 3.5 Sonnet vía Amazon Bedrock) y la construcción de una arquitectura AWS segura y escalable con servicios como AWS Lambda, Amazon S3 y Amazon API Gateway, seleccionados por su flexibilidad, integración fluida y capacidad de soportar despliegues rápidos y listos para producción.

Solución del partner

Construida sobre una arquitectura AWS segura y escalable, la solución incluyó:

Acceso en tiempo real e histórico a datos de tiendas, productos y KPIs.
Recomendaciones impulsadas por IA, como optimización de stock o ajustes de precios.
Un entorno productivo seguro dentro de la cuenta AWS de la compañía.
Un roadmap de mejoras que incluye una arquitectura Lakehouse con S3 y Athena, dashboards estratégicos y una base de conocimiento por tienda basada en RAG para respuestas contextuales enriquecidas.

Solución técnica y justificación

Los servicios de AWS fueron seleccionados por su flexibilidad, integración fluida con las APIs existentes de la compañía y su capacidad para soportar prototipado rápido y despliegues listos para producción:

Amazon Bedrock – Habilitó el uso de Claude 3.5 Sonnet para ofrecer capacidades avanzadas de IA generativa en consultas en lenguaje natural sobre el desempeño de tiendas.
AWS Lambda – Proporcionó ejecución serverless para la lógica de backend, manejando interacciones con APIs, formateo de respuestas y enriquecimiento de prompts sin gestionar infraestructura.
Amazon S3 – Utilizado como capa central de almacenamiento de datos estructurados, soportando futuras necesidades de analítica y modelado.
Amazon API Gateway – Facilitó la exposición segura y escalable de endpoints que conectan el agente conversacional con los sistemas internos.

Optimalidad de la solución y enfoques alternativos

Integración con APIs en tiempo real vs. reportes estáticos – Las funciones Lambda consultan directamente las APIs internas de la compañía para brindar datos en vivo, asegurando que los insights de desempeño estén siempre actualizados.
Alternativa considerada – generación de reportes programados; descartada por latencia y falta de interactividad.
Almacenamiento de datos con S3 vs. base de datos tradicional – Aunque todavía no es un Lakehouse completo, almacenar datos estructurados en Amazon S3 sienta las bases para futuros casos de uso analíticos sin requerir administración de bases de datos.

Alternativa considerada

Amazon RDS – descartada en el alcance actual por agregar complejidad sin beneficios inmediatos.
Ejecución serverless vs. despliegue basado en contenedores – El uso de Lambda reduce la sobrecarga operativa y garantiza escalabilidad sin aprovisionar ni gestionar infraestructura.
Alternativa considerada – Amazon ECS o EKS; descartada en esta fase por requerir mayor configuración y mantenimiento.

Al enfocarse en flexibilidad, acceso en tiempo real y arquitectura serverless, la solución acompaña los objetivos actuales de la compañía y ofrece una base sólida para futuras mejoras como analítica avanzada con IA y bases de conocimiento personalizadas.

Resultados y beneficios

Tras el despliegue del agente de IA generativa, la compañía experimentó mejoras tangibles en la operación a nivel tienda y en la adopción por parte de los usuarios:

50 % más rápido el acceso a KPIs de desempeño de tiendas mediante consultas en lenguaje natural.
70 % de reducción en el tiempo dedicado a generar reportes manuales por parte de los equipos comerciales y de operaciones.
Mayor precisión y consistencia en las respuestas, lo que permitió decisiones más seguras y oportunas.
Incremento en la adopción de prácticas basadas en datos por parte de equipos de campo y gerentes de tienda.

Próximos pasos

Tras el despliegue del agente de IA generativa, la compañía identificó nuevas oportunidades de evolución:

Dashboards visuales en tiempo real para complementar la experiencia conversacional.
Agregación avanzada de datos históricos mediante Athena u herramientas similares.
Base de conocimiento específica por tienda (RAG) para una personalización más profunda y aprendizaje continuo.

Objetivos no alcanzados y lecciones aprendidas

Objetivos pendientes

Dashboards visuales en tiempo real: si bien los usuarios acceden a insights vía chat, un dashboard embebido con filtros e indicadores visuales potenciará la exploración y el monitoreo de datos.
Agregación avanzada de datos: actualmente el agente interactúa solo con APIs en tiempo real. La agregación histórica con Athena está prevista para la siguiente fase.
Base de conocimiento por tienda (RAG): personalizar el contexto del agente con documentación específica por tienda es un punto clave del roadmap.

Lecciones aprendidas

La participación temprana de usuarios finales impulsa la adopción: involucrar a stakeholders comerciales ayudó a refinar los prompts y alinear las respuestas con las expectativas del campo.
El diseño de APIs impacta en la experiencia del agente: fue necesario gestionar cuidadosamente la latencia y la paginación para garantizar respuestas rápidas y relevantes.
La escalabilidad requiere planificación: incluso en un modelo serverless, fue clave considerar límites de APIs e invocaciones concurrentes para asegurar un desempeño consistente.

Sobre Teracloud

Teracloud es un partner de consultoría avanzada dentro del AWS Partner Network, especializado en AWS y tecnologías de IA generativa. Nuestra misión es ofrecer soluciones transformadoras que impulsen el valor de negocio y la innovación. Como AWS Advanced Tier Services Partner, aprovechamos nuestra profunda experiencia técnica y conocimiento de la industria para ayudar a nuestros clientes a alcanzar sus objetivos estratégicos.

Contactanos

Y escala tu negocio sin límites.