Caso de estudio · Comercio electrónico (retail online)

Cymbal Retail

Minorista online en pleno crecimiento, con un catálogo enorme y un entorno mixto on-premises/nube, que quiere enriquecer el catálogo con IA generativa (atributos, descripciones, imágenes), ofrecer comercio conversacional con búsqueda de productos en lenguaje natural y modernizar su pila técnica para reducir costes de call center y de centro de datos.

Leer el caso oficial (PDF, en inglés) ↗

El caso en pocas palabras

Cymbal vende online un surtido enorme de productos de varias subcategorías. Su problema central es el catálogo: mantener atributos, descripciones e imágenes correctos y coherentes a mano es lento y da errores. Además, los clientes no encuentran lo que buscan (la web consulta bases de datos relacionales por nombre y categoría) y el call center introduce pedidos a mano cuando el cliente no consigue terminar la compra.

La solución que plantean tiene tres patas: enriquecimiento del catálogo con IA generativa, comercio conversacional con descubrimiento de productos y modernización de la pila técnica (bases de datos, integraciones, monitorización y seguridad).

Entorno técnico actual

Problemas declarados: procesos manuales lentos y propensos a errores, silos de datos que impiden una visión única del cliente y dificultad para integrar tecnología nueva.

Requisitos

Requisitos de negocio (business requirements)

1. Automatizar el enriquecimiento del catálogo (automate product catalog enrichment): menos trabajo manual, menos errores, más coherencia.
2. Mejorar la capacidad de encontrar productos (improve product discoverability): búsquedas más relevantes y rápidas.
3. Aumentar la implicación del cliente (increase customer engagement): experiencia interactiva y personalizada, y posiblemente menos devoluciones.
4. Aumentar la conversión (drive sales conversion).
5. Reducir costes: personal de call center y hosting en centro de datos.

Requisitos técnicos (technical requirements)

1. Generación de atributos (attribute generation) a partir de títulos, descripciones e imágenes del proveedor, alineados con la taxonomía del catálogo.
2. Generación y mejora de imágenes (image generation and enhancement): variantes de color, cambio de fondo, ajustes de color y texto superpuesto.
3. Descubrimiento automático de productos (automate product discovery): peticiones en lenguaje natural y resultados muy relevantes.
4. Escalabilidad y rendimiento con un catálogo enorme y en crecimiento.
5. Revisión humana (Human-in-the-Loop, HITL): una interfaz para que el personal apruebe, rechace o modifique el contenido generado antes de actualizar el catálogo.
6. Seguridad y cumplimiento (data security and compliance) de todos los datos de clientes, incluidas las conversaciones con los agentes virtuales.

Análisis del arquitecto

Problemas a resolver

• Contenido de catálogo de calidad irregular que llega de proveedores en formatos distintos.
• Búsqueda por palabra clave sobre SQL: no entiende intención («zapatillas para correr por montaña con lluvia»).
• Coste de personal en tareas repetitivas (enriquecer fichas, pasar pedidos a mano).
• Silos de datos entre bases de datos y sistemas on-premises: sin visión 360° del cliente.
• Integraciones frágiles por ficheros (SFTP) y ETL nocturno.
• Monitorización fragmentada en varias herramientas open source.

Arquitectura propuesta

flowchart TB
  SUP["Datos de proveedores (títulos, descripciones, imágenes)"] --> GCS["Cloud Storage (zona de aterrizaje)"]
  GCS --> EVT["Eventarc / Pub/Sub"]
  EVT --> RUN["Cloud Run (pipeline de enriquecimiento)"]
  RUN --> GEM["Gemini en Agent Platform (atributos y descripciones)"]
  RUN --> IMG["Imagen en Agent Platform (variantes y edición de imágenes)"]
  GEM --> HITL["App de revisión HITL (Cloud Run + IAP)"]
  IMG --> HITL
  HITL -->|"aprobado"| CAT["Catálogo (AlloyDB o Cloud SQL)"]
  CAT --> BQ["BigQuery (visión 360 del cliente y catálogo)"]
  CAT --> ACS["AI Commerce Search (búsqueda y recomendaciones)"]
  ACS --> WEB["Web y app móvil (GKE)"]
  ACS --> AG["Agente de compras conversacional"]
  AG --> WEB
  AG --> CC["Contact center: agente virtual de voz + Agent Assist"]
  MA["Model Armor"] -.-> AG
  OBS["Cloud Monitoring / Logging"] -.-> WEB

Justificación servicio a servicio

Enriquecimiento del catálogo

• Cloud Storage + Eventarc/Pub/Sub + Cloud Run: cada lote de datos de proveedor que llega dispara el pipeline. Sustituye el SFTP/ETL nocturno por un flujo por eventos, escalable a cero y sin servidores que gestionar.
• Gemini en Gemini Enterprise Agent Platform (antes Vertex AI): modelos multimodales que leen título, descripción e imagen y devuelven atributos estructurados (salida JSON con esquema) alineados con la taxonomía de Cymbal. Se mejora la precisión con few-shot prompting con ejemplos del catálogo y, si hace falta, ajuste fino supervisado (supervised fine-tuning) con fichas ya validadas.
• Imagen en Agent Platform (modelo de generación y edición de imágenes): genera variantes de color, cambia el fondo y añade texto a partir de una imagen base. Responde literalmente a «image generation and enhancement».
• Aplicación HITL: una interfaz web interna (por ejemplo, en Cloud Run protegida con Identity-Aware Proxy) donde el personal ve la propuesta, la aprueba, la rechaza o la edita. Solo lo aprobado se escribe en el catálogo. Las correcciones humanas se guardan en BigQuery como datos de evaluación y de ajuste para mejorar el modelo.

Descubrimiento de productos y comercio conversacional

• AI Commerce Search (parte de Gemini Enterprise for Customer Experience; antes Vertex AI Search for Commerce, de la familia que Google comercializaba como Discovery AI para retail): búsqueda semántica, navegación y recomendaciones personalizadas entrenadas con el catálogo y los eventos de usuario. El caso habla de «Discovery AI»: es el nombre antiguo de esta familia.
• Agente de compras conversacional: Gemini Enterprise for CX incluye un Shopping agent preconstruido y Customer Experience Agent Studio para crear agentes de soporte. Alternativa «hazlo tú»: un agente con Agent Development Kit desplegado en Agent Runtime (antes Agent Engine) que llama a AI Commerce Search como herramienta.
• Contact center: un agente virtual de voz sustituye o complementa al IVR, resuelve consultas y completa pedidos sin transferir; cuando transfiere, Agent Assist ayuda al agente humano con sugerencias en tiempo real. Esto ataca directamente el requisito de reducir costes de call center.

Modernización de la pila

• BigQuery como plataforma analítica común (catálogo, pedidos, eventos, conversaciones) para romper los silos; Datastream replica cambios de las bases operacionales a BigQuery casi en tiempo real.
• Apigee expone las APIs del catálogo y de pedidos a socios y canales, con seguridad, cuotas y analítica: encaja con «3rd party integrations».

Seguridad y cumplimiento

• PCI DSS si Cymbal procesa tarjetas: aislar el entorno de pago (proyecto y VPC dedicados, mejor aún delegar en un proveedor de pagos tokenizado) para reducir el alcance.
• Sensitive Data Protection para detectar y enmascarar PII en conversaciones y transcripciones antes de almacenarlas o usarlas para mejorar modelos.
• Model Armor para filtrar inyección de prompts y respuestas inadecuadas en el agente.
• VPC Service Controls alrededor de BigQuery, Cloud Storage y Agent Platform; CMEK con Cloud KMS si la política lo exige.
• Gobierno de datos de la IA: según la documentación de data governance de la IA generativa de Google Cloud, Google no usa los datos del cliente para entrenar ni ajustar modelos sin su permiso previo (training restriction). Es el argumento que el examen espera cuando el enunciado pregunta si las conversaciones de clientes «acabarán entrenando el modelo».
• IAP para la aplicación de revisión interna, sin exponerla con VPN ni IP pública abierta.

Migración

1. Evaluar con Migration Center (inventario de servidores y bases de datos, TCO).
2. Primera ola: bases de datos y Kubernetes hacia servicios gestionados (reduce coste de centro de datos, que es un requisito).
3. Segunda ola: sustituir SFTP/ETL por integraciones por eventos y APIs.
4. Tercera ola: IA generativa (catálogo, búsqueda, agentes), que depende de tener el catálogo y los eventos de usuario en la nube.

Costes y operaciones

• Coste de IA por token y por consulta de búsqueda: calcula con la calculadora de precios y fija presupuestos y alertas.
• Inferencia por lotes para enriquecer el catálogo histórico; online solo para lo que necesite respuesta inmediata.
• Cloud Run y GKE Autopilot reducen la operación; CUDs para la base estable (bases de datos, nodos).
• KPIs de negocio que el arquitecto debe proponer: tiempo de alta de producto, tasa de aprobación HITL, conversión, tasa de devoluciones, contactos resueltos sin agente humano.

Qué preguntaría el examen sobre este caso

Palabras clave del caso y a qué servicio apuntan