🌟 行业对话：MongoDB 灵活的数据库架构、时间序列、Atlas 矢量搜索 RAG 🌟

用例 1: 健康生活平台 💪

Cure.fit:

• 应对流量高峰 📈
• 根据用户所在地区提供独特内容 🌍
• 页面上的个性化体验 (商品推荐) 🛒

挑战:

• 捕捉跨用户群的不同数据 📊
• 个性化内容 🎯
• 三层架构:
  • 后端: MongoDB Atlas 🗃️
  • 中间件: API 层 🌐
  • 前端: 微服务 🧱

解决方案:

• MongoDB 灵活的数据库架构 🔍
• 捕获广泛的数据 (网页表单、客户使用跟踪) 📈
• 组织diverse数据 🗂️

MongoDB 特性:

• 跨区域复制 🌍
• ACID 事务 🔒
• 不同节点之间的读密集型工作负载 💻
• 跨多个集合的事务 🔗
• https://www.mongodb.com/solutions/customer-case-studies/curefit 🔗

用例 2: 将资产数据转化为价值 💰

Digitread Connect: 工业物联网即服务 🌐

挑战 1:

• 来自跨行业垂直领域、机械、工业资产的传感器数据 🤖
• 分析流程 🔍
• 客户最终用户: 工程师、维修技术人员、测量员、农民 👨‍🔧

挑战 2:

• 收集数据以形成有用的交付成果 📊
• 从微控制器或可编程逻辑控制器提取数据 🔌
• 分析数据, 将必要数据上传到云端 💻
• IoT 平台、边缘和应用端 🌐

解决方案: MongoDB 时间序列数据:

• 工业机械化、机器人环境 🤖
• 跟踪设备活动和性能 📈
• 分析和过滤, 只保留有用的数据, 上传到相关应用 💾

用例 3: 理想客户画像 (ICP) 🎯

Scalestack:

• 将go-to-market (GTM) 数据与客户的理想客户画像 (ICP) 相连接 🤝

挑战:

• 销售工程师浪费时间协调数据 💻

解决方案:

• MongoDB Atlas 矢量搜索 🔍
• 检索增强生成 (RAG) 🤖
• 使用矢量相似性搜索大型数据集 🧠
• 聚合、管理和自动化各种 GTM (go to market) 数据集 📊
• 聚合和理解来自不同来源的各种数据 🗃️
• 帮助销售创建特定场景的策略 🧠

详细信息:

• 连接 LinkedIn、Crunchbase、Zoominfo、求职信息 🌐
• 连接客户信息、公司情况、新闻和工作机会 📋
• 连接转化表单 📝
• 为用户创建个性化建议和优先行动以提高销售 💰

Reference:

capture and analyze data on edge device
https://www.mongodb.com/solutions/customer-case-studies/digitread-connect

Atlas Vector Search, Amazon Bedrock
https://www.mongodb.com/solutions/customer-case-studies/scalestack

---

Editor

Danny Chan, specialty of FSI and Serverless

Kenny Chan, specialty of FSI and Machine Learning