Tata Digital Harmonizes a Variety of Data, Powered by MongoDB Atlas

MongoDB
July 19, 2023

Tata Digital was founded in March 2019 as the newest company under India’s Tata Group. Tata Digital is the business’s digital backbone and unites all its consumer companies under one umbrella offering consumers a One Tata experience.

At a MongoDB Day in Mumbai in 2023, Pavan Podila, Tata Digital’s Chief Architect, spoke about how they are “rewiring the digital circuitry of their ecosystem” with support from MongoDB's developer data platform.

Rising to new heights with a super app

Tata has many consumer brands, such as IHCL (Taj Hotels), AirAsia India, Westside, Croma, Tata CliQ, BigBasket, Tata 1MG to name a few. Tata Neu is a super-app bringing all these brands together.

“We’re building a common digital platform so that each brand doesn’t have to reinvent itself, and they come together under one super-app, one common consumer experience,” Pavan said. “That’s Tata Neu.”

Pavan continued by presenting three use cases where MongoDB is used extensively.

NeuPass

NeuPass is a loyalty program – for everything from groceries and electronics to fashion and payments, health and fitness to flights and hotels – accessed through the Tata Neu app.

Each of the Tata consumer brands formerly had their own loyalty program that could cause loyal customers to be fragmented across group companies. To make the customers’ experience and their rewards more seamless, NeuPass combines the loyalty program of all the brands under one unique name. With NeuPass, consumers can purchase from any brand and earn points called NeuCoins, which can be used for purchases across brands. NeuPass has over 75 million members and continues to grow.

Adding to the complexity, loyalty programs have tiers based on member spending habits. For example, AirAsia India has Aviator, Explorer, Highflyer and Jetsetter levels.

Each loyalty program has unique attributes – tiers, benefits, rules, constraints – requiring storage for a complex document structure.

MongoDB has enabled the creation of one unique way of storing data from all the programs. In discussing this, Pavan said, “We have homogenized all of these – normalized the subscriptions across the entire brand range to have one unique way of storing them. So now we know which brand you’re talking to, how this brand should be treated in terms of transactions, and so on.”

PIM - Product information management

One of the big challenges with the Tata Neu ecosystem is the range of brands and products with different hierarchies.

In explaining the challenge, Pavan said, “When we try to combine everything with a product catalog or common unified store, it creates a challenge for the consumer. The question becomes, ‘How do you present this information?’ If you have a single app focused on electronics, you have a clear way of presenting information. But if you have 40 different brands, each with its own way of representing information, there’s no common way of representing anything. So it becomes challenging as an experience layer idea as well.”

MongoDB has played a key role in creating a unified product catalog.

“We have more than 10 million SKU (stock keeping units) across multiple brands,” Pavan noted. “We've seen advanced data structures for our products, and it's likely they will become even more intricate as we grow. We have made extensive use of the MongoDB Aggregation pipeline to arrange and manage our data – We've also used MongoDB's native time series functionality because inventory is a time-bound data structure as it changes."

Offer engine

Offer Engine has been around in various forms since around 2015. It’s a pivotal part of the app that manages 40 plus brands. It generates different offers and promotions according to the product purchased.

The amount of complexity of the data for creating offers leads to challenges.

“If you look at Big Basket, Croma or our other brands, we are pumping out tons of offers daily across India,” Pavan said. The number of offers in the pipeline daily is massive. We must somehow combine all the factors and present them in ways with fast user response times when we show them the payments page. Constraints, rules and policies determine how and to whom the offer should be applied.”

Pavan noted that there are many collections and documents within Offer Engine. At the time of the presentation, it was 405 million documents and was growing daily. Across the businesses, they send out between 50,000 and 250,000 offers each day. With so much churn and cross-cloud data transmission, there are very complex data structures.

“You can imagine the kind of collections we have in terms of organizing data, sharding, replication and aggregation in this situation,” Pavan said. “MongoDB helps us get there much faster.”

← Previous

Lleva al siguiente nivel tu estrategia de fijación de precios con MongoDB y Databricks

La implantación de soluciones de análisis en tiempo real con el stack tecnológico adecuado puede tener beneficios transformadores. Los minoristas quieren hacer crecer su marca o mejorar la experiencia del cliente con Value Based Pricing, sin dejar de ser competitivos y rentables. A pesar de las expectativas empresariales de construir operaciones cada vez más "data driven" en aras de la eficiencia, las empresas suelen fracasar en ese empeño , y en el centro de ello se encuentran los esfuerzos por realizar analítica en tiempo real. En este blog, exploraremos la arquitectura de la Figura 1 y elaboraremos las ventajas de integrar MongoDB Atlas y Databricks como un emparejamiento perfecto para las estrategias de fijación de precios utilizando IA en tiempo real. La solución que describiremos integra conceptos de la arquitectura Event Driven en la parte de generación e ingesta de datos, orquestación de procesos ETL en tiempo real, machine learning y microservicios. ¡Vamos a empezar! Figure 1: Arquitectura simplificada de una solución para generación de precios en tiempo real Reduce la fricción con flexibilidad La complejidad de los datos de precios para un minorista con una línea de productos extensa y diversa aumenta debido a factores como las campañas estacionales, la expansión global y la introducción de nuevos productos. El seguimiento y el análisis de los precios históricos y las ofertas de productos se vuelven más difíciles a medida que evolucionan durante el año. Las soluciones analíticas creadas en torno a arquitecturas basadas en eventos intentan explicar lo que está ocurriendo en un sistema o aplicación específica en función de cualquier suceso significativo, como el comportamiento de los usuarios, las actualizaciones de datos, las alertas del sistema o las lecturas de sensores, por ejemplo. Decidir qué eventos son cruciales para comprender a sus clientes e instrumentar su modelo de negocio en torno a ellos es cuando las cosas empiezan a complicarse. Especialmente cuando se trata de instrumentar los modelos de datos utilizando sistemas tradicionales de gestión de bases de datos relacionales y su desventaja cuando se trata de emparejar esa estructura de datos tabular con aplicaciones orientadas a objetos. La incapacidad de un minorista para adaptar su modelo de datos al comportamiento del cliente se traduce rápidamente en fricciones en las operaciones y como consecuencia, en una presencia más débil en el mercado. Por ejemplo, estrategias de precios deficientes en comparación con competidores por la falta de información sobre los precios históricos y cómo estos varían entre la gama de productos. Figure 2: Un modelo de datos inflexible es un limitante de la innovación Esa fricción es contagiosa a lo largo de toda la cadena de valor de una organización, afectando la capa semántica del negocio (un puente entre las estructuras de datos técnicas y el entendimiento de éstas por parte de los usuarios de la capa de negocio), generando inconsistencias en los datos, aumentando el tiempo necesario para generar valor analítico y, en definitiva, erosionando la cultura de datos de la organización. La capacidad del modelo conceptual de tu empresa de adaptarse a un comportamiento de usuario que está en constante cambio ayuda a reducir esa fricción significativamente, ya que su flexibilidad permitiría un modelado de datos más intuitivo de los eventos del mundo real. Para sus retos de estrategias de precios en tiempo real, el document model de MongoDB Atlas, con sus capacidades de embedding y referencia extendida se convierte en la herramienta perfecta para ello, ya que permite un desarrollo de funcionalidades más rápido, un crecimiento de ventas, implementación de operaciones testeadas y la capacidad de retención del talento digital en tu empresa como consecuencia. La combinación de queries de alto rendimiento y la escalabilidad horizontal dotan de robustez a cualquier solución donde se necesite lidiar con altas cargas de clickstream como por lo general suelen tener los sitios de ecommerce y aún así ser capaz de responder con funcionalidades en tiempo real basadas en datos. Su facilidad de integración con otras plataformas gracias a sus capacidades de generación de APIs y diferentes drivers lo hace una solución perfecta sobre la cual construir tanto la capa operacional como la de inteligencia, donde además se evitará vendor lock-in y los científicos de datos podrán aprovechar fácilmente los diferentes frameworks para trabajar con datos nuevos y de calidad. Además, los principios de “distribución por defecto”, siguiendo un conjunto de mejores prácticas garantizan que tu base de datos operacional podrá con la carga de trabajo necesaria. Del ¿Qué? al ¿Cómo? La capa de inteligencia Para desbloquear crecimiento relevante en el mercado y además hacerlo a escala tus esfuerzos de analítica tienen que evolucionar de sólo entender lo que está pasando a través de analizar los datos históricos , hacia entender por qué los eventos de tu capa operacional están sucediendo e incluso intentar predecirlos. Para una solución de precios dinámicos, los retailers necesitarían ganar acceso a puntos de datos históricos de precios para sus líneas de productos y modelarlos a través de procesos ETL (Earn, Transform, Load) para alimentar modelos de aprendizaje automático. Este proceso es por lo general complicado y frágil cuando se usan data warehouses tradicionales, a menudo incurriendo en duplicación de datos haciendo todo más costoso y difícil de manejar. Figure 3: Fricción reducida gracias a la integración fluida de las diferentes capas de datos La ventaja de usar MongoDB Atlas como tu base de datos operacional, es que a través de las Aggregation Pipelines puedes dar forma a tus datos de la manera que tenga más sentido para tu contexto, y luego, a través de MongoDB App Services , puedes instrumentar Tiggers y funciones serverless para simplificar toda la orquestación y poder consumir los datos en Databricks usando el connector Spark de MongoDB Atlas . Databricks proporciona una manera dinámica de trabajar con tus modelos de analítica avanzada, escribiendo código en python en notebooks alojados en sus clusters. Puedes sacar ventaja de su integración con MLFlow para registrar experimentos que luego pueden ser convertidos en modelos y eventualmente desplegados en un endpoint. De esta manera transformar tus datos e integrar tu capa operacional, a través de conectores y llamadas API con triggers y funciones, con tu capa de inteligencia para hacer aprendizaje automático, puedes construir fácilmente una solución de precios dinámicos que te permitiría generar crecimiento en el mercado para tu organización, desde el núcleo operacional hasta la capa semántica actuando como un puente entre los aspectos técnicos del almacenamiento de datos y los requerimientos de negocio del análisis de datos. Descubre nuevas oportunidades de crecimiento Diseñar una solución analítica en tiempo real con MongoDB Atlas y Databricks no sólo es la forma más rápida de desbloquear las capacidades de tu equipo para idear estrategias de fijación de precios, sino que también establece la piedra angular para construir reglas automatizadas para soluciones más complejas. Otras formas de automatizar tu aplicación con insights impulsados por la IA podrían ser: optimizar su presupuesto de marketing mix mediante la elasticidad del precio de cada producto, añadir otra capa analítica de datos de segmentación de clientes para lograr precios dinámicos personalizados u optimizar tu cadena de suministro con previsiones de ventas en tiempo real. Aprovechando MongoDB Charts o el MongoDB BI Connector , puede alimentar sus cuadros de mando empresariales, convirtiendo esa capa semántica del modelo de negocio en el punto central para la alineación de sus equipos. Bases para el crecimiento Los sitios de comercio electrónico modernos liberan el poder de la analítica en tiempo real y la automatización para crear mejores experiencias para los clientes y un enfoque más profundo de la analítica de clientes, desbloqueando el poder del aprendizaje automático para descubrir tendencias en los datos de comportamiento, convirtiendo eficazmente a las empresas en máquinas de crecimiento automatizadas. Si quieres descubrir cómo construir una solución sencilla de precios dinámicos integrando MongoDB Atlas y Databricks asegúrate de leer esta guía .

July 12, 2023
Next →

Nokia Corteca Scales Wi-Fi Connectivity to Millions of Devices With MongoDB Atlas

Nokia’s home Wi-Fi connectivity cloud platform was launched in 2019 as the Nokia WiFi Cloud Controller (NWCC). In 2023, it was renamed and relaunched as the Corteca Home Controller, becoming part of the Corteca software suite that delivers smarter broadband for a better experience. The Corteca Home Controller can be hosted on Amazon Web Services, Google Cloud, or Microsoft Azure, and is the industry’s first platform to support three management services—device management, Wi-Fi management, and application management. Supporting TR-369 (a standardized remote device management protocol) also allows the Home Controller to work in a multi-vendor environment, managing both Nokia broadband devices and third-party broadband devices. By solving connectivity issues before the end-user detects them, and by automatically optimizing Wi-Fi performance, the Home Controller helps deliver excellent customer experiences to millions of users, 24/7. During the five years that Nokia Corteca has been a MongoDB Atlas customer, the Home Controller has successfully scaled from 500,000 devices to over 4.5 million. There are now 75 telecommunications customers of Home Controller spread across all regions of the globe. Having the stability, efficiency, and performance to scale Nokia Corteca's solution is end-to-end, from applications embedded in the device, through the home, and into the cloud. Algorithms assess data extracted from home networks, based on which performance parameters automatically adjust as needed—changing Wi-Fi channels to avoid network interference, for example—thereby ensuring zero downtime. The Home Controller processes real-time data sent from millions of devices, generating massive volumes of data. With a cloud optimization team tasked with deploying the solution across the globe to ever more customers, the Home Controller needed to store and manage its vast dataset and to onboard new telecommunication organizations more easily without incurring any downtime. Prior to Nokia Corteca moving to MongoDB Atlas, its legacy relational database lacked stability and required both admin and application teams to manage operations. A flexible model with time series capabilities That's where MongoDB Atlas came in. Nokia was familiar with the MongoDB Atlas database platform, having already worked with it as part of a previous company acquisition and solution integration. As Nokia's development team had direct experience with the scalability, manageability, and ease of use offered by MongoDB Atlas, they knew it had the potential to address the Home Controller’s technical and business requirements. There was another key element: Nokia wanted to store time-series data—a sequence of data points in which insights are gained by analyzing changes over time. MongoDB Atlas has the unique ability to store operational and time series data in parallel and provides robust querying capabilities on that data. Other advantages include MongoDB's flexible schema, which helps developers store data to match the application's needs and adapt as data changes over time. MongoDB Atlas also provides features such as Performance Advisor that monitors the performance of the database and makes intelligent recommendations to optimize and improve the performance and resource consumption Fast real time data browsing and scalability made easy Previously, scaling the database had been time-consuming and manual. With MongoDB Atlas, the team can easily scale up as demand increases with very little effort and no downtime. This also means it is much more straightforward to add new clients, such as large telecommunications companies. Having started with 100GB of data, the team now has more than 1.3 terabytes, and can increase the disc space in a fraction of a second, positioning the team to be able to scale with the business. As the Home Controller grows and onboards more telcos, the team anticipates a strengthening relationship with MongoDB. “We have a very good relationship with the MongoDB team,” said Jaisankar Gunasekaran, Head of Cloud Hosting and Operations at Nokia. “One of the main advantages is their local presence—they’re accessible, they’re friendly, and they’re experts. It makes our lives easier and lets us concentrate on our products and solutions.” To learn more about how MongoDB can help drive innovation and capture customer imaginations, check out our MongoDB for Telecommunications page.

July 2, 2024