Retail desde primeros principios
Las features nacen de pagos reales y navegación—no de tableros vanidosos.
Capa de aprendizaje
Cada checkout afina el retrato—RFM, propensión, cambios a nivel país y narrativas opcionales con Grok. Anticipa picos, detecta debilidad pronto y haz merchandising con evidencia.
[ En el centro ]
Postgres sigue siendo la fuente de verdad mientras una feature store en MongoDB aprende en tres niveles: compradores, cada tienda y mercados.
Niveles de comportamiento
Cliente · Tienda · País
Salidas de modelo
CLV, churn, pronósticos y más
IA por lotes
Analista Grok
Profundidad de embeddings
Vectores OpenAI · RAG
[ Principios ]
Las features nacen de pagos reales y navegación—no de tableros vanidosos.
Una arquitectura sirve boutique y marketplace multinivel; el alcance crece con el catálogo.
Jobs programados y hooks mantienen capas frescas; logs cubren lo que procesó la IA.
[ Infraestructura ]
Vercel AI SDK; Grok xAI, Claude Anthropic y embeddings OpenAI — todo acotado por tenant.
[ Capacidades ]
Sin laboratorio aparte. Todo junto a pedidos y catálogo.
Vistas por tienda, tiempo hasta la próxima compra y señales para campañas y stock.
Probabilidades y alertas muestran debilidad o picos antes de que sorprendan.
Reglas de asociación y movers muestran bundles y tendencias.
Rollups de compradores, vendors y recs cacheadas en el carrito compartido.
Señales “en observación” y micro-eventos capturan hype de lanzamientos.
Narrativas por lotes traducen features a texto ejecutivo.
[ Ritmo ]
ETL reconstruye `lm_*` por organización, país y marketplace.
Pedidos pagados alimentan `lm_events`.
Crons submit/collect generan resúmenes Grok.
Embeddings para recuperación semántica junto al ML tabular.
Crea una organización, conecta pagos y deja aprender a Etrovvo.