Arquitectura de datos a inteligencia
Desde los datos brutos hasta las decisiones de los agentes: se ingieren mediante adaptadores, federación sin copia y recolectores; se almacenan en SQL y MPP; se abstraen en eventos, perfiles, métricas y relaciones; y, finalmente, se conectan mediante una ontología para el agente de IA.
Por qué las cuatro capas son importantes para un agente de IA
Un Agente es tan bueno como el contexto sobre el que razona. Separar la ingesta, el almacenamiento sin procesar, la abstracción y la ontología le da al modelo una interfaz limpia, gobernada y conectada en todos los niveles, de modo que sus decisiones estén fundamentadas, sean explicables y su evolución sea económica.
El agente lee el contexto, no las filas sin procesar.
Cada capa proporciona al Agente una interfaz estable: eventos, perfiles, métricas controladas y una ontología conectada. Razona sobre un contexto sólido en lugar de analizar y combinar registros sin procesar durante la inferencia, lo que hace que sus respuestas sean repetibles.
Ingesta independiente de la fuente
Como la recopilación es una capa independiente, el modelo nunca depende de cómo esté conectado un sistema. Agregue un adaptador, federe un almacén de datos existente o acceda a través de la interfaz abierta API: todo lo anterior utiliza el mismo formato de datos, por lo que las nuevas fuentes no afectan sus indicaciones ni su lógica.
Una plataforma consistente
Los almacenes SQL y MPP permanecen alineados a través de la captura de datos de cambios, por lo que el contexto del Agente está respaldado por una única verdad cruda en lugar de copias dispersas que no están de acuerdo. Las lecturas operativas y los escaneos analíticos de gran tamaño ven los mismos registros.
Verdad empresarial gobernada
Las métricas contienen una definición autorizada en una capa semántica, por lo que los números con los que actúa un agente son los mismos que se muestran en sus paneles. Las decisiones se mantienen explicables y auditables, en lugar de basarse en agregaciones ad hoc.
Relaciones explícitas y rastreables.
La ontología vincula la intención, el perfil y el valor comercial, de modo que una recomendación se puede rastrear hasta el contexto exacto del que se generó: las relaciones están en el modelo, no el agente las vuelve a derivar en cada llamada.
Evolucionar con seguridad
Cambia de modelo, añade fuentes de datos o modifica el almacenamiento mediante contratos de capa estables. El agente sigue consumiendo las mismas abstracciones, por lo que la inteligencia superior evoluciona sin necesidad de reescribir la base.
De datos brutos a una ontología conectada
Cada capa proporciona a la superior una interfaz más limpia y controlada: ingesta, almacenamiento de datos, abstracción y, finalmente, la ontología sobre la que actúa la IA. De esta forma, la inteligencia superior evoluciona sin necesidad de reescribir la subyacente.
Capa de ingesta de datos
Recopilación de datos de sistemas empresariales con alto rendimiento y transparencia.
Explorar esta capa →Adaptadores de nivel empresarial
Adaptadores prediseñados para sistemas empresariales convencionales: CDP, CRM, ERP, OMS y comercio.
Tecnología de copia cero
Consulta datos de grandes almacenes en el lugar, sin copia de datos (Snowflake, Databricks, Data Cloud, Delta Sharing).
Recopilador de seguimiento de datos
Seguimiento integral de eventos web y de la aplicación, y recopilación de comportamiento a través de SDK.
Datos abiertos API / SDK
API y SDK estandarizados para cualquier fuente personalizada.
Capa de Datos Brutos
Ingerir datos sin procesar y almacenarlos en bases de datos SQL y MPP con sincronización CDC en tiempo real.
Explorar esta capa →Base de datos SQL
Tienda estructurada para transacciones y operaciones.
Base de datos MPP
Procesamiento masivamente paralelo para análisis a gran escala.
Capa de Abstracción y Comprensión de Datos
Extracción de datos brutos para crear modelos y obtener información útil.
Explorar esta capa →Perfil de usuario y etiquetado
Resuma los datos sin procesar en etiquetas de miembros y cree perfiles de usuario.
Modelo de eventos y reconocimiento de intenciones.
Extraiga el comportamiento en bruto en modelos de eventos e infiera la intención del usuario.
Extracción de métricas y verdad empresarial
Extraiga métricas controladas de los datos brutos y descubra la verdad del negocio.
Relación y afinidad
Extrae referencias y pedidos en un gráfico de relaciones de miembros: vínculos reales convertidos, centros y posibles hogares.
Afinidad y similitud
Modelar la similitud estadística a partir de datos reales: compra conjunta de productos, afinidad de categoría y perfiles de miembros similares.
Capa de Ontología y Acción
Vincular la intención, el perfil y el negocio a través del modelo de entidad de usuario y habilitar decisiones impulsadas por agentes.
Explorar esta capa →Cómo una sola acción se convierte en una decisión
Las capas son más fáciles de ver en movimiento. Aquí hay una señal minorista que se mueve a través de los cuatro: desde un clic sin procesar hasta la siguiente mejor acción de un Agente.
Las acciones de un comprador llegan
Un miembro ve la misma chaqueta tres veces y la añade al carrito, pero se va sin comprarla. Estos eventos de navegación y carrito se registran en el sistema de seguimiento, junto con su historial de pedidos de los sistemas de comercio electrónico y CRM conectados.
Todo se presenta como la cruda realidad
Los eventos y registros se escriben como datos sin procesar en los almacenes SQL y MPP de una sola vez, y se mantienen alineados mediante la captura de cambios de datos, de modo que la misma información está disponible tanto para una consulta operativa como para un análisis exhaustivo.
Los datos sin procesar adquieren significado
El modelo de eventos interpreta “vista repetida + carrito, sin compra” como una señal de alta intención; las etiquetas la identifican como miembro de alto valor en proceso de inactividad; la capa de métricas ya conoce su valor de por vida y su tasa de canje, con una definición gobernada para cada uno.
El agente decide
La ontología vincula su intención, perfil y valor en una imagen coherente. El agente interpreta ese contexto y decide una estrategia de recuperación personalizada con un incentivo limitado; esta decisión se puede rastrear hasta las señales exactas que la originaron.
Dónde enchufar
Construya sobre las capas, no sobre la infraestructura. Cada superficie inferior se corresponde con una interfaz estable con su propia documentación: elija por dónde empezar su trabajo.
Conecte sus sistemas
Ingrese datos a través de adaptadores de productos, federación de copia cero o la interfaz de datos abiertos, sin canales personalizados.
guía de integración →Seguimiento del comportamiento web y de aplicaciones
Capture visitas a páginas, vistas de productos, búsquedas y eventos de carrito con el recopilador SDK en el punto de interacción.
Seguimiento web →Lea las métricas y perfiles gobernados
Consulta la capa de métricas semánticas y los perfiles de miembros mediante las herramientas API y MCP; las definiciones son las mismas en todas partes.
MCP y métricas →Ampliar el modelo
Envíe fuentes personalizadas a través del API abierto, suscríbase a webhooks salientes y modele objetos personalizados.
API Referencia →Las preguntas que deciden la arquitectura
Si estandarizamos su capa semántica y ontología, ¿cómo evitamos la dependencia de un proveedor?
Las capas son contratos, no una caja negra. Sus datos sin procesar permanecen en almacenes SQL y MPP estándar, o en su propio almacén mediante copia cero, que nunca le solicitamos que copie, y sus definiciones de métricas, etiquetas e identidades son declarativas, versionadas y exportables en la forma que usted determine. Tú conservas los datos y las definiciones; la abstracción se ubica en tiendas abiertas en lugar de quedar atrapadas dentro de un formato propietario.
¿Dónde se almacenan físicamente nuestros datos y qué cruza realmente la frontera con la federación de copia cero?
Para fuentes federadas, la consulta se envía a su almacén de datos (Snowflake, Databricks, Salesforce Data Cloud o Delta Sharing) y se lee directamente con las credenciales que usted defina. Las tablas originales nunca se duplican en nuestro almacén, por lo que su almacén sigue siendo el sistema de registro y sus controles de acceso y residencia se mantienen. Lo que sale de su perímetro es el resultado de la consulta definida, no las tablas subyacentes. Las fuentes ingeridas se almacenan en un sistema aislado para cada inquilino, y el estado de consentimiento y privacidad se versiona, de modo que los datos regulados se gestionan mediante políticas en lugar de de forma ad hoc.
¿Quién controla el significado de una métrica y cómo se gestiona para miles de usuarios?
Las definiciones de métricas residen en una capa semántica controlada, no dispersas en paneles y cuadernos. Cada definición tiene un responsable; las métricas certificadas requieren la aprobación del responsable; cualquier cambio se revisa y se versiona con un registro de auditoría, y se invalida su propia caché para evitar que queden datos obsoletos. Esto evita el problema de «el mismo KPI, tres respuestas diferentes» a escala organizacional.
¿Cómo se aíslan nuestros datos de otros inquilinos y cuál es el radio de explosión de un solo error?
El alcance del inquilino se aplica en la ruta de datos, en lugar de dejar que el código de la aplicación recuerde un filtro. El acceso a métricas y perfiles se ejecuta en modo de solo lectura sobre las vistas de contrato con ámbito de inquilino —una capa de seguridad que filtra por inquilino antes de que cualquier consulta acceda a una fila—, por lo que ni siquiera una consulta personalizada puede acceder a los datos de otro inquilino ni a las tablas sin procesar. Dado que el aislamiento es una propiedad de la ruta de consulta y no de la disciplina de cada desarrollador, un error de la aplicación no se convierte en una vulnerabilidad que afecte a varios inquilinos.
Cuando el Agente realiza una acción, ¿cómo la auditamos y restringimos?
Cada acción del agente se basa en las abstracciones controladas y la ontología, por lo que una decisión se remonta a la intención, el perfil y el contexto métrico exactos que utilizó, no a una solicitud opaca. Las escrituras que un agente puede realizar están limitadas por restricciones del servidor y límites de frecuencia que se cierran automáticamente; las acciones sensibles, como los incentivos o el gasto, pueden requerir aprobación humana, y cada acción se registra para su auditoría. El agente razona sobre la verdad establecida y permanece revisable, en lugar de actuar sobre un contexto irreconocible.
¿Por qué, en cinco años, una arquitectura en capas resulta más económica que nuestras soluciones puntuales de almacén de datos?
El costo recurrente de una pila de herramientas de almacén de datos y puntos es la integración y la conciliación: cada nueva fuente es un canal personalizado, cada herramienta redefine las métricas y la identidad, y su equipo mantiene la coherencia entre ellas. Separar la ingesta, el almacenamiento, la abstracción y la ontología significa que una fuente se conecta una sola vez, una métrica se define una sola vez y la identidad se resuelve una sola vez; todo lo demás la reutiliza. Cambias una creciente maraña de integraciones frágiles y definiciones contradictorias por una única plataforma y un conjunto de definiciones reguladas.
Construya sobre la base de un contexto conectado, no de conexiones directas.
Ingesta a través de adaptadores, federación de copia cero, recopiladores de seguimiento y un API/SDK abierto; colocar datos sin procesar en un almacén de SQL y MPP sincronizado con CDC; abstraerlo en modelos de eventos, cronogramas, perfiles y métricas; luego vincúlelo a través del modelo de entidad de usuario para que el Agente decida desde el contexto conectado.
Relacionado: el bucle de la plataforma y el seguimiento web SDK.