Target cắt giảm 50% chi phí vận hành nhờ tích hợp Spanner Graph vào hệ thống bán lẻ

Trong môi trường bán lẻ ngày nay, khách hàng mong đợi những trải nghiệm khám phá sản phẩm được cá nhân hóa cao độ và sự hỗ trợ mang tính đối thoại, tạo cảm giác chân thực, tự nhiên và thực sự hữu ích. Hiện nay, việc khám phá sản phẩm thành công phụ thuộc vào khả năng thấu hiểu ý nghĩa ngữ nghĩa cùng các mối quan hệ phong phú, có tính kết nối giữa sản phẩm, danh mục và ý định của khách hàng. Nó không còn chỉ đơn thuần là từ khóa và duyệt web cơ bản.

Tại Target, công việc này được đảm nhận bởi đội ngũ nền tảng Guest Product Confidence. Họ chịu trách nhiệm xây dựng các tính năng thiết lập niềm tin và định hướng quyết định mua hàng, chẳng hạn như xếp hạng, đánh giá và các trợ lý mua sắm kỹ thuật số dựa trên AI. Một ví dụ thú vị là tác nhân trò chuyện Gift Finder, được chúng tôi ra mắt trong mùa lễ hội năm 2025 trên nền tảng trực tuyến và ứng dụng Target để giúp khách hàng tìm thấy những món đồ hoàn hảo thông qua các cuộc đối thoại thân thiện.

Để mang lại khả năng cá nhân hóa theo thời gian thực và các phản hồi ngữ nghĩa giàu ngữ cảnh như trên ở quy mô toàn cầu, chúng tôi đã xác định một nhu cầu kiến trúc quan trọng: chuyển dịch từ hệ sinh thái dữ liệu phân mảnh sang một nền tảng dữ liệu hợp nhất. Chúng tôi cần một giải pháp có khả năng hỗ trợ đồng thời các khối lượng công việc giao dịch lưu lượng cao, các mối quan hệ đồ thị có tính kết nối chặt chẽ, tìm kiếm tương đồng vector và tìm kiếm từ khóa toàn văn.

Trong bài viết này, chúng tôi sẽ khám phá cách chúng tôi đạt được cả bốn mục tiêu đó với Spanner.

Vượt qua kiến trúc phân mảnh

Trước đây, hệ sinh thái dữ liệu khám phá của Target dựa trên sự kết hợp giữa các cụm Elasticsearch cho tìm kiếm và chỉ mục đảo ngược, cùng với các kho dữ liệu NoSQL riêng biệt cho dữ liệu giao dịch. Mặc dù hoạt động được, nhưng kiến trúc phân mảnh này đã đặt ra những thách thức đáng kể về vận hành và kỹ thuật.

Ngữ cảnh bị ngắt kết nối: Việc duy trì sự đồng bộ hoàn hảo giữa các cơ sở dữ liệu tìm kiếm, vector và giao dịch là một thách thức thường trực. Thông tin bị cô lập dẫn đến thiếu hụt ngữ cảnh, các mối quan hệ thuộc tính bị ngắt kết nối và kết quả truy vấn không nhất quán.

Chi phí vận hành cao: Việc quản lý các cụm độc lập, tinh chỉnh chỉ mục tìm kiếm và xử lý logic tổng hợp, đồng bộ hóa tùy chỉnh phức tạp đòi hỏi sự can thiệp thủ công cường độ cao từ các đội ngũ kỹ thuật của chúng tôi.

Nút thắt mở rộng: Việc mở rộng các miền dữ liệu bán lẻ đòi hỏi phải thêm các tập hợp cơ sở dữ liệu mới, duy trì các phép nối (join) phức tạp và điều hướng các đảm bảo giao dịch yếu giữa hệ thống khám phá và hệ thống giao dịch cốt lõi.

Trí tuệ bị cô lập: Chúng tôi thiếu khả năng truy vấn các mối quan hệ đồ thị, độ tương đồng vector và chỉ mục tìm kiếm từ khóa trong một giao dịch duy nhất.

Để xây dựng thế hệ trải nghiệm khách hàng dựa trên AI tiếp theo, chúng tôi cần hợp nhất trên một nền tảng duy nhất.

Xây dựng bản thể luận doanh nghiệp (enterprise ontology) trên Spanner Graph

Chúng tôi đã đánh giá nhiều công nghệ chuyên biệt, bao gồm các cơ sở dữ liệu vector độc lập và các cơ sở dữ liệu đồ thị chuyên biệt (niche). Tuy nhiên, việc bổ sung thêm các cơ sở dữ liệu đơn mục đích chỉ làm trầm trọng thêm sự phức tạp trong vận hành và các đường ống đồng bộ hóa dữ liệu của chúng tôi.

Cuối cùng, chúng tôi đã chọn Spanner Graph để xây dựng bản thể luận doanh nghiệp của mình. Đây là mô hình "đồ thị của các đồ thị" (graph-of-graphs), cho phép chúng tôi xây dựng một đồ thị mua sắm khổng lồ, được hỗ trợ bởi AI tạo sinh.

Bằng cách hợp nhất dữ liệu, chúng tôi đưa dữ liệu ngữ nghĩa, mối quan hệ đồ thị, vector nhúng và các giao dịch vận hành về chung một mái nhà. Điều này thiết lập Spanner trở thành nguồn sự thật duy nhất và có thẩm quyền cho cả trạng thái giao dịch lẫn trí tuệ ngữ nghĩa.

Kiến trúc cấp cao của chúng tôi hiện bao gồm ba trụ cột cốt lõi:

1. Tăng cường doanh nghiệp (Enterprise augmentation): Lớp này nắm bắt danh mục bán lẻ của doanh nghiệp, tổng hợp siêu dữ liệu liên quan từ nhiều nguồn backend và sử dụng AI tạo sinh để làm giàu dữ liệu theo hướng tác nhân (agentic), nhằm cải thiện đáng kể chất lượng và độ sâu của dữ liệu sản phẩm mà chúng tôi thu thập.

2. Kho lưu trữ đồ thị, vector và tìm kiếm hợp nhất: Thay vì chuyển dữ liệu qua nhiều cơ sở dữ liệu, Spanner Graph lưu trữ các nút thực thể, cạnh mối quan hệ và vector nhúng trong cùng một công cụ cơ sở dữ liệu. Spanner Graph hỗ trợ nguyên bản các phép duyệt đồ thị đa chặng, độ tương đồng vector ngữ nghĩa và truy vấn từ khóa toàn văn trên các bảng quan hệ của chúng tôi. Vì sự cộng hưởng đa mô hình này là nguyên bản, chúng tôi có được các giao dịch ACID nghiêm ngặt để đảm bảo tính chính xác tuyệt đối trên các khối lượng công việc phân tán mà không cần các đường ống đồng bộ hóa bên ngoài dễ đổ vỡ.

3. Lớp điều phối và AI: Lớp này cung cấp năng lượng cho các giao diện đối thoại với khách hàng, sử dụng ngữ cảnh có cấu trúc phong phú được cung cấp trực tiếp từ Spanner Graph để làm nền tảng (grounding) cho các LLM của chúng tôi. Nó trích xuất các mối quan hệ sản phẩm có độ đặc thù cao để vận hành các công cụ như Gift Finder, đồng thời quản lý các quy trình AI có trách nhiệm và đánh giá các kết quả đầu ra được tạo ra.

Một quá trình di chuyển tăng dần, không gián đoạn

Việc chuyển đổi cơ sở hạ tầng tìm kiếm và khám phá quan trọng mà hàng triệu khách hàng tin dùng đòi hỏi một cách tiếp cận thận trọng, không gây gián đoạn. Chúng tôi đã thực hiện quá trình di chuyển này theo bốn giai đoạn có cấu trúc.

Ánh xạ lược đồ và bản thể luận: Chúng tôi xác định các thực thể bán lẻ cụ thể, chẳng hạn như sản phẩm, danh mục, thương hiệu và sở thích của khách hàng, cùng các mối quan hệ tương ứng của chúng trong lược đồ Spanner Graph.

Tích hợp dữ liệu và phát lại song song: Chúng tôi đã xây dựng các tích hợp dữ liệu dựa trên đột biến (mutation-based) trong một đường ống song song. Điều này cho phép chúng tôi liên tục phát lại các cập nhật giao dịch trực tiếp, áp dụng các chuyển đổi lược đồ, tạo các vector nhúng và ghi chúng trực tiếp vào Spanner Graph theo thời gian thực.

Triển khai Canary: Chúng tôi dần dần chuyển lưu lượng đọc trực tiếp sang nền tảng mới dựa trên Spanner Graph, xác thực hiệu suất truy vấn, độ chính xác ngữ nghĩa và tính ổn định của cơ sở dữ liệu dưới các khối lượng công việc bán lẻ thực tế.

Chuyển đổi hoàn toàn và dọn dẹp: Sau khi hiệu suất được xác minh kỹ lưỡng, chúng tôi đã chuyển hoàn toàn tất cả lưu lượng tìm kiếm và khám phá sang Spanner và loại bỏ ngăn xếp Elasticsearch cũ, xóa bỏ hoàn toàn gánh nặng bảo trì các cụm đó.

Tác động kinh doanh

Bằng cách xây dựng trực tiếp trên Spanner Graph, chúng tôi đã đạt được những kết quả kỹ thuật và kinh doanh có thể đo lường được:

Nền tảng GraphRAG tối ưu: RAG truyền thống dựa trên độ tương đồng vector phẳng, thường bỏ lỡ các liên kết có cấu trúc giữa các sản phẩm, chẳng hạn như việc khớp một món đồ chơi với các phụ kiện tương thích hoặc độ tuổi phù hợp. Bằng cách kết hợp các phép duyệt đồ thị sâu với tìm kiếm vector ngữ nghĩa trong một kiến trúc GraphRAG hợp nhất, chúng tôi đã tạo nền tảng cho các LLM của mình bằng ngữ cảnh có độ chính xác cao. Điều này trực tiếp cải thiện mức độ liên quan của các đề xuất, nâng cao sự hài lòng của khách hàng và thúc đẩy chỉ số Net Promoter Score.

Khả năng tương tác SQL + GQL hợp nhất: Với Spanner Graph, các nhà phát triển của chúng tôi truy vấn dữ liệu danh mục quan hệ có cấu trúc và các mối quan hệ đồ thị kết nối trong một truy vấn duy nhất bằng cách sử dụng SQL và GQL (Graph Query Language) tiêu chuẩn. Điều này loại bỏ nhu cầu sao chép dữ liệu, độ trễ hoặc các đường ống ETL phức tạp để kết nối các mô hình này.

Khả năng mở rộng serverless không giới hạn: Spanner tự động xử lý các đợt tăng lưu lượng đột biến, khó dự đoán trong các sự kiện bán lẻ cao điểm như Black Friday và Cyber Monday. Bộ tự động mở rộng (autoscaler) tích hợp của Spanner điều chỉnh linh hoạt năng lực tính toán để xử lý lưu lượng bùng nổ trong các chương trình khuyến mãi cường độ cao, giới hạn thời gian mà không làm giảm hiệu suất.

Giảm 50% chi phí bảo trì cơ sở hạ tầng: Bằng cách hợp nhất các cơ sở dữ liệu NoSQL giao dịch và chỉ mục tìm kiếm vào một dịch vụ Google Cloud được quản lý duy nhất, chúng tôi đã loại bỏ gánh nặng vận hành khi phải duy trì các cụm cơ sở dữ liệu riêng biệt. Các nhà phát triển của chúng tôi hiện dành ít hơn 50% thời gian cho việc quản trị cơ sở dữ liệu và bảo trì cơ sở hạ tầng, cho phép chúng tôi xây dựng và triển khai các tính năng AI mới hướng tới khách hàng nhanh hơn nhiều.

Việc chuyển sang Spanner Graph đã thúc đẩy lộ trình AI tạo sinh của chúng tôi, đóng vai trò là minh chứng cuối cùng cho những gì có thể đạt được khi bạn xây dựng trên nền tảng dữ liệu phù hợp.

Bạn muốn tăng tốc các ứng dụng AI của mình? Mọi thứ bắt đầu từ các cơ sở dữ liệu có khả năng đồ thị phù hợp ở quy mô gần như không giới hạn. Hãy khám phá cách Spanner Graph có thể biến dữ liệu thành hành động cho tổ chức của bạn.