Descripciones del producto:
adidas, la icónica marca deportiva alemana, tiene un legado de innovación, desde ser pionera en los tacos atornillables que revolucionaron las botas de fútbol hasta superar los límites en rendimiento, comodidad y experiencias de compra. Para mantener este legado y satisfacer las necesidades de los clientes en más de 150 países, adidas necesitaba una forma más rápida e inteligente de analizar las reseñas de los productos y descubrir la opinión de los clientes. Es por eso que la marca se asoció con Databricks para construir una solución escalable de GenAI impulsada por generación aumentada por recuperación (RAG) y logró obtener ganancias de eficiencia del 30-40 % para los analistas al transformar más de 2 millones de reseñas de clientes en información útil sobre los productos.
Convertir la retroalimentación en decisiones más rápidas e inteligentes
adidas siempre ha liderado con innovación. Comenzó con tacos atornillados que transformaron las botas de fútbol y continuó con equipamiento de alto rendimiento que combina estilo, sostenibilidad y tecnología. Para mantener este legado y servir mejor a su base global de clientes, adidas buscó aprovechar un recurso enorme y poco utilizado: más de 2 millones de reseñas de los productos.
¿El objetivo? Usar IA generativa para extraer el sentimiento y obtener información útil de los comentarios de los clientes, lo que empodera a más de 50 tomadores de decisiones a nivel global, incluidos los usuarios no técnicos, para mejorar el desarrollo de productos y la experiencia de la marca. Un chatbot RAG automatizaría el análisis de revisiones y ofrecería respuestas ricas en contexto en tiempo real, lo que aseguraría que los equipos puedan actuar rápidamente sobre lo que los clientes realmente desean.
Pero la infraestructura existente de adidas no podía soportar esa visión. Su chatbot heredado no se construyó sobre GenAI o RAG, lo que llevó a obtener respuestas genéricas, altos costos de computación y tiempos de respuesta frustrantes de 15 segundos. Mientras tanto, el análisis de revisión seguía siendo en gran medida manual, lo que llevaba mucho tiempo, y los usuarios no técnicos tenían dificultades para acceder a los conocimientos. “Con cargas de consulta que superaban los 200 000 tokens, estábamos sobrecargando nuestros sistemas back-end y limitando la adopción”, afirmó Rahul Pandey, arquitecto de soluciones sénior de adidas.
Construyendo una base escalable para GenAI
adidas inició su transformación al preparar una capa de datos sólida para respaldar el RAG. En primer lugar, se integraron más de 2 millones de reseñas de productos gracias a modelos como Databricks BGE Large, optimizados para la búsqueda semántica. Estas revisiones vectorizadas capturaron el contexto de los comentarios de los clientes, no solo las palabras clave. Luego, las incrustaciones se indexaron con Mosaic AI Vector Search, la solución nativa de Databricks para una recuperación rápida basada en significado.
Con la base de datos vectorial implementada, adidas desplegó un pipeline RAG con Model Serving. La canalización recuperaba fragmentos relevantes de reseñas, los combinaba con indicaciones de usuario y generaba respuestas mediante LLMs como Claude Haiku. Unity Catalog garantizó el acceso seguro y el control de modelos y datos, mientras que los componentes compatibles como las API y la interfaz de chatbot se alojaban en un entorno Kubernetes nativo de la nube. Una interfaz limpia e intuitiva, creada con React y Angular, facilitó a los equipos de todas las regiones el acceso y la interacción con la herramienta.
Para gestionar los experimentos y mantener la confiabilidad del sistema, adidas utilizó MLflow para realizar un seguimiento del rendimiento del modelo y repetir el proceso de manera eficiente. Los bucles de retroalimentación y el seguimiento de errores aseguraron que el chatbot se mantuviese alineado con la evolución del sentimiento del cliente, que crecía de manera más inteligente con cada interacción.
Consolidación de 2 millones de reseñas para un análisis más profundo de comentarios
Los resultados fueron transformadores. La latencia se redujo en un 60 %, lo que redujo el tiempo promedio de respuesta de 15,5 segundos a seis. Una ingeniería de comandos más eficiente y ventanas de contexto más pequeñas redujeron el tamaño de entrada de los tokens en un 98,5 %, de 200 000 a solo 3000 tokens por consulta. Estas optimizaciones redujeron los costos computacionales en más del 90 %.
A través de GenAI, adidas mejoró la eficiencia del análisis de revisión hasta en un 30–40 %, lo que redujo las extensas cargas de trabajo manuales en equipos globales. El chatbot intuitivo permitió una toma de decisiones más rápida en todos los equipos, desde el diseño y el producto hasta el marketing y el servicio al cliente. Los usuarios sin conocimientos técnicos ahora pueden extraer información de forma independiente, lo que mejora la colaboración entre departamentos y los ciclos de desarrollo de los productos.
“La infraestructura GenAI que construimos ya permite casos de uso más allá de las revisiones de productos”, dijo Rahul. “Los equipos ahora están explorando aplicaciones en el servicio al cliente, la administración del conocimiento y otros canales de retroalimentación.”
Al integrar tecnologías de Databricks como Mosaic AI Vector Search, Unity Catalog, Model Serving y MLflow, adidas creó una solución a escala global que es rápida, extensible y está regulada. No solo respalda el objetivo de la empresa, sino que también prepara el escenario para un futuro más personalizado, receptivo y basado en datos.