Este módulo captura y almacena la secuencia de visualizaciones de productos por sesión de usuario, proporcionando datos fundamentales para los motores de recomendación posteriores, sin influir directamente en las operaciones del catálogo.
Configure el servicio de catálogo para que emita un evento 'product_viewed' cada vez que un usuario interactúa con una tarjeta o página de detalles de un producto.
Asociar cada evento con un ID de sesión y un identificador de usuario únicos, asegurando que los datos estén correctamente contextualizados según el contexto de navegación.
Escribe el registro de la vista en una tabla de series temporales o relacional dedicada, incluyendo los campos para product_id, user_id, timestamp y session_id.
Defina reglas de limpieza automatizadas para eliminar registros con más de la antigüedad configurada (por ejemplo, 30 días) para gestionar los costes de almacenamiento.

Evolución desde el registro básico hasta el perfilado inteligente y transversal entre dispositivos.
El sistema registra una entrada con una marca de tiempo para cada producto único visto por un usuario autenticado o anónimo dentro de una ventana de sesión definida (por ejemplo, 24 horas).
Recopila datos de navegación para usuarios no autenticados utilizando cookies de sesión o identificadores de dispositivo.
Elimina automáticamente el historial de visualización cuando la inactividad de un usuario excede el umbral definido.
Evita la creación de múltiples entradas redundantes para el mismo producto dentro de una única ventana de sesión.
Consolidar todas las fuentes de pedidos en un único flujo de entrada de OMS (Sistema de Gestión de Órdenes) controlado.
Convertir los payloads específicos de cada canal en un modelo operativo consistente.
Variable según el volumen de tráfico
Eventos registrados por día
Lineal con período de retención
Tasa de crecimiento del almacenamiento
< 5 ms de sobrecarga de lectura/escritura
Impacto de la latencia
La función de vista reciente comienza como una simple marcación digital, capturando los clics del usuario para crear un contexto inmediato. A corto plazo, mejoraremos la latencia y la precisión de los datos, asegurando actualizaciones en tiempo real en todos los canales, integrando algoritmos básicos de personalización que sugieren artículos relacionados basándose únicamente en el historial de visualización. En el mediano plazo, la hoja de ruta se centra en el análisis predictivo; utilizaremos modelos de aprendizaje automático para anticipar la intención futura, reordenando dinámicamente las pantallas de productos antes de que un usuario incluso las busque. Esta fase también implica una sincronización profunda entre canales, asegurando que la experiencia siga siendo fluida, independientemente de si se accede a través de dispositivos móviles, la web o quioscos en la tienda. A largo plazo, la función evoluciona en un motor de descubrimiento autónomo, aprovechando patrones de comportamiento y tendencias del mercado externo para identificar proactivamente oportunidades de alto valor sin entrada explícita. En última instancia, esta progresión estratégica transforma un registro pasivo en un catalizador de ventas activo, impulsando las tasas de conversión a través de recomendaciones hiperrelevantes y oportunas que se sienten intuitivamente personalizadas para cada cliente individual.

Fortalecer las reintentas, las comprobaciones de estado y el manejo de mensajes rechazados para mejorar la fiabilidad de la fuente.
Validación de la afinación por canal y contexto de la cuenta para reducir las rechazadas falsas.
Priorizar las fallas de entrada que tengan mayor impacto para una recuperación operativa más rápida.
Alimenta al motor de recomendación con contexto histórico para sugerir productos similares a los que se han visto previamente.
Asocia las secuencias de navegación con los eventos de abandono del carrito para identificar a los usuarios con alta intención de compra.
Registra qué variantes de productos fueron vistas con mayor frecuencia durante los períodos de prueba.