MVP para el análisis de reportes de ventas en e-commerce usando Big Data y GenAI en AWS

Abstract

El crecimiento del comercio electrónico ha generado una gran cantidad de datos transaccionales que son poco aprovechados por los pequeños y medianos comerciantes debido a la complejidad de las herramientas analíticas. Este estudio presenta el diseño e implementación de un Mínimo Producto Viable (MVP) para el análisis de reportes de ventas, apoyado en tecnologías de Big Data y Generative AI (GenAI) sobre la nube de Amazon Web Services (AWS). El objetivo es permitir que los dueños de tiendas virtuales puedan consultar, interpretar y actuar sobre sus datos de ventas mediante interacciones en lenguaje natural, sin depender de conocimientos técnicos ni de herramientas de BI complejas. La metodología comprendió cinco fases: diagnóstico de las limitaciones de analítica en e-commerce, integración de datos simulados hacia un data lake (S3 + Glue), diseño de la capa de consulta y visualización con Athena/Redshift y QuickSight, prototipado del módulo GenAI mediante Amazon Bedrock y Amazon Q, y validación funcional del MVP en entorno simulado. Los resultados demuestran que la integración de estas tecnologías habilita reportes dinámicos, narrativas automáticas y recomendaciones funcionales, reduciendo la brecha entre los reportes comunes y las necesidades reales de análisis estratégico. Se concluye que el enfoque propuesto constituye una base viable para escalar soluciones de BI generativa en PYMEs de e-commerce, mejorando su capacidad de toma de decisiones basada en datos.

Abstract: The growth of e-commerce has generated a vast amount of transactional data that is underutilized by small- and medium-sized businesses due to the complexity of analytical tools. This study presents the design and implementation of a Minimum Viable Product (MVP) for sales report analysis, supported by Big Data and Generative AI (GenAI) technologies on the Amazon Web Services (AWS) cloud. The goal is to enable online store owners to query, interpret, and act on their sales data through natural language interactions without relying on technical expertise or complex BI tools. There methodology comprised five phases: diagnosing the limitations of e-commerce analytics, integrating simulated data into a data lake (S3 + Glue), designing the query and visualization layer with Athena/Redshift and QuickSight, prototyping the GenAI module using Amazon Bedrock and Amazon Q, and functionally validating the MVP in a simulated environment. The results demonstrate that integrating these technologies enables dynamic reports, automated narratives, and functional recommendations, bridging the gap between standard reports and the actual need for strategic analysis. The proposed approach provides a viable foundation for scaling generative BI solutions in e-commerce SMEs, enhancing their data-driven decision-making capabilities.