Extracción de entidades y matching de clientes en Power Platform

Una implementación empresarial de Dataverse y Power Platform tenía problemas bajo grandes cargas de datos: se topaba con los límites de rendimiento, las automatizaciones eran poco confiables, y los registros entrantes había que normalizarlos y emparejarlos con los clientes existentes con precisión.

También había una decisión de arquitectura sobre la mesa: construir una integración a medida con Azure AI Search, o usar lo que la plataforma ya ofrece.

Entré como ingeniero por contrato para estabilizar la implementación y diseñar el pipeline de matching. Fui dueño de las decisiones técnicas, de los flujos de Power Automate y de la lógica de AI Builder.

Empecé por la decisión de arquitectura. Después de evaluar ambas opciones contra las necesidades reales del negocio, recomendé y justifiqué Dataverse Search por encima de un Azure AI Search a medida. La opción nativa de la plataforma cubría los requisitos sin agregar otro servicio que licenciar, desplegar y mantener.

Con eso definido, construí flujos de Power Automate y lógica de AI Builder para normalizar los datos entrantes, extraer entidades de texto no estructurado y emparejar registros con clientes existentes a escala, y luego resolví los límites de rendimiento y los problemas de confiabilidad de las automatizaciones existentes.

La implementación pasó de inestable a confiable bajo volúmenes de datos de producción, con matching de clientes preciso y una arquitectura que el equipo del cliente puede mantener sin ayuda especializada.

Elegir la búsqueda nativa de la plataforma evitó una integración a medida que el cliente habría pagado por construir y mantener.